9. Kuvansegmentointi 9.1. Perusteita Pisteen, suoran ja reunan tunnistus
|
|
- Reijo Heikkilä
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 9. Kuvansegmentointi 9.1. Perusteita Segmentoinnissa kuva jaetaan alueiden tai kohteiden muodostamiin rakenneosiin. Jaon yksityiskohtaisuus riippuu sovelluksesta. Eitriviaalien kuvien segmentointi on yksi vaikeimmista kuvanprosessoinnin tehtävistä. Sen tarkkuus määrittää paljolti tietokoneistetun analyysin onnistumisen tai epäonnistumisen. Täten suurta huolellisuutta vaaditaan tämän vaiheen toteutuksessa. Segmentoitava kuva R jaetaan osa alueisiin R 1, R,, R n. (a) n U i= 1 i R = R i (b) R on yhdistetty joukko, i = 1,,..., n (c) Ri R j = Ø (d) Q( R ) = TOSI, kun i = 1,,..., n i (e) Q( R R ) = EPÄTOSI kaikille vierekkäisille alueille R ja R i j i j Kuvansegmentointi 439 Q(R i ) on looginen predikaatti määriteltynä joukon R i pisteille ja Ø on tyhjä joukko. Alueet R i ja R j ovat vierekkäisiä niiden unionin muodostaessa yhdistetyn joukon (luku.5.). Esim. ehto (b) esittää, että pisteiden on oltava 4 tai 8 yhdistettyjä ( vierekkäisiä). Segmentoinnin perusongelma on jakaa kuva alueisiin, jotka toteuttavat em. ehdot. Monokromaattisten kuvien segmentointi perustuu jompaankumpaan kahdesta intensiteettiarvoja koskevasta ominaisuudesta: epäjatkuvuus tai samanlaisuus. Rajan tunnistamiseksi alueiden rajojen tulee erota toisistaan ja taustasta, jotta ne voidaan tunnistaa intensiteettien epäjatkuvuudesta. Reunaperusteinen segmentointi on tällöin pääasiallinen lähestymistapa. Alueperusteinen segmentointi on toinen lähestymistapa, jossa jako perustuu alueiden samanlaisuuteen (kuva 9.1.). Kuvansegmentointi Pisteen, suoran ja reunan tunnistus Kuva 9.1.(a) Vakiointensiteetin alueen sisältävä kuva, (b) sisemmän alueen raja, joka on tunnistettu epäjatkuvuudesta, (c) kahteen alueeseen segmentoitu kuva, (d) tekstuurialueen sisältävä kuva, (e) reunan laskenta, jossa monta reunaa on yhdistetty rajaksi (vaikeaa löytää yksikäsitteinen tarkka raja) ja (f) alueen ominaisuuksiin perustuva segmentointitulos. Kuvansegmentointi 441 Keskitytään seuraavaksi segmentointimenetelmiin, jotka perustuvat terävien (suurehko ero lähipikselien välillä), lokaalisten intensiteettimuutosten tunnistamiseen. Tarvittavat kuvan piirteet ovat eristetyt pisteet, suorat ja reunat. Reunapikselit ovat sellaisia, joissa intensiteetti muuttuu äkillisesti. Reunat tai reunasegmentit ovat reunapikselien yhdistettyjä joukkoja. Reunantunnistimet ovat lokaalisia kuvanprosessointimenetelmiä, jotka on kehitetty tunnistamaan reunapikselit. Suoran pikselien jommallakummalla puolella intensiteetit ovat olennaisesti joko suurempia tai pienempiä kuin suoran pikseleillä. Jos siinä on vain yksi pikseli, kyseessä on eristetty piste. Kuvansegmentointi 44
2 Luvussa 3.6. tarkasteltiin differentioinnin (derivoinnin) käyttöä suotimissa. Samankaltaisia menetelmiä käytetään tässäkin yhteydessä. Yksinkertaisuuden vuoksi lähdetään jälleen yksiulotteisesta esityksestä liikkeelle nojautuen luvun 3.6. (s. 191) differensseihin. Käytetään näitä kuvan 9.. tapauksessa katsottaessa kuvaa vaakasuorana intensiteettiprofiilina. Tämä havainnollistaa, kuinka intensiteetti muuttuu rampin, erillisen pisteen ja askeleen kohdalla. Nämä esittävät yksittäisinä pisteinä leikkauksia kuvasta, ts. kuvassa ne esittävät erilaisten reunojen osia, paitsi yksittäinen piste (redusoitunut reuna sekin). Kuva 9..(c) esittää ensimmäisen ja toisen kertaluvun differenssit, joita käytetään reunojen tunnistamisessa. Edellinen niistä tuottaa yleensä vahvempia reunoja kuvasta ja jälkimäinen antaa paremman vasteen hienoille yksityiskohdille, kuten ohuet suorat, erilliset pisteet ja kohina. Jälkimmäinen antaa rampille ja askeleelle kaksoisreunavasteen ja sen etumerkki ilmaisee, onko muutos tummasta kirkkaaseen (positiivinen) vai päinvastoin (negatiivinen). Kuva 9..(a) Kuva, (b) kuvan keskeltä kulkeva vaakasuora intensiteettiprofiili, jossa intensiteetti vastaa vasemmalta kirkasta hitaasti tummenevaa aluetta, yksittäistä kirkasta kohinapistettä, suoraa ja vaaleaa aluetta oikealla, sekä (c) diskretisoitu intensiteettiprofiili differensseineen. Kuvansegmentointi 443 Kuvansegmentointi 444 Käytetään luvun 3.6. kaavoja laskennassa, aluksi Laplacen muotoa. Osittaisderivaatat ovat puolestaan f x f y f f = x f + y = f ( x + 1, + = f ( y + 1) + f ( x 1, f ( ja f ( y 1) f (, joilla saadaan diskreetille kuvalle laskettava Laplace. f ( = f ( x + 1, + f ( x 1, + f ( y + 1) + f ( y 1) 4 f ( (1) Kuvansegmentointi 445 Laajentamalla kaavaa (1) kahdeksaan lähipisteeseen tunnistetaan erillisiä pisteitä, jolloin kuva 9.3.