Fraktálok és káosz. Szirmay-Kalos László
|
|
- Klaudia Hajduné
- 6 évvel ezelőtt
- Látták:
Átírás
1 Fraktálok és káosz Szirmay-Kalos László
2 A természet geometriája Euklideszi geometria metrikus Sima egyenesre/síkra épít (analízis: differenciálás) Kicsiben mindenki lineáris: Skálafüggőség Méret lényeges (milyen méret: dimenzió kapcsolat) Méret: szakasz, négyzet, kocka lefedés Dimenzió: algebra = független változók, topológia=kettévágás Hossz (1D); terület (2D); térfogat (3D) Ember alkotta objektumokra jó Természet Méret nem releváns (zérus vagy végtelen): dimenzió? Nem sima (nem differenciálható) Kicsiben is ugyanolyan: Skálafüggetlenség
3 (Helge von) Koch görbe: hossz végtelen l n = l n Véges tartományban végtelen hosszú: Dimenzió > 1 Területe zérus Dimenzió < 2 Folytonos Sehol sem differenciálható (tüskés) Önhasonló
4 (Felix) Hausdorff dimenzió önhasonló objektumokra r = 1/ 2 N = 4 N = 8 N = 2 N = 1/r D D = log (N) log (1/r)
5 Koch görbe Hausdorff dimenziója r = 1/3 N = 4 D = log (4) log (3) 1.26
6 Lindenmayer (Arisztid) rendszerek F F+60F-120F+60F r = 1/3, N = 4, D=log(4)/log(3)=1.26 F F+90F-90F-90FF+90F+90F-90F r = 1/4, N = 8, D=log(8)/log(4)=1.5 F F+90F-90F-90F-90F+90F+90F+90F-90F r = 1/3, N = 9, D=log(9)/log(3)=2 Peano/Hilbert térkitöltő görbe
7 Nem önhasonló objektumok: vonalzó dimenzió N = 1/r D Vonalzó (l) db l 1 r =1/3 N = 4 r 2 N 2 r m N m Hossz(l) = l db = l N m = l (1/r D ) m = = l (1/r m ) D = 1/ l D-1 D = - log(hossz(l))/log(l) + 1
8 Dimenziómérés = hosszmérés EEG görbe log Hossz( l ) D-1 log l Alkalmazás: Természetes objektumok elkülönítése és kategorizálása
9 Fraktálok előállítása Matematikai gépek: L-rendszerek Fraktális (1/f ) zaj: Brown mozgás, Perlin zaj Kaotikus dinamikus rendszerek (véletlenszám generátor)
10 F F+60F-120F+60F Lindenmayer rendszerek
11 Vágás, Homogén osztás Vágás, homdiv Viewport tr. Raszterizáció transzform Viewport transzform Raszterizáció rasztertár Geometry shader csúcspontok vertex shader primitívek geometry shader gl_position reg1 reg2 reg3 reg4 pixelek gl_fragcoord reg1 reg2 reg3 reg4 Pixel cím Pixel szín Fragment shader VAO/VBO Textúrák GPU memória CPU
12 Fraktális zaj /9 /3 = 1/(2 3) Skála Részlet N = 4 N 2 = 16 /3 N m = 4 m /3 m-1 szórás
