VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. Fakulta informačních technologií DIPLOMOVÁ PRÁCE

Rozměr: px
Začít zobrazení ze stránky:

Download "VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ. Fakulta informačních technologií DIPLOMOVÁ PRÁCE"

Transkript

1 VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Faulta informačních technologií DIPLOMOVÁ PRÁCE Brno 2002 Igor Potúče

2 PROHLÁŠENÍ: Prohlašuji, že jsem tuto diplomovou práci vypracoval samostatně pod vedením Ing. Martina Fědora. Uvedl jsem všechny literární prameny a publiace, ze terých jsem čerpal. V Brně dne podpis

3 PODĚKOVÁNÍ: Děuji vedoucímu diplomové práce Ing. Martinu Fědorovi za velmi užitečnou metodicou pomoc a cenné rady při zpracování diplomové práce.

4 ABSTRAKT V této práci se zabývám sledováním pohybu objetů se stejným vzhledem v sevenci snímů. V úvodu je proveden rozbor metod pro sledování pohybu v obraze a identifiaci trajetorie pohybujícího se objetu. Je zde popsán algoritmus pro sledování trajetorií pohybujících se bodů, přičemž tyto objety mohou mizet, objevovat se na jiných místech, nebo může docházet jejich přerývání. Určování orespondencí mezi jednotlivými body je prováděno na záladě zpětného vyhodnocování vznilých hypotéz. Pro sledování trajetorií využívá algoritmus predice příští polohy objetu. Jao nástroj pro predici je zvolen Kalmanův filtr, terý je výhodný z hledisa své reurzivní strutury. Dále je zde popsán algoritmus pro spojování orespondujících trajetorií pomocí extrapolace hodnot. Na závěr je uvedeno zhodnocení popsaných algoritmů testovaných na vybraných sevencích. KLÍČOVÁ SLOVA Identifiace trajetorie, Kalmanův filtr, predice pohybu, určování orespondence objetů, prediční strom, zpětné vyhodnocování, extrapolace trajetorie, spojitost, segmentace obrazu.

5 ABSTRACT This paper describes the way to determine trajectory of moving simple objects - toens in a picture sequence. Modified Kalman filter is used to predict and identify their trajectory. Presented approach resolves trajectory ambiguities, a case when the number of toens is large and their speeds and accelerations vary. Correspondence problem is determined between two or more consecutive frames based on toens similarity. Traced objects may vanish, appear at a new position and/or mutually occlude each other. Bactracing is used to solve these problems. KEY WORDS Trajectory identification, target tracing, Kalman filter, movement prediction, motion correspondence problem, prediction trees, bactracing, continuity, picture segmentation.

6 OBSAH 1. ÚVOD PŘEHLED POUŽÍVANÝCH METOD SLEDOVÁNÍ VĚTŠÍHO MNOŽSTVÍ POHYBUJÍCÍCH SE OBJEKTŮ EXTRAKCE OBJEKTŮ Z OBRAZU PROBLÉMY PŘI EXTRAKCI OBJEKTŮ URČENÍ KORESPONDENCE PROBLÉMY KORESPONDENCE OBJEKTŮ KALMANŮV FILTR PRO PREDIKCI POLOHY APLIKACE KALMANOVA FILTRU NA POHYB OBJEKTŮ INICIALIZACE KALMANOVA FILTRU Kovarianční matice a matice chyb VÝPOČET ZLEPŠENÍ MAXIMÁLNÍ ODCHYLKA OD PREDIKOVANÉ HODNOTY VÝPOČET ZISKU A AKTUALIZACE STAVOVÉHO VEKTORU VÝPOČET KOVARIANČNÍ MATICE MANÉVROVACÍ MATICE POSTUP VÝPOČTU IDENTIFIKACE TRAJEKTORIE OHODNOCENÍ TRAJEKTORIÍ PŘIŘAZENÍ OBJEKTŮ HYPOTÉZÁM IMPLEMENTACE PREDIKCE PREDIKČNÍ STROM PROŘEZÁVÁNÍ STROMU ROZBOR PROBLÉMŮ MIZENÍ A OBJEVOVÁNÍ Objevení objetu Mizení objetu PROBLÉMY PŘI SLEDOVÁNÍ TRAJEKTORIÍ SPOJOVÁNÍ TRAJEKTORIÍ SPOJITOST IMPLEMENTACE SPOJENÍ TRAJEKTORIÍ PROBLÉMY PŘI EXTRAPOLACI ROZBOR A VYHODNOCENÍ CHOVÁNÍ ALGORITMŮ VLASTNOSTI PARAMETRŮ KALMANOVA FILTRU ODCHYLKY OD PREDIKOVANÉ HODNOTY VELIKOST PREDIKOVANÉ OBLASTI EXTRAPOLACE HODNOT...60

7 7.5. SEKVENCE POHYBU ČLOVĚKA ZÁVĚR SEZNAM POUŽITÉ LITERATURY SEZNAM PŘÍLOH...69

8 1. Úvod 1. Úvod V oblasti počítačového vidění se v posledních letech zaměřil výzum na vývoj efetivních postupů a algoritmů pro sledování pohybu objetů. Využití je v široé oblasti od systémů pro sledování dopravy, v letecém průmyslu při sledování pohybu letadel, v armádním průmyslu pro navádění střel, navádění satelitů nebo sledování miroorganismů pod mirosopem. Tyto systémy se snaží přebírat větší část zpracování a vyhodnocování dat. Z tohoto důvodu je laden velý důraz na vývoj efetivních algoritmů pro sledování pohybu. Existuje velé množství způsobů sledování pohybu, teré se navzájem od sebe liší vlastnostmi sledovaných obrazů, způsobem snímání obrazů, cílem sledování pohybu a dalšími aspety. Tyto techniy využívají apriorních znalostí při řešení onrétních úloh. Taové informace (např. předpoládaný tvar, veliost a prostorové uspořádání objetů, přípustný stupeň řivosti jejich hranic, znalosti o způsobu chování objetů apod.) slouží při zpracování obrazu jao omezující podmíny, případně jao vazby v optimalizaci. Jiným onceptem je rozsáhlé uplatňování heuristicých, intuitivně navržených postupů využívajících zušenost, v ombinaci s formalizovanými metodami. V této práci jsem se zaměřil na sledování pohybu objetů se stejným vzhledem. Cílem je identifiovat trajetorie znače připevněných na lidsém těle. Sledovanou sevencí je nasnímaný pohyb člověa jednou amerou. Značy jsou zobrazeny v sledované sevenci jao bílé pohybující se body. Hlavním a nejompliovanějším problémem je zde určování orespondencí mezi objety. Nicméně většina prací poládala problém určování orespondence za jednoduchý a využívala strategie nejbližšího následnía. V mnoha případech je vša tato strategie nedostačující, jeliož mohou vzniat mnohoznačná přiřazení. Při sledování objetů s odlišným vzhledem lze tento problém částečně řešit využitím techni zjištění vlastností pozorovaných objetů a jejich porovnáním. V případě, dy mají všechny pozorované objety stejný vzhled, musíme použít jiný postup. Při sledování a analýze pohybu objetů v obraze využívám pozorování v závislosti na něolia po sobě jdoucích snímcích. Tento způsob se používá většinou při sledování pohybu objetů ve 3D scéně snímané jednou amerou, ja je tomu i v našem případě. Součástí této metody je predice příští polohy objetu realizovaná pomocí Kalmanova filtru. Při pohybu objetů vša může dojít následujícím problémům, teré je nutné vyřešit. Objety se mohou - 9 -

9 1. Úvod při pohybu přerývat nebo mizet a objevovat se na jiných místech. Vlivem těchto problémů se zvyšuje náročnost a složitost algoritmů na určování vzájemných orespondencí. V této práci je proveden rozbor problémů, teré se vysytují při sledování trajetorií a popis jejich řešení. V úvodu jsou popsány techniy, využívané při sledování objetů. Další část práce je oncipována chronologicy v pořadí řešení problému sledování objetů. Na onci aždé apitoly jsou uvedeny problémy a jejich možná řešení, teré se vysytují u dané problematiy. Na závěr je provedeno vyhodnocení chování implementovaných metod a zhodnoceny výhody a nevýhody jejich použití. Tato práce navazuje jen na semestrální projet, ve terém byly rozebrány metody a postupy obecného sledování pohybu objetů a provedena apliace Kalmanova filtru na predici pohybu Přehled používaných metod Techniy detece pohybu můžeme rozdělit podle způsobu snímání obrazu na : Zpracování sterea tato metoda pracuje na principu stereovize. Zpracovává dvě sevence obrazů, snímané jao oddělené obrazy (levý a pravý) jedné snímané scény. Využívá pa drobné odlišnosti v obou obrazech. Tímto způsobem snímání zísáme třídimensionální obraz snímané scény. V současné době se používá sledování scény více než dvěma amerami. Zpracování jedné sevence snímů metoda zpracovává dva a více snímů zísané jednou amerou. Většinou snímy představují snímanou 3D scénu transformovanou na 2D obraz. Metody se mohou od sebe lišit způsobem práce s obrazem. Např. metody pracující s celým obrazem, jao je metoda detece ativity, terá je záladním elementem detece pohybu. Představuje jednoduše porovnání dvou snímů. Druhým typem jsou metody, teré vyhledají v obrazech jednotlivé objety, se terými dále pracují. U těchto techni je důležité vybrat vhodné parametry, podle terých se deteují objety v obraze. Objetové techniy jsou obecně méně citlivé na fotometricé změny v obrazech a jsou rychlejší při hledání orespondencí [17]. Jejich nevýhodou je nědy obtížné a časově náročné vyhledávání jednotlivých objetů. U objetových techni se využívá při hledání orespondencí různých vlastností : Podobnost objety sledované z různých míst mají podobné charateristiy