(a) esittää (b):lle käytettävän maskin. Piste tunnistetaan kohdassa (, kun siihen keskitetty maski ja tämän antama vastearvo ylittää määritellyn kynnysarvon. Tällaiset pisteet merkitään 1:sillä tuloskuvassa g, kun kynnysarvo T on ei negatiivinen ja R määrittää maskin eli painotuskertoimet. 1 jos R( T g( = 0 muuten Kuva 9.3. esittää esimerkin, jossa kynnys oli 90 % kuvan maksimiintensiteetistä. Intuitiivinen ajatus on, että erillisen pisteen intensiteetti eroaa ympäristöstään. Kynnysarvo määrittää eron suuruuden. Tavalliseen tapaan differentioivan maskin kertoimien summa on yhtä kuin 0, jolloin vakiointensiteetin alueilla suotimen vaste on 0. () Kuvansegmentointi 446
3 a b c d Kuva 9.3.(a) Pisteen tunnistaminen Laplace maskilla, (b) turbiinin siiven röntgenkuva, jossa on pieni vika (täplä oikealla ylhäällä), (c) maskin ajamisen tulos kuvalle ja (d) kynnystäminen kaavalla (). (Yksittäinen tulospiste on suurennettu ja osoitettu nuolella.) Seuraavaksi tunnistetaan suoria. Kuvan 9.3.(a) Laplace maskilla voidaan tunnistaa myös suoria muistettaessa, että toisen kertaluvun differenssi tuottaa vahvempia vasteita ja ohuempia suoria kuin ensimmäisen. Tällöin maski ajetaan kahdesti ja muistetaan kuvan 9.. intensiteettiprofiili. Kuva 9.4.(a) esittää elektronisen piirin binäärikuvaa kokoa Tälle on ajettu Laplace kuvassa 9.4.(b). Kun tuloskuva sisältää negatiivia arvoja, se pitää skaalata näyttöä varten, jolloin keskiharmaa vastaa 0:aa, tätä tummemmat negatiivisia ja vaaleammat positiivisia arvoja. Toisen kertaluvun differentioinnin kaksoissuorailmiö nähdään suurennetussa osakuvassa (vrt. kuva 9..(c)). Ottamalla negatiivisista arvoista itseisarvot saadaan kuva 9.4.(c). Tosin tämä vahventaa suorat kaksinkertaisiksi. Täten käytetään yleensä vain Laplace kuvan positiivisia arvoja, kuten kuvassa 9.4.(d). Kohinaisessa kuvassa pitää yleensä kynnystää positiivisella kynnyksellä. Kuvansegmentointi 447 Kuvansegmentointi 448 a b c d Kuvan 9.3.(a) Laplace maski on isotrooppinen, ts. sen vaste ei riipu suunnasta (3 3 maskin neljän suunnan suhteen). Suunnalla on merkitystä, kun halutaan tunnistaa määrätynsuuntainen suora kuvasta. Tällöin maski muokataan esim. joksikin kuvan 9.5. vaihtoehdoista. Esim. vasemmanpuolinen maski on herkin vaakasuorille ilmiöille, koska se sisältää positiiviset kertoimet keskellä, vaakasuoralla halkaisijalla. Tällöin se antaa suuremman vasteen vaakasuorille ilmiöille kuin muille. Kuva 9.4.(a) Kuva, (b) tämän Laplace kuva (suurennettu osa näyttää positiivisen negatiivisen kaksoissuoran), (c) edellisen itseisarvokuva ja (d) Laplace kuvan vain positiiviset arvot mukana. Kuva 9.6.(a) on ajettu kuvan 9.5. toisella maskilla (+45 ) saaden tuloksena kuvan 9.6.(b). Tätä on selvyyden vuoksi osiltaan suurennettu kuvissa 9.6.(c) ja (d) sekä kynnystetty (e) ja tätä surennettu (f). Kuvansegmentointi 449 Kuvansegmentointi 450
4 a b Kuva 9.5. Suorantunnistamismaskit. Kuva 9.6.(a) Kuva, (b) ajettuna maskilla +45, (c) tämän vasen yläosa zoomattuna, (d) oikea alaosa zoomattuna, (e) kuvan (b) negatiiviset arvot asetettuina 0:iksi ja (f) tämän kaikki kynnyksen ylittävät arvot säilytetty valkoisina (suurennettuina). c e d f Kuvansegmentointi 451 Kuvansegmentointi 45 Reunamalleilla esitetään erilaisia tarvittavia vaihtoehtoja, kuten askel, ramppi ja taitekatto kuvassa 9.7. Näitä on sovellettu lääketieteellisessä kuvassa 9.8. Kuvassa 9.9. on puolestaan esitetty intensiteettiprofiili sekä tämän differenssit. Toistaiseksi on toimittu melko ideaalisella tasolla, koska kuvissa ei ole ollut kohinaa mukana. Täten esitetään vielä realistinen kuva Vedetään vielä yhteen tarvittavat operaatiot: 1. Kuvan tasoittaminen kohinan vaimentamiseksi on usein tarpeen (kuvan toinen ja kolmas sarake).. Reunapisteiden tunnistaminen, jossa lokaalisti irrotetaan reunat. 3. Reunan paikallistaminen, jossa edellisen vaiheen ehdokkaista valitaan esim. kynnystämisellä kelvolliset. Kuva 9.7. Ideaaliset mallit: askel, ramppi ja taitekatto. Kuvansegmentointi 453 Kuvansegmentointi 454
