Numeeriset menetelmät TIEA381. Luento 14. Kirsi Valjus. Jyväskylän yliopisto. Luento 14 () Numeeriset menetelmät / 55
|
|
- Anja Järvenpää
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Numeeriset menetelmät TIEA381 Luento 14 Kirsi Valjus Jyväskylän yliopisto Luento 14 () Numeeriset menetelmät / 55
2 Luennon 14 sisältö Nopeat Fourier-muunnokset (FFT) Yleinen algoritmi 2-kantainen algoritmi 2-kantaisen algoritmin tietokonetoteutus Luento 14 () Numeeriset menetelmät / 55
3 2 Diskreetti Fourier-muunnos Diskreetti Fourier-muunnos (vaativuus) ˆf k = 1 N 1 f j w kj, k = 0, 1,..., N 1. N j=0 N + 1 kertolaskua, N 1 yhteenlaskua (seka w kj :n laskemiset) Pisteitä N kappaletta N 2 + N kertolaskua, N 2 N yhteenlaskua Diskreetin Fourier-muunnoksen laskennallinen vaativuus määritelmästä laskettuna on O(N 2 ) Luento 14 () Numeeriset menetelmät / 55
4 Esimerkki Diskreetti Fourier-muunnos Esimerkki 2.1 Reaaliarvoinen signaali f (t) = sin(2π20t) + sin(2π35t) + sin(2π50t) Näytteenottoväli δt = Näytteiden lukumäärä N = 256 Näytteet f j = f (t j ) ajanhetkillä t j = jδt, j = 0, 1,..., N 1 Mutta: mitattu signaali sisältää aina myös kohinaa Luento 14 () Numeeriset menetelmät / 55
5 Esimerkki jatkuu 2 Diskreetti Fourier-muunnos Esimerkki AIKA (MS) Kuva: Alkuperäinen signaali Luento 14 () Numeeriset menetelmät / 55
6 Esimerkki jatkuu 2 Diskreetti Fourier-muunnos Esimerkki AIKA (MS) Kuva: Häiriöinen signaali Luento 14 () Numeeriset menetelmät / 55
7 2 Diskreetti Fourier-muunnos Esimerkki 2.1 Esimerkki jatkuu Koetetaan päästä kohinasta eroon Fourier-muunnoksen avulla: Pisteistön f j diskreetti Fourier-muunnos ˆf k Signaalin diskreetti tehospektri ˆf k 2 /N Esitetään tehospektri taajuuden ϕ k = k/(nδt) funktiona Suuret piikit alkuperäisen signaalin taajuuksia Pienet piikit kohinan aiheuttamia Luento 14 () Numeeriset menetelmät / 55
8 Esimerkki jatkuu 2 Diskreetti Fourier-muunnos Esimerkki TAAJUUS (HZ) Kuva: Tehospektri Luento 14 () Numeeriset menetelmät / 55
9 2 Diskreetti Fourier-muunnos Esimerkki 2.1 Esimerkki jatkuu Kohinan suodatus: Poistetaan kohinaa vastaavat taajuudet Asetetaan pisteistöstä ˆf k nolliksi ne komponentit, jotka vastaavat yli 100 Hz taajuuksia Suodatetun pisteistön ˆf k diskreetti Fourier-käänteismuunnos f j Verrataan alkuperäiseen signaaliin Luento 14 () Numeeriset menetelmät / 55
10 Esimerkki jatkuu 2 Diskreetti Fourier-muunnos Esimerkki AIKA (MS) Kuva: Suodatettu signaali Luento 14 () Numeeriset menetelmät / 55
11 3 Nopeat Fourier-muunnokset 3.1 Johdanto Nopeat Fourier-muunnokset Diskreetin Fourier-muunnoksen laskeminen määritelmästä O(N 2 ) nopeilla Fourier-muunnoksilla O(N log N) N N 2 N log N Fast Fourier Transforms, FFT Luento 14 () Numeeriset menetelmät / 55
12 Yleinen algoritmi 3 Nopeat Fourier-muunnokset 3.2 Yleinen algoritmi Diskreetti Fourier-muunnos Olkoon N = N 1 N 2 ˆf k = 1 N 1 f j w kj N, w N = e i2π/n N j=0 Määritellään j ja k uudelleen missä j 1, k 1 = 0, 1,..., N 1 1 ja j 2, k 2 = 0, 1,..., N 2 1 j = N 1 j 2 + j 1, k = N 2 k 1 + k 2 Luento 14 () Numeeriset menetelmät / 55
13 3 Nopeat Fourier-muunnokset 3.2 Yleinen algoritmi Yleinen algoritmi ˆf N2 k 1 +k 2 = 1 N 1 1 N j 1 =0 = 1 N 1 1 N j 1 =0 N 2 1 j 2 =0 N 2 1 j 2 =0 f N1 j 2 +j 1 w (N 2k 1 +k 2 )(N 1 j 2 +j 1 ) N f N1 j 2 +j 1 w N 2N 1 k 1 j 2 N }{{} w N 2k 1 j 1 N }{{} w N 1k 2 j 2 N }{{} w k 2j 1 N w N 1N 2 N = 1 w N 2 N = w N 1 w N 1 N = w N 2 Luento 14 () Numeeriset menetelmät / 55
14 Yleinen algoritmi 3 Nopeat Fourier-muunnokset 3.2 Yleinen algoritmi kiertokerroin ( ˆf N2 k 1 +k 2 = 1 N 1 1 {}}{ N w k 2j N f N1 j 2 +j 1 w k 2j 2 N1 N2 j 1 =0 j 2 =0 N 2 ) }{{} N 2 :n pisteen diskr. Fourier-muunnos w k 1j 1 N 1 } {{ } N 1 :n pisteen diskr. Fourier-muunnos Luento 14 () Numeeriset menetelmät / 55
15 Yleinen algoritmi (1) 3 Nopeat Fourier-muunnokset 3.2 Yleinen algoritmi Merkitään g j2 = f N1 j 2 +j 1, j 2 = 0, 1,..., N 2 1 Kullakin j 1 saadaan eri pisteistö g j2 = g j1,j 2 Lasketaan N 2 :n pisteen muunnokset Erikseen kullakin j 1 ĝ k2 = 1 N2 N 2 1 j 2 =0 g j2 w k 2j 2 N 2 N 1 kappaletta N 2 :n pisteen muunnoksia ĝ k2 = ĝ j1,k 2 Luento 14 () Numeeriset menetelmät / 55
16 Yleinen algoritmi (2) 3 Nopeat Fourier-muunnokset 3.2 Yleinen algoritmi Merkitään h j1 = w k 2j 1 N ĝ j1,k 2, j 1 = 0, 1,..., N 1 1 Toisin sanoen kerrotaan pisteistöjen ĝ j1,k 2 alkiot kiertokertoimilla w k 2j 1 N Kullakin k 2 saadaan eri pisteistö h j1 = h k2,j 1 Luento 14 () Numeeriset menetelmät / 55
