Avanços em regularização de Tikhonov multiparamétrica para problemas discretos mal-postos.
|
|
- Luiza Van Der Vinne
- 5 Há anos
- Visualizações:
Transcrição
1 Avanços em regularização de Tikhonov multiparamétrica para problemas discretos mal-postos. Leonardo Silveira Borges (UNICAMP) Maria Cristina C. Cunha (UNICAMP) Fermín S. V. Bazán (UFSC) UNICAMP Departamento de Matemática Aplicada 03 de setembro, 011
2 Estrutura 1 Introdução Algoritmo de ponto fixo 3 GKB-FP: problemas de grande porte 4 Extensões de GKB-FP 5 FP para Tikhonov multi-paramétrico
3 Estrutura 1 Introdução Algoritmo de ponto fixo 3 GKB-FP: problemas de grande porte 4 Extensões de GKB-FP 5 FP para Tikhonov multi-paramétrico
4 Introdução Problema discreto linear mal-posto Problema discreto linear mal-posto: A R m n, m n, mal condicionada. g = g exato + e R m. f = argmin f R n g Af (1) Consequência: Solução f LS = A g sem utilidade. Alternativa: Tikhonov propôs substituir (1) por { f λ = argmin g Af + λ Lf } f R n λ > 0: Parâmetro de regularização. L R p n : Matriz de regularização.
5 Escolha do parâmetro Métodos para escolha de λ Métodos clássicos: Princípio da Discrepância (Morozov, 1966) Validação Cruzada-Generalizada (Golub, 1979) Critério da Curva-L (Hansen, 1993) Propostas mais recentes: Ponto-Fixo (Bazán, 008, Bazán e Francisco, 009) Validação Cruzada-Generalizada com peso (Chung, 008) Comparativo entre 0 métodos para escolha de λ: F. Bauer e M. A. Lukas, Comparing parameter choice methods for regularization of ill-posed problems, 011.
6 Escolha do parâmetro Curva-L e o critério do produto mínimo Norma do resíduo: x(λ) = g Af λ, função crescente (semi-)norma da solução: y(λ) = Lf λ, função decrescente Hansen, 1993: Encontrar o ponto de máxima curvatura de L = { (a, b) R /a = log x(λ), b = log y(λ) } Regińska, 1996: Encontrar um minimizador local da função Ψ(λ) = x(λ)y(λ) µ, µ > 0 log y(λ) Curva L log Ψ(λ) Ψ(λ) log x(λ) 10 0 log λ 10 0
7 Escolha do parâmetro Justificativa do critério do produto mínimo Solução regularizada: f λ = (A T A + λ L T L) 1 A T g = R λ g Cota para o erro: f exato f λ = f exato R λ g exato R λ e f exato R λ g exato + R λ e = ξ 1 (λ) + ξ (λ) log do critério do produto: log Ψ(λ) = log x(λ) + µlog y(λ) λ min = λ min = ξ 1 (λ) ξ (λ) ξ 1 (λ)+ξ (λ) Ψ(λ)
8 Estrutura 1 Introdução Algoritmo de ponto fixo 3 GKB-FP: problemas de grande porte 4 Extensões de GKB-FP 5 FP para Tikhonov multi-paramétrico
9 Algoritmo de ponto fixo Ponto Fixo (FP) (Bazán, 008 e Bazán e Francisco, 009) Pontos críticos de Ψ(λ) estão associados aos pontos fixos de φ(λ; µ) = µ g Af λ Lf λ 10 5 Ψ(λ) 10 0 φ(λ) log λ log λ 10 0 Algoritmo FP: multi λ 0 > 0: chute inicial λ k+1 = φ(λ k ; µ), k 0
10 Estrutura 1 Introdução Algoritmo de ponto fixo 3 GKB-FP: problemas de grande porte 4 Extensões de GKB-FP 5 FP para Tikhonov multi-paramétrico
11 Problema de grande porte Bidiagonalização de Golub-Kahan e LSQR Bidiag. de Golub-Kahan: No passo k existem matrizes U k+1 e V k com colunas ortonormais e B k R (k+1) k bidiag. inferior tal que AV k = U k+1 B k A T U k+1 = V k B T k + α k+1 v k+1 e T k+1 Propriedade: span(v k ) = K k (A T A, A T b) Algoritmo LSQR: Construir soluções f k = V k y k com em que β 1 = g. y k = argmin y R k β 1 e 1 B k y
12 Problema de grande porte LSQR e Tikhonov No problema regularizado, construir soluções f k,λ = V k y k,λ com { y k,λ = argmin β1 e 1 B k y + λ y } y R k em que β 1 = g. Propriedades: para λ 0 fixo, β 1 e 1 B k y k,λ é decrescente em k y k,λ é crescente em k
13 Problema de grande porte GKB-FP (Bazán e Borges, 010) Para cada k, k, seja { y k,λ = argmin β1 e 1 B k y + λ y } y R k Ideia: aplicar algoritmo FP para selecionar λ (k) ponto fixo de φ (k) (λ; µ) = µ β 1e 1 B k y k,λ y k,λ Teorema 1: φ(λ; µ) φ (k+1) (λ; µ) φ (k) (λ; µ), k =,...,n 1, Teorema : Sequência de pontos fixos λ (k) é não-crescente
14 Problema de grande porte GKB-FP, Estabilização da solução Teorema 3 Se o maior ponto fixo convexo de φ(λ; 1) é encontrado no passso k, isto é, λ = φ (k) (λ ; 1) para algum k, então f k,λ = f k+1,λ = = f n,λ f λ e como consequência, a norma do erro f exato f j,λ permanece constante para k j n λ k Norma sol Erro rel
15 Estrutura 1 Introdução Algoritmo de ponto fixo 3 GKB-FP: problemas de grande porte 4 Extensões de GKB-FP 5 FP para Tikhonov multi-paramétrico
16 Extensões de GKB-FP GKB-FP para forma geral (Bazán e Borges, 011) Ideias gerais: 1. Transformar o problema na forma geral { f λ = argmin g Af + λ Lf }, L I f R n para a forma padrão { f λ = argmin ḡ Ā f + λ f } f R n. Aplicar GKB-FP no problema transformado na forma padrão. 3. Obtida solução f λ, calcular f λ. Obs: Transformação para forma padrão envolve cálculos com a matriz L.