5 (a) (b) Kuva kuva, jossa ovat zoomattuina vasemmalla todellinen ramppi (9 pikseliä), oikealla ylhäällä askel ( pikseliä) ja alhaalla taitekatto (3 pikseliä). Profiilit ovat tummasta vaaleaan. Kuva 9.9.(a) Kahden vakiointensiteetin aluetta, joiden välillä on ideaalinen ramppireuna, ja (b) reunan intensiteettiprofiili sekä tämän ensimmäinen ja toinen derivaatta. Kuvansegmentointi 455 Kuvansegmentointi 456 Kuva sarake: kuvat ja ramppi intensiteettiprofiilit, joita on korruptoitu Gaussin kohinalla (keskiarvo 0 sekä keskihajonnat 0.0, 0.1, 1.0 ja 10.0).. sarake: ensimmäisen kertaluvun differenssi. 3. sarake: toisen kertaluvun differenssi. Kohina korostuu huomattavasti differensseissä, jolloin esim. rampin alku ja loppu voivat olla vaikeita tunnistaa. Gradienttioperaattoreita (luku 3.6.) käytetään reunantunnistamisessa. Näissä lasketaan x ja y akselin suuntaiset osittaisderivaatat (differenssit). Kuva havainnollistaa, kun harmaat pikselit (neliöt) vastaavat arvoja 0 ja valkoiset arvoja 1 ja tarkastellaan 3 3 naapurustoa. Merkityssä neliössä alueen reunan suunta ja vahvuus kiinnostaa. Gradienttioperaattoreita on erilaisia. Kuvassa 9.1. nähdään Prewitt ja Sobel operaattorin maski. Maskeilla saadaan gradienttikomponentit g x ja g y jokaisessa kuvan pikselissä. Näistä saadaan vektorin itseisarvo eli pituus M ( = f = g x + g y, joka tavallisesti yksinkertaistetaan laskennan nopeuttamiseksi muotoon. M ( g x + g y Kuva esittää esimerkin tämän käytöstä. Kuvansegmentointi 457 Kuvansegmentointi 458
6 a b c d Kuva Gradientilla määrätään reunan pisteessä voimakkuus ja suunta. Reuna on kohtisuorassa gradientin suuntaa vasten pisteessä (pikseli tai neliö), jossa gradientti on laskettu. Kuva 9.1. Prewitt ja Sobel operaattorin maskit vaaka ja pystysuorien reunojen tunnistamista varten. Kuvansegmentointi 459 Kuvansegmentointi 460 a b c d Ideaalisessa mielessä reunantunnistuksen löytämien pikselien tulisi olla nimenomaan reunalta. Näin ei käytännössä aina ole esim. kohinan, erilaisten katkojen ja muiden syiden takia, jotka aiheuttavat erheellisiä epäjatkuvuuksia intensiteeteissä. Tämän vuoksi tarvitaan tavallisesti vielä yhdistämisalgoritmi, jolla kootaan pätkät mielekkäiksi reunoiksi tai rajoiksi (yhtenäinen reuna). Tarkastellaan tässä vain perusmenetelmää. Kuva 9.13.(a) Kuva kokoa (intensiteettiarvot skaalattu välille [0,1]), (b) kuvan 9.1.(c) Sobel operaattorilla laskettu g x (xakselin suuntainen gradienttikomponentti), (c) kuvan 9.1.(d) Sobeloperaattorilla laskettu g y ja (d) gradienttikuva g x + g y. Reunojen yhdistäminen lokaalilla prosessoinnilla on yksinkertainen menetelmä, jossa käsitellään gradienttivektorin itseisarvoa ja suuntaa. Olkoon S xy (keski)pisteen ( naapurusto. Naapuruston reunapiste (s,t) on itseisarvoltaan M( ) samanlainen pikselin ( kanssa seuraavan toteutuessa, kun E on positiivinen kynnysarvo. Kuvansegmentointi 461 Kuvansegmentointi 46
7 M ( s, t) M ( E Gradienttivektorin suuntaa (luku 3.6.) käytetään niin ikään. Reunapikseli on sen suhteen samanlainen, kun seuraava ehto on tosi A:n ollessa positiivinen kynnysarvo (reunan suunta on kohtisuorassa gradienttivektoriin nähden). g α( s, t) α( A, α(, ) = arctan g Annettuja ehtoja käyttäen reunaan hyväksytään pikseleitä kuva läpi käyden. Laskenta on kuitenkin raskas, sillä jokaisen pisteen kaikki naapurit on käytävä läpi. Täten toimitaan tavallisesti seuraavan yksinkertaistetun laskennan tavalla. Kuvansegmentointi 463 y x 1. Laske gradientin itseisarvo M( ja suuntakulma ( kautta koko kuvan.. Muodosta binäärikuva g, jonka arvo on pisteessä ( 1 jos M ( > TM ANDα( = A ± T g( = A 0 muuten jossa T M on kynnys ja A on määrätty kulma sekä ± T A määrittää hyväksyttävien suuntien kaistan. 3. Selaa g:n rivit ja täytä 1:sillä kaikki aukot (0:t), jotka eivät ylitä määrättyä pituutta. (Määritelmän mukaan aukon kummasakin päässä on 1.) 4. Muiden suuntien käsittelyä varten kierrä kuvaa g kulman verran ja selaa 3. vaiheen mukaisesti rivin pikselit. Kierrä kuvaa takaisin kulman. Tätä sovellettiin kuvassa 9.14., jossa T M =30 % maksimista ja T A =45. Kuvansegmentointi Kynnystäminen Kynnystäminen (thresholding) on mainittu jo alkaen luvusta 3.1., koska sitä on tarvittu eri yhteyksissä. Kuvan f( kynnystäminen kynnysarvon T perusteella tapahtuu siis seuraavasti perustilanteessa. 1 jos f ( > T g( = 0 jos f ( T Kuva 9.14.(a) kuva, (b) gradientin itseisarvokuva, (c) vaakasuoraan yhdistetyt pikselit, (d) pystysuoraan yhdistetyt pikselit, (e) loogisella OR:illa yhdistetyt kaksi edellistä ja (f) vielä morfologisesti ohennettuna. Kuvansegmentointi 465 Kuvan mukaan tilanne ei ole aina hallittavissa yhdellä kynnyksellä, jolloin voidaan muodostaa kaksi. a jos f ( > T g( = b jos T1 < f ( T c jos f ( T 1 Kuvansegmentointi 466
