XI Konferencja Sieci i Systemy Informatyczne Łódź, październik 2003 APLIKACJA DO TESTOWANIA ALGORYTMÓW PRZETWARZANIA SYGNAŁÓW
|
|
- Natalia Turek
- 6 lat temu
- Przeglądów:
Transkrypt
1 Łódź, październik 003 Marcin Cegielski Instytut Informatyki Politechniki Łódzkiej APLIKACJA DO TESTOWANIA ALGORYTMÓW PRZETWARZANIA SYGNAŁÓW Streszczenie Celem pracy jest prezentacja aplikacji służącej do testowania algorytmów przetwarzania jedno i dwuwymiarowych sygnałów. Podano możliwości zobrazowania danych na różnych etapach przetwarzania (kodowanie, kwantyzacja i dekodowanie). Przedstawione zostały metody porównawcze stosowane do określenia jakości i szybkości zastosowanych metod. W ostatniej części zaprezentowano przykłady implementacji kilku metod przetwarzania i wykorzystanie programu jako pomocy w dydaktyce laboratorium Telekomunikacji. 1. Wstęp Rozwój technik przetwarzania informacji zależy od tworzenia coraz lepszych metod przetwarzania sygnałów. Wzrost mocy obliczeniowej komputerów powoduje, że można budować jeszcze bardziej skomplikowane i złożone algorytmy do przetwarzania sygnałów. Sygnał wejściowy można traktować jako ciąg danych liczbowych (wektor), który zostaje poddany przekształceniom na kilku etapach. Projektowanie algorytmów kompresji można podzielić na dwie fazy. Pierwsza faza nazywana jest modelowaniem. Próbuje się w niej wydobyć informacje o wszelkiego typu zależnościach występujących w danych i opisać ją za pomocą modelu. Drugą fazę nazywa się kodowaniem. Koduje się zazwyczaj opis modelu przy użyciu alfabetu binarnego. Można założyć, że danymi wejściowymi dla procesu kodowania jest ciąg liczb z zakresu liczb całkowitych lub rzeczywistych. Inaczej mówiąc wektor u o n elementach, które należą do zbioru liczb rzeczywistych. Po przekształceniu otrzymuje się z reguły zestaw danych tego samego rozmiaru. Następnym procesem jest kwantyzacja, czyli zamiana wartości liczbowych na odpowiadające im słowa binarne. W zależności od zastosowanej metody kwantyzacji otrzymuje się odpowiednio przekształcony sygnał. Dla kompresji danych najczęściej dobiera się taki schemat kwantyzacji, aby sygnał zawierał najwięcej współczynników zerowych. Dzięki temu sygnał może być poddany efektywnemu kodowaniu różnymi metodami na przykład: Huffmana. Taka operacja pozwala na znaczne zredukowanie ilości danych wejściowych. W procesie testowania algorytmów wystarczy porównać przetworzoną informację w stosunku do danych wejściowych. Ostatnim etapem przetwarzania jest dekodowanie, czyli proces odwrotny w stosunku do kodowania. Przechowując oryginalne dane wejściowe można po ostatnim etapie przetwarzania oszacować zmiany, jakim uległ sygnał w procesie kodowania i dekodowania. Każdy proces przetwarzania sygnału można podzielić na kilka bloków procedur wykonywanych kolejno po sobie (rys.1). Wydajność każdego systemu kodującego i dekodującego zależy od szybkości poszczególnych jego etapów. Szybkość procesu można określić jako czas wykonania procedury kodowania lub dekodowania lub przez oszacowanie ilości operacji matematycznych (dodawanie, mnożenie...), 1
2 M. Cegielski Aplikacja do testowania algorytmów przetwarzania sygnałów jakie znajdują się w tych procedurach. Jest to najprostszy uniwersalny schemat umożliwiający ocenę algorytmów pod względem skuteczności i szybkości przetwarzania. Kodowanie Kwantyzacja Dekwantyzacja Dekodowanie Rys 1. Etapy przetwarzania sygnału.. Schemat blokowy aplikacji przetwarzania sygnałów. Aplikacja przetwarzania sygnałów składa się z funkcjonalnych bloków, które odpowiadają za poszczególne elementy procesu przetwarzania. Dane początkowe są wczytywane z plików i umieszczane w pamięci komputera jako tablica jedno lub dwuwymiarowa o elementach należących do zbioru liczb rzeczywistych. Dla opcji jednowymiarowej dane mogą być wczytane z pliku dźwiękowego w formacie waw. Dla sygnałów dwuwymiarowych można je importować bezpośrednio z pliku bitmapy o odcieniach szarości. Każdy blok przetwarzania danych otrzymuje jako parametry wejściowe: tablicę z danymi i informację o wielkości tej tablicy. Zwracaną informacją jest tablica z danymi wyjściowymi o tym samym rozmiarze co dane wejściowe. Na każdym etapie przekształcania informacji można obejrzeć efekt w postaci wykresu dla danych jednowymiarowych lub obrazu w postaci bitmapy dla danych dwuwymiarowych. Po procesie kwantyzacji w czarno-białej bitmapie elementy zerowe są wyświetlane w kolorze niebieskim, co pomaga w szybkiej ocenie skuteczności algorytmu. Aplikacja mierzy czasy wykonania poszczególnych etapów przetwarzania i jest wyposażona w standardowe algorytmy przetwarzania sygnałów, które mogą być użyte jako pomoc przy budowaniu własnych algorytmów. Są to Dyskretna Transformata Kosinusowa (DCT), Dyskretna Transformata Karhunena-Loeva (KLT, PCA) i Dyskretna Transformata Falkowa (DWT)..1 Kodowanie za pomocą dyskretnej transformaty kosinusowej. Ze względu na szeroki zakres stosowania i popularność, transformata kosinusowa może być przydatna do porównania jej wydajności i szybkości z innymi przekształceniami. Dyskretne przekształcenie kosinusowe (DCT) zawdzięcza swoją nazwę temu, że wiersze macierzy przekształcenia C rozmiaru N x N są funkcjami kosinusów.