17 Yleinen algoritmi (3) 3 Nopeat Fourier-muunnokset 3.2 Yleinen algoritmi Lasketaan N 1 :n pisteen muunnokset Erikseen kullakin k 2 ĥ k1 = 1 N1 N 1 1 j 1 =0 h j1 w k 1j 1 N 1 N 2 kpl N 1 :n pisteen muunnoksia ĥk 1 = ĥk 2,k 1 ˆf k = ĥ k2,k 1 Luento 14 () Numeeriset menetelmät / 55
18 3 Nopeat Fourier-muunnokset 3.2 Yleinen algoritmi Yleinen algoritmi (vaativuus) Muunnos suoraan N:n pisteen muunnoksena: N 2 + N = N 1 N 2 (N 1 N 2 + 1) kertolaskua Edellisellä algoritmilla: N 1 kertaa N 2 :n pisteen muunnos kerrotaan N 1 N 2 kertaa kiertokertoimilla N 2 kertaa N 1 :n pisteen muunnos N 1 (N2 2 + N 2 ) + N 1 N 2 + N 2 (N1 2 + N 1 ) = N 1 N 2 (N 1 + N 2 + 3) < N 1 N 2 (N 1 N 2 + 1) kertolaskua Luento 14 () Numeeriset menetelmät / 55
19 3 Nopeat Fourier-muunnokset 3.2 Yleinen algoritmi Yleinen algoritmi Laskut voidaan tehdä myös toisessa järjestyksessä: kerrotaan N 2 N 1 kertaa kiertokertoimilla N 2 kertaa N 1 :n pisteen muunnos N 1 kertaa N 2 :n pisteen muunnos (Ei käsitellä) Luento 14 () Numeeriset menetelmät / 55
20 3 Nopeat Fourier-muunnokset 3.2 Yleinen algoritmi Yleinen algoritmi (rekursio) Olkoot luvut N 1 ja N 2 muotoa N 1 = N 1,1 N 1,2 ja N 2 = N 2,1 N 2,2 Sovelletaan edellistä algoritmia N 1 :n ja N 2 :n pisteen muunnosten laskemiseen FFT rekursiivisesti N = 2 n Cooley Tukey-algoritmit Luento 14 () Numeeriset menetelmät / 55
21 Kaksikantainen algoritmi 3 Nopeat Fourier-muunnokset 3.3 Kaksikantainen algoritmi ˆf N2 k 1 +k 2 = 1 N1 N 1 1 j 1 =0 Olkoon N = 2 n jollain n w k 2j 1 N ( N N2 j 2 =0 Asetetaan N 1 = 2 ja N 2 = N/2 = 2 n 1 = M Siis pisteistö f j jaetaan kahteen osaan: Parilliset f 2j ja parittomat f 2j+1 omiin ryhmiinsä ) f N1 j 2 +j 1 w k 2j 2 N 2 w k 1j 1 N 1 Luento 14 () Numeeriset menetelmät / 55
22 3 Nopeat Fourier-muunnokset 3.3 Kaksikantainen algoritmi Kaksikantainen algoritmi ˆf Mk1 +k 2 = j 1 =0 w k 2j 1 N ( M 1 1 M j 2 =0 f 2j2 +j 1 w k 2j 2 M ) w k 1j 1 2 missä k 1 = 0, 1 ja k 2 = 0, 1,..., M 1. w k 1 2 = { e 0 = 1, k 1 = 0 e iπ = 1, k 1 = 1 Luento 14 () Numeeriset menetelmät / 55
23 Kaksikantainen algoritmi 3 Nopeat Fourier-muunnokset 3.3 Kaksikantainen algoritmi Tapaus k 1 = 0: [( ) ˆf k = 1 M 1 1 f 2j w kj M 2 M j=0 + w k N ( M 1 1 M j=0 f 2j+1 w kj M )] Tapaus k 1 = 1: [( ) ˆf M+k = 1 M 1 1 f 2j w kj M 2 M j=0 w k N ( M 1 1 M j=0 f 2j+1 w kj M molemmissa k = 0, 1,..., M 1 (Merkitty k = k 2 ja j = j 2 ) )] Luento 14 () Numeeriset menetelmät / 55
24 3 Nopeat Fourier-muunnokset 3.3 Kaksikantainen algoritmi Kaksikantainen algoritmi Aikaharvennus (decimation in time): Kaksi N/2:n pisteen muunnosta Kerrotaan N/2 kertaa kiertokertoimilla Suoritetaan N yhteenlaskua Kerrotaan N kertaa vakiolla 1/ 2 pisteiden f j skaalaus Luento 14 () Numeeriset menetelmät / 55
25 3 Nopeat Fourier-muunnokset 3.3 Kaksikantainen algoritmi Kaksikantainen algoritmi Sama molemmille N/2:n pisteen muunnoksille: Neljä N/4:n pisteen muunnosta Kerrotaan 2 N/4 = N/2 kertaa kiertokertoimilla Suoritetaan 2 N/2 = N yhteenlaskua Yleisesti rekursiotasolla m: 2 m kpl 2 n m :n pisteen muunnosta N/2 kertolaskua N yhteenlaskua Luento 14 () Numeeriset menetelmät / 55
26 3 Nopeat Fourier-muunnokset 3.3 Kaksikantainen algoritmi Kaksikantainen algoritmi Viimeisellä tasolla m = n = log 2 N : N kpl yhden pisteen muunnoksia (triviaaleja) N/2 kertolaskua N yhteenlaskua Yhteensä: (N/2) log 2 N kertolaskua N log 2 N yhteenlaskua (Lisäksi skaalaukset: N kertolaskua) O(N log N) Luento 14 () Numeeriset menetelmät / 55
27 3 Nopeat Fourier-muunnokset 3.3 Kaksikantainen algoritmi Kaksikantainen algoritmi Toinen muoto: Asetetaan N 1 = N/2 = 2 n 1 = M ja N 2 = 2 Siis pisteistö f j jaetaan kahteen osaan: Alkuosa f j ja loppuosa f M+j omiin ryhmiinsä... Taajuusharvennus (decimation in frequency):... Suoritetaan N yhteenlaskua Kerrotaan N/2 kertaa kiertokertoimilla Kaksi N/2:n pisteen muunnosta Luento 14 () Numeeriset menetelmät / 55
28 Kaksikantainen algoritmi 3 Nopeat Fourier-muunnokset 3.3 Kaksikantainen algoritmi Triviaalit kertolaskut: Kerrotaan vakiolla +1, 1, +i, i Ensimmäisellä tasolla kiertokertoimet ovat w k 2 = e kiπ = ( 1) k Toisella tasolla kiertokertoimet ovat w k 4 = e kiπ/2 = ( i) k Jne. Yhteensä triviaaleja kertolaskuja 3N/2 2 kpl Luento 14 () Numeeriset menetelmät / 55
29 3 Nopeat Fourier-muunnokset 3.4 Korkeampikantaiset algoritmit Korkeampikantaiset algoritmit Nelikantainen algoritmi: Oletetaan, että N = 4 n/2 parillisella n Asetetaan N 1 = 4 ja N 2 = N/4 = 4 n/2 1 Vastaavasti 8- ja 16-kantaiset algoritmit Vaihtuvakantaiset algoritmit: Esimerkiksi, jos N = 32 = Kaksi askelta nelikantaisella, yksi askel kaksikantaisella Luento 14 () Numeeriset menetelmät / 55
