Metody Przetwarzania Danych Meteorologicznych Ćwiczenia 11
|
|
- Łukasz Kołodziej
- 6 lat temu
- Przeglądów:
Transkrypt
1 Danych Meteorologicznych Sylwester Arabas (ćwiczenia do wykładu dra Krzysztofa Markowicza) Instytut Geofizyki, Wydział Fizyki Uniwersytetu Warszawskiego 14. stycznia 2009 r.
2 Zadanie 10.2D odpowiedzi na pytania i przykłady symulacji dla różnej liczby punktów pomiarowych > zad13 2D, frac=.005 wymiary macierzy to: Q : n x n x R : n o n o H : n o n x K : n x n o rozmiar stały, wartości stałe rozmiar zmienny, wartości: σ 2 na diagonali rozmiar zmienny rozmiar zmienny rozmiary zmienne bo n o = n o(t) > zad13 2D, frac=.05 > zad13 2D, frac=.5
3 Zadanie 12.1 : polecenie Znalezienie rozkładu pola anomalii wybranego parametru meteorologicznego na empiryczne funkcje ortogonalne (na przykładzie średnich miesięcznych z reanalizy NASA MERRA 1 - zestawy danych tavgm 2d slv Nx,szkic kodu zakłada umieszczenie plików z conajmniej kilkunastu miesięcy w katalogu data ). Search DISC + Advanced Search ATMOS COMPOSITION HYDROLOGY A-TRAIN AIRS MODELING MAIRS PRECIPITATION You are here: GES DISC Home Modeling Data Holdings MERRA Products MERRA Products MERRA Products Analysis Files History Files Chemistry Forcing Files Legend 1 MERRA, or the Modern Era Retrospective-analysis for Research and Application, is a NASA reanalysis for the satellite era (30 years 1979-current) using the Goddard Earth Observing System Data Assimilation System Version 5 (GEOS-5 DAS), dane dostępne np. poprzez stronę NASA DISC i system Mirador
4 Zadanie 12.1 : polecenie Rozszerzenie szkicu kodu (rozszerzone rozwiązanie zadania wskazówki) o następujący schemat procedury rozkładu pola anomalii parametru meteorologicznego na empiryczne funkcje ortogonalne: odjęcie od wczytanych danych wartości średnich dla danej stacji (wyliczenie anomalii) wyznaczenie macierzy kowariancji anomalii wyznaczenie wektorów i wartości własnych macierzy kowariancji wykreślenie map poszczególnych empirycznych funkcji ortogonalnych (wektorów własnych macierzy kowariancji) wypisanie wkładu poszczególnych e.f.o. do całkowitej wariancji (stosunki poszczególnych wartości własnych do sumy wszystkich) wykreślenie serii czasowej wag poszczególnych e.f.o. w rozkładach map z poszczeg. lat (iloczyny skalarne e.f.o z mapą z danego roku)
5 Zadanie 11.1 przykładowy wynik obliczeń
6 Zadanie 11.1 szkic kodu zad11 1.pro 1 pro zad11_1 2 3 ; ustawienia 4 listahdf = 'data/merra*.prod.assim.tavgm_2d_slv_nx.*01.hdf' 5 maplimit = [45, 10, 60, 30]; lat_min, lon_min, lat_max, lon_max 6 loadct, ; pobranie z plików HDF danych ograniczonych do obszaru okolic Polski 9 pliki = file_search(listahdf, count=cnt) 10 if cnt eq 0 then message, 'Brak plikow pasujacych do: ' + listahdf 11 for i = 0, n_elements(pliki) -1 do begin 12 id_hdf = hdf_sd_start(pliki[i], /read) 13 id_sds = hdf_sd_select(id_hdf, hdf_sd_nametoindex(id_hdf, 'SLP')) 14 if i eq 0 then begin 15 hdf_sd_dimget, hdf_sd_dimgetid(id_sds, 0), scale=data_lon 16 hdf_sd_dimget, hdf_sd_dimgetid(id_sds, 1), scale=data_lat 17 lons = where(data_lon ge maplimit[1] and data_lon le maplimit[3]) 18 lats = where(data_lat ge maplimit[0] and data_lat le maplimit[2]) 19 data = fltarr(n_elements(lats) * n_elements(lons), n_elements(pliki), /nozero) 20 endif 21 hdf_sd_getdata, id_sds, tmp, $ 22 start=[lons[0], lats[0], 0], count=[n_elements(lons), n_elements(lats), 1] 23 hdf_sd_end, id_hdf 24 data[*, i] = temporary(tmp) 25 endfor 26 data_lon = data_lon(lons) 27 data_lat = data_lat(lats) ; wyznaczanie empirycznych funkcji ortogonalnych ; 2. wyznaczenie macierzy kowariancji anomalii: dwie emtody 32 ; a) funkcja z flagą /covariance 33 ; b) dla każdego z punktów pomiarowych odjęcie średniej ze wszystkich lat obserwacji 34 ; i przemnozenie przez macierz transponowaną, może się przydać: 35 ; - drugi argument do f-cji total() 36 ; - funkcja z flagą /sample 37
7 Zadanie 11.1 szkic kodu zad11 1.pro 38 ; 2. wyznaczenie wektorów i wartości własnych cov 39 ; może się przydać: 40 ; - funkcja z flagą eigenvec ; 3. wypisanie kilku pierwszych wartości własnych (stosunki wartości do sumy wszyskich) ; 4. wyznaczenie współczynników rozkładu dla wszystkich lat obserwacji 45 ; może się przydać: 46 ; - odwołanie do eigvec[*, eof], gdzie eigvec to wartość przekazana przez 47 ; - odwołanie do data[*, plik] ; 5. wykreślenie pól / eofów / etc 50 ; może się przydać: 51 ; - reform(eigvec[*, eof], n_elements(lons), n_elements(lats)) 52 ; - set_plot, 'svg' 53 ; - map_set,.5*(maplimit[0] + maplimit[2]),.5*(maplimit[1] + maplimit[3]), $ 54 ; /gnomic, limit=maplimit 55 ; - contour, reform(data[*, plik], n_elements(data_lon), n_elements(data_lat), /o), $ 56 ; data_lon, data_lat, /overplot, /fill 57 ; - contour, reform(eigvec[*, eof], n_elements(lons), n_elements(lats)), $ 58 ; data_lon, data_lat, /overplot, /fill 59 ; - map_continents, /countries, /coasts, color=!p.background 60 ; - map_grid, /label, glinestyle=0, latlab=maplimit[3], lonlab=maplimit[2] end 63 ; EOF :)