3 Łódź, październik 003 Ci, j 1 N N ( cos ( cos j 1) i N j 1) i N dla dla i 0, j 0,1,..., N 1 i 1,,..., N 1, j 0,1,..., N 1 (1) Przy założeniu, że wartość każdego elementu macierzy za pomocą, której jest reprezentowany sygnał wejściowy oznacza jego energię. Efektem poddania danych wejściowych przekształceniu DCT jest skupienie energii sygnału w początkowych współczynnikach macierzy. Dla źródeł Markowa o dużych współczynnika korelacji możliwości zagęszczania współczynników przez DCT są bliskie przekształceniu KLT. Program pozwala na zobrazowanie samych współczynników macierzy przekształcenia DCT i wizualną obserwację poszczególnych etapów przetwarzania.. Zastosowanie przekształcanie Karhunena-Loeve w przetwarzaniu sygnałów. Wiersze dyskretnego przekształcenia Karhunena-Loevego zwanego też jako przekształcenie Hotellinga lub PCA (Principal Component Analisis), zawierają wektory własne macierzy autokowariancji, T cov( X ) E[( X E( X ))( X E( X ) )] () uporządkowane tak, by odpowiadające im wartości własne były ułożone od największej wartości do najmniejszej. Można wykazać, że przekształcenie skonstruowane w ten sposób minimalizuje średnią geometryczną wariancji współczynników przekształcenia i dlatego transformata Karhunena-Loevego daje najlepsze rezultaty kodowania spośród metod kodowania transformującego. Z powodu złożoności obliczeniowej transformaty Karhunena-Loevego (KLT) jej praktyczne wykorzystanie jest niewielkie. Proces obliczeniowy został podzielony na dwa etapy: Obliczenie macierzy autokowariancji z sygnału wejściowego, która jest symetryczna i złożona z współczynników rzeczywistych. Jest to proces obliczeniowo kosztowny, gdyż w klasycznym przypadku wymaga N 4 kroków obliczeniowych. Obliczenie wartości i wektorów własnych macierzy i ich uporządkowanie. Model matematyczny transformaty Karhunena-Loeva można przedstawić w postaci następującego algorytmu. 1. Obliczenie wektora m x, który jest wartością średnią macierzy wejściowej X (M x M) M 1 mx x i M i1 (3). Budowa macierzy kowariancji C x dla wektorów x i T C 1 x ( xi mx )( xi m x ) M (4) 3. Dokonuje się dekompozycji przez wektory własne v k zdefiniowane jako kolumny macierzy A. Dzięki właściwością macierzy autokowariancji można zastosować 3
4 M. Cegielski Aplikacja do testowania algorytmów przetwarzania sygnałów dekompozycję SVD lub klasycznie przekształcić macierz do postaci trójdiagonalnej metodą Householdera i zastosować algorytm QL z przesunięciami do znalezienia wartości i wektorów własnych. C x A = A D, gdzie D =diag(λ k) i (λ 0 λ 1... λ M-1) (5) 4. Wyznaczenie transformaty y i T A x m ) (6) ( i x 5. Wyznaczenie transformata odwrotnej x A y m (7) i i Istnieją alternatywne sposoby obliczenia macierzy kowariancji za pomocą Dyskretnej Transformaty Fouriera lub przekształcenia falkowego. Można także zastosować neuronowy algorytm Oja-RLS, który został zaproponowany przez Kunga [7] i Cichockiego [8]. Jeśli kompresowane wejście jest zmienne w czasie, to funkcja autokorelacji też się zmienia w czasie. Oznacza to, że macierz autokorelacji ulega zmianie i wymaga ponownego obliczenia przekształcenia KLT, które jest obliczeniowo kosztowne. Innym ograniczeniem zastosowania KLT jest fakt, że macierz przekształcenia KLT zależy od danych wejściowych, co wymusza konieczność przesłania każdej nowo obliczonej macierzy KLT lub autokowariancji. Zwiększenie ilości danych związanych z przesłaniem macierzy KLT może być tak duże, że może anulować sam zysk z użycia optymalnego przekształcenia. Jeżeli zostanie przyjęte założenie, że statystyki sygnału zmieniają się powoli lub oscylują blisko wartości średniej całego sygnału, to zastosowanie KLT może być bardzo atrakcyjne. x.3 Kodowanie za pomocą falek Haara i Daubechies 4 rzędu. Funkcja f(x) może być przeskalowana przez podstawienie za x x/a (parametr a jest wielkością skalowania). Normę f(x) definiuje się jako f ( x) f ( x) dx 6. Podstawiając za argument x wartość x/a do wzoru (8) otrzymuje się zależność (9): f x x ( ) f ( ) dx a f ( x) dx a f ( x a a Oznacza to, że tego typu skalowanie zmienia normę funkcji i aby przeskalowana funkcja musiała mieć tę samą normę to musimy ją pomnożyć przez 1/a 1/. W modelu matematycznym można funkcję f(x) przesunąć w lewo lub w prawo o wartość b przez zamianę x na x-b lub x+b. 4 ) (8) (9)
5 Łódź, październik 003 Równaniem (10) można zapisać operację przeskalowania i przesunięcia, która została nazwana falką macierzystą. 1 x b a, b ( x) ( ) (10) a a Jeżeli zostanie zdefiniowana funkcja skalująca Φ(x), to dowolną funkcję f(x) można przedstawić jako kombinację liniową funkcji skalującej Φ(x) i jej przesunięć (11). f ( x) ak ( x k) (11) k Z własności funkcji skalujących wynika, że jeżeli można reprezentować funkcję za pomocą funkcji skalujących, to można ją również reprezentować za pomocą rozciągniętych funkcji skalujących. Najczęściej stosowaną wartością skalującą jest potęga liczby co prowadzi do uproszczenia wzoru (10) do postaci (1). j / j ( x) ( x ) j,k=1,,3,... (1) j, k k Funkcja f(x) może być wtedy zapisana w innej rozdzielczości: j / j f ( x) a j, k ( x k) (13) k j / j / Współczynniki a j,k można obliczyć z iloczynu skalarnego ( x); ( x k), gdy znana jest funkcja Φ(x). Z teorii wynika, że można znaleźć nieskończoną liczbę możliwych falek. To, która