T Digitaalinen kuvatekniikka Kevät 2015 Harjoitus 1: Kameran kuvanprosessointi

Koko: px
Aloita esitys sivulta:

Download "T-75.4100 Digitaalinen kuvatekniikka Kevät 2015 Harjoitus 1: Kameran kuvanprosessointi"

Transkriptio

1 T Digitaalinen kuvatekniikka Kevät 2015 Harjoitus 1: Kameran kuvanprosessointi Palautus:

2 1 Tavoite Työssä tutkitaan kolmea kameran kuvanprosessointiketjun vaihetta: tarkennusta, mosaiikkikuvan muuntamista RGB-muotoon (demosaicing) ja valkotasapainon säätöä. Harjoitustyö liittyy luennoilla Kameran automatiikka ( ) ja Kameran kuvanprosessointi ( ) käsiteltyihin asioihin. Lisätietoa löytyy kurssikirjasta [1] sekä Ramanath et al. n artikkelista Color image processing pipeline [3]. 2 Aineisto Harjoitustyöhön liittyvä tiedostopaketti (T-75_4100_H1_tiedostot.zip) löytyy kurssin Harjoitustyötsivulta. Paketin sisältö on listattu taulukkoon 1. Tiedosto focus_01.jpg... focus_09.jpg open_raw_image.m process_linear_rgb_image_to_srgb.m sampleimage.dng separate_bayer_color_channels.m Sisältö Tehtävässä 1 käytettävät harmaasävykuvat (9 kpl) Matlab-skripti, joka lukee raw-kuvan muuttujaksi ja linearisoi sen; kuvan ohjella syntyy metadatamuuttuja meta_info Matlab-skripti, joka muuntaa linearisoidun RGB-kuvan srgb-väriavaruuteen katselua varten Digital Negative (DNG) -muotoinen raw-kuva, jota käytetään tehtävissä 2 ja 3 Matlab-skripti, joka erottelee mosaiikkikuvan värikanavat Taulukko 1: Harjoitustyöpaketin sisältö. Harjoitustyössä käytetään Matlab-ohjelmaa, joka löytyy lähes kaikista koulun tietokoneista ja jonka voi ladata kotikoneelle osoitteesta https://download.aalto.fi/. Kurssin Muu materiaali -sivulta (https: //noppa.aalto.fi/noppa/kurssi/t /materiaali) löytyy lyhyt Matlab-ohje, joka on tehty Kuvatekniikan perusteet -kurssin tarpeisiin, mutta josta voi olla hyötyä tälläkin kurssilla. Matlabin oma Help-toiminto on myös hyödyllinen työkalu. 3 Harjoitustyön pisteytys Työstä saa enintään 25 pistettä; hyväksytyn työn minimipistemäärä on 13 pistettä. Työssä on kolme tehtävää, joista jokainen sisältää useamman toteutettavan menetelmän. Menetelmät on pisteytetty vaikeusasteen ja/tai työmäärän mukaan. Tehtävässä 6.2 voi saada lisäpisteitä toteuttamalla kaikki menetelmät. Kokonaisuudessaan raportista voi kuitenkin saada enintään 25 pistettä. Lisäksi jokaisesta tehtävästä on saatava yli 0 pistettä. Yhden harjoitustyön osuus kurssin kokonaisarvosanasta on 25 %, jolloin kurssin kaksi harjoitustyötä muodostavat yhdessä puolet kurssin arvosanasta. 4 Raportin palautus Harjoitustyöstä palautetaan raportti PDF-muodossa Moodleen kurssin työtilaan (https://moodle.aalto. fi/course/view.php?id=2660) viimeistään sunnuntaina 1.3. kello 23:59. Myöhäisiä palautuksia otetaan vastaan keskiviikkoon 4.3. kello 12:00 asti, mutta myöhässä palautetusta raportista voi saada korkeintaan 50 % maksimipisteistä eikä korjausmahdollisuutta ole. Sivu 1 / 7

3 Pisteet julkistetaan maanantaina 9.3. Jos työssä on korjattavaa, korjattu raportti tulee palauttaa Moodleen viimeistään torstaina klo 23:59. Hyväksytysti korjatusta työstä saa 50 % maksimipisteistä. 5 Raportin rakenne ja tyyli Raportissa kerrotaan mitä on tehty, mitä on saatu tulokseksi ja selitetään tarvittaessa taustalla olevaa teoriaa (erityisesti pyritään vastaamaan alempana tehtävänannossa esitettyihin kysymyksiin). Raportin tulee olla johdonmukainen, ymmärrettävä kokonaisuus. Selostuksiin liitetään kuvat ja kuvaajat (kaikista, jotka pyydetään piirtämään tai esittämään), mieluiten kohtaan, jossa ne on saatu aikaan. Kuvaajat numeroidaan ja niihin viitataan tekstissä. Joissain tapauksissa voi olla havainnollisempaa esittää kuvasta valittu yksityiskohta kuin koko kuva. Tuotettu Matlab-koodi kirjoitetaan selkeästi kommentoituna siihen kohtaan, jossa koodia on käytetty. Useaan kertaan toistuvia komentoja ei tarvitse esittää moneen kertaan, mutta joka kohdassa tulee kuitenkin mainita, mitä on tehty. Pyri noudattamaan harjoitustyöpohjan ulkoasua ja harjoitustöiden yleisohjetta. Molemmat löytyvät kurssin Muu materiaali -sivulta. Voit kirjoittaa raportin suomeksi, ruotsiksi tai englanniksi. Kurssisivujen Muu materiaali -sivulta löytyy muotopohja raportille sekä L A TEX- että Word-formaatissa. Kiinnitä huomiota siihen, että palauttamasi PDF-tiedosto on kohtuullisen kokoinen (< 10 MB). Pakkaa kuvat tarvittaessa. 6 Tehtävät Harjoitustyön ensimmäisessä tehtävässä (kohta 6.1) käsitellään kameran tarkennusta, toisessa (kohta 6.2) mosaiikkikuvan muuntamista RGB-muotoon ja kolmannessa (kohta 6.3) valkotasapainon säätöä. Tehtävät on esitetty osana kameran kuvanprosessointiketjua kuvassa 1. Ensimmäisessä tehtävässä käytetään materiaalina kuvia focus_01.jpg... focus_09.jpg, ja toisessa ja kolmannessa DNG-kuvaa sampleimage.dng. 6.1 Tehtävä 1: Tarkennus (8 p) Työn ensimmäisessä tehtävässä simuloidaan kameran tarkennusprosessia. Tehtävänä on toteuttaa Matlabskripti, joka löytää yhdeksän kuvan setistä (focus_01.jpg... focus_09.jpg) sen kuvan, joka on tarkin annetun tarkennuspisteen suhteen. Tarkennuspisteitä on neljä; ne on listattu alla taulukossa 2. Pisteiden koordinaatit on annettu Matlabmuodossa, jossa rivien (y) indeksit kasvavat ylhäältä alas ja sarakkeiden (x) vasemmalta oikealle. Tehtävässä toteutetaan kolme menetelmää, jotka on listattu pisteineen alla taulukossa 3. Taulukossa on mainittu myös kurssikirjan [1] menetelmää käsittelevät sivunumerot. Kaikkien näiden tarkennusmenetelmien lähtökohtana on, että tarkimmassa kuvassa on eniten korkeataajuuksisia muutoksia. Tämä näkyy kuvassa nopeana harmaasävyarvojen vaihteluna, eli terävinä reunoina. Sivu 2 / 7

