Helsinki University of Technology
|
|
- Anne-Mari Melasniemi
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 Helsinki University of Technology Laboratory of Telecommunications Technology S Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications ( ov) Syksy Luento: Adaptiiviset korjaimet I prof. Timo Laakso Vastaanotto torstaisin klo 1-11 Huone G1, puh Sähköposti: timo.laakso@hut.fi Adaptiivinen FIR-korjain (LM 11) Viimeksi tarkasteltiin ideaalisen korjaimen z-siirtofunktiota. Z-siirtofunktion kompleksisuutta ei rajoitettu, ja se oli yleensä paitsi rekursiivista muotoa myös ääretön asteluvultaan. Seuraavassa rajoitutaan äärellisen pituiseen FIR-korjaimeen. Tälle johdetaan ensin matriisinotaation avulla ideaalinen MMSE-ratkaisu. Tämän pohjalta johdetaan gradienttityyppinen iteratiivinen ratkaisumenetelmä matriisiyhtälölle joka yksinkertaistuu aikanaan käyttökelpoiseksi LMS(least mean square)-adaptointialgoritmiksi. LMS-algoritmi on pohjana useimmille käytännön lineaarisille ja takaisinkytketyille (DFE-)korjaimille. 11/4/97 Teletekniikan laboratorio Sivu
2 Adaptiivisen lin. korjaimen rakenne Received signal Receive filter Adaptive FIR equalizer Decisions Error - Σ + e k Training signal generator Adaptiivisen suotimen perusrakenne on Kuvassa /4/97 Teletekniikan laboratorio Sivu 3...Adaptiivisen lin. korjaimen rakenne alkupään vastaanottosuodatin on yleensä alipäästösuodatin, joka poistaa kohinaa adaptiivinen (lineaarinen) korjain toteutetaan yleensä FIRrakenteella adapt. korjaimen kertoimia ohjataan virhesignaalilla Virhesignaali muodostetaan alustusvaiheessa (training mode) lähettämällä tunnettu testisignaali seurantavaiheessa (tracking mode) käyttämällä hyväksi menneitä päätöksiä. Virheelliset päätökset (alle 1%) eivät juuri haittaa 11/4/97 Teletekniikan laboratorio Sivu 4
3 Adaptiivisen DFE-korjaimen rakenne n k D(z) a k P(z) Σ r k C(z) u k Σ q k a k Σ e k Päätöstakaisinkytkennnän sisältävä kantataajuisen DFEkorjaimen diskreettiaikainen malli on perusrakenne on Kuvassa /4/97 Teletekniikan laboratorio Sivu 5...Adaptiivisen DFE-korjaimen rakenne Adaptointi perustuu virhesignaaliin missä on alustusvaiheessa tunnettu symbolisekvenssi ja seurantavaiheessa vastaanottimen päätössekvenssi. Prekursorin N-tappinen siirtofunktio on muotoa (Huom! Kanava on nyt P(z) ja korjain C(z) ) m Cz ( ) = cz ( 113. ) m m= ( N 1) (käytännössä kausalisoitava N viiveellä). Postkursori on M m Dz () = dz ( 114.) m= 1 Tämä toteutetaan M-tappisella FIR-rakenteella. m 11/4/97 Teletekniikan laboratorio Sivu 6
4 FIR-korjaimen MSE-ratkaisu (LM 11.1.) r k+l-... r k+l-1 r k-l r k+l T T T T c -L c -L+1 c -L+ c L Σ Johdetaan N-tappisen FIR korjaimen (11.) MSE. Määritellään ensin kerroinvektori c = [ c c c ] L ( 115. ) missä ovat FIR-suotimen kertoimet, L = (N-1)/ ja N oletetaan parittomaksi. 11/4/97 Teletekniikan laboratorio Sivu 7 L T... FIR-korjaimen MSE-ratkaisu Vastaavat suodatettavat korjaimen input-näytteet hetkellä k kootaan samanmittaiseksi vektoriksi: [ r r r ] r k = k + L k k L Virhesignaali saadaan muotoon e = a q = a cr T ( 117. ) k k k k k T ( 116. ) Yleisesti kaikki suureet ovat kompleksiarvoisia. Oletetaan lisäksi että kaikki signaalit ovat nollakeskiarvoisia ja (laajassa mielessä) stationäärisiä eli niiden stokastiset ominaisuudet eivät muutu ajan funktiona. 11/4/97 Teletekniikan laboratorio Sivu 8
5 ... FIR-korjaimen MSE-ratkaisu Neliövirhe voidaan työstää muotoon (Harjoituksissa!) H H T E e = E a Re c E a r + c E r r c [ ] [ ] [ ] H = E[ ak ] { } + { } [ ] k k k k k k Re c a c H Φc ( 118. ) missä H merkitsee hermitointia eli transponointia ja konjugointia. Lisäksi määritellään ristikorrelaatiovektori a [ r ] = E a k k * ja autokorrelaatiomatriisi Φ Φ Φ Φ Φ Φ = E[ rr H 1 k k ] = ΦN Φ 1 ( N 1) 1 ( 119. ) 11/4/97 Teletekniikan laboratorio Sivu 9 ( 111. ) Autokorrelaatiomatriisi Autokorrelaatiomatriisilla on tärkeitä ominaisuuksia: 1) on Hermiten (hermiittinen) matriisi, eli Φ H = Φ T* = Φ (Jos Φ on reaalinen, se on symmetrinen). ) on Töplitz-matriisi eli diagonaalin suuntaisilla alidiagonaaleilla on sama elementti. Autokorrelaatiofunktion arvo riippuu siis vain korreloitavien viive-erosta: Φ j = E[r k+j r k* ] 3) on positiivi-semidefiniitti eli mille tahansa vektorille x x H Φx on positiivinen ja siten se on tulkittavissa neliölliseksi pituusmitaksi. 11/4/97 Teletekniikan laboratorio Sivu 1