jest najlepsza zależy od konkretnego zastosowania. Najbardziej popularne to falki Haara, czterorzędowe, 1-rzędowe i 0 rzędowe filtry Daubechies, 6-rzędowe,1-rzędowe i 18 rzędowe filtry Coifleta. Istnieją dwa podejścia do podpasmowego rozkładu dwuwymiarowych sygnałów: pierwsze wykorzystuje filtry dwuwymiarowe oraz drugie używające różnych przekształceń, które mogą być zaimplementowane za pomocą filtrów jednowymiarowych i wykonane najpierw po wierszach a następnie po kolumnach lub odwrotnie. W większości zastosowań jest spotykane drugie podejście, w tym także w standardzie JPEG000. Dla przykładu można pokazać jak rozłożyć obraz N x M. Filtrujemy każdy wiersz, a następnie dziesiątkujemy, aby otrzymać dwa obrazy rozmiaru N x M/. Następnie filtrujemy każdą kolumnę i podpróbkowujemy wyjście filtra, otrzymując cztery obrazy N/ X M/. Podobraz otrzymany w wyniku filtrowania dolnoprzepustowego wierszy nazywamy często obrazem LL. Podobraz otrzymany po dolnoprzepustowym filtrowaniu wierszy i górnoprzepustowym filtrowaniu kolumn nazywamy obrazem LH, i podobnie obraz HL powstaje w wyniku filtrowania dolnoprzepustowego kolumn i górnoprzepustowego wierszy. Podobraz powstały po górnoprzepustowym filtrowaniu wierszy i kolumn to obraz HH. Schemat kodowania falkowego pokazano na rysunku nr. 5
6 M. Cegielski Aplikacja do testowania algorytmów przetwarzania sygnałów Rys. Schemat kodowania falkowego. 3. Zastosowanie edukacyjne programu w laboratorium przetwarzania sygnałów. Modułowa konstrukcja programu jest idealnym rozwiązaniem do budowania własnych algorytmów lub modyfikowania już istniejących. Każdy uczestnik laboratorium może zbudować swoją wersję przekształcenia kosinusowego i porównać ją z innymi przekształceniami. Dowolny moduł programu może być zastąpiony innym umieszczonym w bibliotece zewnętrznej dołączanej dynamicznie. Pozwala to na wymianę poszczególnych procedur bez wyłączania i ponownego uruchamiania całego programu. Rozwiązanie to pozwala na znaczne przyspieszenie prac przy uruchamianiu poszczególnych algorytmów. Biblioteki mogą być pisane w wielu językach programowania (Delphi, Borland Builder, DevC++, gcc, Visual C++, Visual Basic czy Microsoft.NET. Program został napisany w środowisku Delphi w wersji 6, zajmuje się głównie prezentacją danych i ich przechowywaniu dla funkcji kodowania, kwantyzacji, dekwantyzacji i dekodowania i ich ostatecznego porównywania. Zawiera tylko niewielką część procedur kodowania i kwantyzacji pozostałe są umieszczone w bibliotekach dołączanych dynamicznie. Literatura [1] Władysław Skarbek (red.).: Multimedia - Algorytmy i standardy kompresji. Akademicka Oficyna Wydawnicza PLJ Warszawa [] Khalid Sayood.: Kompresja danych wprowadzenie. Wydawnictwo RM 00. [3] William H. Press, Saul A. Teukolsky, William T. Vetterling, Brian P. Flannery.: Numerical Recepes in C. Cambridge University Press 6
7 Łódź, październik 003 [4] Michihiri Uenohara, Takeo Kanade.: Use of Fourier and Karhunen-Loeve Decomposition for Fast Patteren Matching With a Large Set of Templatetes. IEEE Transactions on pattern Analisis and Machine Inteligence, Vol. 19, No 8, August [5] Franklin G. Horowitz, Don Bone, Paul Veldkamp.: Karhunen-Loeve Based Iteration Function System Encodings. International Picture Coding Symposium. Melbourne, Australia March [6] Lawrencence Sirovivich.: Image Analiysis, A Tutorial. Part 1. Basics. June 1, 001. [7] K.I. Diamantaras, S.Y. Kung.: Principial Component Neural Networks, John Wiley & Sons, New York, [8] A. Cichocki, W. Kasprzak, W. Skarbek.: Adaptive Learnig Algorithm for Principal Component Analisis with Partial Data, Cybernetics and Systems 96, 13-th European meeting on Cybernetics and Systems Research, Austian Society for Cybernetics Stydies, Vienna, (pp ), MARCIN CEGIELSKI mceg@ics.p.lodz.pl Instytut Informatyki Politechnika Łódzka Łódź, Wólczańska 19/3 7
Transformaty. Kodowanie transformujace
Transformaty. Kodowanie transformujace Kodowanie i kompresja informacji - Wykład 10 10 maja 2009 Szeregi Fouriera Każda funkcję okresowa f (t) o okresie T można zapisać jako f (t) = a 0 + a n cos nω 0
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 szczegółowoWedług raportu ISO z 1988 roku algorytm JPEG składa się z następujących kroków: 0.5, = V i, j. /Q i, j
Kompresja transformacyjna. Opis standardu JPEG. Algorytm JPEG powstał w wyniku prac prowadzonych przez grupę ekspertów (ang. Joint Photographic Expert Group). Prace te zakończyły się w 1991 roku, kiedy
Bardziej szczegółowoPrzetwarzanie i transmisja danych multimedialnych. Wykład 7 Transformaty i kodowanie. Przemysław Sękalski.
Przetwarzanie i transmisja danych multimedialnych Wykład 7 Transformaty i kodowanie Przemysław Sękalski sekalski@dmcs.pl Politechnika Łódzka Katedra Mikroelektroniki i Technik Informatycznych DMCS Wykład
Bardziej szczegółowoKompresja Danych. Streszczenie Studia Dzienne Wykład 13, f(t) = c n e inω0t, T f(t)e inω 0t dt.
1 Kodowanie podpasmowe Kompresja Danych Streszczenie Studia Dzienne Wykład 13, 18.05.2006 1.1 Transformaty, próbkowanie i filtry Korzystamy z faktów: Każdą funkcję okresową można reprezentować w postaci
Bardziej szczegółowoLABORATORIUM AKUSTYKI MUZYCZNEJ. Ćw. nr 12. Analiza falkowa dźwięków instrumentów muzycznych. 1. PODSTAWY TEORETYCZNE ANALIZY FALKOWEJ.