4 Kuva 1: Harjoitustyön tehtävät 1 3 osana kameran kuvanprosessointiketjua [1]. # Kuvaus x y 1 Etualalla olevan henkilön paita Lehden Suomen Kuvalehti -teksti Taka-alalla olevan henkilön parta Takaseinän kaakelit Taulukko 2: Tarkennuspisteet. Menetelmä Pisteet Sivunumerot [1] Varianssi Kuvagradientin energia Laplace-operaattorin energia Taulukko 3: Toteutettavat tarkennusmenetelmät. Kaikki kolme menetelmää voidaan siis toteuttaa ns. spatiaalitasossa ilman kuvan muuntamista taajuustasoon esimerkiksi Fourier-muunnoksen avulla. Varianssimenetelmä perustuu oletukseen, että kuvajoukossa, jonka kuvat eroavat toisistaan vain tarkennuksen osalta, terävimmässä kuvissa on suurin varianssi. Matlabissa vektorin varianssi lasketaan komennolla var. Huomioi, että jos käytät tätä komentoa, joudut ensin muuttamaan kuvan matriisimuodosta vektorimuotoon ja lisäksi double precision -muotoon (komennolla im2double). Voit myös halutessasi kokeilla Matlabin edge-reunantunnistusfunktiota ja verrata tuloksia. Kuvagradientin energiaan perustuvassa menetelmässä kuvan terävyyttä arvioidaan sen ensimmäisen asteen derivaatan avulla. Kuvan osittaisderivaattoja voi approksimoida konvoluutiolla (Matlabissa funktio conv2), jossa 3x3-konvoluutiomatriisi liu utetaan kuvan yli. Osittaisderivaattojen G x ja G y konvoluutiomatriisit F x ja F y ovat: Sivu 3 / 7

5 1 2 1 F x = (1) F y = (2) Osittaisderivaattojen laskemisen jälkeen gradientin energiaa voidaan approksimoida laskemalla yhteen osittaisderivaattojen alkioittaiset neliöt. Laplace-operaattorin energiaan perustuva menetelmä muistuttaa kuvagradientin energiaan perustuvaa menetelmää, mutta siinä käytetään ensimmäisen asteen derivaatan sijaan Laplace-operaattoria 2, eli toisen asteen derivaattaa. Kuten edellä, sitäkin voi approksimoida konvoluutiolla käyttämällä seuraavaa konvoluutiomatriisia: F 2 = (3) Laplace-operaattorin 2 energiaa approksimoidaan vastaavasti sen alkioittaisella neliöllä. Jokaisen toteuttamasi menetelmän kohdalla raportoi jokaiselle tarkennuspisteelle kuva, jonka kirjoittamasi skripti valitsi tarkimmaksi. Arvioi silmämääräisesti, valitsiko skripti oikean kuvan. Arvioinnissa voi olla hyödyllistä piirtää kuvaaja, jossa vaaka-akselilla ovat kuvat 1 9 ja pystyakselilla valitsemasi tarkkuusmitan arvot kuullekin kuvalle. Määritä itse sopivan kokoinen tarkennusalue tarkennuspisteen ympärille. Kerro raportissa, miten alueen koon muuttaminen vaikutti menetelmän toimivuuteen. 6.2 Tehtävä 2: Demosaicing (9 p + mahdolliset lisäpisteet) Toisessa tehtävässä muunnetaan DNG-muotoinen raw-kuva (sampleimage.dng) lineaarisesta mosaiikkimuodosta RGB-muotoon, jossa jokaisen pikselin puuttuvat väriarvot on interpoloitu viereisten pikselien arvoista. Vaihtoehtoisia toteutettavia menetelmiä on kolme; ne on listattu alla pisteineen taulukossa 4. Menetelmistä kaksi ensimmäistä, bilineaarinen menetelmä ja väritasomenetelmä, ovat niin sanottuja spatiaalitason menetelmiä, joissa hyödynnetään vierekkäisten pikselien tilastollista samankaltaisuutta. Kolmas menetelmä, joka perustuu Fourier-muunnokseen, on puolestaan taajuustason menetelmä. Tällaiset menetelmät hyödyntävät oletuksia luonnollisten kuvien taajuusjakaumasta sekä ihmisen näköjärjestelmän herkkyydestä korkeille taajuuksille. Tehtävästä voi saada täydet pisteet (9 p) toteuttamalla pelkästään kaksi ensimmäistä menetelmää. Kolmas menetelmä on haastavampi, ja tehtävän voi suorittaa myös tekemällä pelkästään sen. Voit myös halutessasi kerätä lisäpisteitä (yhteensä 25 pisteeseen asti) toteuttamalla kaikki kolme menetelmää. Menetelmä Pisteet Sivunumerot [1] Bilineaarinen menetelmä Väritasomenetelmä Fourier-muunnokseen perustuva menetelmä ; lisäksi [2] Taulukko 4: Toteutettavat / vaihtoehtoiset demosaicing-menetelmät. Sivu 4 / 7

6 Kuva luetaan ensin Matlab-muuttujaksi tehtäväpaketista löytyvällä skriptillä open_raw_image.m. Tämän jälkeen muuttujassa on lineaarinen mosaiikkikuva, jossa vierekkäiset pikselit sisältävät eri värikanavien (R, G tai B) informaatiota. Kuvan Bayer-kuvio on RGGB-tyyppinen, jossa parittomilla riveillä vuorottelevat vasemmalta lukien pikselit R ja G, ja parillisilla riveillä pikselit G ja B. RGGB-kuvio on esitetty alla kuvassa 2. Kuva 2: RGGB-tyyppinen Bayer-kuvio. Molemmissa spatiaalisissa interpolaatiomenetelmissä voidaan hyödyntää konvoluutiota (ks. tehtävä 1). Konvoluutiomatriisi liu utetaan mosaiikkikuvan yli ja saadaan siten interpoloitua pikseleille niiden puuttuvat väriarvot. Koska mosaiikkikuvassa on kaksi kertaa niin paljon vihreitä pikseleitä kuin punaisia tai sinisiä pikseleitä, käytetään puuttuvien vihreiden väriarvojen interpolointiin eri konvoluutiomatriisia kuin punaisille ja sinisille pikseleille. Vihreän kanavan konvoluutiomatriisi F g ja punaisen sekä sinisen kanavan konvoluutiomatriisi F rb on esitetty alla yhtälöissä 4 ja 5. F g = (4) F rb = (5) Jokainen väri käsitellään erikseen siten, että konvoluutiomatriisi liu utetaan yli matriisin, jossa on pelkästään interpoloitavan värin arvoja ja muut arvot ovat nollia. Mosaiikkikuvasta saa tuotettua kuvan, jossa Bayer-matriisin alkuperäiset väriarvot on eroteltu omille dimensioilleen, tehtäväpaketista löytyvällä skriptillä separate_bayer_color_channels.m. Jos mosaiikkikuvan koko on m n, skriptin tuottaman kuvan koko on m n 3, jossa punaiset väriarvot ovat dimensiolla 1, vihreät dimensiolla 2 ja siniset dimensiolla 3. Puuttuvien väriarvojen kohdalla on nollaa. Erotellun matriisin dimensiot voidaan konvoloida erikseen sopivilla konvoluutiomatriiseilla. Konvoluutio tuottaa oletusasetuksilla matriisin, jossa on ylimääräisiä lukuarvoja reunoilla. Tuotetusta matriisista tuleekin poistaa ensimmäinen ja viimeinen rivi ja ensimmäinen ja viimeinen sarake, jotta matriisissa on sama määrä pikseleitä kuin alkuperäisessä kuvassa. Bilineaarisessa interpoloinnissa värikanavat konvoloidaan matriiseilla F g ja F rb. Reunantunnistukseen perustuvassa menetelmässä puuttuvat punaiset ja siniset väriarvot saadaan vastaavasti konvoluutiolla, mutta vihreän kanavan arvot interpoloidaan joko vaaka- tai pystysuunnassa sen mukaan, kummassa suunnassa viereisten pikselien ero on pienempi. Jos tarkoituksena on interpoloida vihreät väriarvot Sivu 5 / 7