13 (1) S (Ken) Perlin zaj n( p) (2) S (3) S p p
14 Iterált függvények, fix point, stabilitás x n+1 = F(x n ) x 1 = F(x 0 ) x 2 = F(x 1 ) = F(F(x 0 )) x * = F(x * ) Fix point x 3 = F(x 2 ) = F(F(F(x 0 ))) Stabilitás: F (x * ) < 1 x * + x n+1 = F(x * + x n ) F(x * ) + F (x * ) x n x n+1 F (x * ) x n Labilis Stabil
15 Kaotikus dinamikus rendszer: nyulak kis C értékre S n+1 S n+1 = C S n (S max -S n ) S n S n+1 = S n Iteráció: S n+1 = F(S n ) Fix pont: S * = F(S * ) Stabil: F (S * ) < 1 S n n
16 Kaotikus dinamikus rendszer: nyulak közepes C értékre S n+1 S n S n+1 = S n stabil labilis S n+1 = C S n (S max -S n ) S n n
17 Kaotikus dinamikus rendszer: nyulak nagy C értékre S n+1 S n labilis labilis S n+1 = C S n (S max -S n ) S n n
18 Káosz A rendszer determinisztikus, de Kezdeti állapot hatása eltűnik Kis perturbáció nagyon eltérő viselkedéshez vezet Auto-korrelációs függvény zérushoz tart Korábbi állapot gyengén befolyásolja a sokkal későbbit Megjósolhatatlanság Teljesítmény sűrűség spektrum nem tart zérushoz Nagy frekvencia
19 static int r = 3; void seed(int s) { r = s; } int rand( ) { r = F(r); return r; } Iterált függvény: Pszeudó véletlenszám r n+1 = F(r n ) generátor véletlenként hat r n F nagy derivált! n
20 r n Rossz F(r) 1 r n (r n, r n+1 ) = (r n, F(r n )) párok 1
21 Kongruens generátor F(r) = { g r + c } g r+c tört része g nagy F(r) r
22 Kaotikus rendszerek a síkon F z = x + iy F(z)=z 2 + c F(z)=e z +c F(z)=cos(z+c) F(z)=sinh(z)+c
23 F: z z 2 divergens z = r e i r r 2 2 konvergens 1 Attraktor: H = F(H) F H
24 Attraktor felrajzolása Attraktor a labilis és a stabil tartomány határa: kitöltött attraktor = nem divergens pontok z n+1 = z n 2 : ha z < akkor fekete Attraktorhoz konvergálunk, ha az stabil z n+1 = z n 2 attraktora labilis
25 F -1 Inverz iterációs módszer H = F(H) H = F -1 (H) z n+1 = z n 2 z n+1 = z n H z 0 r n+1 = r n n+1 = n /2 + {0 1} Ha n nagy: 1 r n = (r 0 ) 1/2n 1 n = 0 /2 n +{0 1}.{0 1}{0 1}... {0 1}.{0 1}{0 1}... n n-1 n-2
26 Többértékű leképzés: Véletlen bolyongás z n+1 = n /2 + {0 1} r n 1 n {0 1}.{0 1}{0 1}... n n-1 n-2 Nem lehet csak egy értékkel dolgozni??? Mélységi feltárás szélességi helyett??? Csak a +: n = 0 Felváltva +/-: 2n = 4 /3; 2n = 2 /3 Véletlenszerűen!