LABORATORIUM AKUSTYKI MUZYCZNEJ. Ćw. nr 1. Analiza falkowa dźwięków instrumentów muzycznych. 1. PODSTAWY TEORETYCZNE ANALIZY FALKOWEJ. Transformacja falkowa (ang. wavelet falka) przeznaczona jest do analizy
Bardziej szczegółowoCyfrowe przetwarzanie i kompresja danych
Cyfrowe przetwarzanie i kompresja danych dr inż.. Wojciech Zając Wykład 5. Dyskretna transformata falkowa Schemat systemu transmisji danych wizyjnych Źródło danych Przetwarzanie Przesył Przetwarzanie Prezentacja
Bardziej szczegółowo2. Próbkowanie Sygnały okresowe (16). Trygonometryczny szereg Fouriera (17). Częstotliwość Nyquista (20).
SPIS TREŚCI ROZDZIAŁ I SYGNAŁY CYFROWE 9 1. Pojęcia wstępne Wiadomości, informacje, dane, sygnały (9). Sygnał jako nośnik informacji (11). Sygnał jako funkcja (12). Sygnał analogowy (13). Sygnał cyfrowy
Bardziej szczegółowoFundamentals of Data Compression
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013
Bardziej szczegółowoEKSTRAKCJA CECH TWARZY ZA POMOCĄ TRANSFORMATY FALKOWEJ
Janusz Bobulski Instytut Informatyki Teoretycznej i Stosowanej Politechnika Częstochowska ul. Dąbrowskiego 73 42-200 Częstochowa januszb@icis.pcz.pl EKSTRAKCJA CECH TWARZY ZA POMOCĄ TRANSFORMATY FALKOWEJ
Bardziej szczegółowoPrzetwarzanie i transmisja danych multimedialnych. Wykład 8 Transformaty i kodowanie cz. 2. Przemysław Sękalski.
Przetwarzanie i transmisja danych multimedialnych Wykład 8 Transformaty i kodowanie cz. 2 Przemysław Sękalski sekalski@dmcs.pl Politechnika Łódzka Katedra Mikroelektroniki i Technik Informatycznych DMCS
Bardziej szczegółowoKodowanie transformujace. Kompresja danych. Tomasz Jurdziński. Wykład 11: Transformaty i JPEG
Tomasz Wykład 11: Transformaty i JPEG Idea kodowania transformujacego Etapy kodowania 1 Wektor danych x 0,...,x N 1 przekształcamy (odwracalnie!) na wektor c 0,...,c N 1, tak aby: energia była skoncentrowana
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 szczegółowoNIEOPTYMALNA TECHNIKA DEKORELACJI W CYFROWYM PRZETWARZANIU OBRAZU
II Konferencja Naukowa KNWS'05 "Informatyka- sztuka czy rzemios o" 15-18 czerwca 2005, Z otniki Luba skie NIEOPTYMALNA TECHNIKA DEKORELACJI W CYFROWYM PRZETWARZANIU OBRAZU Wojciech Zając Instytut Informatyki
Bardziej szczegółowoAnaliza głównych składowych- redukcja wymiaru, wykł. 12
Analiza głównych składowych- redukcja wymiaru, wykł. 12 Joanna Jędrzejowicz Instytut Informatyki Konieczność redukcji wymiaru w eksploracji danych bazy danych spotykane w zadaniach eksploracji danych mają
Bardziej szczegółowoObraz jako funkcja Przekształcenia geometryczne
Cyfrowe przetwarzanie obrazów I Obraz jako funkcja Przekształcenia geometryczne dr. inż Robert Kazała Definicja obrazu Obraz dwuwymiarowa funkcja intensywności światła f(x,y); wartość f w przestrzennych
Bardziej szczegółowoPOSZUKIWANIE FALKOWYCH MIAR POTENCJAŁU INFORMACYJNEGO OBRAZÓW CYFROWYCH JAKO WSKAŹNIKÓW JAKOŚCI WIZUALNEJ
Krystian Pyka POSZUKIWANIE FALKOWYCH MIAR POTENCJAŁU INFORMACYJNEGO OBRAZÓW CYFROWYCH JAKO WSKAŹNIKÓW JAKOŚCI WIZUALNEJ Streszczenie. W pracy przedstawiono wyniki badań nad wykorzystaniem falek do analizy
Bardziej szczegółowoKodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11,
1 Kwantyzacja skalarna Kodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11, 10.05.005 Kwantyzacja polega na reprezentowaniu dużego zbioru wartości (być może nieskończonego) za pomocą wartości
Bardziej szczegółowoPrzekształcenie Fouriera obrazów FFT
Przekształcenie ouriera obrazów T 6 P. Strumiłło, M. Strzelecki Przekształcenie ouriera ourier wymyślił sposób rozkładu szerokiej klasy funkcji (sygnałów) okresowych na składowe harmoniczne; taką reprezentację
Bardziej szczegółowoZałożenia i obszar zastosowań. JPEG - algorytm kodowania obrazu. Geneza algorytmu KOMPRESJA OBRAZÓW STATYCZNYCH - ALGORYTM JPEG
Założenia i obszar zastosowań KOMPRESJA OBRAZÓW STATYCZNYCH - ALGORYTM JPEG Plan wykładu: Geneza algorytmu Założenia i obszar zastosowań JPEG kroki algorytmu kodowania obrazu Założenia: Obraz monochromatyczny
Bardziej szczegółowoANALIZA SEMANTYCZNA OBRAZU I DŹWIĘKU
ANALIZA SEMANTYCZNA OBRAZU I DŹWIĘKU obraz dr inż. Jacek Naruniec Analiza Składowych Niezależnych (ICA) Independent Component Analysis Dąży do wyznaczenia zmiennych niezależnych z obserwacji Problem opiera
Bardziej szczegółowoPython: JPEG. Zadanie. 1. Wczytanie obrazka
Python: JPEG Witajcie! Jest to kolejny z serii tutoriali uczący Pythona, a w przyszłości być może nawet Cythona i Numby Jeśli chcesz nauczyć się nowych, zaawansowanych konstrukcji to spróbuj rozwiązać
Bardziej szczegółowoBIBLIOTEKA PROGRAMU R - BIOPS. Narzędzia Informatyczne w Badaniach Naukowych Katarzyna Bernat
BIBLIOTEKA PROGRAMU R - BIOPS Narzędzia Informatyczne w Badaniach Naukowych Katarzyna Bernat Biblioteka biops zawiera funkcje do analizy i przetwarzania obrazów. Operacje geometryczne (obrót, przesunięcie,
Bardziej szczegółowoTeoria przetwarzania A/C i C/A.