7 kuvan 3 mukaisesti pikseliin A5, joka on joko punainen tai sininen, interpolaatio tapahtuu vaakasuunnassa, jos H 5 < V 5, ja pystysuunnassa, jos V 5 < H 5, missä H 5 = A3 + 2 A5 A7 + G4 G6 (6) V 5 = A1 + 2 A5 A9 + G2 G8. (7) Väritasomenetelmä eteen seuraavasti: Kuva 3: Pikselin A5 naapurusto [1]. 1. Interpoloidaan vihreät väriarvot punaisiin ja sinisiin pikseleihin em. tavalla. 2. Interpoloidaan punaiset ja siniset väriarvot vihreisiin pikseleihin kahdesta lähimmästä väriarvosta joko vaaka- tai pystysuunnassa, riippuen siitä, missä suunnassa lähimmät arvot ovat. 3. Interpoloidaan punaiset väriarvot sinisiin pikseleihin ja toisinpäin käyttäen neljää lähintä naapuria kuten bilineaarisessa interpoloinnissa. Matriisin reunoilla interpolointiin voi käyttää lähimmän kolmen (kulmissa kahden) pikselin keskiarvoa. Fourier-muunnokseen perustuvat menetelmät on selostettu yleisesti kurssikirjan [1] sivuilla Tehtävässä toteutettava menetelmä on selostettu tarkemmin artikkelissa [2]. Säädä lopuksi jokaisella menetelmällä tuottamasi RGB-kuvan valkotasapaino (tehtävä 3) ja prosessoi sen jälkeen kuvat srgb-muotoon ( Color Matrixing -vaihe kuvassa 1). srgb-muunnos tapahtuu skriptillä process_linear_rgb_image_to_srgb.m. Vertaile demosaicing-menetelmiä silmämääräisesti. Riittää, että käytät vertailussa vain yhtä valkotasapainomenetelmää. HUOM! srgb-muunnoksessa käytetään kahta muunnosmatriisia: CAM XYZ ja XYZ RGB. Näistä ensimmäinen muuttaa kameran väriarvot XYZ-yhdysavaruuteen ja jälkimmäinen XYZ-arvot edelleen RGBavaruuteen. CAM XYZ-matriisin arvot (9 kpl) löytyvät vektorimuodossa metadatamuuttujan meta_info kentästä ColorMatrix2. Skripti process_linear_rgb_image_to_srgb.m olettaa, että kyseessä on pystyvektori, joka skriptin rivillä 9 muutetaan 3x3-matriisimuotoon transponoimalla. On kuitenkin havaittu, että jotkut Matlabin versiot tallentavat vektorin vaakasuunnassa, jolloin skripti ei toimi oikein. Jos skripti tuottaa virheilmoituksen, poista transponoinnit riviltä Tehtävä 3: Valkotasapaino (8 p) Kolmannessa tehtävässä säädetään toisessa tehtävässä tuotetun kuvan valkotasapaino. Toteutettavia menetelmiä on kolme, joista ensimmäinen perustuu raw-kuvan metadataan (Matlab-muuttuja meta_info), Sivu 6 / 7

8 toinen on ns. Gray world -menetelmä ja kolmas Maximum RGB -menetelmä. Menetelmät on listattu pisteineen alla taulukossa 5. Menetelmä Pisteet Sivunumerot [1] Metadata 2 - Gray world Maximum RGB 3 96 Taulukko 5: Toteutettavat valkotasapainomenetelmät. Metadataan perustuvassa menetelmässä luetaan kameran määrittelemä R-, G- ja B-värikanavien valkopiste muuttujan meta_info kentästä AsShotNeutral. Tämän jälkeen lasketaan valkopisteen arvojen käänteisluvut, jotta niitä voidaan käyttää kertoimina kuvan väriarvoille. Lisäksi kertoimet skaalataan siten, että vihreän kanavan kerroin on 1. Kun tämä on tehty, tehtävässä 2 tuotetun kuvan jokaisen värikanavan arvot kerrotaan vastaavan värikanavan kertoimella. Gray world- ja Maximum RGB -menetelmät on esitelty kirjassa sekä luennon kalvoissa Prosessoi lopuksi kaikilla kolmella menetelmällä tuotetut kuvat srgb-muotoon yllä mainitulla tavalla ja vertaile valkotasapainomenetelmiä silmämääräisesti. Riittää, että käytät vertailussa yhtä valitsemaasi demosaicing-menetelmää (kohta 6.2). Viitteet [1] Sebastiano Battiato, Arcangelo Ranieri Bruna, Giuseppe Messina, and Giovanni Puglisi. Image Processing for Embedded Devices. Bentham Science Publishers, [2] J. W. Glotzbach, R. W. Schafer, and K. lllgner. A method of color filter array interpolation with alias cancellation properties. In IEEE International Conference on Image Processing (ICIP-2001), pages , [3] R. Ramanath, W.E. Snyder, Y. Yoo, and M.S. Drew. Color image processing pipeline. Signal Processing Magazine, IEEE, 22(1):34 43, Sivu 7 / 7

Tieteellinen laskenta 2 Törmäykset

Tieteellinen laskenta 2 Törmäykset Tieteellinen laskenta 2 Törmäykset Aki Kutvonen Op.nmr 013185860 Sisällysluettelo Ohjelman tekninen dokumentti...3 Yleiskuvaus...3 Kääntöohje...3 Ohjelman yleinen rakenne...4 Esimerkkiajo ja käyttöohje...5

Lisätiedot

Matriisit ovat matlabin perustietotyyppejä. Yksinkertaisimmillaan voimme esitellä ja tallentaa 1x1 vektorin seuraavasti: >> a = 9.81 a = 9.

Matriisit ovat matlabin perustietotyyppejä. Yksinkertaisimmillaan voimme esitellä ja tallentaa 1x1 vektorin seuraavasti: >> a = 9.81 a = 9. Python linkit: Python tutoriaali: http://docs.python.org/2/tutorial/ Numpy&Scipy ohjeet: http://docs.scipy.org/doc/ Matlabin alkeet (Pääasiassa Deni Seitzin tekstiä) Matriisit ovat matlabin perustietotyyppejä.

Lisätiedot

Mitä on konvoluutio? Tutustu kuvankäsittelyyn

Mitä on konvoluutio? Tutustu kuvankäsittelyyn Mitä on konvoluutio? Tutustu kuvankäsittelyyn Tieteenpäivät 2015, Työohje Sami Varjo Johdanto Digitaalinen signaalienkäsittely on tullut osaksi arkipäiväämme niin, ettemme yleensä edes huomaa sen olemassa

Lisätiedot

Harjoitus 1: Matlab. Harjoitus 1: Matlab. Mat Sovelletun matematiikan tietokonetyöt 1. Syksy 2006

Harjoitus 1: Matlab. Harjoitus 1: Matlab. Mat Sovelletun matematiikan tietokonetyöt 1. Syksy 2006 Harjoitus 1: Matlab Mat-2.2107 Sovelletun matematiikan tietokonetyöt Syksy 2006 Mat-2.2107 Sovelletun matematiikan tietokonetyöt 1 Harjoituksen aiheita Tutustuminen Matlab-ohjelmistoon Laskutoimitusten

Lisätiedot

Laskuharjoitus 9, tehtävä 6

Laskuharjoitus 9, tehtävä 6 Aalto-yliopiston perustieteiden korkeakoulu Jouni Pousi Systeemianalyysin laboratorio Mat-2.4129 Systeemien identifiointi Laskuharjoitus 9, tehtävä 6 Tämä ohje sisältää vaihtoehtoisen tavan laskuharjoituksen

Lisätiedot

Markkinoitten mallintaminen ja Internet-markkinat

Markkinoitten mallintaminen ja Internet-markkinat Markkinoitten mallintaminen ja Internet-markkinat Kurssiohjeita: Lue ainakin kertaalleen huolella! Harjoitustyö ja harjoitukset Harjoitustyö palautetaan kahdessa osassa Moodleen. Ensimmäisen osan palautuspäivä

Lisätiedot

Kohdeyleisö: toisen vuoden teekkari

Kohdeyleisö: toisen vuoden teekkari Julkinen opetusnäyte Yliopisto-opettajan tehtävä, matematiikka Klo 8:55-9:15 TkT Simo Ali-Löytty Aihe: Lineaarisen yhtälöryhmän pienimmän neliösumman ratkaisu Kohdeyleisö: toisen vuoden teekkari 1 y y