8 Zadanie 11.1 rozwiązanie zad11 1.pro neof = 3 nlev = 20 ; wyznaczanie empirycznych funkcji ortogonalnych ; 1. dla każdego z punktów pomiarowych odjęcie średniej ze wszystkich lat obserwacji data -= rebin(total(data, 2)/n_elements(pliki), n_elements(lats) * n_elements(lons), n_elements(pliki), /sample) ; 2. wyznaczenie macierzy kowariancji anomalii cov = correlate(data, /covariance) ; 3. wyznaczenie wektorów i wartości własnych cov eigval = eigenql(cov, eigenvec=eigvec) ; wektory są już unormowane ; 4. wypisanie kilku pierwszych wartości własnych (stosunki wartości do sumy wszyskich, w procentach) print, eigval[indgen(5)]/total(eigval) ; 5. wyznaczenie współczynników rozkładu dla wszystkich lat obserwacji rzut = fltarr(n_elements(pliki), neof) for i=0, n_elements(pliki) - 1 do for j=0, 2 do rzut[i, j] = total(eigvec[*, j] * data[*, i]) eofs = ptrarr(neof, /nozero) eofs[0] = ptr_new(reform(eigvec[*, 0], n_elements(lons), n_elements(lats))) eofs[1] = ptr_new(reform(eigvec[*, 1], n_elements(lons), n_elements(lats))) eofs[2] = ptr_new(reform(eigvec[*, 2], n_elements(lons), n_elements(lats))) wklad = fltarr(neof) for i=0, neof -1 do wklad[i] = 100 * eigval[i]/total(eigval) print, 'eof1', rzut[*, 0] print, 'eof2', rzut[*, 1] print, 'eof3', rzut[*, 2] ; rysowanie mapy
9 Zadanie 11.1 rozwiązanie zad11 1.pro set_plot, 'svg' device, filename='zad12_2d.svg'!p.multi=[0,3,2] for p=0, 5 do begin map_set,.5*(maplimit[0] + maplimit[2]),.5*(maplimit[1] + maplimit[3]), $ limit=maplimit, /gnomic, /noborder, advance=p, charsize=2, $ title=p lt 3? 'NASA MERRA SLP anom. [Pa] ' + strtrim(string(1979) + p, 2) + $ '.01' : 'EOF ' + strtrim(string(p - 2), 2) + ' (' + string(wklad[p-3], format='(i3)') + ' %)' if p lt 3 then begin contour, reform(data[*, p], n_elements(data_lon), n_elements(data_lat), /o), $ data_lon, data_lat, /overplot, nlev=nlev, /fill contour, reform(data[*, p], n_elements(data_lon), n_elements(data_lat), /o), $ data_lon, data_lat, /overplot, nlev=nlev, /follow endif else begin contour, *(eofs[p-3]), data_lon, data_lat, /overplot, nlev=nlev, /fill contour, *(eofs[p-3]), data_lon, data_lat, /overplot, nlev=nlev, /follow endelse map_continents, /countries, /coasts, color=!p.background map_grid, /label, glinestyle=0, latlab=maplimit[3], lonlab=maplimit[2], charsize=.5 endfor device, /close end ; EOF :)
10 : rozwiązywanie zagadnienia własnego dla macierzy symetrycznych (np. macierz kowariancji) zwraca N wartości własnych przekazanej w argumencie tablicy N N (oraz ew. jej wektory własne) warotści własne = eigenql(tablica symetryczna) warotści własne = eigenql(tablica symetryczna, $ eigenvectors=wektory własne) przykład użycia > a = correlate(randomu(seed, 3, 3), /covariance) > eigval = eigenql(a, eigenvectors=eigvec) > help, a, eigval, eigvec A FLOAT = Array[3, 3] EIGVAL FLOAT = Array[3] EIGVEC FLOAT = Array[3, 3]
11 : funkcja skaluje rozmiary tablicy o czynnik całkowity (interpolując wartości) tablica wynikowa A = rebin(tablica wejściowa N, A) tablica wynikowa AxB = rebin(tablica wejściowa NxM, A, B) Przy zwiększaniu, wymiar tablicy wynikowej musi być całkowitą wielokrotnością wymiaru tablicy wejściowej. przykład użycia Przy zmniejszaniu, wymiar tablicy wejściowej musi być wielokrotnością wymiaru tablicy wynikowej. Domyślnie aproksymacja poprzez interpolację dwuliniową (przy zwiększaniu rozmiaru) lub poprzez uśrednianie sąsiednich wartości (przy zmniejszaniu rozmiaru). Wywołanie funkcji z flagą /sample powoduje aproksymowanie wartością najbliższego sąsiada (niższa jakość wyniku, krótszy czas obliczeń). Uwaga na ostatni element tablicy wynikowej rebin nigdy nie ekstrapoluje! (patrz przykład poniżej) > a = findgen(2) & print, a > print, rebin(a, 4) > print, rebin(a, 4, /sample) > print, rebin(a, 1) > print, rebin(a, 1, /sample) zasada działania
12 : funkcja rearanżuje tablice bez zmiany zawartości (również in-situ) tablica wynikowa = reform(tablica wejściowa, wymiar 1, wymiar 2,... ) tablica = reform(tablica, wymiar 1, wymiar 2,..., /overwrite) przykład użycia > a = indgen(4) > print, a > a = reform(a, 2, 2, /overwrite) > print, a
13 : funkcja zwraca współczynnik korelacji (kowariancję) dwóch wektorów lub macierz korelacji (kowariancji) macierzy współczynnik korelacji = correlate(wektor1, wektor2) kowariancja = correlate(wektor1, wektor2, /covariance) macierz korelacji = correlate(macierz) macierz kowariancji = correlate(macierz, /covariance) przykład użycia > x = [1,2,3] > y = [1,2,3] > print, correlate(x, y), correlate(x, -y)