17 Extensões de GKB-FP Regularizador L com estrutura especial Considerar L com estrutura em que L d R (ñ d) ñ. L = [ Iñ L d L d Iñ Propriedade 1: Estrutura especial de L permite usar a SVD de L d. L d = U d Σ d V T d e encontrar matriz L D com tal que Lf = L D f com L D = D(V d V d ) T e D = Σ T d Σ d I + I Σ T d Σ d Propriedade : Redução do custo comp. para L f e L T f L D f = (V d V d )D f e L T D f = D (V d V d ) T f ]
18 Extensões de GKB-FP PROJ-FP (Bazán e Borges, 011) Problema na forma geral { f λ = argmin g Af + λ Lf } f R n Ideia: Construir soluções f k,λ = V k y k,λ com { y k,λ = argmin β1 e 1 B k y + λ LV k y } y R k Decomposição QR de LV k, LV k = Q k R k, implica { y k,λ = argmin β1 e 1 B k y + λ R k y } y R k Propriedade: Fácil atualização da QR de LV k+1.
19 Extensões de GKB-FP G-LSQR (Bazán e Borges, 011) Ideia geral: Aplicar o algoritmo LSQR ao problema argmin f R n ḡ Ā f Critério de parada: Índice k tal que k = argmin Ψ k, k 0 em que Ψ k = ḡ Ā f k f k Obs: Obtida solução f k, calcular f k.
20 Experimento numérico Exemplo - Restauração de imagem Imagem: pixels Sistema linear: [ variáveis ] I L1 Nível ruído: 0,1% Regularizador: L = L 1 I
21 Experimento numérico Exemplo - Restauração de imagem L D PROJ-FP G-LSQR E 15,9% 1,53% 15,88% tempo 18,8s 188,4s 17,6s iterações λ 0,1377 0,0114
22 Estrutura 1 Introdução Algoritmo de ponto fixo 3 GKB-FP: problemas de grande porte 4 Extensões de GKB-FP 5 FP para Tikhonov multi-paramétrico
23 Tikhonov Multi-paramétrico Tikhonov Multi-paramétrico O problema com vários parâmetros: { f λ = argmin g Af + λ 1 L 1 f + + λ q L q f } f R n A R m n, L i R p i n e λ = (λ 1,...,λ q ) R q, λ i > 0. Dificuldade: Falta de decomposição GSVD para (A, L 1,...,L q ) do tipo A = UΣX, L i = V i M i X, em que U, V i são ortogonais, Σ e M i diagonais e X não-singular. Ideia: Tratar como f λ = argmin f R n g 0. 0 A λ 1 L 1. λ q L q f
24 Generalizações Discrepância para múltiplos parâmetros Escolher λ = (λ 1,...,λ q ) tal que a solução regularizada f λ satisfaça o Princípio da Discrepância g Af λ = cδ, c 1 em que e = g g exato δ. Interpretação geométrica usando 1 e parâmetros: g Af λ g Af λ = cδ g Af λ λ λ λ
25 Generalizações Funções modelo (Lu e Pereverzev, 011) Considerar o caso f λ = argmin { g Af + λ 1 L 1 f + λ f } A equação da discrepância pode ser reescrita como F(λ 1, λ ) λ 1 λ1 F(λ 1, λ ) λ λ F(λ 1, λ ) = c δ () Ideia: aproximar F(λ 1, λ ) por uma função mais simples, m(λ 1, λ ), chamada de função modelo, que seja mais fácil de trabalhar. m(λ 1, λ ) = g + C λ + D 1 T + λ
26 Generalizações Combinação linear (Brezinski, et al., 003) Trabalhar com q subproblemas uniparamétricos { f λi = argmin g Af + qλ i L i f } f R n Obter solução f λ como combinação linear das soluções f λi f λ = f λ (α) = q α i f λi, i=1 s. a q α i = 1 i=1
27 Generalizações Critério do produto mínimo - Ponto Fixo Sejam x(λ) = g Af λ, y i (λ) = L i f λ Escolher como parâmetro de regularização o ponto λ R q minimizador local de Ψ(λ) = x(λ)y 1 (λ) µ1 y q (λ) µq, µ i > 0 Pontos extremos de Ψ(λ) estão associados aos pontos fixos de Φ(λ) = (φ 1 (λ; µ 1 ),...,φ q (λ; µ q )) em que φ i (λ; µ i ) = µ i g Af λ L i f λ
28 Generalizações Pontos extremos de Ψ(λ) Do cálculo, λ é ponto extremo se Ψ(λ) = 0, então x(λ) µ 1 y 1 (λ) λ 1 Ψ(λ) = y µ 1 1 (λ) yµq q (λ)j. = 0 x(λ) µ q y q (λ) λ q em que J = y 1 y q λ 1 λ y 1 y q λ q λ q, não-singular
29 Generalizações Algoritmo 1. λ (0) = (λ (0) 1,...,λ(0) q ) > 0. λ (k+1) = (λ (k+1) 1,...,λ (k+1) q ) = Φ(λ (k) ), isto é, em que λ (k+1) i = φ i (λ (k) ; µ i ), i = 1,...,q φ i (λ; µ i ) = µ i g Af λ L i f λ
30 Generalizações Superfícies Ψ(λ), φ 1 (λ) e φ (λ) Exemplo de superfícies Ψ(λ), φ 1 (λ) e φ (λ) λ λ λ 1 λ λ λ1 FP