Lisätiedot

Tampereen yliopisto Tietokonegrafiikka 2013 Tietojenkäsittelytiede Harjoitus

Tampereen yliopisto Tietokonegrafiikka 2013 Tietojenkäsittelytiede Harjoitus Tampereen yliopisto Tietokonegrafiikka 201 Tietojenkäsittelytiede Harjoitus 6 1..201 1. Tarkastellaan Gouraudin sävytysmallia. Olkoon annettuna kolmio ABC, missä A = (0,0,0), B = (2,0,0) ja C = (1,2,0)

Lisätiedot

Matriisilaskenta Laskuharjoitus 1 - Ratkaisut / vko 37

Matriisilaskenta Laskuharjoitus 1 - Ratkaisut / vko 37 Matriisilaskenta Laskuharjoitus 1 - Ratkaisut / vko 37 Tehtävä 1: Käynnistä Matlab-ohjelma ja kokeile laskea sillä muutama peruslaskutoimitus: laske jokin yhteen-, vähennys-, kerto- ja jakolasku. Laske

Lisätiedot

Ohjeita. Datan lukeminen

Ohjeita. Datan lukeminen ATK Tähtitieteessä Harjoitustyö Tehtävä Harjoitystyössä tehdään tähtikartta jostain taivaanpallon alueesta annettujen rektaskensio- ja deklinaatiovälien avulla. Karttaan merkitään tähdet aina kuudenteen

Lisätiedot

Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun 7 eli vapauden käsitteeseen ja homogeenisiin

Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun 7 eli vapauden käsitteeseen ja homogeenisiin HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta I, kesä 2015 Harjoitus 4 Ratkaisut palautettava viimeistään maanantaina 862015 klo 1615 Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin

Lisätiedot

Tehtävän lisääminen ja tärkeimmät asetukset

Tehtävän lisääminen ja tärkeimmät asetukset Tehtävä Moodlen Tehtävä-aktiviteetti on tarkoitettu erilaisten tehtävien antamiseen verkossa. Tehtävä-aktiviteettia ei ole tarkoitettu ainoastaan tehtävien palautukseen, kuten moni sen sellaiseksi mieltää,

Lisätiedot

S-114.3812 Laskennallinen Neurotiede

S-114.3812 Laskennallinen Neurotiede S-114.3812 Laskennallinen Neurotiede Laskuharjoitus 2 4.12.2006 Heikki Hyyti 60451P Tehtävä 1 Tehtävässä 1 piti tehdä lineaarista suodatusta kuvalle. Lähtötietoina käytettiin kuvassa 1 näkyvää harmaasävyistä

Lisätiedot

Tehtäväsarja I Kertaa tarvittaessa materiaalin lukuja 1 3 ja 9. Tarvitset myös luvusta 4 määritelmän 4.1.

Tehtäväsarja I Kertaa tarvittaessa materiaalin lukuja 1 3 ja 9. Tarvitset myös luvusta 4 määritelmän 4.1. HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta I, kesä 2015 Harjoitus 2 Ratkaisut palautettava viimeistään maanantaina 25.5.2015 klo 16.15. Tehtäväsarja I Kertaa tarvittaessa materiaalin lukuja

Lisätiedot

Harjoitus 4 -- Ratkaisut

Harjoitus 4 -- Ratkaisut Harjoitus -- Ratkaisut 1 Ei kommenttia. Tutkittava funktio: In[15]:= f x : x 1 x Sin x ; Plot f x, x, 0, 3 Π, PlotRange All Out[159]= Luodaan tasavälinen pisteistö välille 0 x 3 Π. Tehdään se ensin kiinnitetyllä

Lisätiedot

Säätötekniikan ja signaalinkäsittelyn työkurssi

Säätötekniikan ja signaalinkäsittelyn työkurssi Säätötekniikan ja signaalinkäsittelyn työkurssi Työ D102: Sinimuotoisen signaalin suodattaminen 0.4 op. Julius Luukko Lappeenrannan teknillinen yliopisto Sähkötekniikan osasto/säätötekniikan laboratorio

Lisätiedot

805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016)

805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016) 805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016) Tavoitteet (teoria): Hahmottaa aikasarjan klassiset komponentit ideaalisessa tilanteessa. Ymmärtää viivekuvauksen vaikutus trendiin. ARCH-prosessin

Lisätiedot

Vektoreiden virittämä aliavaruus

Vektoreiden virittämä aliavaruus Vektoreiden virittämä aliavaruus Määritelmä Oletetaan, että v 1, v 2,... v k R n. Näiden vektoreiden virittämä aliavaruus span( v 1, v 2,... v k ) tarkoittaa kyseisten vektoreiden kaikkien lineaarikombinaatioiden

Lisätiedot

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä 3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a 21

Lisätiedot

Matematiikan tukikurssi

Matematiikan tukikurssi Matematiikan tukikurssi Kurssikerta 9 1 Implisiittinen derivointi Tarkastellaan nyt yhtälöä F(x, y) = c, jossa x ja y ovat muuttujia ja c on vakio Esimerkki tällaisesta yhtälöstä on x 2 y 5 + 5xy = 14

Lisätiedot

Tietokoneverkot. T Tietokoneverkot (4 op) viimeistä kertaa CSE-C2400 Tietokoneverkot (5 op) ensimmäistä kertaa

Tietokoneverkot. T Tietokoneverkot (4 op) viimeistä kertaa CSE-C2400 Tietokoneverkot (5 op) ensimmäistä kertaa Tietokoneverkot T-110.4100 Tietokoneverkot (4 op) viimeistä kertaa CSE-C2400 Tietokoneverkot (5 op) ensimmäistä kertaa ja Matti Siekkinen Tietokoneverkot 2014 sanna.suoranta@aalto.fi Kurssista kaksi versiota

Lisätiedot

Kompleksiluvut signaalin taajuusjakauman arvioinnissa

Kompleksiluvut signaalin taajuusjakauman arvioinnissa Kompleksiluvut signaalin taajuusjakauman arvioinnissa Vierailuluento IMA-kurssilla Heikki Huttunen Lehtori, TkT Signaalinkäsittely, TTY heikki.huttunen@tut.fi Department of Signal Processing Fourier-muunnos

Lisätiedot

Puzzle SM 2005 15. 25.7.2005. Pistelasku

Puzzle SM 2005 15. 25.7.2005. Pistelasku Puzzle SM 005 5. 5.7.005 Pistelasku Jokaisesta oikein ratkotusta tehtävästä saa yhden () pisteen, minkä lisäksi saa yhden () bonuspisteen jokaisesta muusta ratkojasta, joka ei ole osannut ratkoa tehtävää.

Lisätiedot

Talousmatematiikan perusteet: Luento 13. Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu

Talousmatematiikan perusteet: Luento 13. Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu Talousmatematiikan perusteet: Luento 13 Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu Viime luennolla Aloimme tarkastella yleisiä, usean muuttujan funktioita

Lisätiedot

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5. 2. MS-A4/A6 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 5.9.25 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x + x 2

Lisätiedot

Luento 6: 3-D koordinaatit

Luento 6: 3-D koordinaatit Maa-57.300 Fotogrammetrian perusteet Luento-ohjelma 1 2 3 4 5 6 7 8 9 10 11 12 13 Luento 6: 3-D koordinaatit AIHEITA (Alkuperäinen luento: Henrik Haggrén, 16.2.2003, Päivityksiä: Katri Koistinen 5.2.2004

Lisätiedot

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Parametrisoidut käyrät ja kaarenpituus

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Parametrisoidut käyrät ja kaarenpituus MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 1: Parametrisoidut käyrät ja kaarenpituus Antti Rasila Aalto-yliopisto Syksy 2015 Antti Rasila (Aalto-yliopisto) MS-A0202 Syksy 2015 1 / 18

Lisätiedot

MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45

MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45 MS-A0003/A0005 Matriisilaskenta Laskuharjoitus / vko 5 Tehtävä 1 (L): Hahmottele kompleksitasoon ne pisteet, jotka toteuttavat a) z 3 =, b) z + 3 i < 3, c) 1/z >. Yleisesti: ehto z = R, z C muodostaa kompleksitasoon

Lisätiedot

Tässä dokumentissa on ensimmäisten harjoitusten malliratkaisut MATLABskripteinä. Voit kokeilla itse niiden ajamista ja toimintaa MATLABissa.