10 1. Úvod Jednoznačnost - jeden objet v jednom snímu má maximálně jeden obraz ve druhém snímu. Spojitost posunutí objetu mezi dvěma snímy se nemění soově, ale spojitě, tzn. objet (amera) se pohybuje po hladé řivce. Při hledání orespondencí využíváme různé techniy pro nalezení nejlepšího andidáta. U příznaových metod jsou obrazy předmětů reprezentovány n-rozměrnými vetory číselných příznaů. Každý vetor jednoznačně určuje bod v n-rozměrném obrazovém prostoru. Metody lasifiace pa vycházejí z předpoladu, že body obrazů předmětů jednotlivých tříd leží v obrazovém prostoru blízo sebe, neboli že v obrazovém prostoru vytvářejí shluy. Korelační techniy využívají porovnání obrazových funcí všech možných andidátů s obrazovou funcí původního objetu. Jao nejlepšího andidáta vybereme toho, jehož obrazová funce se shoduje nebo se nejvíce blíží obrazové funci původního objetu. Relaxační techniy procházejí všechny objety Ke aždé dvojici určí míru pravděpodobnosti, že objet p i z prvního obrazu a p j z druhého obrazu. p i oresponduje s objetem Následovně provádíme opravy těchto hodnot na záladě vlastností sousedních bodů. Metody dynamicého programování využívají rozdělení obrazů pomocí mřížy. Tu tvoříme proládáním příme v prvním obraze, teré odpovídají přímám v druhém obraze. Úolem je nalezení spojnice průsečíů, s minimálním ohodnocením na záladě podobnosti oolí. Dalším ritériem při sledování pohybu objetů je změna tvaru (vzhledu) v čase. Podle toho dělíme techniy na dvě záladní supiny : Sledování pevných objetů. Sledování proměnlivých objetů. U první supiny si objety zachovávají svůj tvar v čase během celé sevence snímů. U druhé supiny dochází při sledování pohybu e změně tvaru obrazu objetu. Nebere se vša v úvahu změna, terá je způsobena různou polohou objetu vůči ameře. Příladem první supiny je sledování objetů vybavení anceláře stůl, židle, počítač a jiné. Naopa příladem proměnlivých objetů mohou být obrysy pohybujícího se člověa nebo ontura pohybujících se rtů. p j

11 1. Úvod 1.2. Sledování většího množství pohybujících se objetů Problém sledování velého množství objetů je dán prostorovou blízostí pohybujících se objetů, přičemž musíme určit, teré objety náleží pozorovaným trajetoriím. Použití vybraných metod sledování pohybu objetů závisí na následujících schopnostech : Schopnost rozlišit mezi zísanými hodnotami sutečných objetů a chybami vznilými při extraci objetů. Schopnost určit správné orespondence mezi objety a spojit je do výsledných trajetorií. Rozlišujeme dva typy metod při zpracování trajetorií podle způsobu, jaým provádí zpracování zísaných dat : Hromadné zpracování : všechny pozorované objety zpracováváme společně, poud se nevysytuje mizení objetů, je tato technia ideální. Reurzivní zpracování : data zísaná při posledním zpracování budou použita atualizaci předchozích výsledů. Při sledování pohybu objetů se výzum zaměřil na nejdůležitější problém a to určování orespondencí. Jeliož při vyhodnocování orespondencí je zpracováváno velé množství andidátů, byly vyvinuty apliace algoritmů využívající statisticé zpracování dat. Apriorní znalosti použité ve statisticých modelech se neliší mezi různými objety. Tyto metody jsou citlivé na nastavení jednotlivých parametrů, např. u predice Kalmanovým filtrem. Výhodou těchto metod je využití sledování pohybu objetů v závislosti na něolia snímcích, což je důležité při sledování objetů se stejným vzhledem a při výsytu velého množství objetů v pozorované sevenci. Z tohoto důvodu vša vzniá početní závislost, terá s přibývajícími objety exponenciálně roste. Koncem 90. let byla zaměřena pozornost na dva algoritmy : Multiple hypothesis tracing (MHT) od D.B.Reida [9] a Joint probabilistic data-association filter (JPDAF) od Bar-Shaloma [5]. Ačoliv jsou tyto dva algoritmy odlišné zcela svou myšlenou, mají společné dvě části. První z nich je testování měření v pořadí vývoje asociační cenové matice. Nenulový vstup d, indiuje, že naměřená hodnota z i odpovídá i j cílovému objetu y i, de hodnota d, představuje cenu přiřazení z i objetu i j y i. Druhou částí je, že oba algoritmy potřebují výpočet všech legálních přiřazení. Každé přiřazení

12 1. Úvod nazýváme hypotézou, terá obsahuje cenu přiřazení. Tato cena je vypočtena z pravděpodobnostní hodnoty zísané v předchozích výpočtech. Algoritmus JPDAF provádí atualizaci filtru pro aždou dráhu založenou na spojené pravděpodobnosti asociace mezi poslední množinou měření a aždou trajetorií. Je vhodný pro sledování změti pohybujících se objetů. Dobrých výsledů se vša dá dosáhnout zanedbáním hypotéz s nízou pravděpodobností a výběrem množiny -nejlepších. Danchic a Newman [8] připustili, že nalezení nejlepších hypotéz lze formulovat jao lasicý problém lineárního přiřazení. Chang a Aggarwal [7] apliovali JPDA filtr na problém 3D reonstruci strutury v pohybové sevenci. Nicméně tento algoritmus je vhodný jen pro pevný počet objetů, terý zůstává zachován po celou dobu sevence. Zhang a Faugeras [1] použili Trac splitting filter od Smithe a Beuchlera, terý je podobný algoritmu MHT a terý využívá stromy a zpožděné vyhodnocení. Nicméně tato metoda dovoluje sdílení objetů v jednotlivých snímcích různými trajetoriemi, což bývá v mnoha případech nerealisticé. Racionálnější ta připadá přiřazení objetu vždy jen jedné trajetorii. Určování orespondencí se ta stává rozdělením jednotlivých objetů ve snímcích do disjuntních množin. Další možností, ja řešit problém určení orespondence, je využít heuristicé metody. Deterministicé algoritmy jsou mnohem jednodušší a obsahují méně parametrů. Místo funce hustoty pravděpodobnosti jsou použity valitativní heuristiy pohybu, teré jsou využívány odstranění možných trajetorií a identifiaci optimálních množin trajetorií. Využívají přitom valitativní popis jao vyhlazenost a tuhost pohybu nebo vzdálenost od optimální dráhy. Nejpoužívanějším známým algoritmem je greedy exchange algorithm, terý iterativně optimalizuje ritérium loálního vyhlazeného pohybu zprůměrňovaného přes všechny objety v sevenci. Výhodou tohoto algoritmu je jednoduché začlenění omezení jao je maximální rychlost nebo maximální odchyla od vyhlazeného pohybu, teré zvyšují valitu vyhodnocení. Chetveriov [10] provedl ve své práci shrnutí 5 algoritmů, teré využívají heuristicých metod pro určení trajetorií. Tyto algoritmy využívají vyhlazený pohyb jao předpolad pro ohodnocení cenové funce definované pro tři body ve třech po sobě jdoucích snímcích. Liší se od sebe svými schopnostmi řešit problémy mizení, objevování a přerývání objetů při pohybu, což je shrnuto v tabulce (Tab. 1.1 : Souhrn vlastností)

13 1. Úvod Algoritmus Schopnosti Samo inicializující Přerušení Zmizení Objevení Sethi & Jain SJ87 Salari & Sethi SS90 Rang. & Shah RS91 Hwang HW89 IPAN Tracer IP97 Tab. 1.1 : Souhrn vlastností Jednotlivé vlastnosti jsou ohodnoceny následovně : + vyjadřuje výsyt, - vyjadřuje absenci, ± omezená schopnost. Podrobnější porovnání těchto algoritmů naleznete v literatuře [10]. Obecný popis sledování pohybu objetů za použití predice je obsažen v literatuře od Faugerase [1]

14 2. Extrace objetů z obrazu 2. Extrace objetů z obrazu Prvním roem při sledování objetů v sevenci je extrace objetů z jednotlivých snímů. Cílem je deteovat všechny objety ve snímu a určit jejich polohu, popřípadě i další vlastnosti jao je obsah, řivost, textura apod. Jednou z nejpoužívanějších metod při rozdělení obrazu na objety je prahování viz. literatura [13], [14]. Prahování je účinný způsob segmentace pro scény obsahující předměty na onstantním pozadí. Výpočetně je nenáročné a vždy zachovává spojitost oblastí v uzavřených spojitých hranicích. Tato metoda odděluje objet od pozadí přidělením dvou hodnot jasů. Jedním jasem je interpretováno pozadí a druhým jasem objety v obraze. Pro rozdělení obrazu na dvě hodnoty je nutné znát prahovou hodnotu. V histogramu můžeme nalézt i dvě prahové hodnoty, podle terých rozdělíme obraz na dvě supiny objetů a pozadí. Najít pravidlo pro určení, zda je histogram bimodální, není jednoduché, protože neumíme vždy jednoznačně rozhodnout o významu loálních maxim a minim. Záladní postup při vyhledávání prahové hodnoty je následující : 1. Určíme minimální vzdálenost d pro jasové úrovně. 2. Najdeme dvě největší loální maxima v histogramu, teré jsou od sebe vzdálené nejméně d. 3. Mezi těmito maximy najdeme minimum, teré označíme jao práh. Jamile známe hodnotu prahu, můžeme převést obraz na dvouúrovňový sníme. Úrovním větším než práh přidělíme hodnotu L a úrovním menším než práh přidělíme hodnotu H. Nyní nám body označené jednou hodnotou představují extrahované objety a zbylé body představují pozadí, čímž jsme docílili oddělení objetů od pozadí. Prahování je účinné, mají-li sledované objety stejnou vnitřní úroveň barvy, terá se vša odlišuje od úrovně barvy pozadí. Liší-li se objety od pozadí jinou vlastností než úrovní barvy, např. texturou, je obvyle výhodné vhodnou operací převést tuto vlastnost na úroveň barvy. V dalším rou provádíme extraci objetů z obrazu. Existuje více způsobů ja zjistit polohu objetů a jejich vlastnosti, teré využijeme při určení orespondence objetů. Jedním z nich je procházet obraz po řádcích. Narazíme-li na bod o úrovni, terá nám představuje objet, spustíme z tohoto bodu semínový algoritmus testování. Tento algoritmus testuje oolní body zadaného bodu, zda patří objetu. Podle počtu testovaných bodů dělíme