6 Optimaalinen MMSE-ratkaisu Tarkastellaan kaavan (11.8) neliövirhelauseketta kun FIRsuotimen pituus on 1 ja signaalit ovat reaaliarvoisia. Saadaan [ k ] [ k ] E e = E a ac+ Φ c [ k k] Φ [ k] a = E a r, = E r ( ) Tämä voidaan helposti täydentää muotoon [ k ] = [ k ] / Φ + Φ( / Φ / Φ + ) = E[ ak ] a / Φ + Φ( c a/ Φ) E e E a a a ac c josta nähdään että MSE:n minimoiva ratkaisu on c=a/φ. 11/4/97 Teletekniikan laboratorio Sivu 11...Optimaalinen MMSE-ratkaisu Tämä yksinkertainen tulos on voidaan yleistää kompleksiseen vektoritapaukseen: LM Harj Johda kertomalla auki, että [ k ] E[ ak ] E e H 1 1 H 1 = a Φ a+ ( Φ a c) Φ( Φ a c) ( ) on yhtäpitävä (11.8:n kanssa). Koska on positiivi-semidefiniitti, kaavan (11.15) viimeinen termi on aina ei-negatiivinen eli pienimmillään nolla. Optimiratkaisu saadaan siis valitsemalla 1 1 x = Φ a c = copt = Φ a ( ) Ratkaisu (jos se on olemassa) on aina yksikäsitteinen. 11/4/97 Teletekniikan laboratorio Sivu 1
7 ...Optimaalinen MMSE-ratkaisu Edelläsaatu ratkaisu (11.16) minimoi lausekkeen (11.15) MSE:n, sillä muut termit eivät riipu kerroinvektorista c. Minimi-MSE:ksi saadaan [ H ] Φ E[ a ] 1 H ξ min = E a a a = a c ( ) k k opt MSE:n yleinen kaava saadaan siis muotoon [ ] 1 H 1 E e k = ξ min + ( Φ a c) Φ( Φ a c) ( ) MSE riippuu suoraan siitä, kuinka lähellä c on optimia. MSE:n kuvaaja on (hyper)paraboloidi N-ulotteisessa avaruudessa. Optimiratkaisu (11.16) voidaan johtaa myös derivoimalla MSE:n lauseke vektorin c suhteen ja asettamalla derivaatta nollaksi (ks. kirjan Harj. 11-5). Tulos on tietysti sama. 11/4/97 Teletekniikan laboratorio Sivu 13 MSE-gradienttialgoritmi (LM ) Kaavan (11.16) optimikerroinvektori löydetään matriisinkäännöllä eli ratkaisemalla lineaarinen yhtälöryhmä joka riippuu autokorrelaatiomatriisin Φ termeistä (autokorrelaatiofunktion Φ j arvoista) ja ristikorrelaatiovektorista a. Jos kerroinvektoria joudutaan päivittämään usein (niinkuin oletetaan), se on työläs tapa, ja lisäksi siinä voi tulla numeerisia (laskentatarkkuus-)ongelmia. Lisäksi autokorrelaatio- ja ristikorrelaatiotermit täytyy tuntea (tai estimoida). 11/4/97 Teletekniikan laboratorio Sivu 14
8 ...MSE-gradienttialgoritmi Suoran ratkaisun sijasta etsimme iteratiivista algoritmia, joka vähitellen lähestyy optimiratkaisua. Ratkaisu perustuu siihen perustulokseen että optimikerroinvektori on yksikäsitteinen ja virhepinta (MSE:n kuvaaja kerroinvektoriavaruudessa) on unimodaalinen, eli sillä on vain yksi globaali minimi (ei lokaaleja ääriarvoja!). Tällöin voidaan MSE-käyrää pitkin edetä aina negatiivisen gradientin suuntaan eli alamäkeen optimiratkaisua kohti. 11/4/97 Teletekniikan laboratorio Sivu 15...MSE-gradienttialgoritmi c 1 To large step size c opt c Negative of gradient for small step size c Kuva 11-3 havainnollistaa gradienttialgoritmin periaatteellista toimintaa (kaksiulotteinen tapaus). 11/4/97 Teletekniikan laboratorio Sivu 16
9 ...MSE-gradienttialgoritmi MSE-gradienttialgoritmi (MSEG) voidaan esittää muodossa [ ] c = j c β E e + 1 j c j k ( 117. ) missä c j+1 ja c j ovat uusi ja vanha kerroinvektori, β on askelparametri (1/ on mukana jotta seuraavat kaavat sievenevät) ja nablalauske on MSE-virhepinnan gradientti. Derivoimalla MSE:n lauseke saadaan (ks. kirjan Harj. 11-5) [ ] E e = c c a j k Φ ( 115. ) jolloin algoritmi (11.7) saadaan muotoon c = c + a + c = I c + 1 β( Φ ) ( βφ) βa ( 118. ) j j j j 11/4/97 Teletekniikan laboratorio Sivu 17...MSE-gradienttialgoritmi Esimerkki 11-: tutkitaan taas reaalista skalaaritapausta (Esim. 11-1), jolloin MSEG-algoritmi saadaan muotoon c + = ( 1 βφ ) c + βa ( 119. ) j 1 j Vähennetäänpä kummaltakin puolelta optimiratkaisu c opt ja käytetään kaavaa a=φ c opt : c c = c j opt j c ( 1 βφ) opt βφcopt = ( 1 βφ )( c c ) ( 113. a) Kun oletetaan kertoimen alkuarvoksi, voidaan (j+1):s ratkaisu lausua myös muodossa c c = j j+ opt c 1 ( 1 βφ) ( copt ) ( 113. b) 11/4/97 Teletekniikan laboratorio Sivu 18 j opt