Tässä dokumentissa on ensimmäisten harjoitusten malliratkaisut MATLABskripteinä. Voit kokeilla itse niiden ajamista ja toimintaa MATLABissa. Laskuharjoitus 1A Mallit Tässä dokumentissa on ensimmäisten harjoitusten malliratkaisut MATLABskripteinä. Voit kokeilla itse niiden ajamista ja toimintaa MATLABissa. 1. tehtävä %% 1. % (i) % Vektorit luodaan

Lisätiedot

TEHTÄVIEN PALAUTTAMINEN MOODLEEN

TEHTÄVIEN PALAUTTAMINEN MOODLEEN TEHTÄVIEN PALAUTTAMINEN MOODLEEN Moodlessa opettaja voi valita tehtävälleen jonkun neljästä erilaisesta tehtävämuodosta: Lähetä yksi tiedosto opiskelija palauttaa yhden tiedoston. Tiedostojen lähetys opiskelija

Lisätiedot

VÄRISPEKTRIKUVIEN TEHOKAS SIIRTO TIETOVERKOISSA

VÄRISPEKTRIKUVIEN TEHOKAS SIIRTO TIETOVERKOISSA VÄRISPEKTRIKUVIEN TEHOKAS SIIRTO TIETOVERKOISSA Juha Lehtonen 20.3.2002 Joensuun yliopisto Tietojenkäsittelytiede Kandidaatintutkielma ESIPUHE Olen kirjoittanut tämän kandidaatintutkielman Joensuun yliopistossa

Lisätiedot

2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio

2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio x = x 2 = 5/2 x 3 = 2 eli Ratkaisu on siis x = (x x 2 x 3 ) = ( 5/2 2) (Tarkista sijoittamalla!) 5/2 2 Tämä piste on alkuperäisten tasojen ainoa leikkauspiste Se on myös piste/vektori jonka matriisi A

Lisätiedot

Esitysgrafiikka (20 pistettä)

Esitysgrafiikka (20 pistettä) Esitysgrafiikka (20 pistettä) Yleistä Tehtävänäsi on rakentaa PowerPoint esitys osavuosikatsauksesta mielikuvituksellista automyyntiä tekevälle yritykselle Skills Car Turku. Käytettävät tiedostot Tiedostot

Lisätiedot

Talousmatematiikan perusteet: Luento 10. Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi

Talousmatematiikan perusteet: Luento 10. Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi Talousmatematiikan perusteet: Luento 10 Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi Lineaarikuvaus Esim. Yritys tekee elintarviketeollisuuden käyttämää puolivalmistetta, jossa käytetään

Lisätiedot

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0. Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +

Lisätiedot

T harjoitustyö, kevät 2012

T harjoitustyö, kevät 2012 T-110.4100 harjoitustyö, kevät 2012 Kurssiassistentit T-110.4100@tkk.fi Tietotekniikan laitos Perustieteiden korkeakoulu Aalto-yliopisto 31.1.2012 Yleistä Kurssin osasuoritteita ovat kaksi osatenttiä,

Lisätiedot

Numeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33

Numeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33 Numeeriset menetelmät TIEA381 Luento 6 Kirsi Valjus Jyväskylän yliopisto Luento 6 () Numeeriset menetelmät 4.4.2013 1 / 33 Luennon 6 sisältö Interpolointi ja approksimointi Polynomi-interpolaatio: Vandermonden

Lisätiedot

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä 1 3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a

Lisätiedot

Matriiseista. Emmi Koljonen

Matriiseista. Emmi Koljonen Matriiseista Emmi Koljonen 3. lokakuuta 22 Usein meillä on monta systeemiä kuvaavaa muuttujaa ja voimme kirjoittaa niiden välille riippuvaisuuksia, esim. piirin silmukoihin voidaan soveltaa silmukkavirtayhtälöitä.

Lisätiedot

Säätötekniikan ja signaalinkäsittelyn työkurssi

Säätötekniikan ja signaalinkäsittelyn työkurssi Säätötekniikan ja signaalinkäsittelyn työkurssi Työ D104: Kuvien suodatus 0.9 op. Julius Luukko Lappeenrannan teknillinen yliopisto Sähkötekniikan osasto/säätötekniikan laboratorio Sisältö 1 Johdanto 1

Lisätiedot

GeoGebra-harjoituksia malu-opettajille

GeoGebra-harjoituksia malu-opettajille GeoGebra-harjoituksia malu-opettajille 1. Ohjelman kielen vaihtaminen Mikäli ohjelma ei syystä tai toisesta avaudu toivomallasi kielellä, voit vaihtaa ohjelman käyttöliittymän kielen seuraavasti: 2. Fonttikoon

Lisätiedot

Zeon PDF Driver Trial

Zeon PDF Driver Trial Matlab-harjoitus 2: Kuvaajien piirto, skriptit ja funktiot. Matlabohjelmoinnin perusteita Numeerinen integrointi trapezoidaalimenetelmällä voidaan tehdä komennolla trapz. Esimerkki: Vaimenevan eksponentiaalin

Lisätiedot

Datatähti 2009 -alkukilpailu

Datatähti 2009 -alkukilpailu Datatähti 2009 -alkukilpailu Ohjelmointitehtävä 1/3: Hissimatka HUOM: Tutustuthan huolellisesti tehtävien sääntöihin ja palautusohjeisiin (sivu 7) Joukko ohjelmoijia on talon pohjakerroksessa, ja he haluavat

Lisätiedot

Pauliina Munter / Suvi Junes Tampereen yliopisto/tietohallinto 2013

Pauliina Munter / Suvi Junes Tampereen yliopisto/tietohallinto 2013 Tehtävä 2.2. Tehtävä-työkalun avulla opiskelijat voivat palauttaa tehtäviä Moodleen opettajan arvioitaviksi. Palautettu tehtävä näkyy ainoastaan opettajalle, ei toisille opiskelijoille. Tehtävä-työkalun

Lisätiedot

Mat. tukikurssi 27.3.

Mat. tukikurssi 27.3. Mat. tukikurssi 7.. Tänään oli paljon vaikeita aiheita: - suunnattu derivaatta - kokonaisdierentiaali - dierentiaalikehitelmä - implisiittinen derivointi Nämä kaikki liittvät aika läheisesti toisiinsa.

Lisätiedot

4 / 2013 TI-NSPIRE CAS TEKNOLOGIA LUKIOSSA. T3-kouluttajat: Olli Karkkulainen ja Markku Parkkonen

4 / 2013 TI-NSPIRE CAS TEKNOLOGIA LUKIOSSA. T3-kouluttajat: Olli Karkkulainen ja Markku Parkkonen 4 / 2013 TI-NSPIRE CAS TEKNOLOGIA LUKIOSSA T3-kouluttajat: Olli Karkkulainen ja Markku Parkkonen 1 2 TI-Nspire CX CAS kämmenlaite kevään 2013 pitkän matematiikan kokeessa Tehtävä 1. Käytetään komentoa

Lisätiedot

Jatkuvat satunnaismuuttujat

Jatkuvat satunnaismuuttujat Jatkuvat satunnaismuuttujat Satunnaismuuttuja on jatkuva jos se voi ainakin periaatteessa saada kaikkia mahdollisia reaalilukuarvoja ainakin tietyltä väliltä. Täytyy ymmärtää, että tällä ei ole mitään

Lisätiedot

1. STEREOKUVAPARIN OTTAMINEN ANAGLYFIKUVIA VARTEN. Hyvien stereokuvien ottaminen edellyttää kahden perusasian ymmärtämistä.