15 2. Extrace objetů z obrazu algoritmy na testování 4-oolí nebo 8-oolí viz. obráze (Obr. 2.1 : Oolí bodu). Druhý algoritmus má výhodu v prohledávání i rohových bodů. 4-oolí 8-oolí Obr. 2.1 : Oolí bodu Výstupem semínového algoritmu je množina všech bodů patřící danému objetu, představovaného plochou bodů o dané úrovni. Z této množiny pa určíme souřadnice těžiště objetu zprůměrňováním souřadnic bodů objetu : x 1 = n T x i n i= 1 a y 1 = n T y i n i= 1, (2.1) de x i a y i jsou souřadnice bodů, teré připadly objetu a n představuje celový počet bodů objetu. Z těchto bodů pa můžeme dále zjistit obvod, obsah, tvar a jiné vlastnosti objetu, teré můžeme dále využít jao pomocný nástroj při určování orespondencí Problémy při extraci objetů Nasnímaný pohyb člověa je pořízen v temné místnosti, přičemž značy jsou nasvíceny ultrafialovým světlem z důvodu potlačení vlivu oolí a vyninutí znače. Značy po nasnímání amerou vša obsahují různé stupně odstínů bílé barvy a při nízém prahu se rozpadají, tzn. jejich orajové body vytvářejí samostatné objety. Při nastavení vysoého prahu vša v obraze přibývají chybné objety. Vliv na vzhled objetů mají i omprimované AVI sevence. Při omprimaci tvoří vyšší stupně odstínu barvy objetu rušivé oolí. Proto je výhodné práh nastavit ručně pro onrétní sevenci. Další problém při snímání pohybu vzniá nedoonalostí snímacího zařízení, dy rychle pohybující značy vytvářejí ve snímu protažený objet. Tento problém vzniá příliš dlouhou expozicí v jednotlivých snímcích viz. obráze (Obr. 2.2 : Rozmazání objetu rychlým pohybem)

16 2. Extrace objetů z obrazu Obr. 2.2 : Rozmazání objetu rychlým pohybem Nedošlo-li při rozmazání přerytí s jinými objety, je objet deteován jao jeden, i dyž má větší objem. Jeho těžiště vša může být vlivem rozmazání a zvětšení objemu posunuté. Dojde-li vša vlivem rozmazání e spojení objetů, nedoážeme rozlišit u olia objetů došlo e splynutí a jaým podílem působí rozmazaný objet. V apitole 5.7 je popsán problém při přerývání objetů, jehož řešením je detece splynutí pomocí objemu objetu. V tomto případě je vša metoda neúčinná a nedoážeme rozlišit na záladě objemu zda došlo rozmazání objetu či přerytí

17 3. Určení orespondence 3. Určení orespondence Při sledování pohybu objetů potřebujeme určit trajetorie, po terých se objety pohybují. Tyto trajetorie se sládají z poloh jednotlivých objetů v jednotlivých snímcích. V našem případě je problém určování orespondence zaměřen na případ, dy mají všechny sledované objety stejný vzhled. Z tohoto důvodu nemůžeme při určování orespondencí Sníme 1 Sníme 2 Sníme 3 Obr. 3.1 : Korespondence objetů využít vlastností objetů. Kdybychom předpoládali, že všech M objetů se bude vysytovat v n snímcích, byl by počet všech možných trajetorií roven ( M!) n 1. Mezi těmito trajetoriemi se nachází uniátní trajetorie, teré popisují sutečný pohyb objetů. Abychom mohli tyto trajetorie identifiovat, potřebujeme mít znalosti o pohybu objetů. Tyto znalosti zísáme z dosavadního chování objetu. Z poloh v jednotlivých snímcích jsme schopni vypočítat rychlost a zrychlení sledovaného objetu. Při sledování pohybu vycházíme většinou z předpoladu vyhlazeného pohybu objetů. Tímto předpoladem můžeme vyloučit trajetorie, teré z fyziálního hledisa nemají význam. Cílem je pa aždému objetu ve snímu t přiřadit jeho orespondující objet v následujícím snímu t+1 viz. obráze (Obr. 3.1 : Korespondence objetů). Pro pozorované objety vytvoříme stavový vetor pohybu a vybereme vhodný inematicý model, terý nejlépe popisuje jeho změny v čase viz.apitola 4.1. S pomocí zvolených modelů předpovíme polohu v následujícím snímu t+1 a vypočteme pravděpodobnost této předpovědi. Pravděpodobnost pa slouží určení oblasti olem předpověděné pozice X ) t+ 1 viz obráze (Obr. 3.2 : Prediovaná oblast). Oblast bývá většinou

18 3. Určení orespondence ruh o poloměru r. V této oblasti se mohou nacházet andidátní objety Y t+ 1. Z této množiny andidátů pa vybereme jednoho nejlepšího, terý bude reprezentovat orespondující objet X t+1. X t X ) t+1 r Y X t+ 1 t+ 1 Y t+1 Y t+1 Obr. 3.2 : Prediovaná oblast 3.1. Problémy orespondence objetů Během pohybu objetů v sevenci mohou nastat následující případy : Objety se mohou při pohybu vzájemně přerývat. Objety mohou v sevenci mizet a objevovat se na jiných místech. V sledované sevenci snímů se může pohybovat větší množství objetů, čímž vzniá problém víceznačného přiřazení. Chyby při snímání obrazu amerou objety mohou při rychlejším pohybu zanechávat stopu svého obrazu a tím vzniají ve snímcích lamně nové objety. Chyby při extraci objetů z obrazu. Pozorujeme-li projeci objetů z 3D scény ve 2D obraze mohou nastat případy, dy dojde přerytí sledovaných objetů jinými objety ve scéně. Situace mizení a objevování objetů je znázorněna na obrázu (Obr. 3.3 : Přerývání). Pozorovaným objetem je rotující rychle. Bod A je viditelný na všech třech snímcích na rozdíl od bodu B, terý je viditelný jen

19 3. Určení orespondence v prvním snímu, v druhém a třetím snímu je neviditelný. Bod C, terý není vidět na prvním a druhém snímu, se objeví až na třetím snímu. Sníme 1 Sníme 2 Sníme 3 B C A A A Obr. 3.3 : Přerývání Dalším typem přerytí, teré může nastat a není zobrazeno na obrázu je přerytí v případě, dy oba objety leží na stejné přímce procházející středem promítání. Na obrázu (Obr. 3.4 : Nejednoznačnost přiřazení objetů) jsou dva snímy, teré obsahují stejné objety. U těchto objetů nejsme schopni určit na záladě dvou snímů jejich orespondence a dochází tu problému nejednoznačnosti přiřazení. Tento problém můžeme vyřešit, máme-li dispozici větší počet snímů, de je pa orespondenci z ontextu možné vyvodit. Sníme 1 Sníme 2 Obr. 3.4 : Nejednoznačnost přiřazení objetů

20 3. Určení orespondence Vysytuje-li se v obraze příliš velé množství objetů, může dojít problému přeplnění. Existuje zde totiž velá pravděpodobnost výběru nesprávného andidáta, jeliož mohou být v tomto případě andidáti blízo u sebe. Řešením je vhodné nastavení parametrů použité pro predici a ta minimalizovat oolí prediované pozice objetu. Toto řešení vša nemusí být dostačující, a proto se využívá navíc zpožděného vyhodnocení, teré je popsáno v apitole 5. Další problémy se mohou vysytnout, jestliže je pohyb objetu nerovnoměrný, nebo se pohybuje ta rychle, že změna polohy mezi snímy je příliš velá. To způsobuje problémy při predici nové polohy objetu. Proto něteré metody požadují pro správnou predici polohy objetu vyhlazený pohyb s dostatečně malými rozdíly změny polohy při pohybu

21 4. Kalmanův filtr pro predici polohy 4. Kalmanův filtr pro predici polohy Kalmanův filtr je adaptivní filtr používaný modelování stavů disrétního dynamicého systému. Tato technia byla vyvinuta v 60tých letech filtraci šumu v eletricých signálech, ale později našla uplatnění i v sledování objetů v apliacích počítačového vidění. Výhodou tohoto filtru je jeho reurzivní strutura, přičemž jeho oeficienty se v aždém rou upravují na záladě dostupné informace ta, aby posytly optimální odhad budoucího stavu. Nový filtr v aždém rou vzniá opravou filtru z rou předcházejícího na záladě nově přišlé informace, aniž by bylo třeba pamatovat všechny předchozí hodnoty vstupních parametrů. U Kalmanova filtru můžeme využít stavové reprezentace, terá umožňuje vytvářet systémy vyšších řádů jao simultánně pracující soustavu vzájemně vázaných systémů prvního řádu Apliace Kalmanova filtru na pohyb objetů Pohyb objetu můžeme specifiovat polohou x(t), rychlostí v(t) a zrychlením a(t), což popíšeme následujícími diferenciálními rovnicemi : dx( t) v( t) = x& ( t) =, (4.1) dt dv( t) a( t) = v& ( t) =. (4.2) dt Pozice objetu a rychlost jsou uloženy ve stavovém vetoru. Tento vetor obvyle obsahuje první derivace jeho omponent. Abychom popsali pohyb objetu doonale i pro případ změny zrychlení, bude obsahovat stavový vetor polohu x, rychlost v a zrychlení a. x x = v x&. (4.3) a && x Vzhledem zvolenému stavovému vetoru použijeme následující rovnice, teré popisují pohyb objetu : x(t+t) = x(t) + v(t) * T + 1 at 2, (4.4) 2 v(t +T) = v(t) + a(t) * T. (4.5)