30 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Tietokonetoteutus Rekursiotaso m = 0, 1,..., n (n = log 2 N) Taso m = 0: Alustusaskel, jolla suoritetaan triviaalit yhden pisteen muunnokset ˆf 0 = f 0 Taso m = n: Lopetustaso, jolla muodostetaan lopullinen muunnos ˆf k, k = 0, 1,..., N 1 Kullakin tasolla: N 2 m ja M 2 m 1 w k N w k 2 m = e ki2π/2m = w kn/2m (missä w on alkuperäinen w = w N ) Luento 14 () Numeeriset menetelmät / 55
31 Tietokonetoteutus 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Tasolla m laskettavat osamuunnokset missä Skaalaus j = 0, 1,..., 2 n m 1 osamuunnoksen järjestysnumero ˆf [m] j,k, k = 0, 1,..., 2 m 1 pisteen järjestysnumero muunnoksessa Joko: Aluksi f j skaalataan vakiolla 1/ N Tai: Lopuksi ˆf k skaalataan vakiolla 1/ N Luento 14 () Numeeriset menetelmät / 55
32 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Tietokonetoteutus (algoritmi) 1 (Alustus) Asetetaan ˆf [0] j,0 = f j, missä j = 0, 1,..., N 1. 2 Arvoilla m = 1, 2,..., n lasketaan ˆf [m] j,k = ˆf [m 1] j,k [m 1] + w kn/2mˆf 2 n m +j,k ˆf [m] [m 1] = ˆf j,2 m 1 +k j,k w kn/2mˆf [m 1] 2 n m +j,k missä j = 0, 1,..., 2 n m 1 ja k = 0, 1,..., 2 m (Lopetus) Asetetaan ˆf k = [n] ˆf 0,k, missä k = 0, 1,..., N 1 Luento 14 () Numeeriset menetelmät / 55
33 Tietokonetoteutus 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Tasolla m: Lasketaan N kpl pisteitä ˆf [m] j,k Käytetään vain edellisen tason m 1 pisteitä Riittää yksi työtilavektori: Lasketaan työtilavektoriin ˆf [m] j,k Siirretään ne varsinaiseen tallennusvektoriin vanhojen tilalle ˆf [m 1] j,k Luento 14 () Numeeriset menetelmät / 55
34 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Tietokonetoteutus Tallennus vektoriin kuvauksen l avulla: ˆf [m] j,k tallennetaan indeksillä l(m, j, k) Kuvaukselta l vaaditaan: l(m, j, k) käy läpi {0, 1,..., N 1}, kun j = 0, 1,..., 2 n m 1 ja k = 0, 1,..., 2 m 1 Lisäksi olisi hyvä, jos Alkupisteistö f j oikeassa järjestyksessä l(0, j, 0) = j, kaikilla j = 0, 1,..., N 1 Loppupisteistö ˆf k oikeassa järjestyksessä l(n, 0, k) = k, kaikilla k = 0, 1,..., N 1. Luento 14 () Numeeriset menetelmät / 55
35 Tietokonetoteutus 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Yksinkertaisin kuvaus, joka toteuttaa edellä mainitut ehdot: l(m, j, k) = j2 m + k Mutta: Tällöin tasolla m tarvitaan välttämättä N:n pituinen työtilavektori Kuvaus l voidaan määritellä siten, että tasolla m tarvitaan työtilaa vain kahdelle pisteelle: Lasketaan pisteet ˆf [m] j,k ja ˆf [m] j,2 m 1 +k Sijoitetaan arvot heti vanhojen pisteiden ˆf [m 1] j,k ja ˆf [m 1] 2 n m +j,k tilalle Luento 14 () Numeeriset menetelmät / 55
36 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Tietokonetoteutus Halutaan siis, että l(m, j, k) = l(m 1, j, k), l(m, j, 2 m 1 + k) = l(m 1, 2 n m + j, k) kun j = 0, 1,..., 2 n m 1 ja k = 0, 1,..., 2 m 1 1 Mutta: Tällöin molemmat ehdot l(0, j, 0) = j, kaikilla j = 0, 1,..., N 1 l(n, 0, k) = k, kaikilla k = 0, 1,..., N 1 eivät voi olla voimassa samanaikaisesti Luento 14 () Numeeriset menetelmät / 55
37 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Tietokonetoteutus Valitaan: Alkupisteistö f j oikeassa järjestyksessä l(0, j, 0) = j, kaikilla j = 0, 1,..., N 1 Merkitään: k = m 1 i=0 k i2 i, missä k i {0, 1} (k i :t ovat indeksin k bitit sen binääriesityksessä) Määritellään: b m (k) = m 1 i=0 k m i 12 i (b m kääntää indeksin k bitit päinvastaiseen järjestykseen) Luento 14 () Numeeriset menetelmät / 55
38 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Tietokonetoteutus Tämä oli siis, mitä halutaan: l(m, j, k) = l(m 1, j, k), l(m, j, 2 m 1 + k) = l(m 1, 2 n m + j, k) kun j = 0, 1,..., 2 n m 1 ja k = 0, 1,..., 2 m 1 1 Yllä oleva saadaan nyt muotoon l(m, j, k) = l(m 1, j + k m 1 2 n m, m 2 i=0 k i2 i ) missä j = 0, 1,..., 2 n m 1 ja k = 0, 1,..., 2 m 1 Luento 14 () Numeeriset menetelmät / 55
39 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Tietokonetoteutus Käytetään tätä rekursiivisesti, jolloin saadaan l(m, j, k) = l(m 1, j + k m 1 2 n m, m 2 i=0 k i2 i ) = l(m 2, j + k m 1 2 n m + k m 2 2 n m+1, m 3 i=0 k i2 i ) = = l(0, j + k m 1 2 n m + + k 0 2 n 1, 0) = l(0, j + 2 n m m 1 i=0 k m i 12 i, 0) = l(0, j + 2 n m b m (k), 0) = j + 2 n m b m (k) [koska l(0, j, 0) = j j] Luento 14 () Numeeriset menetelmät / 55
40 Tietokonetoteutus 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Edellä saatiin mistä seuraa l(m, j, k) = j + 2 n m b m (k) l(n, 0, k) = b n (k) kaikilla k = 0, 1,..., N 1 Jos alkupisteistö f j on oikeassa järjestyksessä, loppupisteistö ˆf k saadaan bittikäänteisessä järjestyksessä (bit-reversed order) Luento 14 () Numeeriset menetelmät / 55