14 Wesołych Świąt!
Metody Przetwarzania Danych Meteorologicznych Ćwiczenia 14
Danych Meteorologicznych Sylwester Arabas (ćwiczenia do wykładu dra Krzysztofa Markowicza) Instytut Geofizyki, Wydział Fizyki Uniwersytetu Warszawskiego 18. stycznia 2010 r. Zadanie 14.1 : polecenie znalezienie
Bardziej szczegółowoMetody Przetwarzania Danych Meteorologicznych Ćwiczenia 08
Danych Meteorologicznych Sylwester Arabas (ćwiczenia do wykładu dra Krzysztofa Markowicza) Instytut Geofizyki, Wydział Fizyki Uniwersytetu Warszawskiego 25. listopada 2008 r. Zadanie domowe 7.2D zad7 2d.pro
Bardziej szczegółowoĆwiczenia 05. Sylwester Arabas (ćwiczenia do wykładu prof. Szymona Malinowskiego) 9. listopada 2010 r.
FFT w u: fft() Ćwiczenia 05 Sylwester Arabas (ćwiczenia do wykładu prof. Szymona Malinowskiego) Instytut Geofizyki, Wydział Fizyki Uniwersytetu Warszawskiego 9. listopada 2010 r. Zadanie 5.1 : wstęp (Landau/Lifszyc
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XV: Zagadnienia redukcji wymiaru danych 2 lutego 2015 r. Standaryzacja danych Standaryzacja danych Własności macierzy korelacji Definicja Niech X będzie zmienną losową o skończonym drugim momencie.
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład XII: Zagadnienia redukcji wymiaru danych 12 maja 2014 Definicja Niech X będzie zmienną losową o skończonym drugim momencie. Standaryzacją zmiennej X nazywamy zmienną losową Z = X EX Var (X ). Definicja
Bardziej szczegółowoMetody Przetwarzania Danych Meteorologicznych Ćwiczenia 05
Danych Meteorologicznych Sylwester Arabas (ćwiczenia do wykładu dra Krzysztofa Markowicza) Instytut Geofizyki, Wydział Fizyki Uniwersytetu Warszawskiego 2. listopada 2009 r. Zadanie 4.2D : rozwiązanie
Bardziej szczegółowoSystem operacyjny Linux
Paweł Rajba pawel.rajba@continet.pl http://kursy24.eu/ Zawartość modułu 6 Język bash Pierwszy skrypt Rozwinięcia parametryczne Bloki instrukcji Dwa przydatne polecenia Tablice Sprawdzanie warunków Instrukcje
Bardziej szczegółowo- wszystkie elementy - wszystkie elementy
Tablice: indeksy całkowite >=0 tworzenie: TABLICA[0]=45 TABLICA[1]=23 TABLICA[2]=78 lub TABLICA=(45 23 78) lub TABLICA=($@) odwołanie echo ${TABLICA[3] echo ${TABLICA[*] echo ${TABLICA[@] Długość zmiennej:
Bardziej szczegółowoALHE Z11 Jarosław Arabas wykład 11
ALHE Z11 Jarosław Arabas wykład 11 algorytm ewolucyjny inicjuj P 0 {x 1, x 2... x } t 0 while! stop for i 1: if a p c O t,i mutation crossover select P t, k else O t,i mutation select P t,1 P t 1 replacement
Bardziej szczegółowoZad. 3: Układ równań liniowych
1 Cel ćwiczenia Zad. 3: Układ równań liniowych Wykształcenie umiejętności modelowania kluczowych dla danego problemu pojęć. Definiowanie właściwego interfejsu klasy. Zwrócenie uwagi na dobór odpowiednich
Bardziej szczegółowoMetody Przetwarzania Danych Meteorologicznych Ćwiczenia 09 i 10
Danych Meteorologicznych Ćwiczenia 09 i 10 Sylwester Arabas (ćwiczenia do wykładu dra Krzysztofa Markowicza) Instytut Geofizyki, Wydział Fizyki Uniwersytetu Warszawskiego 2. grudnia 2008 r. Zadanie domowe
Bardziej szczegółowoĆwiczenie 3. MatLab: Algebra liniowa. Rozwiązywanie układów liniowych
Ćwiczenie 3. MatLab: Algebra liniowa. Rozwiązywanie układów liniowych Wszystko proszę zapisywać komendą diary do pliku o nazwie: imie_ nazwisko 1. Definiowanie macierzy i odwoływanie się do elementów:
Bardziej szczegółowoElementy metod numerycznych - zajęcia 9
Poniższy dokument zawiera informacje na temat zadań rozwiązanych w trakcie laboratoriów. Elementy metod numerycznych - zajęcia 9 Tematyka - Scilab 1. Labolatoria Zajęcia za 34 punktów. Proszę wysłać krótkie
Bardziej szczegółowoWYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI I INFORMATYKI INSTYTUT AUTOMATYKI I INFORMATYKI KIERUNEK AUTOMATYKA I ROBOTYKA STUDIA STACJONARNE I STOPNIA
WYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI I INFORMATYKI INSTYTUT AUTOMATYKI I INFORMATYKI KIERUNEK AUTOMATYKA I ROBOTYKA STUDIA STACJONARNE I STOPNIA PRZEDMIOT : : LABORATORIUM PODSTAW AUTOMATYKI 1. WSTĘP DO
Bardziej szczegółowoEkonometria. Modele regresji wielorakiej - dobór zmiennych, szacowanie. Paweł Cibis pawel@cibis.pl. 1 kwietnia 2007
Modele regresji wielorakiej - dobór zmiennych, szacowanie Paweł Cibis pawel@cibis.pl 1 kwietnia 2007 1 Współczynnik zmienności Współczynnik zmienności wzory Współczynnik zmienności funkcje 2 Korelacja
Bardziej szczegółowoANALIZA DANYCH W STATA 8.0
ANALIZA DANYCH W STATA 8.0 ZAJĘCIA 2 1. Rozpoczęcie 1. Stworzyć w katalogu C:/temp katalog stata_2 2. Ściągnąć z internetu ze strony http://akson.sgh.waw.pl/~mproch dwa pliki: dane.dta oraz mp2.dta (kryją
Bardziej szczegółowoGNU Octave (w skrócie Octave) to rozbudowany program do analizy numerycznej.