31 Experimento numérico Exemplo - Equação integral Discretização da transformada inversa de Laplace (equação integral de Fredholm de primeira espécie). 0 K(x, y)f (y)dy = g(x), 0 x < em que o Núcleo K(x, y), Solução f (y) e Lado direito g(x) são dados por K(x, y) = exp( xy) f (y) = exp( y/) 1 g(x) = x + 1/
32 Experimento numérico Exemplo - Equação integral Sistema linear: 51 variáveis Nível ruído: 1% Regularizadores: L 1 = I e L = L 1. FP L1 FP L FP Comb. Linear Discrep. E 0,4% 4,51% 1,19% 4,50% 3,17% iterações λ 1 0,081 0,5571 0,076 0,081 0,0389 λ 0,5581 0,5571 0, exata FP L FP C.L
33 Trabalhos futuros Trabalhos futuros Análise de erro Possibilidade de estender FP para o caso não-linear
34 Bibliografia F. S. V. Bazán, Fixed-point iterations in determining the Tikhonov regularization parameter, Inv. Problems, 4, 008. F. S. V. Bazán e J. B. FRANCISCO, Improved Fixed-point algorithm for determining the Tikhonov regularization parameter, Inv. Problems, 009. F. S. V. Bazán e L. S. Borges, GKB-FP: an algorithm for large-scale discrete ill-posed problems, BIT, 50, p , 010. F. S. V. Bazán e L. S. Borges, Extension of GKB-FP algorithm to general-form Tikhonov regularization, submetido. C. Brezinski, M. Redivo-Zaglia, G. Rodriguez e S. Seatzu, Multi-parameter regularization techniques for ill-conditioned linear systems, Numerische Mathematik, 94, p. 03-8, 003. S. Lu e S. V. Pereverzev, Multi-parameter regularization and its numerical realization, Numerische Mathematik, 118, p. 1-31, 011. F. Bauer e M. A. Lukas, Comparing parameter choice methods for regularization of ill-posed problems, Math. and Comp. in Simulation, 81, p , 011.
35 Bibliografia V. A. Morozov, On the solution of functional equations by the method of regularization, Soviet Math. Dokl., 7, pp , G. H. Golub, M. T. Heath e G. Wahba, Generalized cross-validation as a method for choosing a good ridge parameter, Technometrics, 1, pp. 15-3, C. C. Paige e M. A. Saunders, LSQR: An algorithm for sparse linear equations and sparse least squares, ACM Trans. Math. Softw, Vol. 8, No. 1, pp 43-71, 198. P. C. Hansen, Rank-deficient and discrete ill-posed problems, SIAM Philadelphia, PA, J. Chung, J. G. Nagy, e D. P. O Leary, A Weighted-GCV Method for Lanczos-Hybrid Regularization, Electronic Transaction on Numerical Analysis, 8, pp , 008.
Método TLS Truncado para o Problema de Espectroscopia de Ressonância Magnética
Trabalho apresentado no CMAC-Sul, Curitiba-PR, 214. Método TLS Truncado para o Problema de Espectroscopia de Ressonância Magnética Jonathan Ruiz Quiroz UFSC - Departamento de Matemática Campus Trindade
Leia maisMétodos de Quadrados Mínimos Totais Regularizados
Universidade Federal de Santa Catarina Curso de Pós-Graduação em Matemática Pura e Aplicada Métodos de Quadrados Mínimos Totais Regularizados Jonathan Ruiz Quiroz Orientador: Prof. Dr. Fermín Sinforiano
Leia maisLista 8 de Álgebra Linear /01 Produto Interno
Lista 8 de Álgebra Linear - / Produto Interno. Sejam u = (x x e v = (y y. Mostre que temos um produto interno em R nos seguintes casos: (a u v = x y + x y. (b u v = x y x y x y + x y.. Sejam u = (x y z
Leia maisUNIVERSIDADE FEDERAL DO ABC. 1 Existência e unicidade de zeros; Métodos da bissecção e falsa posição
UNIVERSIDADE FEDERAL DO ABC BC1419 Cálculo Numérico - LISTA 1 - Zeros de Funções (Profs. André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda) 1 Existência e unicidade de zeros; Métodos
Leia maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Leia maisAlgebra Linear. 1. Funções de Matriz Quadrada 1.1. Teorema de Cayley-Hamilton. pag.1 Teoria de Sistemas Lineares Aula 8. c Reinaldo M.