41 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Tietokonetoteutus Edellä saatiin mistä saadaan l(m, j, k) = j + 2 n m b m (k) l(m 1, j, k) = j + 2 n m+1 b m 1 (k) l(m 1, 2 n m + j, k) = 2 n m + j + 2 n m+1 b m 1 (k) Lisäksi: algoritmissa k voidaan korvata b m 1 (k):lla (samantekevää, missä järjestyksessä indeksit käydään läpi) Luento 14 () Numeeriset menetelmät / 55
42 Algoritmi (versio 1) 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta do j = 0, N 1 A(j) := f j / N end do do m = 1, n do k = 0, 2 m 1 1 α := w b m 1(k)N/2 m do j = 0, 2 n m 1 u := A(j + 2 n m+1 k) v := αa(2 n m + j + 2 n m+1 k) A(j + 2 n m+1 k) := u + v A(2 n m + j + 2 n m+1 k) := u v end do end do end do do k = 0, N 1 ˆf k := A ( b n (k) ) end do Luento 14 () Numeeriset menetelmät / 55
43 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Tietokonetoteutus (toinen muoto) Valitaan: Loppupisteistö ˆf k oikeassa järjestyksessä l(n, 0, k) = k kaikilla k = 0, 1,..., N 1... Saadaan ja erityisesti l(m 1, j, k) = k + 2 m 1 b n m+1 (j) l(0, j, 0) = b n (j) j = 0, 1,..., N 1 Jos alkupisteistö f j on bittikäänteisessä järjestyksessä, loppupisteistö ˆf k saadaan oikeassa järjestyksessä Luento 14 () Numeeriset menetelmät / 55
44 Algoritmi (versio 2) 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta do j = 0, N 1 A ( b n (j) ) := f j end do do m = 1, n do k = 0, 2 m 1 1 α := w kn/2m do j = 0, 2 n m 1 u := A(k + 2 m j) v := αa(2 m 1 + k + 2 m j) A(k + 2 m j) := u + v A(2 m 1 + k + 2 m j) := u v end do end do end do do k = 0, N 1 ˆf k := A(k)/ N end do Luento 14 () Numeeriset menetelmät / 55
45 3 Nopeat Fourier-muunnokset 3.5 Tietokonetoteutuksesta Algoritmit Versio 1: Kiertokerrointa laskettaessa tehdään bitinkääntö Versio 2: Rekursiosilmukassa ei bitinkääntöä Luento 14 () Numeeriset menetelmät / 55
46 Tenttitärpit Tenttitärpit Tenttikysymysten aiheet tullaan suurella todennäköisyydellä poimimaan seuraavasta listasta. Kysymysten tarkka sanamuoto ei kuitenkaan välttämättä ole juuri listan mukainen ja tehtävissä esiintyvät kertoimet, vakiot, funktiot jne tulevat myös muuttumaan. Kohtuutonta laskentaa tai kaavamonstereiden muistamista tentissä ei vaadita. Tentissä on 5 tehtävää (6 pist/teht), joihin jokaiseen vastataan. Luento 14 () Numeeriset menetelmät / 55
47 Tenttitärpit Tenttitärpit Luku 1 Selitä lyhyesti - hyvin/huonosti asetettu matemaattinen ongelma - matemaattisen ongelman häiriöalttius - numeerinen stabiilisuus Tulee ymmärtää ja osata käyttää seuraavia: Absoluuttinen ja suhteellinen virhe, oikeat desimaalit ja merkitsevät numerot Demo 1.1 (num. epästab. lausekkeita, muuta stab. muotoon) Luento 14 () Numeeriset menetelmät / 55
48 Tenttitärpit Tenttitärpit Luku 2 Muotoile kolme eri numeerista menetelmää yhtälön 2x cos(x) = 0 ratkaisemiseksi. Miten lasketaan annetun luvun kuutiojuuri Newtonin menetelmää käyttäen? Polynomit ja Hornerin menetelmä (perusideat) Luento 14 () Numeeriset menetelmät / 55
49 Tenttitärpit Tenttitärpit Luku 3 Selitä, mitä tarkoittaa matriisin häiriöalttius (ehtoluku). Kerro periaate, miten LU tai Choleskyn hajotelmaa käytetään lineaarisen yhtälöryhmän ratkaisemisessa. LU- ja Choleskyn hajotelman johtaminen yhtälöstä A = LU tai L = L T Miten suorat ja iteratiiviset menetelmät eroavat toisistaan? Demo 2.2, 2.3, 2.5 Luento 14 () Numeeriset menetelmät / 55
50 Tenttitärpit Tenttitärpit Luku 4 Ominaisarvot ja -vektorit (mitä ne on, perusideat) Selitä lyhyesti potenssiinkorotusmenetelmä tehtävälle Ax = λx QR-menetelmän perusidea Demo 4.1 Luento 14 () Numeeriset menetelmät / 55
51 Tenttitärpit Tenttitärpit Luku 5 Lagrangen ja Newtonin interpolaatiopolynomien muodostaminen. Demo 4.3, 4.4. Selitä kuutiosplinin perusominaisuudet. Demo 5.1. Pienimmän neliön ja pienimmän neliösumman approksimointi (perusideat). Luento 14 () Numeeriset menetelmät / 55
52 Tenttitärpit Tenttitärpit Luku 6 Yksinkertaisten integrointikaavojen soveltaminen (esim. puolisuunnikassääntö, Simpsonin sääntö, Gauss-Legendre) Selitä, mitä tarkoitetaan automaattisella tai adaptiivisella integroinnilla. Numeerisen derivoinnin peruskaavojen soveltaminen (etenevä-, takeneva- ja keskeisdifferenssi, Richardsonin ekstrapolaatio) Selitä numeerisen derivoinnin mahdollisia ongelmia Demo 6.1, 6.2, 6.3, 6.6, 7.2 Luento 14 () Numeeriset menetelmät / 55
53 Tenttitärpit Tenttitärpit Luku 7 Selitä lyhyesti - eksplisiittinen vs. implisiittinen menetelmä - yksiaskel vs. moniaskelmenetelmät - ennustus-korjaus-menetelmän perusidea Eulerin menetelmän soveltaminen alkuarvotehtävän ratkaisemiseen Demo 7.3, 7.5 Luento 14 () Numeeriset menetelmät / 55