10 ...MSE-gradienttialgoritmi Tästä kaavasta nähdään, että Ratkaisu suppenee aina kohti optimia (alkuarvosta riippumatta) jos 1 βφ < 1 Tästä seuraa askelparametrille vaatimus 1< βφ 1< 1 < βφ < < β < Nopeimmin algoritmi suppenee jos β=1/φ : tällöin tarvitaan vain yksi iteraatio! Φ 11/4/97 Teletekniikan laboratorio Sivu 19 MSEG-algoritmin suppeneminen Edellisen esimerkin tulos voidaan yleistää kompleksiarvoiseen vektoritapaukseen. Esitetään kaava (11.8) muodossa c c = I c j opt j c ( βφ) opt βφcopt = ( I βφ)( c j copt) Merkitsemällä q j =c j -c opt ja käyttämällä alkuarvoa q saadaan ratkaisu muotoon q = j j+ I 1 ( βφ) q ( 113. ) Mutta milloin algoritmi suppenee? Nyt sen selvittäminen on hieman työläämpää kuin skalaaritapauksessa ja matriisin ominaisarvoja ja -vektoreita tarvitaan. 11/4/97 Teletekniikan laboratorio Sivu
11 ...MSEG-algoritmin suppeneminen Kaavan (11.3) kerroinmatriisi voidaan esittää modaalihajotelmana ( I βφ) j N = ( 1 j H βλ) v v ( ) i= 1 i missä λ i on matriisin Φ ominaisarvo (aina reaalinen ja ei-neg.!) ja v i vastaava ominaisvektori (v i H v i =1). Termi (1- βλ i ) j on lausekkeen (11.38) i:s suppenemismoodi. Jotta jokainen moodi suppenisi, on vaadittava että suurinta ominaisarvoa vastaava moodi suppenee, mistä seuraa askelparametrin suppenemisehto i i < β < ( ) λ max 11/4/97 Teletekniikan laboratorio Sivu 1...MSEG-algoritmin suppeneminen Voidaan lisäksi osoittaa, että suppeneminen on hidasta kun ns. ominaisarvohaje λ max / λ min (suurimman ja pienimmän ominaisarvon suhde) on suuri. Käytännössä suuri ominaisarvohaje ilmenee siten, että MSEpinnan (hyper)paraboloidin poikkipinta on litistynyt (hyper)ellipsi. Tällöin gradienttisuunta kääntyy voimakkaasti edettäessä kohti maljan pohjaa, jolloin on pakko käyttää pienehköä askelparametria ettei ajeta ohi. Kuva 11-6: c 1 c 1 v 1 v Direction of negative gradient c Direction of negative gradient c 11/4/97 Teletekniikan laboratorio Sivu v 1 v
12 Ominaisarvot ja tehospektri Vieläkin havainnollisempi on spektritulkinta. Voidaan osoittaa, että signaalin tehospektri asettaa rajat ominaisarvohajeelle: jω jω [ Se ] λ [ Se ] min ( ) < < max ( ) ( ) ω ω ja tehospektrihän on autokorrelaatiofunktion Fourier-muunnos: jω jωk Se ( ) = Φke ( ) k= Ominaisarvot riippuvat matriisin dimensioista. Voidaan osoittaa, että ominaisarvojen minimi ja maksimi lähestyvät (11.45):n raja-arvoja kun matriisin kokoa (eli adaptoitavan suotimen pituutta) kasvatetaan. 11/4/97 Teletekniikan laboratorio Sivu 3...Ominaisarvot ja tehospektri Suppenemisen kannalta on siten parasta, että korjaimen inputsignaalin spektri on mahdollisimman tasainen (lähellä valkoista kohinaa). Jos spektrissä on yksikin nollakohta, suppeneminen hidastuu periaatteessa nollaan kun suotimen pituutta kasvatetaan. Käytännön pohjakohinan takia tämä on lähinnä teoreettinen ongelma. Silti pitkien suotimien adaptointi on hidasta varsinkin kun signaalin spektri on vaihteleva. 11/4/97 Teletekniikan laboratorio Sivu 4
13 Yhteenveto 6. luennosta Tällä luennolla käsiteltiin FIR-korjaimen adaptointia. Tutustuttiin mm. seuraaviin käsitteisiin MSE-virheen lauseke matriisimuodossa N-pituiselle FIRsuotimelle MSE-gradienttialgoritmi (MSEG) MSEG-algoritmin suppeneminen Askelparametrin määrittäminen Ominaisarvohaje, tehospektri ja suppeneminen 11/4/97 Teletekniikan laboratorio Sivu 5