22 4. Kalmanův filtr pro predici polohy Pro naši soustavu přepíšeme rovnice pohybu následovně a dostaneme stavovou rovnici: ) ( ) ( ) ( ) ( t t T T t w x x + = Φ +, (4.6) + = ) ( ) ( ) ( ) ( ) ( ) ( * ) ( ) ( ) ( t w t w t w t x t x t x T T T T t x T t x T t x && & && &. (4.7) de T představuje ro vzorování, nebo-li časový úse mezi naměřenými hodnotami polohy objetu. Pro danou stavovou rovnici (4.6) a stavový vetor se třemi hodnotami (4.3) má rozšiřující matice tvar : = Φ ) ( 2 T T T T. (4.8) Naměřené hodnoty obvyle obsahují méně informace než stavový vetor. Při sledování pohybu objetu budeme mít dispozici jen informaci o jeho poloze x(t). Stavový vetor naměřených hodnot má vša stejný tvar jao stavový vetor využívající Kalmanův filtr. Z tohoto důvodu musíme provést transformaci vstupní polohy pro stavový vetor obsahující polohu, rychlost a zrychlení : ) ( ) ( ) ( t v t Hx t y + =. (4.9) Pro transformaci využijeme matici H, terá má pro náš případ tvar : 0) 0 = (1 H. (4.10) Po dosazení do rovnice (4.9) dostaneme : ( ) ) ( ) ( ) ( ) ( * ) ( t v t x t x t x t y + = && &, (4.11) přičemž měření je zresleno hodnotou v(t).

23 4. Kalmanův filtr pro predici polohy Předpoládáme-li, že v(t) a w(t) se chovají jao náhodný proces s charaterem bílého šumu s nulovou střední hodnotou, bude mít ovarianční matice tvar : T w( t) w( t) Q 0 ε =. (4.12) v( t) v( t) 0 R Matice Q představuje manévrovací šum : Matice R představuje šum měření : T [ ( ) w( t ] Q ( t) = E w t ). (4.13) T [ ( t) v( t ] R ( t) = E v ). (4.14) V další části budeme vyjadřovat hodnoty prvů v čase t pomocí indexů Inicializace Kalmanova filtru Na počátu sledování objetu (čas t = 0) máme dispozici hodnotu polohy objetu a tedy jeho stavový vetor. Nemáme žádné poznaty o chování objetu v předchozím čase, a proto musíme nastavit počáteční hodnoty matic šumů a Kalmanova zisu s ohledem na tuto sutečnost. V dalších rocích Kalmanova filtru se hodnoty postupně upraví. Při pozorování počátečního snímu máme dispozici informace jen o poloze objetu x(0), stavový vetor bude tedy vypadat následovně : x(0) 0 0. (4.15) Kovarianční matice a matice chyb Odhady chyb (nejistoty) udržujeme v ovarianční matici označené jao P. Matice tedy obsahuje ovariance naměřených a odhadnutých hodnot. Při inicializaci nastavíme hodnoty λ i na diagonále matice na velmi velá čísla, jeliož neznáme dosavadní chování sledovaného objetu. Velé hodnoty prvů ovarianční matice představují nedůvěru v naměřené hodnoty a filtr se ta bude přilánět značnou mírou prediovaným hodnotám

24 4. Kalmanův filtr pro predici polohy Nastavením dostatečně velých hodnot zajistíme předpolad, že změna polohy v příštím snímu bude malá. Počáteční ovarianční matice má pa následující tvar : r P = 0 λ1 0. (4.16) 0 0 λ 2 Diagonály představují disperze omponent stavového vetoru. Hodnota r 11 je chyba měření, tedy nepřesnost měřené polohy objetu. Každé měření může mít nějaou náhodnou chybu. Matice chyb měření je čtvercová matice, jejíž veliost je rovna počtu měřených hodnot. Tato matice obsahuje odhady chyb měřícího systému pro aždou měřenou hodnotu na rozdíl od ovarianční matice, terá obsahuje odhady chyb filtru. Pro naměřenou hodnotu polohy y určíme záladní chybu měření u. Tato chyba bude pro náš případ v jednotách určení polohy objetu. Matice měřeného šumu R bude mít pa hodnotu : 4.3. Výpočet zlepšení 2 [ r 11 ] [ u ] R = =. (4.17) Při výpočtu nové prediované hodnoty polohy a zjištění polohy objetu je potřeba vypočítat zlepšení, tedy rozdíl hodnot mezi prediovanou polohou a naměřenou polohou. Jestliže nemáme dispozici všechny naměřené hodnoty, teré obsahuje stavový vetor, musíme provést transformaci stavového vetoru pomocí matice H. Obecný vztah pro výpočet zlepšení má tvar : ~ Z = Y X. (4.18) de Y je stavový vetor měření a X ~ je prediovaný stavový vetor. V našem případě vypočteme zlepšení z naměřené polohy y a prediované polohy objetu x. z = x 1 x& tedy z = y x. (4.19) && x [ y ] [ 0 0] Zlepšení se mimo jiné využívá při určování poloměru prediované oblasti, či určení spouštění přidávání manévrovacího šumu e ovarianční matici

25 4. Kalmanův filtr pro predici polohy 4.4. Maximální odchyla od prediované hodnoty Při výpočtu prediované polohy ontrolujeme, zda je naměřená hodnota dostatečně blízo prediované hodnotě. Nědy totiž může dojít tomu, že naměřená hodnota má příliš velou odchylu od prediované, v taovém případě můžeme hodnotu extrapolovat a poračovat dál s extrapolovanou hodnotou nebo ji prohlásit za chybnou. Hodnotu prahu odchyly můžeme pevně zvolit pro všechny roy Kalmanova filtru, nebo ji adaptivně přizpůsobovat. Při adaptivním výpočtu využíváme nejistot obsažených v ovarianční matici. Jednou z možností ja vypočítat tuto odchylu je výpočet pomocí Mahalanobovy vzdálenosti [1] : d = ( y ~ Hx ~ ) P 1 ( y H~ x ). (4.20) Naměřené hodnoty, teré mají menší vzdálenost od prediované hodnoty než je vypočtená odchyla, spadají do množiny potencionálních výsledů viz.apitola Výpočet zisu a atualizace stavového vetoru V této fázi již máme vypočítané zlepšení a nyní je potřeba vypočítat Kalmanův zis, terý indiuje ja velou mírou ovlivňuje zlepšení odhad. Kalmanův zis je uložen v matici K se stejným počtem elementů jao stavový vetor. Hodnoty zisu jsou obvyle v rozmezí 0 až 1. V systému, de nemáme dispozici poaždé naměřenou hodnotu, jsou hodnoty zisu orespondující s nenaměřenými hodnotami během něolia prvních cylů větší než jedna. Tato vlastnost je závislá na počátečních hodnotách stavového vetoru [11]. Kalmanův zis vypočítáme podle následujícího vztahu : ~ T [ H P H + R ] 1 ~ T = P H K. (4.21) Pro zjednodušení výpočtu, si zjednodušíme vztah výpočtem inverzní matice pro náš daný případ. 1 p11 p12 p13 1 ~ [ ] 2 K = P + [ ] p 21 p 22 p 23 0 r11. (4.22) 0 p 31 p 32 p

MĚŘENÍ MOMENTU SETRVAČNOSTI Z DOBY KYVU

MĚŘENÍ MOMENTU SETRVAČNOSTI Z DOBY KYVU Úloha č 5 MĚŘENÍ MOMENTU SETRVAČNOSTI Z DOBY KYVU ÚKOL MĚŘENÍ: Určete moment setrvačnosti ruhové a obdélníové desy vzhledem jednotlivým osám z doby yvu Vypočtěte moment setrvačnosti ruhové a obdélníové

Více

7.3.9 Směrnicový tvar rovnice přímky

7.3.9 Směrnicový tvar rovnice přímky 739 Směrnicový tvar rovnice přímy Předpolady: 7306 Pedagogicá poznáma: Stává se, že v hodině nestihneme poslední část s určováním vztahu mezi směrnicemi olmých příme Vrátíme se obecné rovnici přímy: Obecná

Více

β 180 α úhel ve stupních β úhel v radiánech β = GONIOMETRIE = = 7π 6 5π 6 3 3π 2 π 11π 6 Velikost úhlu v obloukové a stupňové míře: Stupňová míra:

β 180 α úhel ve stupních β úhel v radiánech β = GONIOMETRIE = = 7π 6 5π 6 3 3π 2 π 11π 6 Velikost úhlu v obloukové a stupňové míře: Stupňová míra: GONIOMETRIE Veliost úhlu v oblouové a stupňové míře: Stupňová míra: Jednota (stupeň) 60 600 jeden stupeň 60 minut 600 vteřin Př. 5,4 5 4 0,4 0,4 60 4 Oblouová míra: Jednota radián radián je veliost taového

Více

Vyhodnocení 2D rychlostního pole metodou PIV programem Matlab (zpracoval Jan Kolínský, dle programu ing. Jana Novotného)

Vyhodnocení 2D rychlostního pole metodou PIV programem Matlab (zpracoval Jan Kolínský, dle programu ing. Jana Novotného) Vyhodnocení 2D rychlostního pole metodou PIV programem Matlab (zpracoval Jan Kolínský, dle programu ing. Jana Novotného) 1 Obecný popis metody Particle Image Velocimetry, nebo-li zkráceně PIV, je měřící

Více

SPOTŘEBITELSKÝ ÚVĚR. Na začátku provedeme inicializaci proměnných jejich vynulováním příkazem "restart". To oceníme při opakovaném použití dokumentu.