8 Kun todellisissa kuvissa on yleensä kohinaa, tämä vaikeuttaa kynnystämistä. Kuvassa on lisätty synteettistä kohinaa, jonka jakauma on tunnettu tarkkaan. Kuvassa 9.16.(b) on lisätty kohinaa, jonka keskiarvo oli 0 ja keskihajonta 10 intensiteettitasoa. Kuvassa 9.16.(c) keskihajontaa nostettiin 50:een. Kuva 9.16.(e) osoittaa, että bimodaalisen jakauman keskelle voidaan asettaa helposti erottava kynnys. Sen sijaan kuvan 9.16.(f) jakauma osoittaa, ettei kynnyksellä ole paikkaa. (a) Kuva Intensiteettihistogrammi on jaettu (a) yhdellä ja (b) kahdella kynnysarvolla. (b) Kuva 9.17.(a) on sama kuin 9.16.(b). Kuvassa 9.17.(b) on epätasaisen valaistuksen aiheuttama intensiteettiramppi, jonka jakauma on kuvassa 9.17.(e). Kun (b):llä kerrotaan (a) saadaan (c). Tämän jakaumasta (f) nähdään, kuinka valaistus on sotkenut (d):n, jolloin ei enää voi asettaa kynnystä keskelle (f):ää. Esitettyihin ongelmin auttavat tasoitussuodatus ja reunan käsittely. Kuvansegmentointi 467 Kuvansegmentointi 468 Kuva 9.16.(a) Kohinaton 8 bittinen kuva, (b) tähän lisätty Gaussin kohinaa (keskihajonta 10), (c) lisää kohinaa (keskihajonta 50) ja (d) (f) edellisten historgrammijakaumat. Kuvansegmentointi 469 Kuva (a) Kohinainen kuvasta 9.16.(b), (b) intensiteettiramppi, (c) edelliset kerrottu keskenään ja (d) (f) edellisten histogrammijakaumat. Kuvansegmentointi 470
9. Kuvansegmentointi 9.1. Perusteita
9. Kuvansegmentointi 9.1. Perusteita Segmentoinnissa kuva jaetaan alueiden tai kohteiden muodostamiin rakenneosiin. Jaon ksitiskohtaisuus riippuu sovelluksesta. Eitriviaalien kuvien segmentointi on ksi
6.6. Tasoitus ja terävöinti
6.6. Tasoitus ja terävöinti Seuraavassa muutetaan pikselin arvoa perustuen mpäristön pikselien ominaisuuksiin. Kuvan 6.18.a nojalla ja Lukujen 3.4. ja 3.5. harmaasävjen käsittelssä esitellillä menetelmillä
Tekijä Pitkä matematiikka
K1 Tekijä Pitkä matematiikka 5 7..017 a) 1 1 + 1 = 4 + 1 = 3 = 3 4 4 4 4 4 4 b) 1 1 1 = 4 6 3 = 5 = 5 3 4 1 1 1 1 1 K a) Koska 3 = 9 < 10, niin 3 10 < 0. 3 10 = (3 10 ) = 10 3 b) Koska π 3,14, niin π
Reunantunnistusalgoritmeista. Mika Hannula
Reunantunnistusalgoritmeista Mika Hannula Tampereen yliopisto Informaatiotieteiden yksikkö Tietojenkäsittelyoppi Pro gradu -tutkielma Ohjaaja: Martti Juhola Kesäkuu 2014 Tampereen yliopisto Informaatiotieteiden
2D piirrelaskennan alkeet, osa I
2D piirrelaskennan alkeet, osa I Ville Tirronen aleator@jyu.fi University of Jyväskylä 18. syyskuuta 2008 Näkökulma Aiheet Tarkastellaan yksinkertaisia 2D kuvankäsittelyoperaattoreita Näkökulmana on tunnistava
8. Morfologinen kuvanprosessointi 8.1. Perusteita
8. Morfologinen kuvanprosessointi 8.1. Perusteita Sana morfologia viittaa muotoon ja rakenteeseen eri tieteenaloilla. Kuvanprosessoinnissa se tarkoittaa matemaattista keinoa, jolla irrotetaan kuvasta kiinnostavia
9. Vektorit. 9.1 Skalaarit ja vektorit. 9.2 Vektorit tasossa
9. Vektorit 9.1 Skalaarit ja vektorit Skalaari on koon tai määrän mitta. Tyypillinen esimerkki skalaarista on massa. Lukumäärä on toinen hyvä esimerkki skalaarista. Vektorilla on taas suuruus ja suunta.
12. 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
Matematiikan tukikurssi, kurssikerta 3
Matematiikan tukikurssi, kurssikerta 3 1 Epäyhtälöitä Aivan aluksi lienee syytä esittää luvun itseisarvon määritelmä: { x kun x 0 x = x kun x < 0 Siispä esimerkiksi 10 = 10 ja 10 = 10. Seuraavaksi listaus
1 2 x2 + 1 dx. (2p) x + 2dx. Kummankin integraalin laskeminen oikein (vastaukset 12 ja 20 ) antaa erikseen (2p) (integraalifunktiot
Helsingin yliopisto, Itä-Suomen yliopisto, Jyväskylän yliopisto, Oulun yliopisto, Tampereen yliopisto ja Turun yliopisto Matematiikan valintakoe (Ratkaisut ja pisteytys) 500 Kustakin tehtävästä saa maksimissaan
Yhtälön oikealla puolella on säteen neliö, joten r. = 5 eli r = ± 5. Koska säde on positiivinen, niin r = 5.