1. STEREOKUVAPARIN OTTAMINEN ANAGLYFIKUVIA VARTEN. Hyvien stereokuvien ottaminen edellyttää kahden perusasian ymmärtämistä. 3-D ANAGLYFIKUVIEN TUOTTAMINEN Fotogrammetrian ja kaukokartoituksen laboratorio Teknillinen korkeakoulu Petri Rönnholm Perustyövaiheet: A. Ota stereokuvapari B. Poista vasemmasta kuvasta vihreä ja sininen

Lisätiedot

S-114.3812 Laskennallinen Neurotiede

S-114.3812 Laskennallinen Neurotiede S-114.381 Laskennallinen Neurotiede Projektityö 30.1.007 Heikki Hyyti 60451P Tehtävä 1: Virityskäyrästön laskeminen Luokitellaan neuroni ensin sen mukaan, miten se vastaa sinimuotoisiin syötteisiin. Syöte

Lisätiedot

Ensimmäisen asteen polynomifunktio

Ensimmäisen asteen polynomifunktio Ensimmäisen asteen polnomifunktio Yhtälön f = a+ b, a 0 määrittelemää funktiota sanotaan ensimmäisen asteen polnomifunktioksi. Esimerkki. Ensimmäisen asteen polnomifuktioita ovat esimerkiksi f = 3 7, v()

Lisätiedot

Tässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. eli matriisissa on 200 riviä (havainnot) ja 7 saraketta (mittaus-arvot)

Tässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. eli matriisissa on 200 riviä (havainnot) ja 7 saraketta (mittaus-arvot) R-ohjelman käyttö data-analyysissä Panu Somervuo 2014 Tässä harjoituksessa käydään läpi R-ohjelman käyttöä esimerkkidatan avulla. 0) käynnistetään R-ohjelma Huom.1 allaolevissa ohjeissa '>' merkki on R:n

Lisätiedot

Ohjelmoinnin jatkokurssi, kurssikoe 28.4.2014

Ohjelmoinnin jatkokurssi, kurssikoe 28.4.2014 Ohjelmoinnin jatkokurssi, kurssikoe 28.4.2014 Kirjoita jokaiseen palauttamaasi konseptiin kurssin nimi, kokeen päivämäärä, oma nimi ja opiskelijanumero. Vastaa kaikkiin tehtäviin omille konsepteilleen.

Lisätiedot

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016

Lisätiedot

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos:

Kannan vektorit siis virittävät aliavaruuden, ja lisäksi kanta on vapaa. Lauseesta 7.6 saadaan seuraava hyvin käyttökelpoinen tulos: 8 Kanta Tässä luvussa tarkastellaan aliavaruuden virittäjävektoreita, jotka muodostavat lineaarisesti riippumattoman jonon. Merkintöjen helpottamiseksi oletetaan luvussa koko ajan, että W on vektoreiden

Lisätiedot

Tutustu kameraasi käyttöohjeen avulla, syksy2011 osa 2

Tutustu kameraasi käyttöohjeen avulla, syksy2011 osa 2 Digikamerasta kuvakirjaan Tutustu kameraasi käyttöohjeen avulla, syksy2011 osa 2 Hannu Räisänen 2011 Akun ja kortin poisto Akun ja kortin poisto Sisäinen muisti Kamerassa saattaa olla myös sisäinen muisti

Lisätiedot

MATP153 Approbatur 1B Harjoitus 3, ratkaisut Maanantai

MATP153 Approbatur 1B Harjoitus 3, ratkaisut Maanantai MATP53 Approbatur B Harjoitus 3, ratkaisut Maanantai 6..5. (Teht. 5 ja s. 4.) Olkoot z = + y i ja z = + y i. Osoita, että (a) z + z = z +z, (b) z z = z z, (c) z z = z ja (d) z = z z, kun z. (a) z + z =

Lisätiedot

Johdatus L A TEXiin. 7. Taulukot ja kuvat. Dept. of Mathematical Sciences

Johdatus L A TEXiin. 7. Taulukot ja kuvat. Dept. of Mathematical Sciences Johdatus L A TEXiin 7. Taulukot ja kuvat Dept. of Mathematical Sciences Taulukot I Taulukkomaiset rakenteet tehdään ympäristöllä tabular Ympäristön argumentiksi annetaan sarakemäärittely, joka on kirjaimista

Lisätiedot

HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2015 Harjoitus 1 Ratkaisut palautettava viimeistään maanantaina klo

HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2015 Harjoitus 1 Ratkaisut palautettava viimeistään maanantaina klo HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta II, kesä 2015 Harjoitus 1 Ratkaisut palautettava viimeistään maanantaina 10.8.2015 klo 16.15. Tehtäväsarja I Tutustu lukuun 15, jossa vektoriavaruuden

Lisätiedot

2 Konekieli, aliohjelmat, keskeytykset

2 Konekieli, aliohjelmat, keskeytykset ITK145 Käyttöjärjestelmät, kesä 2005 Tenttitärppejä Tässä on lueteltu suurin piirtein kaikki vuosina 2003-2005 kurssin tenteissä kysytyt kysymykset, ja mukana on myös muutama uusi. Jokaisessa kysymyksessä

Lisätiedot

valitsin on useimmiten html-elementti, jolle tyyli halutaan luoda

valitsin on useimmiten html-elementti, jolle tyyli halutaan luoda Valitsimista valitsin on useimmiten html-elementti, jolle tyyli halutaan luoda Muistin virkistykseksi elementtejä http://appro.mit.jyu.fi/doc/www/xhtml/ HTML-elementtien lisäksi valitsimille voidaan luoda

Lisätiedot

Basic Raster Styling and Analysis

Basic Raster Styling and Analysis Basic Raster Styling and Analysis QGIS Tutorials and Tips Author Ujaval Gandhi http://google.com/+ujavalgandhi Translations by Kari Salovaara This work is licensed under a Creative Commons Attribution

Lisätiedot

9. Harjoitusjakso III

9. Harjoitusjakso III 9. Harjoitusjakso III Seuraavaksi harjoitellaan kuvien ja tekstin lisäämistä piirtoalueelle. Tarjolla on aikaisempien harjoittelujaksojen tapaan kahden tasoisia harjoituksia: perustaso ja edistynyt taso.

Lisätiedot

HITSATUT PROFIILIT EN 1993 -KÄSIKIRJA (v.2010)

HITSATUT PROFIILIT EN 1993 -KÄSIKIRJA (v.2010) EN 1993 -KÄSIKIRJA (v.2010) Täsmennykset ja painovirhekorjaukset 6.6.2012: Sivu 27: Sivun alaosassa, ennen kursivoitua tekstiä: standardin EN 10149-2 mukaiset..., ks. taulukot 1.6 ja 1.7 standardin EN

Lisätiedot

Ohjelmoinnin perusteet Y Python

Ohjelmoinnin perusteet Y Python Ohjelmoinnin perusteet Y Python T-106.1208 16.2.2010 T-106.1208 Ohjelmoinnin perusteet Y 16.2.2010 1 / 41 Kännykkäpalautetteen antajia kaivataan edelleen! Ilmoittaudu mukaan lähettämällä ilmainen tekstiviesti

Lisätiedot

Kenguru 2012 Benjamin sivu 1 / 8 (6. ja 7. luokka) yhteistyössä Pakilan ala-asteen kanssa

Kenguru 2012 Benjamin sivu 1 / 8 (6. ja 7. luokka) yhteistyössä Pakilan ala-asteen kanssa Kenguru 2012 Benjamin sivu 1 / 8 NIMI LUOKKA Pisteet: Kenguruloikan pituus: Irrota tämä vastauslomake tehtävämonisteesta. Merkitse tehtävän numeron alle valitsemasi vastausvaihtoehto. Väärästä vastauksesta

Lisätiedot

Kuvaus. Määritelmä. LM2, Kesä /160

Kuvaus. Määritelmä. LM2, Kesä /160 Kuvaus Määritelmä Oletetaan, että X ja Y ovat joukkoja. Kuvaus eli funktio joukosta X joukkoon Y on sääntö, joka liittää jokaiseen joukon X alkioon täsmälleen yhden alkion, joka kuuluu joukkoon Y. Merkintä

Lisätiedot

. Kun p = 1, jono suppenee raja-arvoon 1. Jos p = 2, jono hajaantuu. Jono suppenee siis lineaarisesti. Vastaavasti jonolle r k+1 = r k, suhde on r k+1