Algebra Linear 1. 1.1. Teorema de Cayley-Hamilton pag.1 Teoria de Sistemas Lineares Aula 8 Considere A R n n associada a transformação linear f : R n R n Polinômios de matriz quadrada Para k positivo e
Leia maisMétodos Iterativos para a Solução da Equação de Poisson
Métodos Iterativos para a Solução da Equação de Poisson Valdirene da Rosa Rocho, Dagoberto Adriano Rizzotto Justo, Programa de Pós-Graduação em Matemática Aplicada, PPGMap, UFRGS, 91509-900, Porto Alegre,
Leia maisFerramentas Matemáticas para Sistemas Lineares: Álgebra Linear
Ferramentas Matemáticas para Sistemas Lineares: Álgebra Linear Samir Angelo Milani Martins 1 1 UFSJ-MG / Campus Santo Antônio, MG Brasil Mestrado em Engenharia Elétrica UFSJ/CEFET-MG S. A. M. Martins (UFSJ
Leia maisAlgoritmos Numéricos II. Lucia Catabriga 1
Algoritmos Numéricos II Autovalores e Autovetores Métodos de Transformação Lucia Catabriga 1 1 DI/UFES - Brazil Junho 2014 Introdução Introdução Os métodos de transformação tem por objetivo modificar a
Leia maisAutovalores e Autovetores
Algoritmos Numéricos II / Computação Científica Autovalores e Autovetores Lucia Catabriga 1 1 DI/UFES - Brazil Junho 2016 Introdução Ideia Básica Se multiplicarmos a matriz por um autovetor encontramos
Leia maisMáquinas de Vetores de Suporte
Máquinas de Vetores de Suporte Marcelo K. Albertini 14 de Setembro de 2015 2/22 Máquinas de Vetores de Suporte Support Vector Machines (SVM) O que é? Perceptron revisitado Kernels (núcleos) Otimização
Leia maisSME Gustavo C. Buscaglia
SME0602-2017 Gustavo C. Buscaglia ICMC - Ramal 738176, gustavo.buscaglia@gmail.com Cálculo de autovalores e autovetores Existem vários problemas na engenharia em que precisamos calcular os autovalores
Leia maisAgrupamento de dados. Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral
Agrupamento de dados Critério 1: grupos são concentrações de dados k-means Critério 2: grupos são conjuntos de elementos próximos entre si espectral Dados e grafos Se temos dados x i, i 0... n, criamos
Leia maisDescomposição de Cholesky
Frederico Almeida & Guilherme Aguilar Universidade Federal de Minas Gerais 20 de Novembro de 2018 Frederico A. & Guilherme A. (ICEX - UFMG) 20 de Novembro de 2018 1 / 29 Motivação Métodos de otimização
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Introdução Solução de equações não lineares
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisMétodos Numéricos em Equações Diferenciais Aula 02 - Método de Euler
Métodos Numéricos em Equações Diferenciais Aula 02 - Método de Euler Profa. Vanessa Rolnik curso: Matemática Aplicada a Negócios Introdução Método de Diferenças: { w0 = α w i+1 = w i + h φ(t i, w i ),
Leia maisAnais do IX Congresso Brasileiro de Redes Neurais / Inteligência Computacional (IX CBRN) Ouro Preto de Outubro de 2009
A INCORPORAÇÃO DO CONHECIMENTO PRÉVIO NA ESTRATÉGIA DE DECISÃO DO APRENDIZADO MULTI-OBJETIVO Talles H. Medeiros, Antônio P. Braga, Ricardo H. C. Takahashi Universidade Federal de Ouro Preto Departamento
Leia maisAnálise multivariada
UNIFAL-MG, campus Varginha 11 de Setembro de 2018 Dada uma matriz A (p p), podemos obter um escalar λ e um vetor v (p 1) de modo que seja satisfeita? Av = λv (1) Dada uma matriz A (p p), podemos obter
Leia maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Seção 2.1: Álgebra Linear e Matrizes Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br São José
Leia maisCapítulo 10 - Identificação de Sistemas Não Lineares: Algoritmos
Capítulo 10 - Identificação de Sistemas Não Lineares: Algoritmos Prof. Samir Martins UFSJ-CEFET/MG Programa de Pós Graduação em Engenharia Elétrica - PPGEL São João del-rei, 16 de outubro de 2018 1 / 31
Leia maisDepartamento de Matemática da Universidade de Coimbra. Licenciatura em Matemática. e B =
Departamento de Matemática da Universidade de Coimbra Optimização Numérica Licenciatura em Matemática Ano lectivo 2006/2007 Folha 1 1. Considere as matrizes A = [ 1 1 1 2 ] e B = [ 1 3 1 2 (a) Verifique
Leia maisAutovalores e Autovetores
Autovalores e Autovetores Maria Luísa B. de Oliveira SME0300 Cálculo Numérico 24 de novembro de 2010 Introdução Objetivo: Dada matriz A, n n, determinar todos os vetores v que sejam paralelos a Av. Introdução
Leia maisOPTIMIZAÇÃO NÃO LINEAR EM REDES
OPTIMIZAÇÃO NÃO LINEAR EM REDES Luis Ernesto Torres Guardia Departamento de Engenharia de Produção Universidade Federal Fluminense Rua Passo da Pátria 156, São Domingos 24210-240, Niterói, R.J., Brasil
Leia maisAmostras não Uniformes e Reconstrução em Espaços
Amostras não Uniformes e Reconstrução em Espaços de Translações Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://www.mat.ufmg.br/~regi 9 de novembro de 00
Leia maisModelagem Computacional. Parte 8 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Parte 8 2 Prof. Thiago Alves de Queiroz 2/2016 2 [Cap. 10 e 11] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning,
Leia maisCapítulo 1 - Problemas de Valores Próprios
Capítulo 1 - Problemas de Valores Próprios balsa@ipb.pt Departamento de Matemática Mestrado em Engenharia da Construção Métodos de Aproximação em Engenharia 1 o Semestre 2010/2011 Capítulo 1 - Problemas
Leia maisProfs.: Eduardo Vargas Ferreira Walmes Marques Zeviani
Universidade Federal do Paraná Laboratório de Estatística e Geoinformação - LEG Regularização Profs.: Eduardo Vargas Ferreira Walmes Marques Zeviani Introdução: Regressão Linear Considere o exemplo referente