Tekijä Pitkä matematiikka 5 7..017 31 Kirjoitetaan yhtälö keskipistemuotoon ( x x ) + ( y y ) = r. 0 0 a) ( x 4) + ( y 1) = 49 Yhtälön vasemmalta puolelta nähdään, että x 0 = 4 ja y 0 = 1, joten ympyrän
3. Intensiteettimuunnokset ja spatiaalinen suodatus 3.1. Tausta
3. 3.1. Tausta Spatiaalinen alue viittaa itse kuvaan, ja kuvanprosessointi kohdistuu tällöin suoraan pikseleihin. Tämä on eri asia kuin muunnosavaruuden yhteydessä edellä. Tässä luvussa tarkastellaan intensiteettimuunnoksia
y=-3x+2 y=2x-3 y=3x+2 x = = 6
MAA Koe, Arto Hekkanen ja Jussi Tyni 5.5.015 Loppukoe LASKE ILMAN LASKINTA. 1. Yhdistä kuvaaja ja sen yhtälö a) 3 b) 1 c) 5 d) Suoran yhtälö 1) y=3x ) 3x+y =0 3) x y 3=0 ) y= 3x 3 5) y= 3x 6) 3x y+=0 y=-3x+
Matematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 2 Lisää osamurtoja Tutkitaan jälleen rationaalifunktion P(x)/Q(x) integrointia. Aiemmin käsittelimme tapauksen, jossa nimittäjä voidaan esittää muodossa Q(x) = a(x x
Johdatus tekoälyn taustalla olevaan matematiikkaan
Johdatus tekoälyn taustalla olevaan matematiikkaan Informaatioteknologian tiedekunta Jyväskylän yliopisto 3. luento 17.11.2017 Neuroverkon opettaminen (ohjattu oppiminen) Neuroverkkoa opetetaan syöte-tavoite-pareilla
2 Pistejoukko koordinaatistossa
Pistejoukko koordinaatistossa Ennakkotehtävät 1. a) Esimerkiksi: b) Pisteet sijaitsevat pystysuoralla suoralla, joka leikkaa x-akselin kohdassa x =. c) Yhtälö on x =. d) Sijoitetaan joitain ehdon toteuttavia
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)
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
2.3 Voiman jakaminen komponentteihin
Seuraavissa kappaleissa tarvitaan aina silloin tällöin taitoa jakaa voima komponentteihin sekä myös taitoa suorittaa sille vastakkainen operaatio eli voimien resultantin eli kokonaisvoiman laskeminen.
Lineaarialgebra MATH.1040 / voima
Lineaarialgebra MATH.1040 / voima 1 Seuraavaksi määrittelemme kaksi vektoreille määriteltyä tuloa; pistetulo ja. Määritelmät ja erilaiset tulojen ominaisuudet saattavat tuntua, sekavalta kokonaisuudelta.
10. Esitys ja kuvaus
10. Esitys ja kuvaus Kun kuva on ensin segmentoitu alueisiin edellisen luvun menetelmin, segmentoidut pikselit kootaan esittämään ja kuvaamaan kohteita muodossa, joka sopii hyvin jatkokäsittelyä varten.
A B = (1, q, q 2 ) (2, 0, 2) = 2 2q q 2 = 0 q 2 = 1 q = ±1 A(±1) = (1, ±1, 1) A(1) A( 1) = (1, 1, 1) (1, 1, 1) = A( 1) A(1) A( 1) = 1
Mapu I Viikko 4 tehtävä malli Millä q:n arvoilla vektori A(q) (, q, q ) on kohtisuora vektorin B (, 0, ) kanssa? Ovatko A:n eri ratkaisut keskenään kohtisuoria? Jos eivät, määrää niiden välinen kulma!
Maksimit ja minimit 1/5 Sisältö ESITIEDOT: reaalifunktiot, derivaatta
Maksimit ja minimit 1/5 Sisältö Funktion kasvavuus ja vähenevyys; paikalliset ääriarvot Jos derivoituvan reaalifunktion f derivaatta tietyssä pisteessä on positiivinen, f (x 0 ) > 0, niin funktion tangentti
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
, on säännöllinen 2-ulotteinen pinta. Määrää T x0 pisteessä x 0 = (0, 1, 1).
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi II, syksy 017 Harjoitus 4 Ratkaisuehdotukset 4.1. Osoita, että tasa-arvojoukko S F (0), F : R 3 R, F (x) = 3x 1 x 3 + e x + x e x 3, on säännöllinen
Tekijä MAA2 Polynomifunktiot ja -yhtälöt = Vastaus a)
K1 a) Tekijä MAA Polynomifunktiot ja -yhtälöt 6.8.016 ( + + ) + ( ) = + + + = + + + = + 4 b) 4 4 ( 5 + ) ( 5 + 1) = 5 + + 5 + 1 4 = + + + 4 = + 5 5 1 1 Vastaus a) 4 + b) 4 + 1 K a) f ( ) = + 1 f () = +
Lineaarinen yhtälöryhmä
Lineaarinen yhtälöryhmä 1 / 39 Lineaarinen yhtälö Määritelmä 1 Lineaarinen yhtälö on muotoa a 1 x 1 + a 2 x 2 + + a n x n = b, missä a i, b R, i = 1,..., n ovat tunnettuja ja x i R, i = 1,..., n ovat tuntemattomia.
Luento 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
Sekalaiset tehtävät, 11. syyskuuta 2005, sivu 1 / 13. Tehtäviä
Sekalaiset tehtävät, 11. syyskuuta 005, sivu 1 / 13 Tehtäviä Tehtävä 1. Johda toiseen asteen yhtälön ax + bx + c = 0, a 0 ratkaisukaava. Tehtävä. Määrittele joukon A R pienin yläraja sup A ja suurin alaraja
Matematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 8 1 Suunnattu derivaatta Aluksi tarkastelemme vektoreita, koska ymmärrys vektoreista helpottaa alla olevien asioiden omaksumista. Kun liikutaan tasossa eli avaruudessa
Matematiikan 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
2016/07/05 08:58 1/12 Shortcut Menut
2016/07/05 08:58 1/12 Shortcut Menut Shortcut Menut Shortcut menut voidaan aktivoida seuraavista paikoista. Shortcut menun sisältö riippuu siitä, mistä se aktivoidaan. 1. Shortcut menu suunnitellusta linjasta
Tekijä Pitkä matematiikka Suoran pisteitä ovat esimerkiksi ( 5, 2), ( 2,1), (1, 0), (4, 1) ja ( 11, 4).