Helsinki University of Technology Laboratory of Telecommunications Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38. Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications ( ov) Syksy 998 6. Luento: Adaptiiviset koraimet
LisätiedotHelsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38.11 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications ( ov) Syksy 1997 7. Luento: Adaptiiviset
LisätiedotMS-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
LisätiedotHelsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38.211 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications (2 ov) Syksy 1997 12. Luento: Kertausta,
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 6 To 22.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 6 To 22.9.2011 p. 1/38 p. 1/38 Ominaisarvotehtävät Monet sovellukset johtavat ominaisarvotehtäviin Yksi
LisätiedotNumeeriset menetelmät TIEA381. Luento 5. Kirsi Valjus. Jyväskylän yliopisto. Luento 5 () Numeeriset menetelmät / 28
Numeeriset menetelmät TIEA381 Luento 5 Kirsi Valjus Jyväskylän yliopisto Luento 5 () Numeeriset menetelmät 3.4.2013 1 / 28 Luennon 5 sisältö Luku 4: Ominaisarvotehtävistä Potenssiinkorotusmenetelmä QR-menetelmä
LisätiedotOletetaan ensin, että tangenttitaso on olemassa. Nyt pinnalla S on koordinaattiesitys ψ, jolle pätee että kaikilla x V U
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi II, syksy 018 Harjoitus 4 Ratkaisuehdotukset Tehtävä 1. Olkoon U R avoin joukko ja ϕ = (ϕ 1, ϕ, ϕ 3 ) : U R 3 kaksiulotteisen C 1 -alkeispinnan
LisätiedotHelsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38.11 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications ( ov) Syksy 1997. Luento: Pulssinmuokkaussuodatus
LisätiedotTalousmatematiikan perusteet: Luento 14. Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu
Talousmatematiikan perusteet: Luento 14 Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu Luennolla 6 Tarkastelimme yhden muuttujan funktion f(x) rajoittamatonta optimointia
LisätiedotMS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.
MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016 Antti Rasila
LisätiedotTalousmatematiikan 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
LisätiedotMilloin A diagonalisoituva?
Milloin A diagonalisoituva? ) Oletus: A on diagonalisoituva eli D = TAT, jollakin D = diag(λ, λ 2,..., λ n ). A:n ja D:n ominaisarvot ovat samat λ, λ 2,..., λ n ovat myös A:n ominaisarvot... D e i = D
LisätiedotNumeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35
Numeeriset menetelmät TIEA381 Luento 8 Kirsi Valjus Jyväskylän yliopisto Luento 8 () Numeeriset menetelmät 11.4.2013 1 / 35 Luennon 8 sisältö Interpolointi ja approksimointi Funktion approksimointi Tasainen
Lisätiedot12. Hessen matriisi. Ääriarvoteoriaa
179 12. Hessen matriisi. Ääriarvoteoriaa Tarkastelemme tässä luvussa useamman muuttujan (eli vektorimuuttujan) n reaaliarvoisia unktioita : R R. Edellisessä luvussa todettiin, että riittävän säännöllisellä
LisätiedotNumeeriset 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
LisätiedotIteratiiviset ratkaisumenetelmät
Iteratiiviset ratkaisumenetelmät Keijo Ruotsalainen Division of Mathematics Yleinen iteraatio Lineaarisen yhtälöryhmän iteratiivinen ratkaisumenetelmä voidaan esittää muodossa: Anna alkuarvaus: x 0 R n
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 8 Väliarvolause Oletetaan, että funktio f on jatkuva jollain reaalilukuvälillä [a, b] ja derivoituva avoimella välillä (a, b). Funktion muutos tällä välillä on luonnollisesti
Lisätiedot5.1. Normi ja suppeneminen Vektoriavaruus V on normiavaruus, jos siinä on määritelty normi : V R + = [0, ) jolla on ominaisuudet:
5.. Normi ja suppeneminen Vektoriavaruus V on normiavaruus, jos siinä on määritelty normi : V R + = [, ) jolla on ominaisuudet: x = x = x + y x + y, x, y V a x = a x, x V, a K (= R tai C) Esimerkki 5..
LisätiedotMS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat.
MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 6: Ääriarvojen luokittelu. Lagrangen kertojat. Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 2016 1 Perustuu
LisätiedotLuento 8: Epälineaarinen optimointi
Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori 0 = (0,..., 0). Reaalisten m n-matriisien joukkoa merkitään
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 7 8
Inversio-ongelmien laskennallinen peruskurssi Luento 7 8 Kevät 2011 1 Iteratiivisista menetelmistä Tähän mennessä on tarkasteltu niin sanottuja suoria menetelmiä, joissa (likimääräinen) ratkaisu saadaan
Lisätiedot1 Rajoittamaton optimointi
Taloustieteen matemaattiset menetelmät 7 materiaali 5 Rajoittamaton optimointi Yhden muuttujan tapaus f R! R Muistutetaan mieleen maksimin määritelmä. Funktiolla f on maksimi pisteessä x jos kaikille y
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 10 1 Funktion monotonisuus Derivoituva funktio f on aidosti kasvava, jos sen derivaatta on positiivinen eli jos f (x) > 0. Funktio on aidosti vähenevä jos sen derivaatta
LisätiedotLuento 9: Newtonin iteraation sovellus: optimointiongelma
Luento 9: Newtonin iteraation sovellus: optimointiongelma ilman rajoitusehtoja Optimointiongelmassa tehtävänä on löytää annetun reaaliarvoisen jatkuvan funktion f(x 1,x,,x n ) maksimi tai minimi jossain
LisätiedotLuento 8: Epälineaarinen optimointi
Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori = (,..., ). Reaalisten m n-matriisien joukkoa merkitään
LisätiedotVektorilaskenta, tentti
Vektorilaskenta, tentti 27102017 Tentin kesto n 3 tuntia Vastaa NELJÄÄN tehtävään Jos vastaat kaikkiin, niin neljä PARASTA otetaan huomioon Kuvat vievät tilaa, joten muista kurkistaa paperin toiselle puolelle
Lisätiedot5 Ominaisarvot ja ominaisvektorit
5 Ominaisarvot ja ominaisvektorit Olkoon A = [a jk ] n n matriisi. Tarkastellaan vektoriyhtälöä Ax = λx, (1) missä λ on luku. Sellaista λ:n arvoa, jolla yhtälöllä on ratkaisu x 0, kutsutaan matriisin A
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
Lisätiedot3 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
LisätiedotLuento 9: Yhtälörajoitukset optimoinnissa
Luento 9: Yhtälörajoitukset optimoinnissa Lagrangen kerroin Oletetaan aluksi, että f, g : R R. Merkitään (x 1, x ) := (x, y) ja johdetaan Lagrangen kerroin λ tehtävälle min f(x, y) s.t. g(x, y) = 0 Olkoon
Lisätiedot3 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
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 2
Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät Välikoe
SGN-100 Signaalinkäsittelyn menetelmät Välikoe 6.4.010 Sivuilla 1- on. Älä vastaa siihen, jos et ollut ensimmäisessä välikokeessa. Tentin kysymykset ovat sivuilla 3-4. Vastaa vain jompaan kumpaan kokeeseen,
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
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
LisätiedotMalliratkaisut Demot
Malliratkaisut Demot 1 23.1.2017 1. Päätösmuuttujiksi voidaan valita x 1 : tehtyjen peruspöytin lukumäärä x 2 : tehtyjen luxuspöytien lukumäärä. Optimointitehtäväksi tulee max 200x 1 + 350x 2 s. t. 5x
LisätiedotPienimmän neliösumman menetelmä
Pienimmän neliösumman menetelmä Keijo Ruotsalainen Division of Mathematics Funktion sovitus Datapisteet (x 1,...,x n ) Annettu data y i = f(x i )+η i, missä f(x) on tuntematon funktio ja η i mittaukseen
LisätiedotMatriisilaskenta Luento 16: Matriisin ominaisarvot ja ominaisvektorit
Matriisilaskenta Luento 16: Matriisin ominaisarvot ja ominaisvektorit Antti Rasila 2016 Ominaisarvot ja ominaisvektorit 1/5 Määritelmä Skalaari λ C on matriisin A C n n ominaisarvo ja vektori v C n sitä
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 4 To 15.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 4 To 15.9.2011 p. 1/38 p. 1/38 Lineaarinen yhtälöryhmä Lineaarinen yhtälöryhmä matriisimuodossa Ax = b
LisätiedotHelsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S38.211 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications (2 ov) Syksy 1997 8. Luento: Kaiunpoisto
Lisätiedot2 Osittaisderivaattojen sovelluksia
2 Osittaisderivaattojen sovelluksia 2.1 Ääriarvot Yhden muuttujan funktiolla f(x) on lokaali maksimiarvo (lokaali minimiarvo) pisteessä a, jos f(x) f(a) (f(x) f(a)) kaikilla x:n arvoilla riittävän lähellä
LisätiedotNumeeriset 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:
Lisätiedotf(x 1, x 2 ) = x x 1 k 1 k 2 k 1, k 2 x 2 1, 0 1 f(1, 1)h 1 = h = h 2 1, 1 12 f(1, 1)h 1 h 2
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi I, syksy 7 Harjoitus 6 Ratkaisuehdotukset 6.. Olkoon f : G R, G = {(x, x ) R x > }, f(x, x ) = x x. Etsi differentiaalit d k f(, ), k =,,. Ratkaisu:
LisätiedotOminaisvektoreiden lineaarinen riippumattomuus
Ominaisvektoreiden lineaarinen riippumattomuus Lause 17 Oletetaan, että A on n n -matriisi. Oletetaan, että λ 1,..., λ m ovat matriisin A eri ominaisarvoja, ja oletetaan, että v 1,..., v m ovat jotkin
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 4
Inversio-ongelmien laskennallinen peruskurssi Luento 4 Kevät 20 Regularisointi Eräs keino yrittää ratkaista (likimääräisesti) huonosti asetettuja ongelmia on regularisaatio. Regularisoinnissa ongelmaa
Lisätiedot[ ] [ ] [ ] { } [ ] Helsinki University of Technology Laboratory of Telecommunications Technology
Helsini University of Tehnology Laboratory of Teleommuniations Tehnology S-38. Signaalinäsittely tietoliienteessä I Signal Proessing in Communiations ( ov) Sysy 998 7. Luento: Adaptiiviset orjaimet II
LisätiedotPaikannuksen matematiikka MAT