SPOTŘEBITELSKÝ ÚVĚR. Na začátku provedeme inicializaci proměnných jejich vynulováním příkazem restart. To oceníme při opakovaném použití dokumentu. Úloha 1 - Koupě nového televizoru SPOTŘEBITELSKÝ ÚVĚR Chceme si oupit nový televizor v hodnotě 000,-Kč. Bana nám půjčí, přičemž její úroová sazba činí 11%. Předpoládejme, že si půjčujeme na jeden ro a

Více

Reciprokou funkci znáte ze základní školy pod označením nepřímá úměra.

Reciprokou funkci znáte ze základní školy pod označením nepřímá úměra. @091 7. Reciproá funce Reciproou funci znáte ze záladní šoly pod označením nepřímá úměra. Definice: Reciproá funce je dána předpisem ( 0 je reálné číslo) f : y R \ {0} A) Definiční obor funce: Je třeba

Více

zpracování signálů - Fourierova transformace, FFT Frekvenční

zpracování signálů - Fourierova transformace, FFT Frekvenční Digitální zpracování signálů - Fourierova transformace, FF Frevenční analýza 3. přednáša Jean Baptiste Joseph Fourier (768-830) Zálady experimentální mechaniy Frevenční analýza Proč se frevenční analýza

Více

Návrh vysokofrekvenčních linkových transformátorů

Návrh vysokofrekvenčních linkových transformátorů inové transformátory inové transformátory Při požadavu na transformaci impedancí v široém frevenčním pásmu, dy nelze obsáhnout požadovanou oblast mitočtů ani široopásmovými obvody, je třeba použít široopásmových

Více

1. KOMBINATORIKA. Příklad 1.1: Mějme množinu A a. f) uspořádaných pětic množiny B a. Řešení: a)

1. KOMBINATORIKA. Příklad 1.1: Mějme množinu A a. f) uspořádaných pětic množiny B a. Řešení: a) 1. KOMBINATORIKA Kombinatoria je obor matematiy, terý zoumá supiny prvů vybíraných z jisté záladní množiny. Tyto supiny dělíme jedna podle toho, zda u nich záleží nebo nezáleží na pořadí zastoupených prvů

Více

676 + 4 + 100 + 196 + 0 + 484 + 196 + 324 + 64 + 324 = = 2368

676 + 4 + 100 + 196 + 0 + 484 + 196 + 324 + 64 + 324 = = 2368 Příklad 1 Je třeba prověřit, zda lze na 5% hladině významnosti pokládat za prokázanou hypotézu, že střední doba výroby výlisku je 30 sekund. Přitom 10 náhodně vybraných výlisků bylo vyráběno celkem 540

Více

fakulty MENDELU v Brně (LDF) s ohledem na disciplíny společného základu http://akademie.ldf.mendelu.cz/cz (reg. č. CZ.1.07/2.2.00/28.

fakulty MENDELU v Brně (LDF) s ohledem na disciplíny společného základu http://akademie.ldf.mendelu.cz/cz (reg. č. CZ.1.07/2.2.00/28. Základy lineárního programování Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem

Více

e-mail: RadkaZahradnikova@seznam.cz 1. července 2010

e-mail: RadkaZahradnikova@seznam.cz 1. července 2010 Optimální výrobní program Radka Zahradníková e-mail: RadkaZahradnikova@seznam.cz 1. července 2010 Obsah 1 Lineární programování 2 Simplexová metoda 3 Grafická metoda 4 Optimální výrobní program Řešení

Více

2. úkol MI-PAA. Jan Jůna (junajan) 3.11.2013

2. úkol MI-PAA. Jan Jůna (junajan) 3.11.2013 2. úkol MI-PAA Jan Jůna (junajan) 3.11.2013 Specifikaci úlohy Problém batohu je jedním z nejjednodušších NP-těžkých problémů. V literatuře najdeme množství jeho variant, které mají obecně různé nároky

Více

Obr. P1.1 Zadání úlohy v MS Excel

Obr. P1.1 Zadání úlohy v MS Excel Přílohy Příloha 1 Řešení úlohy lineárního programování v MS Excel V této příloze si ukážeme, jak lze řešit úlohy lineárního programování pomocí tabulkového procesoru MS Excel. Výpočet budeme demonstrovat

Více

Matematické modelování dopravního proudu

Matematické modelování dopravního proudu Matematické modelování dopravního proudu Ondřej Lanč, Alena Girglová, Kateřina Papežová, Lucie Obšilová Gymnázium Otokara Březiny a SOŠ Telč lancondrej@centrum.cz Abstrakt: Cílem projektu bylo seznámení

Více

LDF MENDELU. Simona Fišnarová (MENDELU) Základy lineárního programování VMAT, IMT 1 / 25

LDF MENDELU. Simona Fišnarová (MENDELU) Základy lineárního programování VMAT, IMT 1 / 25 Základy lineárního programování Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem

Více

11 Analýza hlavních komponet

11 Analýza hlavních komponet 11 Analýza hlavních komponet Tato úloha provádí transformaci měřených dat na menší počet tzv. fiktivních dat tak, aby většina informace obsažená v původních datech zůstala zachována. Jedná se tedy o úlohu

Více

10. Předpovídání - aplikace regresní úlohy

10. Předpovídání - aplikace regresní úlohy 10. Předpovídání - aplikace regresní úlohy Regresní úloha (analýza) je označení pro statistickou metodu, pomocí nichž odhadujeme hodnotu náhodné veličiny (tzv. závislé proměnné, cílové proměnné, regresandu

Více

Automatická detekce anomálií při geofyzikálním průzkumu. Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011

Automatická detekce anomálií při geofyzikálním průzkumu. Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011 Automatická detekce anomálií při geofyzikálním průzkumu Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011 Cíle doktorandské práce Seminář 10. 11. 2010 Najít, implementovat, ověřit a do praxe

Více

13 Barvy a úpravy rastrového

13 Barvy a úpravy rastrového 13 Barvy a úpravy rastrového Studijní cíl Tento blok je věnován základním metodám pro úpravu rastrového obrazu, jako je např. otočení, horizontální a vertikální překlopení. Dále budo vysvětleny různé metody

Více

1 Modelování systémů 2. řádu

1 Modelování systémů 2. řádu OBSAH Obsah 1 Modelování systémů 2. řádu 1 2 Řešení diferenciální rovnice 3 3 Ukázka řešení č. 1 9 4 Ukázka řešení č. 2 11 5 Ukázka řešení č. 3 12 6 Ukázka řešení č. 4 14 7 Ukázka řešení č. 5 16 8 Ukázka

Více

ATMOSFÉRICKÝ TLAK A NADMOŘSKÁ VÝŠKA

ATMOSFÉRICKÝ TLAK A NADMOŘSKÁ VÝŠKA ATMOSFÉRICKÝ TLAK A NADMOŘSKÁ VÝŠKA Vzdělávací předmět: Fyzika Tematický celek dle RVP: Mechanické vlastnosti tekutin Tematická oblast: Mechanické vlastnosti plynů Cílová skupina: Žák 7. ročníku základní

Více

Přílohy. Příloha 1. Obr. P1.1 Zadání úlohy v MS Excel

Přílohy. Příloha 1. Obr. P1.1 Zadání úlohy v MS Excel Přílohy Příloha 1 Řešení úlohy lineárního programování v MS Excel V této příloze si ukážeme, jak lze řešit úlohy lineárního programování pomocí tabulkového procesoru MS Excel 2007. Výpočet budeme demonstrovat

Více

6. Měření Youngova modulu pružnosti v tahu a ve smyku

6. Měření Youngova modulu pružnosti v tahu a ve smyku 6. Měření Youngova modulu pružnosti v tahu a ve smyu Úol : Určete Youngův modul pružnosti drátu metodou přímou (z protažení drátu). Prostudujte doporučenou literaturu: BROŽ, J. Zálady fyziálních měření..

Více

Motivace. Náhodný pokus, náhodný n jev. pravděpodobnost. podobnostní charakteristiky diagnostických testů, Bayesův vzorec. Prof.RND. RND.