Leia maisConceitos fundamentais em uma dimensão Bases
fundamentais em uma dimensão PME5425 Métodos de Elementos Finitos de Alta Ordem com Aplicações em Mecânica dos Fluidos e Transferência de Calor Prof. Programa de Pós-Graduação em Engenharia Mecânica Escola
Leia maisAlgebra Linear. 1. Revisitando autovalores e autovetores. 2. Forma Diagonal e Forma de Jordan. 2.1 Autovalores distintos. 2.2 Autovalores complexos
Algebra Linear 1. Revisitando autovalores e autovetores 2. Forma Diagonal e Forma de Jordan 2.1 Autovalores distintos 2.2 Autovalores complexos 2.3 Nem todos autovalores distintos 3. Autovalores e autovetores
Leia maisMáquinas de Vetores Suporte em Otimização Sem Derivadas
Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol. 2, N., 204. Trabalho apresentado no CMAC-Sul, Curitiba-PR, 204. Máquinas de Vetores Suporte em Otimização Sem Derivadas
Leia maisTE073 PDS II Programa de Graduação em Engenharia Elétrica
TE073 PDS II Programa de Graduação em Engenharia Elétrica Prof. Alessandro Zimmer zimmer@eletrica.ufpr.br www.eletrica.ufpr.br/~zimmer/te073 Processamento Digital de Imagens PDI: Segmentação Os algoritmos
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 8 04/2014 Zeros reais de funções Parte 2 Voltando ao exemplo da aula anterior, vemos que o ponto médio da primeira iteração
Leia maisLista de Exercícios 1
Lista de Exercícios 1 MAT 01169 - Cálculo Numérico 2 de Agosto de 2015 As respostas de alguns exercícios estão no final da lista. Exercício 1. Converta para binário os números abaixo: (a) (102) 10 = (b)
Leia maisMáquinas de Vetores de Suporte
Máquinas de Vetores de Suporte Prof. Marcelo Keese Albertini Faculdade de Computação Universidade Federal de Uberlândia 19 de Junho de 2017 2/27 Máquinas de Vetores de Suporte Support Vector Machines (SVM)
Leia maisCapítulo 5 - Optimização Não-Linear
Capítulo 5 - Optimização Não-Linear balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Mestrados em Engenharia da Construção Métodos de Aproximação em Engenharia
Leia maisexercícios de análise numérica II
exercícios de análise numérica II lic. matemática aplicada e computação (4/5) aulas práticas - capítulo Exercício. Mostre que a soma dos polinómios base de Lagrange é a função constante. Exercício. Usando
Leia maisUma nova taxa de convergência para o Método do Gradiente
Proceeding Series of the Brazilian Society of Applied and Computational Mathematics, Vol. 2, N. 1, 2014. Trabalho apresentado no CMAC-Sul, Curitiba-PR, 2014. Uma nova taxa de convergência para o Método
Leia maisCF372 Mecânica Quântica I Segunda Lista de Exercícios - Capítulo II. q exp( q 2 ) ( 2 π. 2 (2q 2 1) exp( q 2 )
CF372 Mecânica Quântica I Segunda Lista de Exercícios - Capítulo II 1) Dadas as funções ψ 1 (q) e ψ 2 (q), definidas no intervalo < q < + : ψ 1 (q) = ( 2 π ) 1/2 q exp( q 2 ) Calcule: a) (ψ 1, ψ 2 ); b)
Leia maisfolha prática 5 valores próprios e vetores próprios página 1/3
folha prática 5 valores próprios e vetores próprios página 1/ Universidade de Aveiro Departamento de Matemática 1. Determine os valores próprios e vetores próprios de cada uma das seguintes matrizes. Averigue
Leia maisNotas em Matemática Aplicada ISSN Volume 39, Editores
Notas em Matemática Aplicada ISSN 2175-3385 Volume 39, 2009 Editores Célia A. Zorzo Barcelos Universidade Federal de Uberlândia - UFU Uberlândia, MG, Brasil Eliana X.L. de Andrade Universidade Estadual
Leia maisOptimização. Carlos Balsa. Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança
Optimização Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática Aplicada - Mestrados Eng. Química e Industrial Carlos Balsa Matemática Aplicada
Leia mais1 Álgebra linear matricial
MTM510019 Métodos Computacionais de Otimização 2018.2 1 Álgebra linear matricial Revisão Um vetor x R n será representado por um vetor coluna x 1 x 2 x =., x n enquanto o transposto de x corresponde a
Leia maisSME Roberto F. Ausas / Gustavo C. Buscaglia
SME0305-2016 Roberto F. Ausas / Gustavo C. Buscaglia ICMC - Ramal 736628, rfausas@gmail.com ICMC - Ramal 738176, gustavo.buscaglia@gmail.com Cálculo de autovalores e autovetores Existem vários problemas
Leia maisO teorema do ponto fixo de Banach e algumas aplicações
O teorema do ponto fixo de Banach e algumas aplicações Andressa Fernanda Ost 1, André Vicente 2 1 Acadêmica do Curso de Matemática - Centro de Ciências Exatas e Tecnológicas - Universidade Estadual do
Leia maisResolução de sistemas de equações lineares: Método do Gradiente
Resolução de sistemas de equações lineares: Método do Gradiente Marina Andretta ICMC-USP 24 de março de 2015 Marina Andretta (ICMC-USP) sme0301 - Métodos Numéricos para Engenharia I 24 de março de 2015
Leia maisDeterminação numérica de autovalores e autovetores: Método das Potências Inversas
Determinação numérica de autovalores e autovetores: Marina Andretta/Franklina Toledo ICMC-USP 27 de março de 2015 Marina Andretta/Franklina Toledo (ICMC-USP) sme0301 - Métodos Numéricos para Engenharia
Leia maisCálculo Numérico / Métodos Numéricos. Solução de equações: Método do ponto fixo (iterativo linear - MIL) 15:01
Cálculo Numérico / Métodos Numéricos Solução de equações: Método do ponto fixo (iterativo linear - MIL) 15:01 Idéia Seja f(x) uma função continua em [a,b], intervalo que contém a raiz da equação f(x)=0.