1 GNU Octave GNU Octave (w skrócie Octave) to rozbudowany program do analizy numerycznej. Octave zapewnia: sporą bibliotęke użytecznych funkcji i algorytmów; możliwośc tworzenia przeróżnych wykresów; możliwość
Bardziej szczegółowoStosowana Analiza Regresji
Stosowana Analiza Regresji Wykład VIII 30 Listopada 2011 1 / 18 gdzie: X : n p Q : n n R : n p Zał.: n p. X = QR, - macierz eksperymentu, - ortogonalna, - ma zera poniżej głównej diagonali. [ R1 X = Q
Bardziej szczegółowoMetody numeryczne Laboratorium 2
Metody numeryczne Laboratorium 2 1. Tworzenie i uruchamianie skryptów Środowisko MATLAB/GNU Octave daje nam możliwość tworzenia skryptów czyli zapisywania grup poleceń czy funkcji w osobnym pliku i uruchamiania
Bardziej szczegółowoPodstawy Programowania C++
Wykład 3 - podstawowe konstrukcje Instytut Automatyki i Robotyki Warszawa, 2014 Wstęp Plan wykładu Struktura programu, instrukcja przypisania, podstawowe typy danych, zapis i odczyt danych, wyrażenia:
Bardziej szczegółowoPliki. Operacje na plikach w Pascalu
Pliki. Operacje na plikach w Pascalu ścieżka zapisu, pliki elementowe, tekstowe, operacja plikowa, etapy, assign, zmienna plikowa, skojarzenie, tryby otwarcia, reset, rewrite, append, read, write, buforowanie
Bardziej szczegółowoUkład równań liniowych
Układ równań liniowych 1 Cel zadania Wykształcenie umiejętności projektowania własnych klas modelujących pojęcia niezbędne do rozwiązania postawionego problemu. Rozwinięcie umiejętności przeciążania operatorów
Bardziej szczegółowoPrzetwarzanie sygnałów
Spis treści Przetwarzanie sygnałów Ćwiczenie 1 Wprowadzenie do programu Octave 1 Operatory 1 1.1 Operatory arytmetyczne...................... 1 1.2 Operatory relacji.......................... 1 1.3 Operatory
Bardziej szczegółowoTechniki programowania INP001002Wl rok akademicki 2018/19 semestr letni. Wykład 5. Karol Tarnowski A-1 p.
Techniki programowania INP001002Wl rok akademicki 2018/19 semestr letni Wykład 5 Karol Tarnowski karol.tarnowski@pwr.edu.pl A-1 p. 411B Plan prezentacji Przestrzenie nazw Standardowa biblioteka szablonów
Bardziej szczegółowoJęzyki formalne i techniki translacji
Języki formalne i techniki translacji Laboratorium - Projekt Termin oddania: ostatnie zajęcia przed 17 stycznia 2016 Wysłanie do wykładowcy: przed 23:59 28 stycznia 2016 Używając BISON-a i FLEX-a napisz
Bardziej szczegółowoPakiety Matematyczne - R Zestaw 2.
Pakiety Matematyczne - R Zestaw 2. Część przykładów pochodzi z helpa do R i z książki: R.Biecek, Przewodnik po pakiecie R, GIS 2014, strona www: http://www.biecek.pl, Instrukcje warunkowe Składnia instrukcji
Bardziej szczegółowoArchitektura komputerów
Architektura komputerów Tydzień 4 Tryby adresowania i formaty Tryby adresowania Natychmiastowy Bezpośredni Pośredni Rejestrowy Rejestrowy pośredni Z przesunięciem stosowy Argument natychmiastowy Op Rozkaz
Bardziej szczegółowoInterpolacja i aproksymacja, pojęcie modelu regresji
27 styczeń 2009 SciLab w obliczeniach numerycznych - część 3 Slajd 1 Interpolacja i aproksymacja, pojęcie modelu regresji 27 styczeń 2009 SciLab w obliczeniach numerycznych - część 3 Slajd 2 Plan zajęć
Bardziej szczegółowoutworz tworzącą w pamięci dynamicznej tablicę dwuwymiarową liczb rzeczywistych, a następnie zerującą jej wszystkie elementy,
Lista 3 Zestaw I Zadanie 1. Zaprojektować i zaimplementować funkcje: utworz tworzącą w pamięci dynamicznej tablicę dwuwymiarową liczb rzeczywistych, a następnie zerującą jej wszystkie elementy, zapisz
Bardziej szczegółowoWstęp do informatyki. stęp do informatyki Polecenia (cz.2)
Wstęp do informatyki stęp do informatyki Polecenia (cz.2) Lista procesów top Pokaż listę procesów polecenie interaktywne Procesy Uruchamianie w tle. shell nie czeka na zakończenie procesu, można wydawać
Bardziej szczegółowoJęzyk PL/SQL Procedury i funkcje składowane
Język PL/SQL Procedury i funkcje składowane Podprogramy, procedury i funkcje składowane, typy argumentów, wywoływanie procedur i funkcji, poziomy czystości funkcji 1 Podprogramy Procedury (wykonują określone
Bardziej szczegółowoKomputerowa analiza danych doświadczalnych
Komputerowa analiza danych doświadczalnych Wykład 3 11.03.2016 dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Wykłady z poprzednich lat (dr inż. H. Zbroszczyk): http://www.if.pw.edu.pl/~gos/student
Bardziej szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych Prowadząca: dr inż. Hanna Zbroszczyk e-mail: gos@if.pw.edu.pl tel: +48 22 234 58 51 konsultacje: poniedziałek, 10-11, środa: 11-12 www: http://www.if.pw.edu.pl/~gos/students/kadd
Bardziej szczegółowoCelem tych ćwiczeń jest zapoznanie się z klasyfikacją za pomocą sieci neuronowych.