TA M P E R E U N I V E R S I T Y O F T E C H N O L O G Y M a t h e m a t i c s Paikannuksen matematiikka MAT-45800 4..008. p.1/4 Käytännön järjestelyt Kotisivu: http://math.tut.fi/courses/mat-45800/ Luennot:
LisätiedotLineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus
Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus 1 / 51 Lineaarikombinaatio Johdattelua seuraavaan asiaan (ei tarkkoja määritelmiä): Millaisen kuvan muodostaa joukko {λv λ R, v R 3 }? Millaisen
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät Välikoe
SGN-00 Signaalinkäsittelyn menetelmät Välikoe 9.3.009 Sivuilla - on. Älä vastaa siihen, jos et ollut ensimmäisessä välikokeessa. Tentin kysymykset ovat sivuilla 3-4. Vastaa vain jompaan kumpaan kokeeseen,
LisätiedotLineaarikuvauksen R n R m matriisi
Lineaarikuvauksen R n R m matriisi Lauseessa 21 osoitettiin, että jokaista m n -matriisia A vastaa lineaarikuvaus L A : R n R m, jolla L A ( v) = A v kaikilla v R n. Osoitetaan seuraavaksi käänteinen tulos:
LisätiedotMatriisilaskenta, LH4, 2004, ratkaisut 1. Hae seuraavien R 4 :n aliavaruuksien dimensiot, jotka sisältävät vain
Matriisilaskenta LH4 24 ratkaisut 1 Hae seuraavien R 4 :n aliavaruuksien dimensiot jotka sisältävät vain a) Kaikki muotoa (a b c d) olevat vektorit joilla d a + b b) Kaikki muotoa (a b c d) olevat vektorit
LisätiedotMalliratkaisut Demo 1
Malliratkaisut Demo 1 1. Merkitään x = kuinka monta viikkoa odotetaan ennen kuin perunat nostetaan. Nyt maksimoitavaksi kohdefunktioksi tulee f(x) = (60 5x)(300 + 50x). Funktio f on alaspäin aukeava paraaeli,
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 13 Ti 18.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 13 Ti 18.10.2011 p. 1/43 p. 1/43 Nopeat Fourier-muunnokset Fourier-sarja: Jaksollisen funktion esitys
LisätiedotMS-A0004/A0006 Matriisilaskenta
4. MS-A4/A6 Matriisilaskenta 4. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto..25 Tarkastellaan neliömatriiseja. Kun matriisilla kerrotaan vektoria, vektorin
LisätiedotEpälineaaristen yhtälöiden ratkaisumenetelmät
Epälineaaristen yhtälöiden ratkaisumenetelmät Keijo Ruotsalainen Division of Mathematics Perusoletus Lause 3.1 Olkoon f : [a, b] R jatkuva funktio siten, että f(a)f(b) < 0. Tällöin funktiolla on ainakin
Lisätiedot3.4 Rationaalifunktion kulku ja asymptootit
.4 Rationaalifunktion kulku ja asymptootit Rationaali- eli murtofunktiolla tarkoitetaan funktiota R, jonka lauseke on kahden polynomin osamäärä: P() R(). Q() Ainakin nimittäjässä olevan polynomin asteluvun
LisätiedotNumeeriset menetelmät TIEA381. Luento 7. Kirsi Valjus. Jyväskylän yliopisto. Luento 7 () Numeeriset menetelmät / 43
Numeeriset menetelmät TIEA381 Luento 7 Kirsi Valjus Jyväskylän yliopisto Luento 7 () Numeeriset menetelmät 10.4.2013 1 / 43 Luennon 7 sisältö Interpolointi ja approksimointi Interpolaatiovirheestä Paloittainen
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2015 M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi Luentokalvot
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 2 To 8.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 2 To 8.9.2011 p. 1/33 p. 1/33 Lukujen tallennus Kiintoluvut (integer) tarkka esitys aritmeettiset operaatiot
LisätiedotOptimaalisuusehdot. Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0
Optimaalisuusehdot Yleinen minimointitehtävä (NLP): min f(x) kun g i (x) 0 h j (x) = 0 i = 1,..., m j = 1,..., l missä f : R n R, g i : R n R kaikilla i = 1,..., m, ja h j : R n R kaikilla j = 1,..., l
LisätiedotTalousmatematiikan perusteet: Luento 11. Lineaarikuvaus Matriisin aste Käänteismatriisi
Talousmatematiikan perusteet: Luento 11 Lineaarikuvaus Matriisin aste Käänteismatriisi Viime luennolla Käsittelimme matriisien peruskäsitteitä ja laskutoimituksia Vakiolla kertominen, yhteenlasku ja vähennyslasku
Lisätiedot6.2.3 Spektrikertymäfunktio
ja prosessin (I + θl + + θl q )ε t spektritiheysfunktio on Lemman 6. ja Esimerkin 6.4 nojalla σ π 1 + θ 1e iω + + θ q e iqω. Koska viivepolynomien avulla määritellyt prosessit yhtyvät, niin myös niiden
Lisätiedot5 Differentiaaliyhtälöryhmät
5 Differentiaaliyhtälöryhmät 5.1 Taustaa ja teoriaa Differentiaaliyhtälöryhmiä tarvitaan useissa sovelluksissa. Toinen motivaatio yhtälöryhmien käytölle: Korkeamman asteen differentiaaliyhtälöt y (n) =
LisätiedotDuaalisuus kokonaislukuoptimoinnissa. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki
Duaalisuus kokonaislukuoptimoinnissa Mat-2.4191, Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki Sisältö Duaalisuus binäärisissä optimointitehtävissä Lagrangen duaalisuus Lagrangen
LisätiedotMalliratkaisut Demo 4
Malliratkaisut Demo 4 1. tehtävä a) f(x) = 2x + 21. Funktio on lineaarinen, joten se on unimodaalinen sekä maksimoinnin että imoinnin suhteen. Funktio on konveksi ja konkaavi. b) f(x) = x (pienin kokonaisluku
Lisätiedot5 OMINAISARVOT JA OMINAISVEKTORIT
5 OMINAISARVOT JA OMINAISVEKTORIT Ominaisarvo-ongelma Käsitellään neliömatriiseja: olkoon A n n-matriisi. Luku on matriisin A ominaisarvo (eigenvalue), jos on olemassa vektori x siten, että Ax = x () Yhtälön
LisätiedotMatematiikka 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
LisätiedotVapaus. 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 +
Lisätiedot2. Teoriaharjoitukset
2. Teoriaharjoitukset Demotehtävät 2.1 Todista Gauss-Markovin lause. Ratkaisu. Oletetaan että luentokalvojen standardioletukset (i)-(v) ovat voimassa. Huomaa että Gauss-Markovin lause ei vaadi virhetermien
LisätiedotKKT: log p i v 1 + v 2 x i = 0, i = 1,...,n.