54 Tenttitärpit Tenttitärpit FFT Diskreetti Fourier-muunnos Lineaarisuus ja normin säilyminen (Lauseiden 2.2 ja 2.3 tod) Nopeat Fourier-muunnokset, yleinen algoritmi (perusidea) Luento 14 () Numeeriset menetelmät / 55
55 Tenttitärpit Onnea tenttiin! Luento 14 () Numeeriset menetelmät / 55
Numeeriset menetelmät
Numeeriset menetelmät Luento 14 To 20.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 14 To 20.10.2011 p. 1/39 p. 1/39 Nopeat Fourier-muunnokset Diskreetti Fourier-muunnos ˆf k = 1 N 1 N
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
LisätiedotNopeat Fourier-muunnokset
opeat Fourier-muunnokset Timo ännikkö 1 Fourier-analyysin alkeita 1.1 Fourier-sarjat Olkoon f koko R:ssä määritelty kuvaus siten, että se on integroituva välillä ] π, π[ ja lisäksi -jaksollinen, ts. fx
LisätiedotNumeeriset menetelmät TIEA381. Luento 13. Kirsi Valjus. Jyväskylän yliopisto. Luento 13 () Numeeriset menetelmät / 42
Numeeriset menetelmät TIEA381 Luento 13 Kirsi Valjus Jyväskylän yliopisto Luento 13 () Numeeriset menetelmät 8.5.2013 1 / 42 Luennon 13 sisältö Tavallisten differentiaaliyhtälöiden numeriikasta Moniaskelmenetelmien
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
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:
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
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
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 12 To 13.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 12 To 13.10.2011 p. 1/38 p. 1/38 Tavalliset differentiaaliyhtälöt Yhtälöissä tuntematon funktio Tavalliset
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
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
Numeeriset menetelmät Luento 5 Ti 20.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 5 Ti 20.9.2011 p. 1/40 p. 1/40 Choleskyn menetelmä Positiivisesti definiiteillä matriiseilla kolmiohajotelma
LisätiedotNumeeriset menetelmät TIEA381. Luento 11. Kirsi Valjus. Jyväskylän yliopisto. Luento 11 () Numeeriset menetelmät / 37
Numeeriset menetelmät TIEA381 Luento 11 Kirsi Valjus Jyväskylän yliopisto Luento 11 () Numeeriset menetelmät 24.4.2013 1 / 37 Luennon 11 sisältö Numeerisesta integroinnista ja derivoinnista Adaptiiviset
LisätiedotNumeeriset menetelmät TIEA381. Luento 3. Kirsi Valjus. Jyväskylän yliopisto. Luento 3 () Numeeriset menetelmät / 45
Numeeriset menetelmät TIEA381 Luento 3 Kirsi Valjus Jyväskylän yliopisto Luento 3 () Numeeriset menetelmät 20.3.2013 1 / 45 Luennon 3 sisältö Luku 2: Epälineaarisen yhtälön ratkaiseminen Polynomin reaaliset
Lisätiedot(0 desimaalia, 2 merkitsevää numeroa).
NUMEERISET MENETELMÄT DEMOVASTAUKSET SYKSY 20.. (a) Absoluuttinen virhe: ε x x ˆx /7 0.4 /7 4/00 /700 0.004286. Suhteellinen virhe: ρ x x ˆx x /700 /7 /00 0.00 0.%. (b) Kahden desimaalin tarkkuus x ˆx
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
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
LisätiedotNumeerinen integrointi ja derivointi
Numeerinen integrointi ja derivointi Keijo Ruotsalainen Division of Mathematics Interpolaatiokaavat Approksimoitava integraali I = b a f(x)dx. Tasavälinen hila: x i = a+ (b a)i n, i = 0,...,n Funktion
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 11 Ti 11.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 11 Ti 11.10.2011 p. 1/34 p. 1/34 Automaattiset integrointialgoritmit Numeerisen integroinnin tarkkuuteen
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 7 Ti 27.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 7 Ti 27.9.2011 p. 1/39 p. 1/39 Interpolointi Ei tunneta funktion f : R R lauseketta, mutta tiedetään funktion
LisätiedotRatkaisuehdotukset LH 7 / vko 47
MS-C34 Lineaarialgebra, II/7 Ratkaisuehdotukset LH 7 / vko 47 Tehtävä : Olkoot M R symmetrinen ja positiividefiniitti matriisi (i) Näytä, että m > ja m > (ii) Etsi Eliminaatiomatriisi E R siten, että [
LisätiedotJohdatus diskreettiin matematiikkaan Harjoitus 5, Ratkaise rekursioyhtälö
Johdatus diskreettiin matematiikkaan Harjoitus 5, 14.10.2015 1. Ratkaise rekursioyhtälö x n+4 2x n+2 + x n 16( 1) n, n N, alkuarvoilla x 1 2, x 2 14, x 3 18 ja x 4 42. Ratkaisu. Vastaavan homogeenisen
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 10 To 6.10.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 10 To 6.10.2011 p. 1/35 p. 1/35 Numeerinen integrointi Puolisuunnikassääntö b a f(x)dx = h 2 (f 0 + f
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
LisätiedotFunktioiden approksimointi ja interpolointi