. Kun p = 1, jono suppenee raja-arvoon 1. Jos p = 2, jono hajaantuu. Jono suppenee siis lineaarisesti. Vastaavasti jonolle r k+1 = r k, suhde on r k+1 TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-.39 Optimointioppi Kimmo Berg 8. harjoitus - ratkaisut. a)huomataan ensinnäkin että kummankin jonon raja-arvo r on nolla. Oletetaan lisäksi että

Lisätiedot

Harjoitukset 4 : Paneelidata (Palautus )

Harjoitukset 4 : Paneelidata (Palautus ) 31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 4 : Paneelidata (Palautus 7.3.2017) Tämän harjoituskerran tarkoitus on perehtyä

Lisätiedot

Sen jälkeen Microsoft Office ja sen alta löytyy ohjelmat. Ensin käynnistä-valikosta kaikki ohjelmat

Sen jälkeen Microsoft Office ja sen alta löytyy ohjelmat. Ensin käynnistä-valikosta kaikki ohjelmat Microsoft Office 2010 löytyy tietokoneen käynnistävalikosta aivan kuin kaikki muutkin tietokoneelle asennetut ohjelmat. Microsoft kansion sisältä löytyy toimisto-ohjelmistopakettiin kuuluvat eri ohjelmat,

Lisätiedot

1 WKB-approksimaatio. Yleisiä ohjeita. S Harjoitus

1 WKB-approksimaatio. Yleisiä ohjeita. S Harjoitus S-114.1427 Harjoitus 3 29 Yleisiä ohjeita Ratkaise tehtävät MATLABia käyttäen. Kirjoita ratkaisut.m-tiedostoihin. Tee tuloksistasi lyhyt seloste, jossa esität laskemasi arvot sekä piirtämäsi kuvat (sekä

Lisätiedot

Matematiikka ja teknologia, kevät 2011

Matematiikka ja teknologia, kevät 2011 Matematiikka ja teknologia, kevät 2011 Peter Hästö 13. tammikuuta 2011 Matemaattisten tieteiden laitos Tarkoitus Kurssin tarkoituksena on tutustuttaa ja käydä läpi eräisiin teknologisiin sovelluksiin liittyvää

Lisätiedot

Moottorin kierrosnopeus Tämän harjoituksen jälkeen:

Moottorin kierrosnopeus Tämän harjoituksen jälkeen: Moottorin kierrosnopeus Tämän harjoituksen jälkeen: osaat määrittää moottorin kierrosnopeuden pulssianturin ja Counter-sisääntulon avulla, osaat siirtää manuaalisesti mittaustiedoston LabVIEW:sta MATLABiin,

Lisätiedot

Kun olet valmis tekemään tilauksen, rekisteröidy sovellukseen seuraavasti:

Kun olet valmis tekemään tilauksen, rekisteröidy sovellukseen seuraavasti: HENKILÖKORTTIEN SUUNNITTELUSOVELLUS SOVELLUKSEN KÄYTTÖOHJE Voit kokeilla korttien suunnittelemista valmiiden korttipohjien avulla ilman rekisteröitymistä. Rekisteröityminen vaaditaan vasta, kun olet valmis

Lisätiedot

Tentti erilaiset kysymystyypit

Tentti erilaiset kysymystyypit Tentti erilaiset kysymystyypit Kysymystyyppien kanssa kannatta huomioida, että ne ovat yhteydessä tentin asetuksiin ja erityisesti Kysymysten toimintatapa-kohtaan, jossa määritellään arvioidaanko kysymykset

Lisätiedot

NXT Infrapuna-sensori

NXT Infrapuna-sensori NXT Infrapuna-sensori Joissakin tilanteissa on hyödyllistä, jos robotti tunnistaa ympäristöstä tulevaa infrapunavaloa. Tämä tieto on välttämätön esim. RCJ:n robottijalkapallossa. Tässä esitellään vain

Lisätiedot

KJR-C1001 Statiikka ja dynamiikka. Luento Susanna Hurme

KJR-C1001 Statiikka ja dynamiikka. Luento Susanna Hurme KJR-C1001 Statiikka ja dynamiikka Luento 15.3.2016 Susanna Hurme Päivän aihe: Translaatioliikkeen kinematiikka: asema, nopeus ja kiihtyvyys (Kirjan luvut 12.1-12.5, 16.1 ja 16.2) Osaamistavoitteet Ymmärtää

Lisätiedot

x j x k Tällöin L j (x k ) = 0, kun k j, ja L j (x j ) = 1. Alkuperäiselle interpolaatio-ongelmalle saadaan nyt ratkaisu

x j x k Tällöin L j (x k ) = 0, kun k j, ja L j (x j ) = 1. Alkuperäiselle interpolaatio-ongelmalle saadaan nyt ratkaisu 2 Interpolointi Olkoon annettuna n+1 eri pistettä x 0, x 1, x n R ja n+1 lukua y 0, y 1,, y n Interpoloinnissa etsitään funktiota P, joka annetuissa pisteissä x 0,, x n saa annetut arvot y 0,, y n, (21)

Lisätiedot

2.5. Matriisin avaruudet ja tunnusluvut

2.5. Matriisin avaruudet ja tunnusluvut 2.5. Matriisin avaruudet ja tunnusluvut m n-matriisi A Lineaarikuvaus A : V Z, missä V ja Z ovat sopivasti valittuja, dim V = n, dim Z = m (yleensä V = R n tai C n ja Z = R m tai C m ) Kuva-avaruus ja

Lisätiedot

805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016)

805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016) 805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016) Tavoitteet (teoria): Hallita multinormaalijakauman määritelmä. Ymmärtää likelihood-funktion ja todennäköisyystiheysfunktion ero. Oppia kirjoittamaan

Lisätiedot

Luento 7: Lokaalit valaistusmallit

Luento 7: Lokaalit valaistusmallit Tietokonegrafiikan perusteet T-111.4300 3 op Luento 7: Lokaalit valaistusmallit Lauri Savioja 11/07 Lokaalit valaistusmallit / 1 Sävytys Interpolointi Sisältö Lokaalit valaistusmallit / 2 1 Varjostustekniikat

Lisätiedot

Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun 7 eli vapauden käsitteeseen ja homogeenisiin

Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun 7 eli vapauden käsitteeseen ja homogeenisiin HY / Avoin yliopisto Lineaarialgebra ja matriisilaskenta I, kesä 2014 Harjoitus 4 Ratkaisujen viimeinen palautuspäivä: pe 662014 klo 1930 Tehtäväsarja I Seuraavat tehtävät liittyvät kurssimateriaalin lukuun

Lisätiedot

Maahan on pudonnut omenoita, ja Uolevi aikoo poimia niitä. Tiedät jokaisesta omenasta, kuinka painava se on.

Maahan on pudonnut omenoita, ja Uolevi aikoo poimia niitä. Tiedät jokaisesta omenasta, kuinka painava se on. Datatähti 2015 A: Omenat Aikaraja: 2 s Maahan on pudonnut omenoita, ja Uolevi aikoo poimia niitä. Tiedät jokaisesta omenasta, kuinka painava se on. Uolevi haluaa saada mahdollisimman monta omenaa, mutta

Lisätiedot

Määritelmä Olkoon T i L (V i, W i ), 1 i m. Yksikäsitteisen lineaarikuvauksen h L (V 1 V 2 V m, W 1 W 2 W m )

Määritelmä Olkoon T i L (V i, W i ), 1 i m. Yksikäsitteisen lineaarikuvauksen h L (V 1 V 2 V m, W 1 W 2 W m ) Määritelmä 519 Olkoon T i L V i, W i, 1 i m Yksikäsitteisen lineaarikuvauksen h L V 1 V 2 V m, W 1 W 2 W m h v 1 v 2 v m T 1 v 1 T 2 v 2 T m v m 514 sanotaan olevan kuvausten T 1,, T m indusoima ja sitä