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.139 Optimointioppi Kimmo Berg 7. harjoitus - ratkaisut 1. Oletetaan aluksi, että epäyhtälöt eivät ole aktiivisia p i > 0. Tässä tapauksess KKTehdot
LisätiedotMatriisi-vektori-kertolasku, lineaariset yhtälöryhmät
Matematiikan peruskurssi K3/P3, syksy 25 Kenrick Bingham 825 Toisen välikokeen alueen ydinasioita Alla on lueteltu joitakin koealueen ydinkäsitteitä, joiden on hyvä olla ensiksi selvillä kokeeseen valmistauduttaessa
LisätiedotTalousmatematiikan perusteet: Luento 14. Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta
Talousmatematiikan perusteet: Luento 14 Rajoitettu optimointi Lagrangen menetelmä: yksi yhtälörajoitus Lagrangen menetelmä: monta yhtälörajoitusta Viime luennolla Tarkastelimme usean muuttujan funktioiden
LisätiedotMS-A0003/A Matriisilaskenta Laskuharjoitus 6
MS-A3/A - Matriisilaskenta Laskuharjoitus 6 Ratkaisuehdotelmia. Diagonalisointi on hajotelma A SΛS, jossa diagonaalimatriisi Λ sisältää matriisin A ominaisarvot ja matriisin S sarakkeet ovat näitä ominaisarvoja
LisätiedotMS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I
MS-A0207 Differentiaali- ja integraalilaskenta 2 (Chem) Yhteenveto, osa I G. Gripenberg Aalto-yliopisto 21. tammikuuta 2016 G. Gripenberg (Aalto-yliopisto) MS-A0207 Differentiaali- ja integraalilaskenta
LisätiedotNumeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 12 Kirsi Valjus Jyväskylän yliopisto Luento 12 () Numeeriset menetelmät 25.4.2013 1 / 33 Luennon 2 sisältö Tavallisten differentiaaliyhtälöiden numeriikasta Rungen
LisätiedotTalousmatematiikan 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
LisätiedotYhtälöryhmä 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
Lisätiedot1 Ominaisarvot ja ominaisvektorit
1 Ominaisarvot ja ominaisvektorit Olkoon A = [a jk ] n n matriisi. Tarkastellaan vektoriyhtälöä Ax = λx, (1) 1 missä λ on luku. Sellaista λ:n arvoa, jolla yhtälöllä on ratkaisu x 0, kutsutaan matriisin
LisätiedotOsittaisdifferentiaaliyhtälöt
Osittaisdifferentiaaliyhtälöt Harjoituskokoelmat 4 ja 5, kevät 2011 Palautus Eemeli Blåstenille to 23.6. klo 16.00 mennessä 1. Ratkaise Dirichlet ongelma u(x, y) = 0, x 2 + y 2 < 1, u(x, y) = y + x 2,
LisätiedotMat Lineaarinen ohjelmointi
Mat-2.34 Lineaarinen ohjelmointi..27 Luento 5 Simplexin implementaatioita (kirja 3.2-3.5) Lineaarinen ohjelmointi - Syksy 27 / Luentorunko (/2) Simplexin implementaatiot Naiivi Revised Full tableau Syklisyys
LisätiedotMoniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (007) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
LisätiedotOminaisarvo ja ominaisvektori
Määritelmä Ominaisarvo ja ominaisvektori Oletetaan, että A on n n -neliömatriisi. Reaaliluku λ on matriisin ominaisarvo, jos on olemassa sellainen vektori v R n, että v 0 ja A v = λ v. Vektoria v, joka
Lisätiedot6.1 Autokovarianssifunktion karakterisaatio aikatasossa
6. Spektraalianalyysi Tällä kurssilla on käyty läpi eräitä stationääristen aikasarjojen ominaispiirteitä, kuten aikasarjaa mallintavan stokastisen prosessin X t odotusarvo E[X t ] ja autokovarianssifunktio
LisätiedotNumeeriset menetelmät TIEA381. Luento 4. Kirsi Valjus. Jyväskylän yliopisto. Luento 4 () Numeeriset menetelmät / 44
Numeeriset menetelmät TIEA381 Luento 4 Kirsi Valjus Jyväskylän yliopisto Luento 4 () Numeeriset menetelmät 21.3.2013 1 / 44 Luennon 4 sisältö Lineaarisen yhtälöryhmän ratkaisemisesta: Choleskyn menetelmä
Lisätiedot1 Kertaus. Lineaarinen optimointitehtävä on muotoa:
1 Kertaus Lineaarinen optimointitehtävä on muotoa: min c 1 x 1 + c 2 x 2 + + c n x n kun a 11 x 1 + a 12 x 2 + + a 1n x n b 1 a 21 x 1 + a 22 x 2 + + a 2n x n b 2 (11) a m1 x 1 + a m2 x 2 + + a mn x n
LisätiedotIlkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia
Ilkka Mellin Todennäköisyyslaskenta Osa 3: Todennäköisyysjakaumia Moniulotteisia todennäköisyysjakaumia TKK (c) Ilkka Mellin (006) 1 Moniulotteisia todennäköisyysjakaumia >> Multinomijakauma Kaksiulotteinen
Lisätiedotb 1. b m ) + ( 2b Ax) + (b b)
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-9 Optimointioppi Kimmo Berg 5 harjoitus - ratkaisut min Ax b (vertaa PNS-tehtävät) a x + + a n x n a) Ax b = a m x + + a mn x n = x a a m }{{}
LisätiedotLineaarialgebra ja matriisilaskenta I
Lineaarialgebra ja matriisilaskenta I 6.6.2013 HY / Avoin yliopisto Jokke Häsä, 1/22 Kertausta: Kääntyvien matriisien lause Lause 1 Oletetaan, että A on n n -neliömatriisi. Seuraavat ehdot ovat yhtäpitäviä.