Spis treści 1 Wstęp 1.1 Importy 2 Zbiór uczący 3 Klasyfikacja 3.1 Rysunki dodatkowe 4 Polecenia dodatkowe Wstęp Celem tych ćwiczeń jest zapoznanie się z klasyfikacją za pomocą sieci neuronowych. Importy
Bardziej szczegółowoInterpolacja, aproksymacja całkowanie. Interpolacja Krzywa przechodzi przez punkty kontrolne
Interpolacja, aproksymacja całkowanie Interpolacja Krzywa przechodzi przez punkty kontrolne Aproksymacja Punkty kontrolne jedynie sterują kształtem krzywej INTERPOLACJA Zagadnienie interpolacji można sformułować
Bardziej szczegółowoJęzyk programowania PASCAL
Język programowania PASCAL (wersja podstawowa - standard) Literatura: dowolny podręcznik do języka PASCAL (na laboratoriach Borland) Iglewski, Madey, Matwin PASCAL STANDARD, PASCAL 360 Marciniak TURBO
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: ALGEBRA LINIOWA Z GEOMETRIĄ ANALITYCZNĄ Linear algebra and analytical geometry Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści wspólnych z kierunkiem Matematyka,
Bardziej szczegółowoWstęp do programowania 2
Wstęp do programowania 2 wykład 1 rekordy z wyróżnikami Agata Półrola Wydział Matematyki UŁ 2005/2006 Egzamin z I roku - problemy Problemy z wczytywaniem danych: skip_line Problemy z obliczeniami: zerowanie
Bardziej szczegółowoModelowanie numeryczne w fizyce atmosfery Ćwiczenia 3
Modelowanie numeryczne w fizyce atmosfery Sylwester Arabas (ćwiczenia do wykładu dr. hab. inż. Lecha Łobockiego) Instytut Geofizyki, Wydział Fizyki Uniwersytetu Warszawskiego 3. listopada 2011 r. Schemat
Bardziej szczegółowoProgram na zaliczenie: Odejmowanie widm
Piotr Chojnacki: MATLAB Program na zaliczenie: Odejmowanie widm {Poniższy program ma za zadanie odjęcie dwóch widm od siebie. Do poprawnego działania programu potrzebne są trzy funkcje: odejmowaniewidm.m
Bardziej szczegółowoJęzyk C, tablice i funkcje (laboratorium)
Język C, tablice i funkcje (laboratorium) Opracował: Tomasz Mączka (tmaczka@kia.prz.edu.pl) Wstęp (tablice) Tablica to uporządkowany ciąg elementów tego samego typu, zajmujących ciągły obszar pamięci.
Bardziej szczegółowopo ostatnim dopisaniu na standardowe wyjście (cout) powinien zostać wyprowadzony komunikat "Skonczylem";
Lista 4 Zestaw I Zaprojektować i zaimplementować funkcję wpisz_do_pliku_a, kótra wpisuje do pliku a.txt 10 razy łańcuch Hello World. łańcuchy są rozdzielone znakami nowych wierszy. Zadanie 2. Zaprojektować
Bardziej szczegółowoProcedury i funkcje składowane
Procedury i funkcje składowane Zmienne podstawienia i zmienne wiązane, podprogramy, procedury składowane, typy argumentów, wywoływanie procedur, funkcje składowane, poziomy czystości funkcji, funkcje tablicowe
Bardziej szczegółowo10. Redukcja wymiaru - metoda PCA
Algorytmy rozpoznawania obrazów 10. Redukcja wymiaru - metoda PCA dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. PCA Analiza składowych głównych: w skrócie nazywana PCA (od ang. Principle Component
Bardziej szczegółowoWstęp do Programowania Lista 1
Wstęp do Programowania Lista 1 1 Wprowadzenie do środowiska MATLAB Zad. 1 Zapoznaj się z podstawowymi oknami dostępnymi w środowisku MATLAB: Command Window, Current Folder, Workspace i Command History.
Bardziej szczegółowo04 Układy równań i rozkłady macierzy - Ćwiczenia. Przykład 1 A =
04 Układy równań i rozkłady macierzy - Ćwiczenia 1. Wstęp Środowisko Matlab można z powodzeniem wykorzystać do rozwiązywania układów równań z wykorzystaniem rozkładów macierzy m.in. Rozkładu Choleskiego,
Bardziej szczegółowoNarzędzia informatyczne w językoznawstwie
Narzędzia informatyczne w językoznawstwie Perl - Manipulowanie tablic, zmienne lokalne, funkcje Marcin Junczys-Dowmunt junczys@amu.edu.pl Zakład Logiki Stosowanej http://www.logic.amu.edu.pl 12. grudnia
Bardziej szczegółowoDzisiejszy wykład. Programowanie w Perlu. Usuwanie elementów z początku tablicy. Dodawanie elementów do początku tablic
Dzisiejszy wykład Programowanie w Perlu Manipulowanie tablicami, zmienne lokalne, funkcje Marcin Junczys-Dowmunt junczys@amu.edu.pl Wydział Matematyki i Informatyki http://web.wmi.amu.edu.pl Wrócimy do
Bardziej szczegółowoKorelacja, autokorelacja, kowariancja, trendy. Korelacja określa stopień asocjacji między zmiennymi
Korelacja, autokorelacja, kowariancja, trendy Korelacja określa stopień asocjacji między zmiennymi Kowariancja Wady - ograniczenia. Wartość kowariancji zależy od rozmiarów zmienności zmiennej.. W konsekwencji
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowo12DRAP - parametry rozkładów wielowymiarowych
DRAP - parametry rozkładów wielowymiarowych Definicja.. Jeśli h : R R, a X, Y ) jest wektorem losowym o gęstości fx, y) to EhX, Y ) = hx, y)fx, y)dxdy. Jeśli natomiast X, Y ) ma rozkład dyskretny skupiony
Bardziej szczegółowoLaboratorium nr 5: Mnożenie wektorów i macierzy
Laboratorium nr 5: Mnożenie wektorów i macierzy 1 Cel ćwiczenia Wykształcenie umiejętności definiowania przeciążeń operatorów indeksujących i funkcyjnych. Utrwalenie umiejętności definiowania przeciążeń
Bardziej szczegółowoĆw. 2: Analiza błędów i niepewności pomiarowych
Wydział: EAIiE Kierunek: Imię i nazwisko (e mail): Rok:. (200/20) Grupa: Zespół: Data wykonania: Zaliczenie: Podpis prowadzącego: Uwagi: LABORATORIUM METROLOGII Ćw. 2: Analiza błędów i niepewności pomiarowych
Bardziej szczegółowoWażne rozkłady i twierdzenia c.d.