Motivace. Náhodný pokus, náhodný n jev. pravděpodobnost. podobnostní charakteristiky diagnostických testů, Bayesův vzorec. Prof.RND. RND. Pravděpodobnostn podobnostní charateristiy diagnosticých testů, Bayesův vzorec Prof.RND RND.Jana Zvárov rová,, DrSc. Náhodný pous, náhodný n jev Náhodný pous: výslede není jednoznačně určen podmínami,

Více

Modelování a simulace regulátorů a čidel

Modelování a simulace regulátorů a čidel Modeloání a simulace regulátorů a čidel. Modeloání a simulace PI regulátoru Přenos PI regulátoru je yjádřen následujícím ztahem F( p) = ( + p ) p V Simulinu je tento blo obsažen nihoně prů. Bohužel použití

Více

Závislost indexů C p,c pk na způsobu výpočtu směrodatné odchylky

Závislost indexů C p,c pk na způsobu výpočtu směrodatné odchylky Závislost indexů C,C na zůsobu výočtu směrodatné odchyly Ing. Renata Przeczová atedra ontroly a řízení jaosti, VŠB-TU Ostrava, FMMI Podni, terý chce usět v dnešní onurenci, musí neustále reagovat na měnící

Více

Stanovení měrného tepla pevných látek

Stanovení měrného tepla pevných látek 61 Kapitola 10 Stanovení měrného tepla pevných látek 10.1 Úvod O teple se dá říci, že souvisí s energií neuspořádaného pohybu molekul. Úhrnná pohybová energie neuspořádaného pohybu molekul, pohybu postupného,

Více

3. úloha - problém batohu metodami branch & bound, dynamické programování, heuristika s testem

3. úloha - problém batohu metodami branch & bound, dynamické programování, heuristika s testem ČVUT FEL X36PAA - Problémy a algoritmy 3. úloha - problém batohu metodami branch & bound, dynamické programování, heuristika s testem Jméno: Marek Handl Datum: 1. 1. 2009 Cvičení: Pondělí 9:00 Zadání Naprogramujte

Více

Vliv realizace, vliv přesnosti centrace a určení výšky přístroje a cíle na přesnost určovaných veličin

Vliv realizace, vliv přesnosti centrace a určení výšky přístroje a cíle na přesnost určovaných veličin Vliv realizace, vliv přesnosti centrace a určení výšky přístroje a cíle na přesnost určovaných veličin doc. Ing. Martin Štroner, Ph.D. Fakulta stavební ČVUT v Praze 1 Úvod Při přesných inženýrsko geodetických

Více

1.5.7 Prvočísla a složená čísla

1.5.7 Prvočísla a složená čísla 17 Prvočísla a složená čísla Předpolady: 103, 106 Dnes bez alulačy Číslo 1 je dělitelné čísly 1,, 3,, 6 a 1 Množinu, terou tvoří právě tato čísla, nazýváme D 1 množina dělitelů čísla 1, značíme ( ) Platí:

Více

GENETICKÉ UČENÍ NEURONOVÝCH SÍTÍ GENETIC LEARNING OF NEURAL NETWORKS. Roman Biskup, Anna Čermáková

GENETICKÉ UČENÍ NEURONOVÝCH SÍTÍ GENETIC LEARNING OF NEURAL NETWORKS. Roman Biskup, Anna Čermáková GENETICKÉ UČENÍ NEURONOVÝCH SÍTÍ GENETIC LEARNING OF NEURAL NETWORKS Roman Bisup, Anna Čermáová Anotace: Příspěve se zabývá prezentací principů učení jednoho onrétního typu neuronových sítí. Cílem práce

Více

THE POSSIBILITY OF RELOCATION WAREHOUSES IN CZECH-POLISH BORDER MOŽNOSTI RELOKACE SKLADŮ V ČESKO-POLSKÉM PŘÍHRANIČÍ

THE POSSIBILITY OF RELOCATION WAREHOUSES IN CZECH-POLISH BORDER MOŽNOSTI RELOKACE SKLADŮ V ČESKO-POLSKÉM PŘÍHRANIČÍ Jan CHOCHOLÁČ 1 THE POSSIBILITY OF RELOCATION WAREHOUSES IN CZECH-POLISH BORDER MOŽNOSTI RELOKACE SKLADŮ V ČESKO-POLSKÉM PŘÍHRANIČÍ BIO NOTE Jan CHOCHOLÁČ Asistent na Katedře dopravního managementu, maretingu

Více

Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté

Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté polynomy pro případ dvou uzlových bodů ξ 1 = 1 a ξ 2 = 4. Experimentální body jsou x = [0.2 0.4 0.6 1.5 2.0 3.0

Více

a vlastních vektorů Příklad: Stanovte taková čísla λ, pro která má homogenní soustava Av = λv nenulové (A λ i I) v = 0.

a vlastních vektorů Příklad: Stanovte taková čísla λ, pro která má homogenní soustava Av = λv nenulové (A λ i I) v = 0. Výpočet vlastních čísel a vlastních vektorů S pojmem vlastního čísla jsme se již setkali například u iteračních metod pro řešení soustavy lineárních algebraických rovnic. Velikosti vlastních čísel iterační

Více

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1 Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu

Více

Funkční měniče. A. Na předloženém aproximačním funkčním měniči s operačním zesilovačem realizujícím funkci danou tabulkou:

Funkční měniče. A. Na předloženém aproximačním funkčním měniči s operačním zesilovačem realizujícím funkci danou tabulkou: Funční měniče. Zadání: A. Na předloženém aproximačním funčním měniči s operačním zesilovačem realizujícím funci danou tabulou: proveďte: U / V / V a) pomocí oscilosopu měnič nastavte b) změřte na něm jeho

Více

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení

2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení 2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků

Více

Nyní využijeme slovník Laplaceovy transformace pro derivaci a přímé hodnoty a dostaneme běžnou algebraickou rovnici. ! 2 "

Nyní využijeme slovník Laplaceovy transformace pro derivaci a přímé hodnoty a dostaneme běžnou algebraickou rovnici. ! 2 ŘEŠENÉ PŘÍKLADY Z MB ČÁST Příklad Nalezněte pomocí Laplaceovy transformace řešení dané Cauchyho úlohy lineární diferenciální rovnice prvního řádu s konstantními koeficienty v intervalu 0,, které vyhovuje

Více

Výhody a nevýhody jednotlivých reprezentací jsou shrnuty na konci kapitoly.

Výhody a nevýhody jednotlivých reprezentací jsou shrnuty na konci kapitoly. Kapitola Reprezentace grafu V kapitole?? jsme se dozvěděli, co to jsou grafy a k čemu jsou dobré. rzo budeme chtít napsat nějaký program, který s grafy pracuje. le jak si takový graf uložit do počítače?

Více

1 Linearní prostory nad komplexními čísly

1 Linearní prostory nad komplexními čísly 1 Linearní prostory nad komplexními čísly V této přednášce budeme hledat kořeny polynomů, které se dále budou moci vyskytovat jako složky vektorů nebo matic Vzhledem k tomu, že kořeny polynomu (i reálného)

Více

František Batysta batysfra@fjfi.cvut.cz 19. listopadu 2009. Abstrakt

František Batysta batysfra@fjfi.cvut.cz 19. listopadu 2009. Abstrakt Automatický výpočet chyby nepřímého měření František Batysta batysfra@fjfi.cvut.cz 19. listopadu 2009 Abstrakt Pro správné vyhodnocení naměřených dat je třeba také vypočítat chybu měření. Pokud je neznámá

Více

Neuronové časové řady (ANN-TS)

Neuronové časové řady (ANN-TS) Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci

Více

Normální (Gaussovo) rozdělení

Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení popisuje vlastnosti náhodné spojité veličiny, která vzniká složením různých náhodných vlivů, které jsou navzájem nezávislé, kterých je velký

Více

20 - Číslicové a diskrétní řízení

20 - Číslicové a diskrétní řízení 20 - Číslicové a disrétní řízení Michael Šebe Automaticé řízení 2013 22-4-14 Analogové a číslicové řízení Proč číslicově? Snadno se přeprogramuje (srovnej s výměnou rezistorů/apacitorů v analogové řídicím

Více

Funkce - pro třídu 1EB

Funkce - pro třídu 1EB Variace 1 Funkce - pro třídu 1EB Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv využití výukového materiálu je povoleno pouze s odkazem na www.jarjurek.cz. 1. Funkce Funkce je přiřazení, které každému

Více

SOLVER UŽIVATELSKÁ PŘÍRUČKA. Kamil Šamaj, František Vižďa Univerzita obrany, Brno, 2008 Výzkumný záměr MO0 FVT0000404

SOLVER UŽIVATELSKÁ PŘÍRUČKA. Kamil Šamaj, František Vižďa Univerzita obrany, Brno, 2008 Výzkumný záměr MO0 FVT0000404 SOLVER UŽIVATELSKÁ PŘÍRUČKA Kamil Šamaj, František Vižďa Univerzita obrany, Brno, 2008 Výzkumný záměr MO0 FVT0000404 1. Solver Program Solver slouží pro vyhodnocení experimentálně naměřených dat. Základem

Více

t-test, Studentův párový test Ing. Michael Rost, Ph.D.

t-test, Studentův párový test Ing. Michael Rost, Ph.D. Testování hypotéz: dvouvýběrový t-test, Studentův párový test Ing. Michael Rost, Ph.D. Úvod do problému... Již známe jednovýběrový t-test, při kterém jsme měli k dispozici pouze jeden výběr. Můžeme se

Více

Inferenční statistika - úvod. z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů

Inferenční statistika - úvod. z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů Inferenční statistika - úvod z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů Pravděpodobnost postupy induktivní statistiky vycházejí z teorie pravděpodobnosti pravděpodobnost, že

Více

2 IDENTIFIKACE H-MATICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNOT

2 IDENTIFIKACE H-MATICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNOT 2 IDENIFIKACE H-MAICE POPISUJÍCÍ VEDENÍ Z NAMĚŘENÝCH HODNO omáš Novotý ČESKÉ VYSOKÉ UČENÍ ECHNICKÉ V PRAZE Faulta eletrotechicá Katedra eletroeergetiy. Úvod Metody založeé a loalizaci poruch pomocí H-matic

Více

3. Optimalizace pomocí nástroje Řešitel

3. Optimalizace pomocí nástroje Řešitel 3. Optimalizace pomocí nástroje Řešitel Rovnováha mechanické soustavy Uvažujme dvě různé nehmotné lineární pružiny P 1 a P 2 připevněné na pevné horizontální tyči splývající s osou x podle obrázku: (0,0)

Více

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D.