Tekijä Pitkä matematiikka 4 9.12.2016 212 Suoran pisteitä ovat esimerkiksi ( 5, 2), ( 2,1), (1, 0), (4, 1) ja ( 11, 4). Vastaus esimerkiksi ( 5, 2), ( 2,1), (1, 0), (4, 1) ja ( 11, 4) 213 Merkitään pistettä
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
4.3 Moniulotteinen Riemannin integraali
4.3 Moniulotteinen Riemannin integraali Tässä luvussa opitaan miten integroidaan usean muuttujan reaaliarvoista tai vektoriarvoista funktiota, millaisten joukkojen yli jatkuvaa funktiota voi integroida,
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
Suora 1/5 Sisältö ESITIEDOT: vektori, koordinaatistot, piste
Suora 1/5 Sisältö KATSO MYÖS:, vektorialgebra, geometriset probleemat, taso Suora geometrisena peruskäsitteenä Pisteen ohella suora on geometrinen peruskäsite, jota varsinaisesti ei määritellä. Alkeisgeometriassa
MS-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
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()
Suora. Määritelmä. Oletetaan, että n = 2 tai n = 3. Avaruuden R n suora on joukko. { p + t v t R},
Määritelmä Suora Oletetaan, että n = 2 tai n = 3. Avaruuden R n suora on joukko { p + t v t R}, missä p, v R n ja v 0. Tässä p on suoran jonkin pisteen paikkavektori ja v on suoran suuntavektori. v p LM1,
Kuva 1: Funktion f tasa-arvokäyriä. Ratkaisu. Suurin kasvunopeus on gradientin suuntaan. 6x 0,2
HY / Matematiikan ja tilastotieteen laitos Vektorianalyysi I, syksy 018 Harjoitus Ratkaisuehdotukset Tehtävä 1. Olkoon f : R R f(x 1, x ) = x 1 + x Olkoon C R. Määritä tasa-arvojoukko Sf(C) = {(x 1, x
3. Intensiteettimuunnokset ja spatiaalinen suodatus 3.1. Tausta
3. 3.1. Tausta Spatiaalinen alue viittaa itse kuvaan, ja kuvanprosessointi kohdistuu tällöin suoraan pikseleihin. Tämä on eri asia kuin muunnosavaruuden yhteydessä edellä. Tässä luvussa tarkastellaan intensiteettimuunnoksia
Matematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 10 1 Lokaalit ääriarvot Yhden muuttujan funktion f (x) lokaali maksimi on piste x 0, jossa f (x) on suurempi kuin muualle pisteen x 0 ympäristössä, eli kun f (x 0 )
12. Derivointioperaattoreista geometrisissa avaruuksissa
12. Derivointioperaattoreista geometrisissa avaruuksissa 12.1. Gradientti, divergenssi ja roottori 328. Laske u, kun u on vektorikenttä a) (z y)i + (x z)j + (y x)k, b) e xyz (i + xlnyj + x 2 zk), c) (x
Lineaariavaruudet. 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
811120P Diskreetit rakenteet
811120P Diskreetit rakenteet 2016-2017 1. Algoritmeista 1.1 Algoritmin käsite Algoritmi keskeinen laskennassa Määrittelee prosessin, joka suorittaa annetun tehtävän Esimerkiksi Nimien järjestäminen aakkosjärjestykseen
MS-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
14 Jatkuva jakauma. Käsitellään kuitenkin ennen täsmällisiä määritelmiä johdatteleva
4 Jatkuva jakauma Edellä määriteltiin diskreetiksi satunnaismuuttujaksi sellainen, joka voi saada vain (hyppäyksittäin) erillisiä arvoja. Jatkuva satunnaismuuttuja voi saada mitä hyvänsä arvoja yleensä
TL5503 DSK, laboraatiot (1.5 op) Kuvasignaalit. Jyrki Laitinen
TL553 DSK, laboraatiot (.5 op) Kuvasignaalit Jyrki Laitinen TL553 DSK, laboraatiot (.5 op), K25 Suorita oheisten ohjeiden mukaiset tehtävät Matlab- ja VCDemo-ohjelmistoja käyttäen. Kokoa erilliseen mittauspöytäkirjaan
MS-A0003/A0005 Matriisilaskenta Laskuharjoitus 2 / vko 45
MS-A3/A5 Matriisilaskenta Laskuharjoitus 2 / vko 45 Tehtävä (L): Hahmottele kompleksitasoon ne pisteet, jotka toteuttavat a) z 2i = 2, b) z 2i < 2, c) /z
Derivaatan sovellukset (ääriarvotehtävät ym.)
Derivaatan sovellukset (ääriarvotehtävät ym.) Tehtävät: 1. Tutki derivaatan avulla funktion f kulkua. a) f(x) = x 4x b) f(x) = x + 6x + 11 c) f(x) = x4 4 x3 + 4 d) f(x) = x 3 6x + 1x + 3. Määritä rationaalifunktion
VEKTORIT paikkavektori OA
paikkavektori OA Piste A = (2, -1) Paikkavektori OA = 2i j 3D: kuvan piirtäminen hankalaa Piste A = (2, -3, 4) Paikkavektori OA = 2i 3j + 4k Piste A = (a 1, a 2, a 3 ) Paikkavektori OA = a 1 i + a 2 j
niin järjestys on tämä: ensin kerto- ja jakolaskut vasemmalta oikealle, sen jälkeen plus- ja miinuslaskut vasemmalta oikealle.
Alkeistason matikkaa Plus-, miinus-, kerto- ja jakolaskujen laskujärjestys Esim. jos pitää laskea tällainen lasku:? niin järjestys on tämä: ensin kerto- ja jakolaskut vasemmalta oikealle, sen jälkeen plus-
SISÄLTÖ Venymän käsite Liukuman käsite Venymä ja liukuma lujuusopin sovelluksissa
SISÄLTÖ Venymän käsite Liukuman käsite Venymä ja liukuma lujuusopin sovelluksissa 1 SISÄLTÖ 1. Siirtymä 2 1 2.1 MUODONMUUTOS Muodonmuutos (deformaatio) Tapahtuu, kun kappaleeseen vaikuttaa voima/voimia
Vektorien pistetulo on aina reaaliluku. Esimerkiksi vektorien v = (3, 2, 0) ja w = (1, 2, 3) pistetulo on
13 Pistetulo Avaruuksissa R 2 ja R 3 on totuttu puhumaan vektorien pituuksista ja vektoreiden välisistä kulmista. Kuten tavallista, näiden käsitteiden yleistäminen korkeampiulotteisiin avaruuksiin ei onnistu
Tekijä Pitkä matematiikka
Tekijä Pitkä matematiikka 5..017 110 Valitaan suoralta kaksi pistettä ja piirretään apukolmio, josta koordinaattien muutokset voidaan lukea. Vaakasuoran suoran kulmakerroin on nolla. y Suoran a kulmakerroin
Havainnollistuksia: Merkitään w = ( 4, 3) ja v = ( 3, 2). Tällöin. w w = ( 4) 2 + ( 3) 2 = 25 = 5. v = ( 3) = 13. v = v.