Ważne rozkłady i twierdzenia c.d. Funkcja charakterystyczna rozkładu Wielowymiarowy rozkład normalny Elipsa kowariacji Sploty rozkładów Rozkłady jednostajne Sploty z rozkładem normalnym Pobieranie próby
Bardziej szczegółowoElementy statystyki wielowymiarowej
Wnioskowanie_Statystyczne_-_wykład Spis treści 1 Elementy statystyki wielowymiarowej 1.1 Kowariancja i współczynnik korelacji 1.2 Macierz kowariancji 1.3 Dwumianowy rozkład normalny 1.4 Analiza składowych
Bardziej szczegółowoMetody Przetwarzania Danych Meteorologicznych Ćwiczenia 01
Danych Meteorologicznych Sylwester Arabas (ćwiczenia do wykładu dra Krzysztofa Markowicza) Instytut Geofizyki, Wydział Fizyki Uniwersytetu Warszawskiego 3 października 2008 r. O prowadzącym Czym się zajmuję
Bardziej szczegółowoProjekt 6: Równanie Poissona - rozwiązanie metodą algebraiczną.
Projekt 6: Równanie Poissona - rozwiązanie metodą algebraiczną. Tomasz Chwiej 9 sierpnia 18 1 Wstęp 1.1 Dyskretyzacja n y V V 1 V 3 1 j= i= 1 V 4 n x Rysunek 1: Geometria układu i schemat siatki obliczeniowej
Bardziej szczegółowo1 Wprowadzenie do algorytmiki
Teoretyczne podstawy informatyki - ćwiczenia: Prowadzący: dr inż. Dariusz W Brzeziński 1 Wprowadzenie do algorytmiki 1.1 Algorytm 1. Skończony, uporządkowany ciąg precyzyjnie i zrozumiale opisanych czynności
Bardziej szczegółowoKodowanie transformacyjne. Plan 1. Zasada 2. Rodzaje transformacji 3. Standard JPEG
Kodowanie transformacyjne Plan 1. Zasada 2. Rodzaje transformacji 3. Standard JPEG Zasada Zasada podstawowa: na danych wykonujemy transformacje która: Likwiduje korelacje Skupia energię w kilku komponentach
Bardziej szczegółowoTablice mgr Tomasz Xięski, Instytut Informatyki, Uniwersytet Śląski Katowice, 2011
Tablice mgr Tomasz Xięski, Instytut Informatyki, Uniwersytet Śląski Katowice, 2011 Załóżmy, że uprawiamy jogging i chcemy monitorować swoje postępy. W tym celu napiszemy program, który zlicza, ile czasu
Bardziej szczegółowoElżbieta Kula - wprowadzenie do Turbo Pascala i algorytmiki
Elżbieta Kula - wprowadzenie do Turbo Pascala i algorytmiki Turbo Pascal jest językiem wysokiego poziomu, czyli nie jest rozumiany bezpośrednio dla komputera, ale jednocześnie jest wygodny dla programisty,
Bardziej szczegółowoPodstawy programowania. Wykład Funkcje. Krzysztof Banaś Podstawy programowania 1
Podstawy programowania. Wykład Funkcje Krzysztof Banaś Podstawy programowania 1 Programowanie proceduralne Pojęcie procedury (funkcji) programowanie proceduralne realizacja określonego zadania specyfikacja
Bardziej szczegółowoProste metody przetwarzania obrazu
Operacje na pikselach obrazu (operacje punktowe, bezkontekstowe) Operacje arytmetyczne Dodanie (odjęcie) do obrazu stałej 1 Mnożenie (dzielenie) obrazu przez stałą Operacje dodawania i mnożenia są operacjami
Bardziej szczegółowoMetody i analiza danych
2015/2016 Metody i analiza danych Macierze Laboratorium komputerowe 2 Anna Kiełbus Zakres tematyczny 1. Funkcje wspomagające konstruowanie macierzy 2. Dostęp do elementów macierzy. 3. Działania na macierzach
Bardziej szczegółowoŚrodowisko programisty Zestaw 7
Bash, zmienne i instrukcje warunkowe Zmienne możemy traktować jak etykiety, które przechowują ciągi znaków. Definiujemy je przy pomocy znaku = bez spacji po obu jego stronach: dog="azor" Do zmiennych w
Bardziej szczegółowoObliczenie pola wieloboku na podstawie współrzędnych wierzchołków
Obliczenie pola wieloboku na podstawie współrzędnych wierzchołków Algorytmy 1. Metoda pierwsza wzory Gaussa - dla każdego punktu mnożymy współrzędną przez różnicę drugich współrzędnych punktu następnego
Bardziej szczegółowoauthor: Andrzej Dudek
Edytor wprowadzone polecenia zostają w oknie edytora I mogą być uruchamiana poprzez CTRL+R lub Run (tylko zaznaczone linie, z wyświetlaniem wykonywanych linii kodu) lub poprzez Source (zawsze całość, bez
Bardziej szczegółowo7. Szybka transformata Fouriera fft
7. Szybka transformata Fouriera fft Dane pomiarowe sygnałów napięciowych i prądowych często obarczone są dużym błędem, wynikającym z istnienia tak zwanego szumu. Jedną z metod wspomagających analizę sygnałów
Bardziej szczegółowoVBA praca z makrami w Excelu: piszemy kod! Ulepszamy program! 0. Parę uwag o samym edytorze
VBA praca z makrami w Excelu: piszemy kod! Ulepszamy program! 0. Parę uwag o samym edytorze Ustawienia Edytora VB Wymuszanie deklarowania zmienny Wyłączenie ostrzeżeń o błędnej składni Włączanie/wyłączanie
Bardziej szczegółowoUwagi dotyczące notacji kodu! Moduły. Struktura modułu. Procedury. Opcje modułu (niektóre)
Uwagi dotyczące notacji kodu! Wyrazy drukiem prostym -- słowami języka VBA. Wyrazy drukiem pochyłym -- inne fragmenty kodu. Wyrazy w [nawiasach kwadratowych] opcjonalne fragmenty kodu (mogą być, ale nie
Bardziej szczegółowoDokumentacja. Kalibracja parametrów modelu Hestona za rozszerzonego filtra Kalmana. Mikołaj Bińkowski Wiktor Gromniak
Dokumentacja Kalibracja parametrów modelu Hestona za pomoca rozszerzonego filtra Kalmana Mikołaj Bińkowski Wiktor Gromniak Spis treści 1 Wstęp 2 2 Struktura katalogów 2 3 Zależności 2 4 Funkcje 3 4.1 heston_calibr_kalman..........................