Zpracování náhodného výběru. Ing. Michal Dorda, Ph.D. Zpracování náhodného výběru popisná statistika Ing. Michal Dorda, Ph.D. Základní pojmy Úkolem statistiky je na základě vlastností výběrového souboru usuzovat o vlastnostech celé populace. Populace(základní

Více

1 Rozdělení mechaniky a její náplň

1 Rozdělení mechaniky a její náplň 1 Rozdělení mechaniky a její náplň Mechanika je nauka o rovnováze a pohybu hmotných útvarů pohybujících se rychlostí podstatně menší, než je rychlost světla (v c). Vlastnosti skutečných hmotných útvarů

Více

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie 4EK211 Základy ekonometrie ZS 2015/16 Cvičení 7: Časově řady, autokorelace LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Časové řady Data: HDP.wf1

Více

9 Skonto, porovnání různých forem financování

9 Skonto, porovnání různých forem financování 9 Sonto, porovnání různých forem financování Sonto je sráža (sleva) z ceny, terou posytuje prodávající upujícímu v případě, že upující zaplatí oamžitě (resp. během dohodnuté ráté lhůty). Výše sonta je

Více

2. STAVBA PARTPROGRAMU

2. STAVBA PARTPROGRAMU Stavba partprogramu 2 2. STAVBA PARTPROGRAMU 2.1 Slovo partprogramu 2.1.1 Stavba slova Elementárním stavebním prvem partprogramu je tzv. slovo (instruce programu). Každé slovo sestává z písmene adresy

Více

Mendelova zemědělská a lesnická univerzita Provozně ekonomická fakulta. Výpočet charakteristik ze tříděných údajů Statistika I. protokol č.

Mendelova zemědělská a lesnická univerzita Provozně ekonomická fakulta. Výpočet charakteristik ze tříděných údajů Statistika I. protokol č. Mendelova zemědělsá a lesnicá univerzita Provozně eonomicá faulta Výpočet charateristi ze tříděných údajů Statistia I. protool č. 2 Jan Grmela, 2. roční, Eonomicá informatia Zadání 130810, supina Středa

Více

2.6. VLASTNÍ ČÍSLA A VEKTORY MATIC

2.6. VLASTNÍ ČÍSLA A VEKTORY MATIC .6. VLASTNÍ ČÍSLA A VEKTORY MATIC V této kapitole se dozvíte: jak jsou definována vlastní (charakteristická) čísla a vektory čtvercové matice; co je to charakteristická matice a charakteristický polynom

Více

Základní vlastnosti křivek

Základní vlastnosti křivek křivka množina bodů v rovině nebo v prostoru lze chápat jako trajektorii pohybu v rovině či v prostoru nalezneme je také jako množiny bodů na ploše křivky jako řezy plochy rovinou, křivky jako průniky

Více

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11.

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 3. 11. UNIVERZITA OBRANY Fakulta ekonomiky a managementu Aplikace STAT1 Výsledek řešení projektu PRO HORR2011 a PRO GRAM2011 Jiří Neubauer, Marek Sedlačík, Oldřich Kříž 3. 11. 2012 Popis a návod k použití aplikace

Více

Měření součinitele smykového tření dynamickou metodou

Měření součinitele smykového tření dynamickou metodou Měření součinitele smykového tření dynamickou metodou Online: http://www.sclpx.eu/lab1r.php?exp=6 Měření smykového tření na nakloněné rovině pomocí zvukové karty řešil např. Sedláček [76]. Jeho konstrukce

Více

Ctislav Fiala: Optimalizace a multikriteriální hodnocení funkční způsobilosti pozemních staveb

Ctislav Fiala: Optimalizace a multikriteriální hodnocení funkční způsobilosti pozemních staveb 16 Optimální hodnoty svázaných energií stropních konstrukcí (Graf. 6) zde je rozdíl materiálových konstant, tedy svázaných energií v 1 kg materiálu vložek nejmarkantnější, u polystyrénu je téměř 40krát

Více

8 Střední hodnota a rozptyl

8 Střední hodnota a rozptyl Břetislav Fajmon, UMAT FEKT, VUT Brno Této přednášce odpovídá kapitola 10 ze skript [1]. Také je k dispozici sbírka úloh [2], kde si můžete procvičit příklady z kapitol 2, 3 a 4. K samostatnému procvičení

Více

VYUŽITÍ MATLABU JAKO MOTIVAČNÍHO PROSTŘEDKU VE VÝUCE FYZIKY NA STŘEDNÍCH ŠKOLÁCH

VYUŽITÍ MATLABU JAKO MOTIVAČNÍHO PROSTŘEDKU VE VÝUCE FYZIKY NA STŘEDNÍCH ŠKOLÁCH VYUŽITÍ MATLABU JAKO MOTIVAČNÍHO PROSTŘEDKU VE VÝUCE FYZIKY NA STŘEDNÍCH ŠKOLÁCH J. Tesař, P. Batoš Jihočesá univezita, Pedagogicá faulta, Kateda fyziy, Jeonýmova 0, 37 5 Česé Budějovice Abstat V příspěvu

Více

Kapitola 2. o a paprsek sil lze ztotožnit s osou x (obr.2.1). sil a velikost rovnou algebraickému součtu sil podle vztahu R = F i, (2.

Kapitola 2. o a paprsek sil lze ztotožnit s osou x (obr.2.1). sil a velikost rovnou algebraickému součtu sil podle vztahu R = F i, (2. Kapitola 2 Přímková a rovinná soustava sil 2.1 Přímková soustava sil Soustava sil ležící ve společném paprsku se nazývá přímková soustava sil [2]. Působiště všech sil m i lze posunout do společného bodu

Více

Kapitola 1. Signály a systémy. 1.1 Klasifikace signálů

Kapitola 1. Signály a systémy. 1.1 Klasifikace signálů Kapitola 1 Signály a systémy 1.1 Klasifikace signálů Signál představuje fyzikální vyjádření informace, obvykle ve formě okamžitých hodnot určité fyzikální veličiny, která je funkcí jedné nebo více nezávisle

Více

kamerou. Dle optických parametrů objektivu mohou v získaném obraze nastat geometrická

kamerou. Dle optických parametrů objektivu mohou v získaném obraze nastat geometrická Odstranění geometrických zkreslení obrazu Vstupní obraz pro naše úlohy získáváme pomocí optické soustavy tvořené objektivem a kamerou. Dle optických parametrů objektivu mohou v získaném obraze nastat geometrická

Více

Měřicí přístroje a měřicí metody

Měřicí přístroje a měřicí metody Měřicí přístroje a měřicí metody Základní elektrické veličiny určují kvalitativně i kvantitativně stav elektrických obvodů a objektů. Neelektrické fyzikální veličiny lze převést na elektrické veličiny

Více

Měření magnetické indukce elektromagnetu

Měření magnetické indukce elektromagnetu Měření magnetické indukce elektromagnetu Online: http://www.sclpx.eu/lab3r.php?exp=1 V tomto experimentu jsme využili digitální kuchyňské váhy, pomocí kterých jsme určovali sílu, kterou elektromagnet působí

Více

Řešení slovních úloh pomocí lineárních rovnic

Řešení slovních úloh pomocí lineárních rovnic Řešení slovních úloh pomocí lineárních rovnic Řešení slovních úloh představuje spojení tří, dnes bohužel nelehkých, úloh porozumění čtenému textu (pochopení zadání), jeho matematizaci (převedení na rovnici)

Více

Náplň. v.0.03 16.02.2014. - Jednoduché příklady na práci s poli v C - Vlastnosti třídění - Způsoby (algoritmy) třídění

Náplň. v.0.03 16.02.2014. - Jednoduché příklady na práci s poli v C - Vlastnosti třídění - Způsoby (algoritmy) třídění Náplň v.0.03 16.02.2014 - Jednoduché příklady na práci s poli v C - Vlastnosti třídění - Způsoby (algoritmy) třídění Spojení dvou samostatně setříděných polí void Spoj(double apole1[], int adelka1, double

Více

Příloha č. 1 Část II. Ekonomika systému IDS JMK

Příloha č. 1 Část II. Ekonomika systému IDS JMK Příloha č. 1 Část II. Eonomia systému IDS JMK Květen 2011 Eonomia systému IDS JMK I. EKONOMICKÉ JEDNOTKY Pro účely dělení výnosů je rozděleno území IDS JMK do eonomicých jednote tvořených supinami tarifních

Více

3.2.9 Věta o středovém a obvodovém úhlu

3.2.9 Věta o středovém a obvodovém úhlu 3..9 ěta o středovém a obvodovém úhlu Předpolady: ody, rozdělují ružnici na dva oblouy. Polopřímy a pa rozdělují rovinu na dva úhly. rcholy obou úhlů leží ve středu ružnice říáme, že jde o středové úhly

Více

M - Příprava na 1. zápočtový test - třída 3SA

M - Příprava na 1. zápočtový test - třída 3SA M - Příprava na 1. zápočtový test - třída 3SA Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz. VARIACE 1 Tento

Více

EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy

EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy Ekonometrická analýza proces, skládající se z následujících fází: a) specifikace b) kvantifikace c) verifikace d) aplikace Postupné zpřesňování jednotlivých

Více

GRAFICKÉ ŘEŠENÍ ROVNIC A JEJICH SOUSTAV

GRAFICKÉ ŘEŠENÍ ROVNIC A JEJICH SOUSTAV GRAFICKÉ ŘEŠENÍ ROVNIC A JEJICH SOUSTAV Mgr. Jitka Nováková SPŠ strojní a stavební Tábor Abstrakt: Grafické řešení rovnic a jejich soustav je účinná metoda, jak vysvětlit, kolik různých řešení může daný