Leia maisUniversidade Tecnológica Federal do Paraná
Cálculo Numérico - Zeros de Funções Prof a Dr a Diane Rizzotto Rossetto Universidade Tecnológica Federal do Paraná 13 de março de 2016 D.R.Rossetto Zeros de Funções 1/81 Problema Velocidade do pára-quedista
Leia maisSME Gustavo C. Buscaglia / Roberto F. Ausas
SME0305-2016 Gustavo C. Buscaglia / Roberto F. Ausas ICMC - Ramal 738176, gustavo.buscaglia@gmail.com ICMC - Ramal 736628, rfausas@gmail.com Sistemas lineares sobredeterminados Matrizes não quadradas Onde
Leia maisPrecondicionadores baseados na aproximação da inversa da matriz de coeficientes
Precondicionadores baseados na aproximação da inversa da matriz de coeficientes João Paulo K. Zanardi, Italo C. N. Lima, Programa de Pós Graduação em Eneganharia Mecânica, FEN, UERJ 20940-903, Rio de Janeiro,
Leia maisCM005 Álgebra Linear Lista 3
CM005 Álgebra Linear Lista 3 Alberto Ramos Seja T : V V uma transformação linear. Se temos que T v = λv, v 0, para λ K. Dizemos que λ é um autovalor de T e v autovetor de T associado a λ. Observe que λ
Leia maisG3 de Álgebra Linear I
G de Álgebra Linear I 7 Gabarito ) Considere a transformação linear T : R R cuja matriz na base canônica E = {(,, ), (,, ), (,, )} é [T] E = a) Determine os autovalores de T e seus autovetores correspondentes
Leia maisÁlgebra Linear. Curso: Engenharia Electrotécnica e de Computadores 1 ō ano/1 ō S 2006/07
Álgebra Linear Curso: Engenharia Electrotécnica e de Computadores 1 ō ano/1 ō S 006/07 5 a Lista: Ortogonalidade Nos exercícios em que n~ao é especificado o produto interno, considere o produto interno
Leia maisMAE125 Álgebra Linear /1 Turmas EQN/QIN
MAE25 Álgebra Linear 2 205/ Turmas EQN/QIN Planejamento (última revisão: 0 de junho de 205) Os exercícios correspondentes a cada aula serão cobrados oralmente na semana seguinte à aula e valem nota Todas
Leia maisPolinômios Ortogonais em Várias Variáveis com Pontos de Massa
Polinômios Ortogonais em Várias Variáveis com Pontos de Massa Mirela V. de Mello Depto de Ciências de Computação e Estatística, IBILCE, UNESP, 15054-000, São José do Rio Preto, SP E-mail: mirela vanina@yahoo.com.br
Leia mais2 Conceitos de confiabilidade estrutural
2 Conceitos de confiabilidade estrutural As estruturas projetadas pelos engenheiros, geralmente são dimensionadas de forma conservadora, já que sobre elas são impostos fatores de segurança que são recomendados
Leia maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 06 - sistemas não lineares Antonio Oliveira Ricardo Marroquim 1 / 38 laboratório de processamento de imagens tópicos RANSAC métodos iterativos (não-lineares) gradientes
Leia maisCálculo Numérico. Resumo e Exercícios P1
Cálculo Numérico Resumo e Exercícios P1 Fórmulas e Resumo Teórico Parte 1 Aritmética de ponto flutuante Operar com o número de algarismos significativos exigido. Arredondar após cada conta. Método de escalonamento
Leia maisLista 1 - Cálculo Numérico - Zeros de funções
Lista 1 - Cálculo Numérico - Zeros de funções 1.) De acordo com o teorema de Bolzano, se uma função contínua f(x) assume valores de sinais opostos nos pontos extremos do intervalo [a, b], isto é se f(a)
Leia maisModelagem da Rede Neural. Modelagem da Rede Neural. Back Propagation. Modelagem da Rede Neural. Modelagem da Rede Neural. Seleção de Variáveis:
Back Propagation Fatores importantes para a modelagem da Rede Neural: Seleção de variáveis; veis; Limpeza dos dados; Representação das variáveis veis de entrada e saída; Normalização; Buscando melhor Generalização
Leia maisAlgoritmo de construção de matrizes de zeros e uns com soma das filas prescritas
Algoritmo de construção de matrizes de zeros e uns com soma das filas prescritas Rosário Fernandes Departamento de Matemática Faculdade de Ciências e Tecnologia Universidade Nova de Lisboa 2829-516 Caparica,
Leia mais1 [30] A figura ao lado mostra o zoom da discretização de uma função
TT9 Matemática Aplicada I Curso de Engenharia Ambiental Departamento de Engenharia Ambiental, UFPR P, 3 mar 22 Prof. Nelson Luís Dias NOME: GABARITO Assinatura: 3] A figura ao lado mostra o zoom da discretização
Leia maisMinicurso sobre Deconvolução em Imagens