Funktioiden approksimointi ja interpolointi Keijo Ruotsalainen Division of Mathematics interpolaatio-ongelma 8 Eksponenttifunktion exp(x) interpolointi 3.5 Funktion e^{0.25x} \sin(x) interpolointi 7 3
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 3
Inversio-ongelmien laskennallinen peruskurssi Luento 3 Kevät 2011 1 Singulaariarvohajotelma (Singular Value Decomposition, SVD) Olkoon A R m n matriisi 1. Tällöin A voidaan esittää muodossa A = UΣV T,
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisinormi, häiriöalttius Riikka Kangaslampi Kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Matriisinormi Matriisinormi Matriiseille
LisätiedotMatriisilaskenta Luento 8: LU-hajotelma
Matriisilaskenta Luento 8: LU-hajotelma Antti Rasila 2016 Matriisihajotelmat 1/2 Usein matriisiyhtälön Ax = y ratkaiseminen on epäkäytännöllistä ja hidasta. Siksi numeerisessa matriisilaskennassa usein
LisätiedotMS-C1420 Fourier-analyysi Esimerkkejä, perusteluja, osa I
MS-C140 Fourier-analyysi Esimerkkejä, perusteluja, osa I G. Gripenberg Aalto-yliopisto 3. tammikuuta 014 G. Gripenberg (Aalto-yliopisto MS-C140 Fourier-analyysiEsimerkkejä, perusteluja, osa3. I tammikuuta
LisätiedotMat / Mat Matematiikan peruskurssi C3-I / KP3-I Harjoitus 5 / vko 42, loppuviikko, syksy 2008
Mat-.3 / Mat-.33 Matematiikan peruskurssi C3-I / KP3-I Harjoitus 5 / vko 4, loppuviikko, syksy 8 Ennen malliratkaisuja, muistin virkistämiseksi kaikkien rakastama osittaisintegroinnin kaava: b a u(tv (t
LisätiedotMS-C1420 Fourier-analyysi Esimerkkejä, perusteluja, osa I
MS-C14 Fourier-analyysi Esimerkkejä, perusteluja, osa I G. Gripenberg Aalto-yliopisto 3. tammikuuta 14 G. Gripenberg (Aalto-yliopisto MS-C14 Fourier-analyysiEsimerkkejä, perusteluja, osa3. I tammikuuta
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
LisätiedotMS-C1420 Fourier-analyysi osa I
1 Johdanto MS-C142 Fourier-analyysi osa I G Gripenberg 2 Fourier-integraali Fourier-muunnos ja derivaatta Konvoluutio Fourier-käänteismuunnos eliöintegroituvat funktiot Aalto-yliopisto 29 tammikuuta 214
LisätiedotJuuri 12 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty
Kertaus K. a) Polynomi P() = 3 + 8 on jaollinen polynomilla Q() = 3, jos = 3 on polynomin P nollakohta, eli P(3) = 0. P(3) = 3 3 3 + 8 3 = 54 08 + 54 = 0. Polynomi P on jaollinen polynomilla Q. b) Jaetaan
LisätiedotMS-C1340 Lineaarialgebra ja
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Vektoriavaruudet Riikka Kangaslampi kevät 2017 Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Idea Lineaarisen systeemin ratkaiseminen Olkoon
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
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 8 To 29.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 8 To 29.9.2011 p. 1/36 p. 1/36 Interpolointi kuutiosplinillä Osavälit: I i = [t i 1,t i ], i = 1,2,...,n
LisätiedotMS-C1420 Fourier-analyysi osa I
MS-C142 Fourier-analyysi osa I G. Gripenberg Aalto-yliopisto 29. tammikuuta 214 G. Gripenberg (Aalto-yliopisto) MS-C142 Fourier-analyysiosa I 29. tammikuuta 214 1 / 3 1 Johdanto 2 Fourier-integraali Fourier-muunnos
LisätiedotBM20A1501 Numeeriset menetelmät 1 - AIMO
6. marraskuuta 2014 Opetusjärjestelyt Luennot + Harjoitukset pe 7.11.2014 10-14 2310, 14-17 7337 la 8.11.2014 9-12 2310, 12-16 7337 pe 14.11.2014 10-14 2310, 14-17 6216 la 15.11.2014 9-12 2310, 12-16 7337
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 +
LisätiedotKäänteismatriisin ominaisuuksia
Käänteismatriisin ominaisuuksia Lause 1.4. Jos A ja B ovat säännöllisiä ja luku λ 0, niin 1) (A 1 ) 1 = A 2) (λa) 1 = 1 λ A 1 3) (AB) 1 = B 1 A 1 4) (A T ) 1 = (A 1 ) T. Tod.... Ortogonaaliset matriisit
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A000 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2..205 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x x 2 =
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
LisätiedotAlgoritmit C++ Kauko Kolehmainen
Algoritmit C++ Kauko Kolehmainen Algoritmit - C++ Kirjoittanut Taitto Kansi Kustantaja Kauko Kolehmainen Kauko Kolehmainen Frank Chaumont Oy Edita Ab IT Press PL 760 00043 EDITA Sähköpostiosoite Internet
Lisätiedot1 Lineaariavaruus eli Vektoriavaruus
1 Lineaariavaruus eli Vektoriavaruus 1.1 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä V epätyhjä joukko. Oletetaan, että joukossa V on määritelty laskutoimitus
LisätiedotLuento 5: Suurten lineaaristen yhtälöryhmien ratkaiseminen iteratiivisilla menetelmillä