Havainnollistuksia: Merkitään w = ( 4, 3) ja v = ( 3, 2). Tällöin w = w w = ( 4) 2 + ( 3) 2 = 25 = 5 v = v v = ( 3) 2 + 2 2 = 13. w =5 3 2 v = 13 4 3 LM1, Kesä 2014 76/102 Normin ominaisuuksia I Lause
a) on lokaali käänteisfunktio, b) ei ole. Piirrä näiden pisteiden ympäristöön asetetun neliöruudukon kuva. VASTAUS:
6. Käänteiskuvaukset ja implisiittifunktiot 6.1. Käänteisfunktion olemassaolo 165. Määritä jokin piste, jonka ympäristössä funktiolla f : R 2 R 2, f (x,y) = (ysinx, x + y + 1) a) on lokaali käänteisfunktio,
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.
MS-A0207 Differentiaali- ja integraalilaskenta 2 Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio.
MS-A0207 Differentiaali- ja integraalilaskenta 2 Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio. Riikka Korte Matematiikan ja systeemianalyysin laitos 1 Aalto-yliopisto
Integrointi ja sovellukset
Integrointi ja sovellukset Tehtävät:. Muodosta ja laske yläsumma funktiolle fx) x 5 välillä [, 4], kun väli on jaettu neljään yhtä suureen osaan.. Määritä integraalin x + ) dx likiarvo laskemalla alasumma,
MS-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
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
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
Juha Haataja 4.10.2011
METROPOLIA Taulukkolaskenta Perusteita Juha Haataja 4.10.2011 Lisätty SUMMA.JOS funktion käyttö (lopussa). Tavoite ja sisältö Tavoite Taulukkolaskennan peruskäytön hallinta Sisältö Työtila Omat kaavat,
Taso 1/5 Sisältö ESITIEDOT: vektori, koordinaatistot, piste, suora
Taso 1/5 Sisältö Taso geometrisena peruskäsitteenä Kolmiulotteisen alkeisgeometrian peruskäsitteisiin kuuluu taso pisteen ja suoran lisäksi. Intuitiivisesti sitä voidaan ajatella joka suunnassa äärettömyyteen
811120P Diskreetit rakenteet
811120P Diskreetit rakenteet 2018-2019 1. Algoritmeista 1.1 Algoritmin käsite Algoritmi keskeinen laskennassa Määrittelee prosessin, joka suorittaa annetun tehtävän Esimerkiksi Nimien järjestäminen aakkosjärjestykseen
13. 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
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
Pinta-alojen ja tilavuuksien laskeminen 1/6 Sisältö ESITIEDOT: määrätty integraali
Pinta-alojen ja tilavuuksien laskeminen 1/6 Sisältö ESITIEDOT: Tasoalueen pinta-ala Jos funktio f saa välillä [a, b] vain ei-negatiivisia arvoja, so. f() 0, kun [a, b], voidaan kuvaajan y = f(), -akselin
Tekijä Pitkä matematiikka b) Kuvasta nähdään, että b = i 4 j. c) Käytetään a- ja b-kohtien tuloksia ja muokataan lauseketta.
Tekijä Pitkä matematiikka 4 9.1.016 79 a) Kuvasta nähdään, että a = 3i + j. b) Kuvasta nähdään, että b = i 4 j. c) Käytetään a- ja b-kohtien tuloksia ja muokataan lauseketta. 5a b = 5(3i + j) ( i 4 j)
Suorat ja tasot, L6. Suuntajana. Suora xy-tasossa. Suora xyzkoordinaatistossa. Taso xyzkoordinaatistossa. Tason koordinaattimuotoinen yhtälö.
Suorat ja tasot, L6 Suora xyz-koordinaatistossa Taso xyz-koordinaatistossa stä stä 1 Näillä kalvoilla käsittelemme kolmen laisia olioita. Suora xyz-avaruudessa. Taso xyz-avaruudessa. Emme nyt ryhdy pohtimaan,
a) Lasketaan sähkökenttä pallon ulkopuolella
Jakso 2. Gaussin laki simerkki 2.1: Positiivinen varaus Q on jakautunut tasaisesti R-säteiseen palloon. Laske sähkökenttä pallon a) ulkopuolella ja b) sisäpuolella etäisyydellä r pallon keskipisteestä.
1 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
Yhtälönratkaisusta. Johanna Rämö, Helsingin yliopisto. 22. syyskuuta 2014
Yhtälönratkaisusta Johanna Rämö, Helsingin yliopisto 22. syyskuuta 2014 Yhtälönratkaisu on koulusta tuttua, mutta usein sitä tehdään mekaanisesti sen kummempia ajattelematta. Jotta pystytään ratkaisemaan
Sinin jatkuvuus. Lemma. Seuraus. Seuraus. Kaikilla x, y R, sin x sin y x y. Sini on jatkuva funktio.