Teoria przetwarzania A/C i C/A. Autor: Bartłomiej Gorczyński Cyfrowe metody przetwarzania sygnałów polegają na przetworzeniu badanego sygnału analogowego w sygnał cyfrowy reprezentowany ciągiem słów binarnych
Bardziej szczegółowoWprowadzenie do metod numerycznych Wykład 3 Metody algebry liniowej I Wektory i macierze
Wprowadzenie do metod numerycznych Wykład 3 Metody algebry liniowej I Wektory i macierze Polsko-Japońska Wyższa Szkoła Technik Komputerowych Katedra Informatyki Stosowanej Spis treści Spis treści 1 Wektory
Bardziej szczegółowoAdaptive wavelet synthesis for improving digital image processing
for improving digital image processing Politechnika Łódzka Wydział Fizyki Technicznej, Informatyki i Matematyki Stosowanej 4 listopada 2010 Plan prezentacji 1 Wstęp 2 Dyskretne przekształcenie falkowe
Bardziej szczegółowoLaboratorium Przetwarzania Sygnałów Biomedycznych
Laboratorium Przetwarzania Sygnałów Biomedycznych Ćwiczenie 2 Analiza sygnału EKG przy użyciu transformacji falkowej Opracowali: - prof. nzw. dr hab. inż. Krzysztof Kałużyński - inż. Tomasz Kubik Politechnika
Bardziej szczegółowoAdaptacyjne Przetwarzanie Sygnałów. Filtracja adaptacyjna w dziedzinie częstotliwości
W Filtracja adaptacyjna w dziedzinie częstotliwości Blokowy algorytm LMS (BLMS) N f n+n = f n + α x n+i e(n + i), i= N L Slide e(n + i) =d(n + i) f T n x n+i (i =,,N ) Wprowadźmy nowy indeks: n = kn (
Bardziej szczegółowoAnaliza składowych głównych
Analiza składowych głównych Wprowadzenie (1) W przypadku regresji naszym celem jest predykcja wartości zmiennej wyjściowej za pomocą zmiennych wejściowych, wykrycie związku między wielkościami wejściowymi
Bardziej szczegółowoMetody numeryczne Wykład 4
Metody numeryczne Wykład 4 Dr inż. Michał Łanczont Instytut Elektrotechniki i Elektrotechnologii E419, tel. 4293, m.lanczont@pollub.pl, http://m.lanczont.pollub.pl Zakres wykładu Metody skończone rozwiązywania
Bardziej szczegółowoĆwiczenie 6. Transformacje skali szarości obrazów
Politechnika Wrocławska Wydział Elektroniki Mikrosystemów i Fotoniki Przetwarzanie sygnałów laboratorium ETD5067L Ćwiczenie 6. Transformacje skali szarości obrazów 1. Obraz cyfrowy Obraz w postaci cyfrowej
Bardziej szczegółowoprzetworzonego sygnału
Synteza falek ortogonalnych na podstawie oceny przetworzonego sygnału Instytut Informatyki Politechnika Łódzka 28 lutego 2012 Plan prezentacji 1 Sformułowanie problemu 2 3 4 Historia przekształcenia falkowego
Bardziej szczegółowoMet Me ody numer yczne Wykład ykład Dr inż. Mic hał ha Łanc Łan zon Instyt Ins ut Elektr Elektr echn iki echn i Elektrot Elektr echn olo echn
Metody numeryczne Wykład 3 Dr inż. Michał Łanczont Instytut Elektrotechniki i Elektrotechnologii E419, tel. 4293, m.lanczont@pollub.pl, http://m.lanczont.pollub.pl Zakres wykładu Pojęcia podstawowe Algebra
Bardziej szczegółowo5. Rozwiązywanie układów równań liniowych
5. Rozwiązywanie układów równań liniowych Wprowadzenie (5.1) Układ n równań z n niewiadomymi: a 11 +a 12 x 2 +...+a 1n x n =a 10, a 21 +a 22 x 2 +...+a 2n x n =a 20,..., a n1 +a n2 x 2 +...+a nn x n =a
Bardziej szczegółowoModelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski
Modelowanie zależności pomiędzy zmiennymi losowymi Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski P Zmienne losowe niezależne - przypomnienie Dwie rzeczywiste zmienne losowe X i Y
Bardziej szczegółowoTransformata Fouriera
Transformata Fouriera Program wykładu 1. Wprowadzenie teoretyczne 2. Algorytm FFT 3. Zastosowanie analizy Fouriera 4. Przykłady programów Wprowadzenie teoretyczne Zespolona transformata Fouriera Jeżeli
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł kierunkowy ogólny Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU CYFROWE PRZETWARZANIE SYGNAŁÓW
Bardziej szczegółowoLuty 2001 Algorytmy (7) 2000/2001 s-rg@siwy.il.pw.edu.pl
System dziesiętny 7 * 10 4 + 3 * 10 3 + 0 * 10 2 + 5 *10 1 + 1 * 10 0 = 73051 Liczba 10 w tym zapisie nazywa się podstawą systemu liczenia. Jeśli liczba 73051 byłaby zapisana w systemie ósemkowym, co powinniśmy
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 szczegółowoIMPLEMENTATION OF THE SPECTRUM ANALYZER ON MICROCONTROLLER WITH ARM7 CORE IMPLEMENTACJA ANALIZATORA WIDMA NA MIKROKONTROLERZE Z RDZENIEM ARM7
Łukasz Deńca V rok Koło Techniki Cyfrowej dr inż. Wojciech Mysiński opiekun naukowy IMPLEMENTATION OF THE SPECTRUM ANALYZER ON MICROCONTROLLER WITH ARM7 CORE IMPLEMENTACJA ANALIZATORA WIDMA NA MIKROKONTROLERZE
Bardziej szczegółowo4 Zasoby językowe Korpusy obcojęzyczne Korpusy języka polskiego Słowniki Sposoby gromadzenia danych...