Primeiro Encontro VII Encontro de Ciência e Tecnologia FGA/UnB Campus Gama - FGA Universidade de Brasília 18 de Novembro de 2015 Parte I Introdução Motivação Porque diabos estamos aqui para estudar mais
Leia maisDeterminação numérica de autovalores e autovetores: Método das Potências Inversas
Determinação numérica de autovalores e autovetores: Marina Andretta/Franklina Toledo ICMC-USP 3 de setembro de 2012 Marina Andretta/Franklina Toledo (ICMC-USP) sme0300 - Cálculo Numérico 3 de setembro
Leia maisAlgoritmos para o Método dos Mínimos Quadrados
Algoritmos para o Método dos Mínimos Quadrados Antonio Elias Fabris Instituto de Matemática e Estatística Universidade de São Paulo Map 2210 Aplicações de Álgebra Linear Antonio Elias Fabris (IME-USP)
Leia maisUtilização de Métodos de Cálculo Numérico em Aerodinâmica
Cálculo Numérico em Erro vs Incerteza - Um erro define-se como a diferença entre uma determinada solução e a verdade ou solução exacta. Tem um sinal e requer o conhecimento da solução exacta ou verdade
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisCapítulo 1 - Problemas de Valores Próprios
balsa@ipb.pt Departamento de Matemática Mestrados em Engenharia Química e Industrial Matemática Aplicada 1 o Semestre 2009/2010 Outline Problemas de Valores Próprios 1 Problemas de Valores Próprios Problemas
Leia maisSetor de Tecnologia - TC Engenharia Ambiental 2/2011. Prova 1. Matemática Aplicada I
Universidade Federal do Paraná Matemática Aplicada I Setor de Tecnologia - TC Engenharia Ambiental /11 Curitiba,.1.11 Prova 1 Matemática Aplicada I Tobias Bleninger Departamento de Engenharia Ambiental
Leia mais3.6 Erro de truncamento da interp. polinomial.
3 Interpolação 31 Polinômios interpoladores 32 Polinômios de Lagrange 33 Polinômios de Newton 34 Polinômios de Gregory-Newton 35 Escolha dos pontos para interpolação 36 Erro de truncamento da interp polinomial
Leia maisRedes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
Leia maisEquações não lineares
DMPA IM UFRGS Cálculo Numérico Índice 1 Método da bissecção 2 Método Newton-Raphson 3 Método da secante Vamos estudar métodos numéricos para resolver o seguinte problema. Dada uma função f contínua, real
Leia maisMétodo dos gradientes (ou método de máxima descida)
Método dos gradientes (ou método de máxima descida) Marina Andretta ICMC-USP 14 de setembro de 2010 Marina Andretta (ICMC-USP) sme5720 - Otimização não-linear 14 de setembro de 2010 1 / 16 Método dos gradientes
Leia maisdepende apenas da variável y então a função ṽ(y) = e R R(y) dy
Formulario Equações Diferenciais Ordinárias de 1 a Ordem Equações Exactas. Factor Integrante. Dada uma equação diferencial não exacta M(x, y) dx + N(x, y) dy = 0. ( ) 1. Se R = 1 M N y N x depende apenas
Leia maisUNIVERSIDADE FEDERAL DO ABC
UNIVERSIDADE FEDERAL DO ABC BC49 Cálculo Numérico - LISTA - sistemas lineares de equações Profs André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda Métodos diretos Analise os sistemas
Leia maisPrograma do Curso. Transformação de Dados. Sistemas Inteligentes Aplicados. Carlos Hall. Discretização de Variáveis Contínuas
Sistemas Inteligentes Aplicados Carlos Hall Programa do Curso Limpeza/Integração de Dados Transformação de Dados Discretização de Variáveis Contínuas Transformação de Variáveis Discretas em Contínuas Transformação
Leia maisAlgoritmos Numéricos 2 a edição
Algoritmos Numéricos 2 a edição Capítulo 2: Sistemas lineares c 2009 FFCf 2 2.1 Conceitos fundamentais 2.2 Sistemas triangulares 2.3 Eliminação de Gauss 2.4 Decomposição LU Capítulo 2: Sistemas lineares
Leia maisAnálise Matemática III Resolução do 2 ō Teste e 1 ō Exame - 20 de Janeiro horas
Instituto uperior Técnico Departamento de Matemática ecção de Álgebra e Análise Análise Matemática III Resolução do ō Teste e ō Exame - de Janeiro - 9 horas. O sólido tem simetria cilíndrica em torno do
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia mais10 Estabilidade de Métodos de Passo Simples
MAP 2310 - Análise Numérica e Equações Diferenciais I 1 o Semestre de 2008 Análise Numérica NÃO REVISADO! 10 Estabilidade de Métodos de Passo Simples Continuamos interessados em estudar Métodos de Discretização
Leia maisMétodo de Newton modificado
Método de Newton modificado Marina Andretta ICMC-USP 14 de setembro de 2010 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 14 de setembro de 2010 1 / 36 Método de Newton Como já vimos, o método