Sinin jatkuvuus Lemma Kaikilla x, y R, sin x sin y x y. Seuraus Sini on jatkuva funktio. Seuraus Kosini, tangentti ja kotangentti ovat jatkuvia funktioita. Pekka Salmi FUNK 19. syyskuuta 2016 22 / 53 Yhdistetyn
MS-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
KJR-C1001 Statiikka ja dynamiikka. Luento Susanna Hurme
KJR-C1001 Statiikka ja dynamiikka Luento 23.2.2016 Susanna Hurme Tervetuloa kurssille! Mitä on statiikka? Mitä on dynamiikka? Miksi niitä opiskellaan? Päivän aihe: Voiman käsite ja partikkelin tasapaino
yleisessä muodossa x y ax by c 0. 6p
MAA..0 Muista kirjoittaa jokaiseen paperiin nimesi! Tee vastauspaperin yläreunaan pisteytysruudukko! Valitse kuusi tehtävää! Perustele vastauksesi välivaiheilla! Jussi Tyni Ratkaise: a) x x b) xy x 6y
2 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
VEKTORIANALYYSIN HARJOITUKSET: VIIKKO 4
VEKTORIANALYYSIN HARJOITUKSET: VIIKKO 4 Jokaisen tehtävän jälkeen on pieni kommentti tehtävään liittyen Nämä eivät sisällä mitään kovin kriittistä tietoa tehtävään liittyen, joten niistä ei tarvitse välittää
MAA4 Abittikokeen vastaukset ja perusteluja 1. Määritä kuvassa olevien suorien s ja t yhtälöt. Suoran s yhtälö on = ja suoran t yhtälö on = + 2. Onko väittämä oikein vai väärin? 2.1 Suorat =5 +2 ja =5
Vektorilla on suunta ja suuruus. Suunta kertoo minne päin ja suuruus kuinka paljon. Se on siinä.
Koska varsinkin toistensa suhteen liikkuvien kappaleiden liikkeen esittäminen suorastaan houkuttelee käyttämään vektoreita, mutta koska ne eivät kaikille ehkä ole kuitenkaan niin tuttuja kuin ansaitsisivat,
Kertaus. x x x. K1. a) b) x 5 x 6 = x 5 6 = x 1 = 1 x, x 0. K2. a) a a a a, a > 0
Juuri 8 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 8.9.07 Kertaus K. a) 6 4 64 0, 0 0 0 0 b) 5 6 = 5 6 = =, 0 c) d) K. a) b) c) d) 4 4 4 7 4 ( ) 7 7 7 7 87 56 7 7 7 6 6 a a a, a > 0 6 6 a
3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. 3.2 Matriisien laskutoimitukset. Olkoot A 2 := AA =
3 3 Olkoot 9 8 B 7 6 ja A 5 4 [ 3 4 Nyt A + B, AB ja BB eivät ole mielekkäitä (vastaavilla lineaarikuvauksilla menisivät dimensiot solmuun tällaisista yhdistelmistä) Kuitenkin voidaan laskea BA ja 9( )
Tehtäväsarja I Tehtävät 1-5 perustuvat monisteen kappaleisiin ja tehtävä 6 kappaleeseen 2.8.
HY, MTO / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIa, syksy 8 Harjoitus Ratkaisuehdotuksia Tehtäväsarja I Tehtävät -5 perustuvat monisteen kappaleisiin..7 ja tehtävä 6 kappaleeseen.8..
BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 1, Kevät 2018
BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 1, Kevät 2018 1. (a) Tunnemme vektorit a = [ 5 1 1 ] ja b = [ 2 0 1 ]. Laske (i) kummankin vektorin pituus (eli itseisarvo, eli normi); (ii) vektorien
3.3 Paraabeli toisen asteen polynomifunktion kuvaajana. Toisen asteen epäyhtälö
3.3 Paraabeli toisen asteen polynomifunktion kuvaajana. Toisen asteen epäyhtälö Yhtälön (tai funktion) y = a + b + c, missä a 0, kuvaaja ei ole suora, mutta ei ole yhtälökään ensimmäistä astetta. Funktioiden
x 5 15 x 25 10x 40 11x x y 36 y sijoitus jompaankumpaan yhtälöön : b)
MAA4 ratkaisut. 5 a) Itseisarvon vastauksen pitää olla aina positiivinen, joten määritelty kun 5 0 5 5 tai ( ) 5 5 5 5 0 5 5 5 5 0 5 5 0 0 9 5 9 40 5 5 5 5 0 40 5 Jälkimmäinen vastaus ei toimi määrittelyjoukon
Ville Turunen: Mat Matematiikan peruskurssi P1 1. välikokeen alueen teoriatiivistelmä 2007
Ville Turunen: Mat-1.1410 Matematiikan peruskurssi P1 1. välikokeen alueen teoriatiivistelmä 2007 Materiaali: kirjat [Adams R. A. Adams: Calculus, a complete course (6th edition), [Lay D. C. Lay: Linear
Yhtälöryhmä 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 =
NELIÖJUURI. Neliöjuuren laskusääntöjä
NELIÖJUURI POLYNOMIFUNKTIOT JA -YHTÄLÖT, MAA2 Tarkoittaa positiivista tai nollaa Määritelmä, neliöjuuri: Luvun a R neliöjuuri, merkitään a, on se ei-negatiivinen luku, jonka neliö (eli toiseen potenssiin
b 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 }{{}
Ratkaisut 2. KJR-C2001 Kiinteän aineen mekaniikan perusteet, IV/2016. Tehtävä 1 Selitä käsitteet kohdissa a) ja b) sekä laske c) kohdan tehtävä.
Kotitehtävät palautetaan viimeistään keskiviikkoisin ennen luentojen alkua eli klo 14:00 mennessä. Muistakaa vastaukset eri tehtäviin palautetaan eri lokeroon! Joka kierroksen arvostellut kotitehtäväpaperit
763306A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 2 Kevät 2017
763306A JOHDATUS SUHTEELLISUUSTEORIAAN 2 Ratkaisut 2 Kevät 207. Nelinopeus ympyräliikkeessä On siis annettu kappaleen paikkaa kuvaava nelivektori X x µ : Nelinopeus U u µ on määritelty kaavalla x µ (ct,
Suorien ja tasojen geometriaa Suorien ja tasojen yhtälöt
6. Suorien tasojen geometriaa 6.1. Suorien tasojen yhtälöt 55. Osoita, että yhtälöt x = 3 + τ y = 1 3τ esittävät samaa tason suoraa. Yhteinen piste 1,5) suunta i 3j. x = 1 6τ y = 5 + 9τ 56. Määritä suoran