Lisätiedot

Johdatus L A TEXiin. 7. Taulukot ja kuvat. Dept. of Mathematical Sciences

Johdatus L A TEXiin. 7. Taulukot ja kuvat. Dept. of Mathematical Sciences Johdatus L A TEXiin 7. Taulukot ja kuvat Dept. of Mathematical Sciences Taulukot I Taulukkomaiset rakenteet tehdään ympäristöllä tabular Ympäristön argumentiksi annetaan sarakemäärittely, joka on kirjaimista

Lisätiedot

T harjoitustehtävät, syksy 2011

T harjoitustehtävät, syksy 2011 T-110.4100 harjoitustehtävät, syksy 2011 Kurssiassistentit Tietotekniikan laitos Perustieteiden korkeakoulu Aalto-yliopisto T-110.4100@tkk.fi Yleistä Kurssin osasuoritteita ovat kaksi osatenttiä ja harjoitustehtävät

Lisätiedot

Kurssin suorittaminen. Merkkituotteet strategisessa markkinoinnissa KTT Eiren Tuusjärvi

Kurssin suorittaminen. Merkkituotteet strategisessa markkinoinnissa KTT Eiren Tuusjärvi Kurssin suorittaminen Merkkituotteet strategisessa markkinoinnissa KTT Eiren Tuusjärvi Kurssin tavoitteena: Kehittää syvällinen ymmärrys ja analyyttisiä kehikkoja brändien strategisesta roolista liiketoiminnassa

Lisätiedot

f(x, y) = x 2 y 2 f(0, t) = t 2 < 0 < t 2 = f(t, 0) kaikilla t 0.

f(x, y) = x 2 y 2 f(0, t) = t 2 < 0 < t 2 = f(t, 0) kaikilla t 0. Ääriarvon laatu Jatkuvasti derivoituvan funktion f lokaali ääriarvokohta (x 0, y 0 ) on aina kriittinen piste (ts. f x (x, y) = f y (x, y) = 0, kun x = x 0 ja y = y 0 ), mutta kriittinen piste ei ole aina

Lisätiedot

Suvi Junes/Pauliina Munter Tietohallinto/Opetusteknologiapalvelut 2014

Suvi Junes/Pauliina Munter Tietohallinto/Opetusteknologiapalvelut 2014 Työpaja Työpaja on vertaisarviointiin soveltuva työkalu. Työpaja mahdollistaa töiden palautuksen ja niiden jakelun opiskelijoiden arvioitavaksi sekä arvioinnin antamisen. Laita Muokkaustila päälle ja lisää

Lisätiedot

Numeeriset menetelmät

Numeeriset menetelmät Numeeriset menetelmät Luento 3 Ti 13.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 3 Ti 13.9.2011 p. 1/37 p. 1/37 Epälineaariset yhtälöt Newtonin menetelmä: x n+1 = x n f(x n) f (x n ) Sekanttimenetelmä:

Lisätiedot

Johdatus L A TEXiin. 8. Taulukot ja kuvat. Matemaattisten tieteiden laitos

Johdatus L A TEXiin. 8. Taulukot ja kuvat. Matemaattisten tieteiden laitos Johdatus L A TEXiin 8. Taulukot ja kuvat Matemaattisten tieteiden laitos Taulukot I Taulukkomaiset rakenteet tehdään ympäristöllä tabular Ympäristön argumentiksi annetaan sarakemäärittely, joka on kirjaimista

Lisätiedot

Näihin harjoitustehtäviin liittyvä teoria löytyy Adamsista: Ad6, Ad5, 4: 12.8, ; Ad3: 13.8,

Näihin harjoitustehtäviin liittyvä teoria löytyy Adamsista: Ad6, Ad5, 4: 12.8, ; Ad3: 13.8, TKK, Matematiikan laitos Gripenberg/Harhanen Mat-1.432 Matematiikan peruskurssi K2 Harjoitus 4, (A=alku-, L=loppuviikko, T= taulutehtävä, P= palautettava tehtävä, W= verkkotehtävä ) 12 16.2.2007, viikko

Lisätiedot

4. Funktion arvioimisesta eli approksimoimisesta

4. Funktion arvioimisesta eli approksimoimisesta 4. Funktion arvioimisesta eli approksimoimisesta Vaikka nykyaikaiset laskimet osaavatkin melkein kaiken muun välttämättömän paitsi kahvinkeiton, niin joskus, milloin mistäkin syystä, löytää itsensä tilanteessa,

Lisätiedot

Nspire CAS - koulutus Ohjelmiston käytön alkeet Pekka Vienonen

Nspire CAS - koulutus Ohjelmiston käytön alkeet Pekka Vienonen Nspire CAS - koulutus Ohjelmiston käytön alkeet 3.12.2014 Pekka Vienonen Ohjelman käynnistys ja käyttöympäristö Käynnistyksen yhteydessä Tervetuloa-ikkunassa on mahdollisuus valita suoraan uudessa asiakirjassa

Lisätiedot

Öljyn määrä säiliössä

Öljyn määrä säiliössä Öljyn määrä säiliössä Heikki Apiola 19.1.2011 Liittyy matematiikkalehti Solmun artikkeliin: Riittääkö lämmitysöljy http://solmu.math.helsinki.fi/2011/1/apiola.pdf Maan sisällä makaava lieriön muotoinen

Lisätiedot

Antti Rasila. Kevät Matematiikan ja systeemianalyysin laitos Aalto-yliopisto. Antti Rasila (Aalto-yliopisto) MS-A0204 Kevät / 16

Antti Rasila. Kevät Matematiikan ja systeemianalyysin laitos Aalto-yliopisto. Antti Rasila (Aalto-yliopisto) MS-A0204 Kevät / 16 MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio. Antti Rasila Matematiikan ja systeemianalyysin laitos

Lisätiedot

Digikuvan peruskäsittelyn. sittelyn työnkulku. Soukan Kamerat 22.1.2007. Soukan Kamerat/SV

Digikuvan peruskäsittelyn. sittelyn työnkulku. Soukan Kamerat 22.1.2007. Soukan Kamerat/SV Digikuvan peruskäsittelyn sittelyn työnkulku Soukan Kamerat 22.1.2007 Sisält ltö Digikuvan siirtäminen kamerasta tietokoneelle Skannaus Kuvan kääntäminen Värien säätö Sävyjen säätö Kuvan koko ja resoluutio

Lisätiedot

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 1: Parametrisoidut käyrät ja kaarenpituus

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 1: Parametrisoidut käyrät ja kaarenpituus MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 1: Parametrisoidut käyrät ja kaarenpituus Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 2016 1 Perustuu

Lisätiedot

4 Yleinen potenssifunktio ja polynomifunktio

4 Yleinen potenssifunktio ja polynomifunktio 4 Yleinen potenssifunktio ja polynomifunktio ENNAKKOTEHTÄVÄT 1. a) Tutkitaan yhtälöiden ratkaisuja piirtämällä funktioiden f(x) = x, f(x) = x 3, f(x) = x 4 ja f(x) = x 5 kuvaajat. Näin nähdään, monessako

Lisätiedot

Ohjeet Finna- julisteen PowerPoint- pohjan muokkaamiseen

Ohjeet Finna- julisteen PowerPoint- pohjan muokkaamiseen Ohjeet Finna- julisteen PowerPoint- pohjan muokkaamiseen Ennen kuin aloitat: 1. Asenna tietokoneeseesi ilmainen Miso Regular fontti, jonka saat täältä: https://www.fontspring.com/fonts/marten- nettelbladt/miso

Lisätiedot

YKSIKÖT Tarkista, että sinulla on valittuna SI-järjestelmä. Math/Units Ohjelma tulostaa/käyttää laskennassaan valittua järjestelmää.

YKSIKÖT Tarkista, että sinulla on valittuna SI-järjestelmä. Math/Units Ohjelma tulostaa/käyttää laskennassaan valittua järjestelmää. YKSIKÖT Tarkista, että sinulla on valittuna SI-järjestelmä. Math/Units Ohjelma tulostaa/käyttää laskennassaan valittua järjestelmää. HUOM! Käytettäessä yksikköjä on huomioitava dokumentissa käytettävät

Lisätiedot