Více

D E T E K C E P O H Y B U V E V I D E U A J E J I C H I D E N T I F I K A C E

D E T E K C E P O H Y B U V E V I D E U A J E J I C H I D E N T I F I K A C E D E T E K C E P O H Y B U V E V I D E U A J E J I C H I D E N T I F I K A C E CÍLE LABORATORNÍ ÚLOHY 1. Seznámení se s metodami detekce pohybu z videa. 2. Vyzkoušení si detekce pohybu v obraze kamery ÚKOL

Více

Lineární pohon s kuličkovým šroubem

Lineární pohon s kuličkovým šroubem Veličiny Veličiny Všeobecně Název Typ Znača Jednota Poznáma ineární pohon s uličovým šroubem OSP-E..SB Upevnění viz výresy Rozsah teplot ϑ min C -20 ϑ max C +80 ineární pohon s uličovým šroubem Série OSP-E..SB

Více

Stanovení hustoty pevných a kapalných látek

Stanovení hustoty pevných a kapalných látek 55 Kapitola 9 Stanovení hustoty pevných a kapalných látek 9.1 Úvod Hustota látky ρ je hmotnost její objemové jednotky, definované vztahem: ρ = dm dv, kde dm = hmotnost objemového elementu dv. Pro homogenní

Více

DOE (Design of Experiments)

DOE (Design of Experiments) DOE - DOE () DOE je experimentální strategie, při které najednou studujeme účinky několika faktorů, prostřednictvím jejich testování na různých úrovních. Charakteristika jakosti,y je veličina, pomocí které

Více

Pojednání o měření jasu L20

Pojednání o měření jasu L20 Pojednání o měření jasu L20 V následujícím textu se popisují některé aspekty, které bývají při měření jasu L20 zdrojem chyb či nepřesností. Mimo jiné se dokazuje nevhodnost převádění frekvenčního signálu

Více

12 Metody snižování barevného prostoru

12 Metody snižování barevného prostoru 12 Metody snižování barevného prostoru Studijní cíl Tento blok je věnován základním metodám pro snižování barevného rozsahu pro rastrové obrázky. Postupně zde jsou vysvětleny důvody k použití těchto algoritmů

Více

Algoritmizace prostorových úloh

Algoritmizace prostorových úloh INOVACE BAKALÁŘSKÝCH A MAGISTERSKÝCH STUDIJNÍCH OBORŮ NA HORNICKO-GEOLOGICKÉ FAKULTĚ VYSOKÉ ŠKOLY BÁŇSKÉ - TECHNICKÉ UNIVERZITY OSTRAVA Algoritmizace prostorových úloh Úlohy nad rastrovými daty Daniela

Více

Jméno autora: Mgr. Zdeněk Chalupský Datum vytvoření: 20. 8. 2012 Číslo DUM: VY_32_INOVACE_16_FY_A

Jméno autora: Mgr. Zdeněk Chalupský Datum vytvoření: 20. 8. 2012 Číslo DUM: VY_32_INOVACE_16_FY_A Jméno autora: Mgr. Zdeněk Chalupský Datum vytvoření: 20. 8. 2012 Číslo DUM: VY_32_INOVACE_16_FY_A Ročník: I. Fyzika Vzdělávací oblast: Přírodovědné vzdělávání Vzdělávací obor: Fyzika Tematický okruh: Mechanika

Více

24.11.2009 Václav Jirchář, ZTGB

24.11.2009 Václav Jirchář, ZTGB 24.11.2009 Václav Jirchář, ZTGB Síťová analýza 50.let V souvislosti s potřebou urychlit vývoj a výrobu raket POLARIS v USA při závodech ve zbrojení za studené války se SSSR V roce 1958 se díky aplikaci

Více

Úvod do mobilní robotiky NAIL028

Úvod do mobilní robotiky NAIL028 md at robotika.cz http://robotika.cz/guide/umor08/cs 11. listopadu 2008 1 2 PID Sledování cesty Modely kolových vozidel (1/5) Diferenční řízení tank b Encoder Motor Centerpoint Motor Encoder Modely kolových

Více

NÁHODNÁ ČÍSLA. F(x) = 1 pro x 1. Náhodná čísla lze generovat některým z následujících generátorů náhodných čísel:

NÁHODNÁ ČÍSLA. F(x) = 1 pro x 1. Náhodná čísla lze generovat některým z následujících generátorů náhodných čísel: NÁHODNÁ ČÍSLA TYPY GENERÁTORŮ, LINEÁRNÍ KONGRUENČNÍ GENERÁTORY, TESTY NÁHODNOSTI, VYUŽITÍ HODNOT NÁHODNÝCH VELIČIN V SIMULACI CO JE TO NÁHODNÉ ČÍSLO? Náhodné číslo definujeme jako nezávislé hodnoty z rovnoměrného

Více

Numerické metody a programování

Numerické metody a programování Projekt: Inovace výuky optiky se zaměřením na získání experimentálních dovedností Registrační číslo: CZ.1.7/2.2./28.157 Numerické metody a programování Lekce 4 Tento projekt je spolufinancován Evropským

Více

pracovní list studenta

pracovní list studenta Výstup RVP: Klíčová slova: pracovní list studenta Funkce Petra Směšná žák chápe funkci jako vyjádření závislosti veličin, umí vyjádřit funkční vztah tabulkou, rovnicí i grafem, dovede vyjádřit reálné situace

Více

Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují

Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují 1. u + v = v + u, u, v V 2. (u + v) + w = u + (v + w),

Více

Hodina 50 Strana 1/14. Gymnázium Budějovická. Hodnocení akcií

Hodina 50 Strana 1/14. Gymnázium Budějovická. Hodnocení akcií Hodina 50 Strana /4 Gymnázium Budějovická Volitelný předmět Ekonomie - jednoletý BLOK ČÍSLO 8 Hodnocení akcií Předpokládaný počet : 9 hodin Použitá literatura : František Egermayer, Jan Kožíšek Statistická

Více

Využití programu MS Excel při výuce vlastností kvadratické funkce

Využití programu MS Excel při výuce vlastností kvadratické funkce Využití programu MS Excel při výuce vlastností kvadratické funkce Martin Mikuláš Tabulkové kalkulátory lze ve škole velmi dobře využít při výuce matematiky. Lze v nich totiž snadno naprogramovat aplikace,

Více

11 Zobrazování objektů 3D grafiky

11 Zobrazování objektů 3D grafiky 11 Zobrazování objektů 3D grafiky Studijní cíl Tento blok je věnován základním algoritmům zobrazení 3D grafiky. Postupně budou probrány základní metody projekce kolmé promítání, rovnoběžné promítání a

Více

STATISTICA Téma 7. Testy na základě více než 2 výběrů

STATISTICA Téma 7. Testy na základě více než 2 výběrů STATISTICA Téma 7. Testy na základě více než 2 výběrů 1) Test na homoskedasticitu Nalezneme jej v několika submenu. Omezme se na submenu Základní statistiky a tabulky základního menu Statistika. V něm

Více

0.0001 0.001 0.01 0.1 1 10 100 1000 10000. Čas (s) Model časového průběhu sorpce vyplývá z 2. Fickova zákona a je popsán následující rovnicí

0.0001 0.001 0.01 0.1 1 10 100 1000 10000. Čas (s) Model časového průběhu sorpce vyplývá z 2. Fickova zákona a je popsán následující rovnicí Program Sorpce1.m psaný v prostředí Matlabu slouží k vyhlazování naměřených sorpčních křivek a výpočtu difuzních koeficientů. Kromě standardního Matlabu vyžaduje ještě Matlab Signal Processing Toolbox

Více

Matematika. Kamila Hasilová. Matematika 1/34

Matematika. Kamila Hasilová. Matematika 1/34 Matematika Kamila Hasilová Matematika 1/34 Obsah 1 Úvod 2 GEM 3 Lineární algebra 4 Vektory Matematika 2/34 Úvod Zkouška písemná, termíny budou včas vypsány na Intranetu UO obsah: teoretická a praktická

Více

Statistické řízení jakosti - regulace procesu měřením a srovnáváním

Statistické řízení jakosti - regulace procesu měřením a srovnáváním Statistické řízení jakosti - regulace procesu měřením a srovnáváním Statistická regulace výrobního procesu (SPC) SPC = Statistical Process Control preventivní nástroj řízení jakosti, který na základě včasného

Více

Nový způsob práce s průběžnou klasifikací lze nastavit pouze tehdy, je-li průběžná klasifikace v evidenčním pololetí a školním roce prázdná.

Nový způsob práce s průběžnou klasifikací lze nastavit pouze tehdy, je-li průběžná klasifikace v evidenčním pololetí a školním roce prázdná. Průběžná klasifikace Nová verze modulu Klasifikace žáků přináší novinky především v práci s průběžnou klasifikací. Pro zadání průběžné klasifikace ve třídě doposud existovaly 3 funkce Průběžná klasifikace,

Více

16 - Pozorovatel a výstupní ZV

16 - Pozorovatel a výstupní ZV 16 - Pozorovatel a výstupní ZV Automatické řízení 2015 14-4-15 Hlavní problém stavové ZV Stavová zpětná vazba se zdá být nejúčinnějším nástrojem řízení, důvodem je síla pojmu stav, který v sobě obsahuje

Více

Intervalový odhad. Interval spolehlivosti = intervalový odhad nějakého parametru s danou pravděpodobností = konfidenční interval pro daný parametr

Intervalový odhad. Interval spolehlivosti = intervalový odhad nějakého parametru s danou pravděpodobností = konfidenční interval pro daný parametr StatSoft Intervalový odhad Dnes se budeme zabývat neodmyslitelnou součástí statistiky a to intervaly v nejrůznějších podobách. Toto téma je také úzce spojeno s tématem testování hypotéz, a tedy plynule

Více