Spis treści 1 Wstęp 11 1.1 Do kogo adresowana jest ta książka... 12 1.2 Historia badań nad mową i językiem... 12 1.3 Obecne główne trendy badań... 16 1.4 Opis zawartości rozdziałów... 18 2 Wyzwania i możliwe
Bardziej szczegółowoFFT i dyskretny splot. Aplikacje w DSP
i dyskretny splot. Aplikacje w DSP Marcin Jenczmyk m.jenczmyk@knm.katowice.pl Wydział Matematyki, Fizyki i Chemii 10 maja 2014 M. Jenczmyk Sesja wiosenna KNM 2014 i dyskretny splot 1 / 17 Transformata
Bardziej szczegółowoModele i narzędzia optymalizacji w systemach informatycznych zarządzania
Politechnika Poznańska Modele i narzędzia optymalizacji w systemach informatycznych zarządzania Joanna Józefowska POZNAŃ 2010/11 Spis treści Rozdział 1. Metoda programowania dynamicznego........... 5
Bardziej szczegółowoTransformata Fouriera. Sylwia Kołoda Magdalena Pacek Krzysztof Kolago
Transformata Fouriera Sylwia Kołoda Magdalena Pacek Krzysztof Kolago Transformacja Fouriera rozkłada funkcję okresową na szereg funkcji okresowych tak, że uzyskana transformata podaje w jaki sposób poszczególne
Bardziej szczegółowoW naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora.
1. Podstawy matematyki 1.1. Geometria analityczna W naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora. Skalarem w fizyce nazywamy
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 szczegółowoAnaliza i modelowanie przepływów w sieci Internet. Andrzej Andrijew
Analiza i modelowanie przepływów w sieci Internet Andrzej Andrijew Plan referatu Samopodobieostwo w sieci Internet Samopodobne procesy stochastyczne Metody sprawdzania samopodobieostwa Modelowanie przepływów
Bardziej szczegółowo3. FUNKCJA LINIOWA. gdzie ; ół,.
1 WYKŁAD 3 3. FUNKCJA LINIOWA FUNKCJĄ LINIOWĄ nazywamy funkcję typu : dla, gdzie ; ół,. Załóżmy na początek, że wyraz wolny. Wtedy mamy do czynienia z funkcją typu :.. Wykresem tej funkcji jest prosta
Bardziej szczegółowoWykład z Technologii Informacyjnych. Piotr Mika
Wykład z Technologii Informacyjnych Piotr Mika Uniwersalna forma graficznego zapisu algorytmów Schemat blokowy zbiór bloków, powiązanych ze sobą liniami zorientowanymi. Jest to rodzaj grafu, którego węzły
Bardziej szczegółowoUkłady równań i nierówności liniowych
Układy równań i nierówności liniowych Wiesław Krakowiak 1 grudnia 2010 1 Układy równań liniowych DEFINICJA 11 Układem równań m liniowych o n niewiadomych X 1,, X n, nazywamy układ postaci: a 11 X 1 + +
Bardziej szczegółowoAnaliza obrazów - sprawozdanie nr 2
Analiza obrazów - sprawozdanie nr 2 Filtracja obrazów Filtracja obrazu polega na obliczeniu wartości każdego z punktów obrazu na podstawie punktów z jego otoczenia. Każdy sąsiedni piksel ma wagę, która
Bardziej szczegółowoWykład 5. Metoda eliminacji Gaussa
1 Wykład 5 Metoda eliminacji Gaussa Rozwiązywanie układów równań liniowych Układ równań liniowych może mieć dokładnie jedno rozwiązanie, nieskończenie wiele rozwiązań lub nie mieć rozwiązania. Metody dokładne
Bardziej szczegółowoZadania do wykonania. Rozwiązując poniższe zadania użyj pętlę for.
Zadania do wykonania Rozwiązując poniższe zadania użyj pętlę for. 1. apisz program, który przesuwa w prawo o dwie pozycje zawartość tablicy 10-cio elementowej liczb całkowitych tzn. element t[i] dla i=2,..,9
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 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 szczegółowoPrzekształcenia widmowe Transformata Fouriera. Adam Wojciechowski
Przekształcenia widmowe Transformata Fouriera Adam Wojciechowski Przekształcenia widmowe Odmiana przekształceń kontekstowych, w których kontekstem jest w zasadzie cały obraz. Za pomocą transformaty Fouriera
Bardziej szczegółowoPrzedmowa Wykaz oznaczeń Wykaz skrótów 1. Sygnały i ich parametry 1 1.1. Pojęcia podstawowe 1 1.2. Klasyfikacja sygnałów 2 1.3.
Przedmowa Wykaz oznaczeń Wykaz skrótów 1. Sygnały i ich parametry 1 1.1. Pojęcia podstawowe 1 1.2. Klasyfikacja sygnałów 2 1.3. Sygnały deterministyczne 4 1.3.1. Parametry 4 1.3.2. Przykłady 7 1.3.3. Sygnały
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 szczegółowoWYKŁAD 9 METODY ZMIENNEJ METRYKI
WYKŁAD 9 METODY ZMIENNEJ METRYKI Kierunki sprzężone. Metoda Newtona Raphsona daje dobre przybliżenie najlepszego kierunku poszukiwań, lecz jest to okupione znacznym kosztem obliczeniowym zwykle postać
Bardziej szczegółowoLaboratorium Przetwarzania Sygnałów
PTS - laboratorium Laboratorium Przetwarzania Sygnałów Ćwiczenie 4 Transformacja falkowa Opracował: - prof. dr hab. inż. Krzysztof Kałużyński Zakład Inżynierii Biomedycznej Instytut Metrologii i Inżynierii
Bardziej szczegółowoTRANSFORMATA FALKOWA 2D. Oprogramowanie Systemów Obrazowania 2016/2017
TRANSFORMATA FALKOWA 2D Oprogramowanie Systemów Obrazowania 2016/2017 Wielorozdzielczość - dekompozycja sygnału w ciąg sygnałów o coraz mniejszej rozdzielczości na wielu poziomach gdzie: s l+1 - aproksymata
Bardziej szczegółowoSzybka transformacja Fouriera (FFT Fast Fourier Transform)
Szybka transformacja Fouriera (FFT Fast Fourier Transform) Plan wykładu: 1. Transformacja Fouriera, iloczyn skalarny 2. DFT - dyskretna transformacja Fouriera 3. FFT szybka transformacja Fouriera a) algorytm