Lisätiedot[xk r k ] T Q[x k r k ] + u T k Ru k. }.
Mat-2.48 Dynaaminen optimointi Mitri Kitti/Ilkka Leppänen Mallivastaukset, kierros 3. Johdetaan lineaarisen aikainvariantin seurantatehtävän yleinen ratkaisu neliöllisellä kustannuksella. Systeemi: x k+
LisätiedotKompleksianalyysi, viikko 5
Kompleksianalyysi, viikko 5 Jukka Kemppainen Mathematics Division Kompleksiset jonot Aloitetaan jonon suppenemisesta. Määr. 1 Kompleksiluvuista z 1,z 2,...,z n,... koostuva jono suppenee kohti raja-arvoa
Lisätiedot2.5. 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
LisätiedotMS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 8: Newtonin iteraatio. Taso- ja avaruusintegraalit
MS-A25/MS-A26 ifferentiaali- ja integraalilaskenta 2 Luento 8: Newtonin iteraatio. Taso- ja avaruusintegraalit Jarmo Malinen Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto Kevät 216 1 Perustuu
Lisätiedot5 Lineaarinen ennustus
5 Lineaarinen ennustus Lineaarinen ennustus (linear prediction, LP) on yksi tärkeimmistä puheenkäsittelyn työkaluista Sitä voidaan eri tilanteessa käyttää eri tavoilla, mutta puheenkäsittelyn kannalta
LisätiedotMatematiikan taito 9, RATKAISUT. , jolloin. . Vast. ]0,2] arvot.
7 Sovelluksia 90 a) Koska sin saa kaikki välillä [,] olevat arvot, niin funktion f ( ) = sin pienin arvo on = ja suurin arvo on ( ) = b) Koska sin saa kaikki välillä [0,] olevat arvot, niin funktion f
LisätiedotKanta ja Kannan-vaihto
ja Kannan-vaihto 1 Olkoon L vektoriavaruus. Äärellinen joukko L:n vektoreita V = { v 1, v 2,..., v n } on kanta, jos (1) Jokainen L:n vektori voidaan lausua v-vektoreiden lineaarikombinaationa. (Ts. Span(V
Lisätiedoty x1 σ t 1 = c y x 1 σ t 1 = y x 2 σ t 2 y x 2 x 1 y = σ(t 2 t 1 ) x 2 x 1 y t 2 t 1
1. Tarkastellaan funktiota missä σ C ja y (y 1,..., y n ) R n. u : R n R C, u(x, t) e i(y x σt), (a) Miksi funktiota u(x, t) voidaan kutsua tasoaalloksi, jonka aaltorintama on kohtisuorassa vektorin y
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisinormi, häiriöalttius Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Matriisinormi Matriisinormi Matriiseille
LisätiedotLineaarinen optimointitehtävä
Lineaarinen optimointitehtävä Minimointitehtävä yhtälörajoittein: min kun n j=1 n j=1 c j x j a ij x j = b i x j 0 j = 1,..., n i = 1,..., m Merkitään: z = alkuperäisen objektifunktion arvo käsiteltävänä
LisätiedotMS-A0003/A0005 Matriisilaskenta Malliratkaisut 4 / vko 47
MS-A3/A5 Matriisilaskenta Malliratkaisut 4 / vko 47 Tehtävä 1 (L): Oletetaan, että AB = AC, kun B ja C ovat m n-matriiseja. a) Näytä, että jos A on kääntyvä, niin B = C. b) Seuraako yhtälöstä AB = AC yhtälö
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt QR-hajotelma ja pienimmän neliösumman menetelmä Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto PNS-ongelma PNS-ongelma
LisätiedotLineaariavaruudet. Span. Sisätulo. Normi. Matriisinormit. Matriisinormit. aiheita. Aiheet. Reaalinen lineaariavaruus. Span. Sisätulo.
Lineaariavaruudet aiheita 1 määritelmä Nelikko (L, R, +, ) on reaalinen (eli reaalinen vektoriavaruus), jos yhteenlasku L L L, ( u, v) a + b ja reaaliluvulla kertominen R L L, (λ, u) λ u toteuttavat seuraavat
Lisätiedot