Bardziej szczegółowoWykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe
Wykład 6 Centralne Twierdzenie Graniczne. Rozkłady wielowymiarowe Nierówność Czebyszewa Niech X będzie zmienną losową o skończonej wariancji V ar(x). Wtedy wartość oczekiwana E(X) też jest skończona i
Bardziej szczegółowoRozwiązywanie równań różniczkowych cząstkowych metodą elementów skończonych - wprowadzenie
Rozwiązywanie równań różniczkowych cząstkowych metodą elementów skończonych - wprowadzenie Wprowadzenie Metoda Elementów Skończonych (MES) należy do numerycznych metod otrzymywania przybliżonych rozwiązań
Bardziej szczegółowoPytania sprawdzające wiedzę z programowania C++
Pytania sprawdzające wiedzę z programowania C++ Wstęp 1. Zaprezentuj mechanikę tworzenia programu napisanego w języku C++. 2. Co to jest kompilacja? 3. Co to jest konsolidacja? 4. Co to jest kod wykonywalny?
Bardziej szczegółowoStrategie ewolucyjne (ang. evolu4on strategies)
Strategie ewolucyjne (ang. evolu4on strategies) Strategia ewolucyjna (1+1) W Strategii Ewolucyjnej(1 + 1), populacja złożona z jednego osobnika generuje jednego potomka. Kolejne (jednoelementowe) populacje
Bardziej szczegółowoBash - wprowadzenie. Bash - wprowadzenie 1/39
Bash - wprowadzenie Bash - wprowadzenie 1/39 Bash - wprowadzenie 2/39 Czym jest bash? Rysunek : Zadanie powłoki to ukrycie wywołań systemowych Bash - wprowadzenie 3/39 Czym jest bash? Przykład polecenia:
Bardziej szczegółowovoid Pobierz(Student &a); void Wypisz(Student a); void Ustaw_zaliczenia(Student t[],int r); void Wypisz_najlepszych(Student t[],int r, float prog);
Program 19 Zadeklarować strukturę Student o polach: Imie, Nazwisko (ciągi znaków), Oceny (pięcioelementowa tablica wartości rzeczywistych reprezentujących oceny studenta) i Semestr_zaliczony (wartość logiczna
Bardziej szczegółowoOPERACJE NA PLIKACH. Podstawowe pojęcia:
OPERACJE NA PLIKACH Podstawowe pojęcia: plik fizyczny, zbiór informacji w pamięci zewnętrznej wykorzystywany do trwałego przechowywania danych lub jako przedłużenie pamięci operacyjnej w przypadku przetwarzania
Bardziej szczegółowoWykład Ćwiczenia Laboratorium Projekt Seminarium Liczba godzin zajęć zorganizowanych w Uczelni 30 30
Zał. nr do ZW WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Nazwa w języku polskim ALGEBRA M2 Nazwa w języku angielskim ALGEBRA M2 Kierunek studiów (jeśli dotyczy): Matematyka Specjalność (jeśli
Bardziej szczegółowoLaboratorium Przetwarzania Sygnałów
PTS - laboratorium Laboratorium Przetwarzania Sygnałów Ćwiczenie 6 Interpolacja i histogram obrazów Opracowali: dr inż. Krzysztof Mikołajczyk dr inż. Beata Leśniak-Plewińska Zakład Inżynierii Biomedycznej
Bardziej szczegółowoLaboratorium Cyfrowego Przetwarzania Obrazów
Laboratorium Cyfrowego Przetwarzania Obrazów Ćwiczenie 2 Histogram i arytmetyka obrazów Opracowali: - dr inż. Beata Leśniak-Plewińska - dr inż. Jakub Żmigrodzki Zakład Inżynierii Biomedycznej, Instytut
Bardziej szczegółowoW nowej wersji Aplikacji wprowadzono udoskonalenia w funkcjonowaniu legendy.