Bardziej szczegółowoPodstawy OpenCL część 2
Podstawy OpenCL część 2 1. Napisz program dokonujący mnożenia dwóch macierzy w wersji sekwencyjnej oraz OpenCL. Porównaj czasy działania obu wersji dla różnych wielkości macierzy, np. 16 16, 128 128, 1024
Bardziej szczegółowomgr inż. Grzegorz Kraszewski SYSTEMY MULTIMEDIALNE wykład 4, strona 1. GOLOMBA I RICE'A
mgr inż. Grzegorz Kraszewski SYSTEMY MULTIMEDIALNE wykład 4, strona 1. KOMPRESJA ALGORYTMEM ARYTMETYCZNYM, GOLOMBA I RICE'A Idea algorytmu arytmetycznego Przykład kodowania arytmetycznego Renormalizacja
Bardziej szczegółowoCyfrowe przetwarzanie i kompresja danych. dr inż.. Wojciech Zając
Cyfrowe przetwarzanie i kompresja danych dr inż.. Wojciech Zając Wykład 7. Standardy kompresji obrazów nieruchomych Obraz cyfrowy co to takiego? OBRAZ ANALOGOWY OBRAZ CYFROWY PRÓBKOWANY 8x8 Kompresja danych
Bardziej szczegółowo3. Opracować program kodowania/dekodowania pliku tekstowego. Algorytm kodowania:
Zadania-7 1. Opracować program prowadzący spis pracowników firmy (max.. 50 pracowników). Każdy pracownik opisany jest za pomocą struktury zawierającej nazwisko i pensję. Program realizuje następujące polecenia:
Bardziej szczegółowoKOMPRESJA OBRAZÓW STATYCZNYCH - ALGORYTM JPEG
KOMPRESJA OBRAZÓW STATYCZNYCH - ALGORYTM JPEG Joint Photographic Expert Group - 1986 ISO - International Standard Organisation CCITT - Comité Consultatif International de Téléphonie et Télégraphie Standard
Bardziej szczegółowoZadanie 1. Zmiana systemów. Zadanie 2. Szyfr Cezara. Zadanie 3. Czy liczba jest doskonała. Zadanie 4. Rozkład liczby na czynniki pierwsze Zadanie 5.
Zadanie 1. Zmiana systemów. Zadanie 2. Szyfr Cezara. Zadanie 3. Czy liczba jest doskonała. Zadanie 4. Rozkład liczby na czynniki pierwsze Zadanie 5. Schemat Hornera. Wyjaśnienie: Zadanie 1. Pozycyjne reprezentacje
Bardziej szczegółowoCyfrowe Przetwarzanie Obrazów i Sygnałów
Cyfrowe Przetwarzanie Obrazów i Sygnałów Laboratorium EX Lokalne transformacje obrazów Joanna Ratajczak, Wrocław, 28 Cel i zakres ćwiczenia Celem ćwiczenia jest zapoznanie się z własnościami lokalnych
Bardziej szczegółowoProgramowanie liniowe
Badania operacyjne Problem Model matematyczny Metoda rozwiązania Znaleźć optymalny program produkcji. Zmaksymalizować 1 +3 2 2 3 (1) Przy ograniczeniach 3 1 2 +2 3 7 (2) 2 1 +4 2 12 (3) 4 1 +3 2 +8 3 10
Bardziej szczegółowoAlgorytmy sztucznej inteligencji
Algorytmy sztucznej inteligencji Dynamiczne sieci neuronowe 1 Zapis macierzowy sieci neuronowych Poniżej omówione zostaną części składowe sieci neuronowych i metoda ich zapisu za pomocą macierzy. Obliczenia
Bardziej szczegółowoLaboratorium Cyfrowego Przetwarzania Obrazów
Laboratorium Cyfrowego Przetwarzania Obrazów Ćwiczenie 4 Filtracja 2D Opracowali: - dr inż. Krzysztof Mikołajczyk - dr inż. Beata Leśniak-Plewińska - dr inż. Jakub Żmigrodzki Zakład Inżynierii Biomedycznej,
Bardziej szczegółowoInformacja w perspektywie obliczeniowej. Informacje, liczby i obliczenia
Informacja w perspektywie obliczeniowej Informacje, liczby i obliczenia Cztery punkty odniesienia (dla pojęcia informacji) ŚWIAT ontologia fizyka UMYSŁ psychologia epistemologia JĘZYK lingwistyka nauki
Bardziej szczegółowoDostawa oprogramowania. Nr sprawy: ZP /15
........ (pieczątka adresowa Oferenta) Zamawiający: Państwowa Wyższa Szkoła Zawodowa w Nowym Sączu, ul. Staszica,33-300 Nowy Sącz. Strona: z 5 Arkusz kalkulacyjny określający minimalne parametry techniczne
Bardziej szczegółowoPodstawy Automatyki. Wykład 13 - Układy bramkowe. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki
Wykład 13 - Układy bramkowe Instytut Automatyki i Robotyki Warszawa, 2015 Układy z elementów logicznych Bramki logiczne Elementami logicznymi (bramkami logicznymi) są urządzenia o dwustanowym sygnale wyjściowym
Bardziej szczegółowoKompresja obrazów w statycznych - algorytm JPEG
Kompresja obrazów w statycznych - algorytm JPEG Joint Photographic Expert Group - 986 ISO - International Standard Organisation CCITT - Comité Consultatif International de Téléphonie et Télégraphie Standard
Bardziej szczegółowoWYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO. Stanisław Kowalik (Poland, Gliwice)
WYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO Stanisław Kowalik (Poland, Gliwice) 1. Wprowadzenie Wstrząsy podziemne i tąpania występujące w kopalniach
Bardziej szczegółowoAkwizycja i przetwarzanie sygnałów cyfrowych
Akwizycja i przetwarzanie sygnałów cyfrowych Instytut Teleinformatyki ITI PK Kraków 21 luty 2011 Analiza czas - częstotliwość analiza częstotliwościowa: problem dla sygnału niestacjonarnego zwykła transformata
Bardziej szczegółowoKlasyfikacja metod kompresji
dr inż. Piotr Odya Klasyfikacja metod kompresji Metody bezstratne Zakodowany strumień danych po dekompresji jest identyczny z oryginalnymi danymi przed kompresją, Metody stratne W wyniku kompresji część
Bardziej szczegółowoRobert Susmaga. Instytut Informatyki ul. Piotrowo 2 Poznań