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem
Leia maisSistemas Lineares. Métodos Iterativos Estacionários
-58 Sistemas Lineares Estacionários Lucia Catabriga e Andréa Maria Pedrosa Valli Laboratório de Computação de Alto Desempenho (LCAD) Departamento de Informática Universidade Federal do Espírito Santo -
Leia maisAJUSTAMENTO PARAMÉTRICO POR MÍNIMOS QUADRADOS COM ANÁLISE NA ESTABILIDADE DA SOLUÇÃO
4 AJUSTAMENTO PARAMÉTRICO POR MÍNIMOS QUADRADOS COM ANÁLISE NA ESTABILIDADE DA SOLUÇÃO Silvio Jacks dos Anjos Garnés 1 Raimundo José Borges de Sampaio Quintino Dalmolin 1 CESUP-Centro de Ensino Superior
Leia maisCap. 4. Resolução Numérica de Sistemas Lineares. Filipe J. Romeiras
MATEMÁTICA COMPUTACIONAL Cap. 4. Resolução Numérica de Sistemas Lineares Filipe J. Romeiras Departamento de Matemática Instituto Superior Técnico Apontamentos das aulas da disciplina do mesmo nome do o
Leia maisUtilização de Métodos de Cálculo Numérico em Aerodinâmica
Erro Numérico: - Erro de arredondamento - Erro iterativo - Erro de discretização Três componentes do erro numérico têm comportamentos diferentes com o aumento do número de graus de liberdade (refinamento
Leia maisFOLHAS DE PROBLEMAS DE MATEMÁTICA II CURSO DE ERGONOMIA PEDRO FREITAS
FOLHAS DE PROBLEMAS DE MATEMÁTICA II CURSO DE ERGONOMIA PEDRO FREITAS Maio 12, 2008 2 Contents 1. Complementos de Álgebra Linear 3 1.1. Determinantes 3 1.2. Valores e vectores próprios 5 2. Análise em
Leia maisA forma canônica de Jordan
A forma canônica de Jordan 1 Matrizes e espaços vetoriais Definição: Sejam A e B matrizes quadradas de orden n sobre um corpo arbitrário X. Dizemos que A é semelhante a B em X (A B) se existe uma matriz
Leia maisConsiderações de Desempenho
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 1 Dicas para o BP Os pesos devem
Leia maisBCC465 - TÉCNICAS DE MULTI-OBJETIVO. Gladston Juliano Prates Moreira 22 de novembro de 2017
BCC465 - TÉCNICAS DE OTIMIZAÇÃO MULTI-OBJETIVO Aula 04 - Otimização Não-linear Gladston Juliano Prates Moreira email: gladston@iceb.ufop.br CSILab, Departamento de Computação Universidade Federal de Ouro
Leia maisVisão Computacional CPS754
Visão Computacional CPS754 aula 12 - matriz fundamental Antonio Oliveira Ricardo Marroquim 1 / 1 visão computacional tópicos métodos numéricos para computar F 2 / 1 básico equação básica lembrando da condição
Leia maisTestes Exatos para Componentes de Variância em Modelos Lineares Mistos Desbalanceados
Testes Exatos para Componentes de Variância em Modelos Lineares Mistos Desbalanceados Davi Butturi Gomes José Nilton da Cruz Luiz Ricardo Nakamura 13 de agosto de 2012 Notação e Terminologia y = Xa + Zb
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisMétodo Estabilizados Para Problemas de
Método Estabilizados Para Problemas de Convecção-Difusão-Reação Prof. Isaac P. Santos Disciplina: Elementos Finitos - 2012/2 Programa de Pós-Graduação em Informática - PPGI Universidade Federal do Espírito
Leia maisFORMA CANÔNICA DE JORDAN
FORMA CANÔNICA DE JORDAN Álgebra Linear (MAT-27) Ronaldo Rodrigues Pelá IEFF-ITA 4 de novembro de 2011 Roteiro Motivação 1 Motivação 2 3 4 5 6 Roteiro Motivação 1 Motivação 2 3 4 5 6 Matrizes Quase Diagonalizáveis
Leia maisII Seminário da Pós-graduação em Engenharia Elétrica
UMA INVESTIGAÇÃO DOS PARÂMETROS NOS MÉTODOS MISTOS DE OTIMIZAÇÃO NÃO LINEAR Ellen Cristina Ferreira Aluna do Programa de Pós-Graduação em Engenharia Elétrica Unesp Bauru Profa. Dra. Edméa Cássia Baptista
Leia maisOptativa: Linha 2 Carga Horária: 45 hs Créditos: 03
Título: CTS18 Introdução à Simulação Numérica Optativa: Linha 2 Carga Horária: 45 hs Créditos: 03 Ementa: 1. Introdução 2. Análise de Erros 3. Resolução de equações não lineares 4. Resolução de Sistemas
Leia maisBack Propagation. Dicas para o BP
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 11 Dicas para o BP Os pesos devem
Leia maisSME Cálculo Numérico. Lista de Exercícios: Gabarito
Exercícios de prova SME0300 - Cálculo Numérico Segundo semestre de 2012 Lista de Exercícios: Gabarito 1. Dentre os métodos que você estudou no curso para resolver sistemas lineares, qual é o mais adequado
Leia mais