Luento 5: Suurten lineaaristen yhtälöryhmien ratkaiseminen iteratiivisilla menetelmillä Matriisit voivat olla kooltaan niin suuria, että LU-hajotelman laskeminen ei ole järkevä tapa ratkaista lineaarista
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 +
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
Lisätiedot4. Luennon sisältö. Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä
JYVÄSKYLÄN YLIOPISTO 4. Luennon sisältö Lineaarisen optimointitehtävän ratkaiseminen Simplex-menetelmä kevät 2012 TIEA382 Lineaarinen ja diskreetti optimointi Lineaarinen optimointitehtävä Minimointitehtävä
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
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö
LisätiedotMS-C1350 Osittaisdifferentiaaliyhtälöt Harjoitukset 5, syksy Mallivastaukset
MS-C350 Osittaisdifferentiaaliyhtälöt Haroitukset 5, syksy 207. Oletetaan, että a > 0 a funktio u on yhtälön u a u = 0 ratkaisu. a Osoita, että funktio vx, t = u x, t toteuttaa yhtälön a v = 0. b Osoita,
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
LisätiedotJohdatus tekoälyn taustalla olevaan matematiikkaan
Johdatus tekoälyn taustalla olevaan matematiikkaan Informaatioteknologian tiedekunta Jyväskylän yliopisto 4. luento 24.11.2017 Neuroverkon opettaminen - gradienttimenetelmä Neuroverkkoa opetetaan syöte-tavoite-pareilla
LisätiedotMS-A0003/A0005 Matriisilaskenta Laskuharjoitus 3 /
MS-A3/A5 Matriisilaskenta, II/27 MS-A3/A5 Matriisilaskenta Laskuharjoitus 3 / 3. 7..27 Tehtävä (L): Etsi kaikki yhtälön Ax = b ratkaisut, kun 3 5 4 A = 3 2 4 ja b = 6 8 7 4. Ratkaisu : Koetetaan ratkaista
LisätiedotMS-C1420 Fourier-analyysi osa I
MS-C1420 Fourier-analyysi osa I G. Gripenberg Aalto-yliopisto 29. tammikuuta 2014 G. Gripenberg (Aalto-yliopisto) MS-C1420 Fourier-analyysiosa I 29. tammikuuta 2014 1 / 29 Fourier-muunnoksia Jatkuva-aikaisen
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
LisätiedotAlgoritmit 2. Luento 8 To Timo Männikkö
Algoritmit 2 Luento 8 To 4.4.2019 Timo Männikkö Luento 8 Algoritmien analysointi Algoritmien suunnittelu Rekursio Osittaminen Rekursioyhtälöt Rekursioyhtälön ratkaiseminen Master-lause Algoritmit 2 Kevät
LisätiedotKevät Kirsi Valjus. Jyväskylän yliopisto Tietotekniikan laitos
Numeeriset menetelmät TIEA381 Kevät 2013 Kirsi Valjus Jyväskylän yliopisto Tietotekniikan laitos Luento 1 () Numeeriset menetelmät 13.3.2013 1 / 34 Luennon 1 sisältö Käytännön asioita Numeerisen matematiikan
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
Lisätiedot13. Taylorin polynomi; funktioiden approksimoinnista. Muodosta viidennen asteen Taylorin polynomi kehityskeskuksena origo funktiolle
13. Taylorin polynomi; funktioiden approksimoinnista 13.1. Taylorin polynomi 552. Muodosta funktion f (x) = x 4 + 3x 3 + x 2 + 2x + 8 kaikki Taylorin polynomit T k (x, 2), k = 0,1,2,... (jolloin siis potenssien
LisätiedotLU-hajotelma. Esimerkki 1 Matriisi on yläkolmiomatriisi ja matriisi. on alakolmiomatriisi. 3 / 24
LU-hajotelma 1 / 24 LU-hajotelma Seuravassa tarkastellaan kuinka neliömatriisi voidaan esittää kahden kolmiomatriisin tulona. Käytämme alkeismatriiseja tälläisen esityksen löytämiseen. Edellä mainittua
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
LisätiedotKonjugaattigradienttimenetelmä
Konjugaattigradienttimenetelmä Keijo Ruotsalainen Division of Mathematics Konjugaattigradienttimenetelmä Oletukset Matriisi A on symmetrinen: A T = A Positiivisesti definiitti: x T Ax > 0 kaikille x 0
LisätiedotAlgoritmit 1. Luento 11 Ti Timo Männikkö
Algoritmit 1 Luento 11 Ti 14.2.2017 Timo Männikkö Luento 11 Algoritminen ongelmanratkaisu Osittaminen Lomituslajittelu Lomituslajittelun vaativuus Rekursioyhtälöt Pikalajittelu Algoritmit 1 Kevät 2017
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
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
Lisätiedot805324A (805679S) Aikasarja-analyysi Harjoitus 5 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 5 (2016) Tavoitteet (teoria): Ymmärtää kausivaihtelun käsite ja sen yhteys otoshetkiin. Oppia käsittelemään periodogrammia.. Tavoitteet (R): Periodogrammin,
Lisätiedotk=0 saanto jokaisen kolmannen asteen polynomin. Tukipisteet on talloin valittu
LIS AYKSI A kirjaan Reaalimuuttujan analyysi 1.6. Numeerinen integrointi: Gaussin kaavat Edella kasitellyt numeerisen integroinnin kaavat eli kvadratuurikaavat Riemannin summa, puolisuunnikassaanto ja
LisätiedotLikimääräisratkaisut ja regularisaatio
Luku 3 Likimääräisratkaisut ja regularisaatio Käytännön inversio-ongelmissa annettu data y ei aina ole tarkkaa, vaan sisältää häiriöitä. Tuntemattomasta x on annettu häiriöinen data y F (x + }{{}}{{} ε.