... Robert Susmaga Instytut Informatyki ul. Piotrowo 2 Poznań kontakt mail owy Robert.Susmaga@CS.PUT.Poznan.PL kontakt osobisty Centrum Wykładowe, blok informatyki, pok. 7 Wyłączenie odpowiedzialności
Bardziej szczegółowoPodstawy Automatyki. Wykład 13 - Układy bramkowe. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki
Wykład 13 - Układy bramkowe Instytut Automatyki i Robotyki Warszawa, 2015 Układy z elementów logicznych Bramki logiczne Elementami logicznymi (bramkami logicznymi) są urządzenia o dwustanowym sygnale wyjściowym
Bardziej szczegółowoSIMR 2016/2017, Analiza 2, wykład 1, Przestrzeń wektorowa
SIMR 06/07, Analiza, wykład, 07-0- Przestrzeń wektorowa Przestrzeń wektorowa (liniowa) - przestrzeń (zbiór) w której określone są działania (funkcje) dodawania elementów i mnożenia elementów przez liczbę
Bardziej szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 6 SYSTEMY ROZMYTE TYPU MAMDANIEGO
Bardziej szczegółowoPraca dyplomowa magisterska
Praca dyplomowa magisterska Implementacja algorytmów filtracji adaptacyjnej o strukturze transwersalnej na platformie CUDA Dyplomant: Jakub Kołakowski Opiekun pracy: dr inż. Michał Meller Plan prezentacji
Bardziej szczegółowoProgramowanie Strukturalne i Obiektowe Słownik podstawowych pojęć 1 z 5 Opracował Jan T. Biernat
Programowanie Strukturalne i Obiektowe Słownik podstawowych pojęć 1 z 5 Program, to lista poleceń zapisana w jednym języku programowania zgodnie z obowiązującymi w nim zasadami. Celem programu jest przetwarzanie
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 szczegółowoPolitechnika Świętokrzyska. Laboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 6. Transformata cosinusowa. Krótkookresowa transformata Fouriera.
Politechnika Świętokrzyska Laboratorium Cyfrowe przetwarzanie sygnałów Ćwiczenie 6 Transformata cosinusowa. Krótkookresowa transformata Fouriera. Cel ćwiczenia Celem ćwiczenia jest zapoznanie studentów
Bardziej szczegółowoKompresja danych Streszczenie Studia Dzienne Wykład 10,
1 Kwantyzacja wektorowa Kompresja danych Streszczenie Studia Dzienne Wykład 10, 28.04.2006 Kwantyzacja wektorowa: dane dzielone na bloki (wektory), każdy blok kwantyzowany jako jeden element danych. Ogólny
Bardziej szczegółowo9. Dyskretna transformata Fouriera algorytm FFT
Transformata Fouriera ma szerokie zastosowanie w analizie i syntezie układów i systemów elektronicznych, gdyż pozwala na połączenie dwóch sposobów przedstawiania sygnałów reprezentacji w dziedzinie czasu
Bardziej szczegółowoRozwiązywanie układów równań liniowych
Rozwiązywanie układów równań liniowych Marcin Orchel 1 Wstęp Jeśli znamy macierz odwrotną A 1, to możęmy znaleźć rozwiązanie układu Ax = b w wyniku mnożenia x = A 1 b (1) 1.1 Metoda eliminacji Gaussa Pierwszy
Bardziej szczegółowoAlgorytm grupowania danych typu kwantyzacji wektorów
Algorytm grupowania danych typu kwantyzacji wektorów Wstęp Definicja problemu: Typowe, problemem często spotykanym w zagadnieniach eksploracji danych (ang. data mining) jest zagadnienie grupowania danych
Bardziej szczegółowoNarzędzia matematyczne zastosowane w systemie biomonitoringu wody
Narzędzia matematyczne zastosowane w systemie biomonitoringu wody Piotr Przymus Krzysztof Rykaczewski Wydział Matematyki i Informatyki Uniwersytet Mikołaja Kopernika Toruń 1 of 24 18 marca 2009 Cel referatu
Bardziej szczegółowoSystemy. Krzysztof Patan
Systemy Krzysztof Patan Systemy z pamięcią System jest bez pamięci (statyczny), jeżeli dla dowolnej chwili t 0 wartość sygnału wyjściowego y(t 0 ) zależy wyłącznie od wartości sygnału wejściowego w tej
Bardziej szczegółowoTransformacja Fouriera i biblioteka CUFFT 3.0
Transformacja Fouriera i biblioteka CUFFT 3.0 Procesory Graficzne w Zastosowaniach Obliczeniowych Karol Opara Warszawa, 14 kwietnia 2010 Transformacja Fouriera Definicje i Intuicje Transformacja z dziedziny
Bardziej szczegółowoAnaliza korespondencji
Analiza korespondencji Kiedy stosujemy? 2 W wielu badaniach mamy do czynienia ze zmiennymi jakościowymi (nominalne i porządkowe) typu np.: płeć, wykształcenie, status palenia. Punktem wyjścia do analizy
Bardziej szczegółowoProgramowanie celowe #1
Programowanie celowe #1 Problem programowania celowego (PC) jest przykładem problemu programowania matematycznego nieliniowego, który można skutecznie zlinearyzować, tzn. zapisać (i rozwiązać) jako problem
Bardziej szczegółowoSieci neuronowe - projekt
Sieci neuronowe - projekt Maciej Barański, Kamil Dadel 15 stycznia 2015 Streszczenie W ramach projektu został zrealizowany algorytm kompresji stratnej bazujący na działaniu samoorganizującej się sieci
Bardziej szczegółowoMetody 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 szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: moduł specjalności obowiązkowy: Sieci komputerowe Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE
Bardziej szczegółowoSCENARIUSZ LEKCJI. Streszczenie. Czas realizacji. Podstawa programowa
SCENARIUSZ LEKCJI OPRACOWANY W RAMACH PROJEKTU: INFORMATYKA MÓJ SPOSÓB NA POZNANIE I OPISANIE ŚWIATA. PROGRAM NAUCZANIA INFORMATYKI Z ELEMENTAMI PRZEDMIOTÓW MATEMATYCZNO-PRZYRODNICZYCH Autorzy scenariusza:
Bardziej szczegółowo