Spis treści Legenda- ulepszenia... 1 Raportowanie zajętości zasobów... 1 Wybór form prowadzenia zajęć i rezerwacji... 3 Wybór godzin, w których odbywają się zajęcia... 4 Uwzględnianie dni wolnych... 4
Bardziej szczegółowoJerzy Nawrocki, Wprowadzenie do informatyki
Jerzy Nawrocki, Jerzy Nawrocki Wydział Informatyki Politechnika Poznańska jerzy.nawrocki@put.poznan.pl Przetwarzanie tekstów i AWK Problem konwersji plików FName:Jurek SName:Busz Salary 585 FName:Alek
Bardziej szczegółowoZał nr 4 do ZW. Dla grupy kursów zaznaczyć kurs końcowy. Liczba punktów ECTS charakterze praktycznym (P)
Zał nr 4 do ZW WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Nazwa w języku polskim : Algebra z Geometria Analityczna Nazwa w języku angielskim : Algebra and Analytic Geometry Kierunek studiów
Bardziej szczegółowoSystemy wirtualnej rzeczywistości. Komponenty i serwisy
Uniwersytet Zielonogórski Instytut Sterowania i Systemów Informatycznych Systemy wirtualnej rzeczywistości Laboratorium Komponenty i serwisy Wstęp: W trzeciej części przedstawione zostaną podstawowe techniki
Bardziej szczegółowoProcesy stochastyczne
Wykład I: Istnienie procesów stochastycznych 2 marca 2015 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane są
Bardziej szczegółowoĆwiczenie 1. Wprowadzenie do programu Octave
Politechnika Wrocławska Wydział Elektroniki Mikrosystemów i Fotoniki Przetwarzanie sygnałów laboratorium ETD5067L Ćwiczenie 1. Wprowadzenie do programu Octave Mimo że program Octave został stworzony do
Bardziej szczegółowoMetoda najmniejszych kwadratów
Własności algebraiczne Model liniowy Zapis modelu zarobki = β 0 + β 1 plec + β 2 wiek + ε Oszacowania wartości współczynników zarobki = b 0 + b 1 plec + b 2 wiek + e Model liniowy Tabela: Oszacowania współczynników
Bardziej szczegółowoAlgebra Liniowa 2 (INF, TIN), MAP1152 Lista zadań
Algebra Liniowa 2 (INF, TIN), MAP1152 Lista zadań Przekształcenia liniowe, diagonalizacja macierzy 1. Podano współrzędne wektora v w bazie B. Znaleźć współrzędne tego wektora w bazie B, gdy: a) v = (1,
Bardziej szczegółowoMetody Przetwarzania Danych Meteorologicznych
Danych Meteorologicznych Sylwester Arabas (ćwiczenia do wykładu dra Krzysztofa Markowicza) Instytut Geofizyki, Wydział Fizyki Uniwersytetu Warszawskiego 10,14 października 2008 r. Zadanie domowe rozwiązanie:
Bardziej szczegółowoObliczenia w programie MATLAB
Obliczenia w programie MATLAB Na zajęciach korzystamy z programu MATLAB, w którym wykonywać będziemy większość obliczeń. Po uruchomieniu programu w zależności od wersji i konfiguracji może pojawić się
Bardziej szczegółowoProgramowanie: grafika w SciLab Slajd 1. Programowanie: grafika w SciLab
Programowanie: grafika w SciLab Slajd 1 Programowanie: grafika w SciLab Programowanie: grafika w SciLab Slajd 2 Plan zajęć 1. Wprowadzenie 2. Wykresy 2-D 3. Wykresy 3-D 4. Rysowanie figur geometrycznych
Bardziej szczegółowoAdministracja sieciowymi systemami operacyjnymi III Klasa - Linux
Administracja sieciowymi systemami operacyjnymi III Klasa - Linux SKRYPTY POWŁOKI mgr inż. Tomasz Borowiec SKRYPTY POWŁOKI - PODSTAWY W Linuksie skrypt jest plikiem tekstowym zawierającym polecenia systemowe
Bardziej szczegółowoWstęp do informatyki Ćwiczenia. Piotr Fulmański
Wstęp do informatyki Ćwiczenia Piotr Fulmański Piotr Fulmański 1 e-mail 1: fulmanp@math.uni.lodz.pl Wydział Matematyki i Informatyki, Uniwersytet Łódzki Banacha 22, 90-238, Łódź Polska Data ostaniej modyfikacji:
Bardziej szczegółowoWykład 4 Wybór najlepszej procedury. Estymacja parametrów re
Wykład 4 Wybór najlepszej procedury. Estymacja parametrów regresji z wykorzystaniem metody bootstrap. Wrocław, 22.03.2017r Wybór najlepszej procedury - podsumowanie Co nas interesuje przed przeprowadzeniem
Bardziej szczegółowo2. Tablice. Tablice jednowymiarowe - wektory. Algorytmy i Struktury Danych
2. Tablice Tablica to struktura danych przechowująca elementy jednego typu (jednorodna). Dostęp do poszczególnych elementów składowych jest możliwy za pomocą indeksów. Rozróżniamy następujące typy tablic:
Bardziej szczegółowo1. Nagłówek funkcji: int funkcja(void); wskazuje na to, że ta funkcja. 2. Schemat blokowy przedstawia algorytm obliczania
1. Nagłówek funkcji: int funkcja(void); wskazuje na to, że ta funkcja nie ma parametru i zwraca wartość na zewnątrz. nie ma parametru i nie zwraca wartości na zewnątrz. ma parametr o nazwie void i zwraca
Bardziej szczegółowoDokumentacja Końcowa
Metody Sztucznej Inteligencji 2 Projekt Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Dokumentacja Końcowa Autorzy: Robert Wojciechowski Michał Denkiewicz Wstęp Celem
Bardziej szczegółowoAnaliza składowych głównych. Wprowadzenie
Wprowadzenie jest techniką redukcji wymiaru. Składowe główne zostały po raz pierwszy zaproponowane przez Pearsona(1901), a następnie rozwinięte przez Hotellinga (1933). jest zaliczana do systemów uczących
Bardziej szczegółowoOpis: Instrukcja warunkowa Składnia: IF [NOT] warunek [AND [NOT] warunek] [OR [NOT] warunek].
ABAP/4 Instrukcja IF Opis: Instrukcja warunkowa Składnia: IF [NOT] warunek [AND [NOT] warunek] [OR [NOT] warunek]. [ELSEIF warunek. ] [ELSE. ] ENDIF. gdzie: warunek dowolne wyrażenie logiczne o wartości
Bardziej szczegółowo