Lisätiedot811312A Tietorakenteet ja algoritmit Kertausta kurssin alkuosasta
811312A Tietorakenteet ja algoritmit 2017-2018 Kertausta kurssin alkuosasta II Perustietorakenteet Pino, jono ja listat tunnettava Osattava soveltaa rakenteita algoritmeissa Osattava päätellä operaatioiden
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt Matriisinormi, häiriöalttius Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 14 R. Kangaslampi matriisiteoriaa Matriisinormi
LisätiedotOpetusperiodi:I, suunnattu hakukohteille:
Kurssin nimi ja koodi Muut kommentit MS-A0001 Matriisilaskenta 5 op (Matrisräkning, Kuvaus: kurssi Teknillinen fysiikka ja matematiikka käsittelee lineaarisia yhtälöryhmiä sekä vektoreita ja matriiseja
Lisätiedot811120P Diskreetit rakenteet
811120P Diskreetit rakenteet 2018-2019 Kertausta toiseen välikokeeseen Yhteenveto Kurssin sisältö 1. Algoritmin käsite 2. Lukujärjestelmät ja niiden muunnokset; lukujen esittäminen tietokoneessa 3. Logiikka
LisätiedotNumeerinen integrointi
Numeerinen integrointi Analyyttisesti derivointi triviaalia, integrointi vaikeaa. Numeerisesti laskettaessa tilanne on päinvastainen. Integrointi on yhteenlaskua, joka on tasoittava operaatio: lähtötietojen
LisätiedotSpektri- ja signaalianalysaattorit
Spektri- ja signaalianalysaattorit Pyyhkäisevät spektrianalysaattorit Suora pyyhkäisevä Superheterodyne Reaaliaika-analysaattorit Suora analoginen analysaattori FFT-spektrianalysaattori DFT FFT Analysaattoreiden
Lisätiedot802320A LINEAARIALGEBRA OSA I
802320A LINEAARIALGEBRA OSA I Tapani Matala-aho MATEMATIIKKA/LUTK/OULUN YLIOPISTO SYKSY 2016 LINEAARIALGEBRA 1 / 72 Määritelmä ja esimerkkejä Olkoon K kunta, jonka nolla-alkio on 0 ja ykkösalkio on 1 sekä
LisätiedotMatriisilaskenta (TFM) MS-A0001 Hakula/Vuojamo Ratkaisut, Viikko 47, 2017
Matriisilaskenta (TFM) MS-A1 Hakula/Vuojamo Ratkaisut, Viikko 47, 17 R Alkuviikko TEHTÄVÄ J1 Mitkä matriisit E 1 ja E 31 nollaavat sijainnit (, 1) ja (3, 1) matriiseissa E 1 A ja E 31 A kun 1 A = 1. 8
LisätiedotOsa IX. Z muunnos. Johdanto Diskreetit funktiot
Osa IX Z muunnos A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 298 / 322 A.Rasila, J.v.Pfaler () Mat-.33 Matematiikan peruskurssi KP3-i 9. lokakuuta 2007 299 / 322 Johdanto
LisätiedotMS-C1340 Lineaarialgebra ja differentiaaliyhtälöt
MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt ja pienimmän neliösumman menetelmä Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2015 1 / 18 R. Kangaslampi QR ja PNS PNS-ongelma
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,
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
LisätiedotFourier-analyysi, I/19-20, Mallivastaukset, Laskuharjoitus 7
MS-C14, Fourier-analyysi, I/19- Fourier-analyysi, I/19-, Mallivastaukset, Laskuharjoitus 7 Harjoitustehtävä 7.1. Hetkellä t R olkoon s(t) 1 + cos(4πt) + sin(6πt). Laske tämän 1-periodisen signaalin s Fourier-kertoimet
LisätiedotJuuri 12 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty
Juuri Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 7.5.08 Kertaus K. a) Polynomi P() = + 8 on jaollinen polynomilla Q() =, jos = on polynomin P nollakohta, eli P() = 0. P() = + 8 = 54 08 +
LisätiedotA ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä.
Esimerkki otteluvoiton todennäköisyys A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä. Yksittäisessä pelissä A voittaa todennäköisyydellä p ja B todennäköisyydellä q =
LisätiedotJohdatus lukuteoriaan Harjoitus 2 syksy 2008 Eemeli Blåsten. Ratkaisuehdotelma
Johdatus lukuteoriaan Harjoitus 2 syksy 2008 Eemeli Blåsten Ratkaisuehdotelma Tehtävä 1 1. Etsi lukujen 4655 ja 12075 suurin yhteinen tekijä ja lausu se kyseisten lukujen lineaarikombinaationa ilman laskimen
LisätiedotJYVÄSKYLÄN YLIOPISTO. 3. Luennon sisältö
JYVÄSKYLÄN YLIOPISTO 3. Luennon sisältö Lineaarisen optimointitehtävän sallittu alue Optimointitehtävien muunnoksia Lineaarisen yhtälöryhmän perusmuoto ja perusratkaisut Lineaarisen optimointitehtävän
LisätiedotOminaisarvoon 4 liittyvät ominaisvektorit ovat yhtälön Ax = 4x eli yhtälöryhmän x 1 + 2x 2 + x 3 = 4x 1 3x 2 + x 3 = 4x 2 5x 2 x 3 = 4x 3.
Matematiikan ja tilastotieteen laitos Lineaarialgebra ja matriisilaskenta II Ylimääräinen harjoitus 6 Ratkaisut A:n karakteristinen funktio p A on λ p A (λ) det(a λi ) 0 λ ( λ) 0 5 λ λ 5 λ ( λ) (( λ) (
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
LisätiedotAvaruuden R n aliavaruus
Avaruuden R n aliavaruus 1 / 41 Aliavaruus Esimerkki 1 Kuva: Suora on suljettu yhteenlaskun ja skalaarilla kertomisen suhteen. 2 / 41 Esimerkki 2 Kuva: Suora ei ole suljettu yhteenlaskun ja skalaarilla
LisätiedotTietorakenteet ja algoritmit syksy Laskuharjoitus 1
Tietorakenteet ja algoritmit syksy 2012 Laskuharjoitus 1 1. Tietojenkäsittelijä voi ajatella logaritmia usein seuraavasti: a-kantainen logaritmi log a n kertoo, kuinka monta kertaa luku n pitää jakaa a:lla,
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
LisätiedotAlgoritmit 1. Luento 12 Ti Timo Männikkö
Algoritmit 1 Luento 12 Ti 19.2.2019 Timo Männikkö Luento 12 Osittamisen tasapainoisuus Pikalajittelun vaativuus Lajittelumenetelmien vaativuus Laskentalajittelu Lokerolajittelu Kantalukulajittelu Algoritmit
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:
LisätiedotOpetusperiodi:I, suunnattu hakukohteille: Teknillinen fysiikka ja matematiikka
Kurssin nimi ja koodi MS-A0001 Matriisilaskenta 5 op (Matrisräkning, Kuvaus: kurssi käsittelee lineaarisia yhtälöryhmiä sekä vektoreita ja matriiseja sovelluksineen. Sisältö: vektorilaskentaa, matriisit
Lisätiedotja λ 2 = 2x 1r 0 x 2 + 2x 1r 0 x 2
Johdatus diskreettiin matematiikkaan Harjoitus 4, 7.10.2015 1. Olkoot c 0, c 1 R siten, että polynomilla r 2 c 1 r c 0 on kaksinkertainen juuri. Määritä rekursioyhtälön x n+2 = c 1 x n+1 + c 0 x n, n N,
Lisätiedotjakokulmassa x 4 x 8 x 3x
Laudatur MAA ratkaisut kertausarjoituksiin. Polynomifunktion nollakodat 6 + 7. Suoritetaan jakolasku jakokulmassa 5 4 + + 4 8 6 6 5 4 + 0 + 0 + 0 + 0+ 6 5 ± 5 5 4 ± 4 4 ± 4 4 ± 4 8 8 ± 8 6 6 + ± 6 Vastaus:
Lisätiedot