27 (Gaston) Julia halmaz F: z z 2 + c
28 Kitöltött Julia halmaz: algoritmus Im z (X,Y) FilledJuliaDraw ( ) FOR Y = 0 TO Ymax DO Re z FOR X = 0 TO Xmax DO ViewportWindow(X,Y x, y) z = x + i y FOR n = 0 TO infinity DO z = z 2 + c IF z >= infinity THEN WRITE(X,Y, white) ELSE WRITE(X,Y, black) ENDFOR ENDFOR END
29 GPU implementáció float cvtx[] = { -1, -1, 1, -1, 1, 1, -1, 1 }; CPU program glbufferdata(gl_array_buffer, sizeof(cvtx), cvtx, GL_STATIC_DRAW); gldrawarrays(gl_triangle_fan, 0, 4); uniform vec2 cameracenter, camerasize; layout(location = 0) in vec2 cvertex; out vec2 z0; void main() { gl_position = vec4(cvertex, 0, 1); z0 = cvertex * camerasize/2 + cameracenter; } Im z Vertex shader Re z uniform vec2 c; in vec2 z0; out vec4 fragcol; z = z 2 + c Fragment shader void main() { vec2 z = z0; for(int i=0; i<1000; i++) z = vec2(z.x*z.x-z.y*z.y,2*z.x*z.y) + c; fragcol = (dot(z,z) < 100)? vec4(0, 0, 0, 1) : vec4(1, 1, 1, 1); }
30 Kitöltött Julia halmaz: kép
31 Julia halmaz inverz iterációval JuliaDrawInverseIterate ( ) Kezdeti z érték választás FOR n = 0 TO infinity DO x = Re z, y = Im z IF InWindow(x, y) WindowViewport(x, y X, Y) WRITE(X,Y, black) ENDIF z = z - c if (random( ) > 0.5) z = -z ENDFOR END Im z (X,Y) Re z Kezdeti z érték: z 2 = z - c gyöke
32 Vágás, homdiv Viewport tr. Raszterizáció rasztertár GPU implementáció z Vertex shader layout(location = 0) in vec2 zroot; void main() { gl_position = vec4(zroot, 0, 1); } Fragment shader void main() { fragcolor = vec4(0, 0, 0, 1); } Pixel cím CPU vertex shader geometry shader Fragment shader
33 z CPU program Kezdeti z érték: z 2 = z - c gyöke vec2 z = vec2(0.5, 0) + sqrtcomplex(vec2( c.x, -c.y)); for (int p = 0; p < npackets; p++) { vec2 vtx[nseeds]; for (int i = 0; i < nseeds; i++) { z = sqrtcomplex(z - c) * (rand() & 1? 1 : -1); vtx[i] = -z; } glbufferdata(gl_array_buffer, sizeof(vtx), vtx, GL_DYNAMIC_DRAW); gldrawarrays(gl_points, 0, nseeds); }
34 Geometry shader uniform vec2 cameracenter, camerasize, c; layout(points) in; layout(points, max_vertices = 63) out; vec2 sqrtcomplex(vec2 z) { float r = length(z), phi = atan(z.y, z.x); return vec2(cos(phi/2), sin(phi/2)) * sqrt(r); } void main() { vec2 zs[63]; zs[0] = gl_in[0].gl_position.xy; gl_position = vec4((zs[0]-cameracenter)/(camerasize/2),0,1); EmitVertex(); } for(int i = 0; i < 63/2; i++) { vec2 z = sqrtcomplex(zs[i] - c); for(int j = 1; j <= 2; j++) { zs[2 * i + j] = z; gl_position = vec4((z-cameracenter)/(camerasize/2),0,1); EmitVertex(); z = -z; } } EndPrimitive();
35 Julia halmaz összefüggése összefüggő nem összefüggő, Cantor féle halmaz
36 H = F(H) F H Julia halmaz H 1 = F(H 0 ) H 0 összefüggősége H 0 H H-c H 1 c H-c H c z n+1 = z n -c
37 (Benoit) Mandelbrot halmaz Azon c komplex számok, amelyekre a z z 2 + c Julia halmaza összefüggő.
38 Mandelbrot halmaz, algoritmus Im z (X,Y) MandelbrotDraw ( ) FOR Y = 0 TO Ymax DO FOR X = 0 TO Xmax DO Re z ViewportWindow(X,Y x, y) c = x + i y z = 0 FOR n = 0 TO infinity DO z = z 2 + c IF z >= infinity THEN WRITE(X,Y, white) ELSE WRITE(X,Y, black) ENDFOR ENDFOR END z > 2
39 GPU implementáció float cvtx[] = { -1, -1, 1, -1, 1, 1, -1, 1 }; glbufferdata(gl_array_buffer, sizeof(cvtx), cvtx, GL_STATIC_DRAW); gldrawarrays(gl_triangle_fan, 0, 4); uniform vec2 cameracenter, camerasize; layout(location = 0) in vec2 cvertex; out vec2 c; void main() { gl_position = vec4(cvertex, 0, 1); c = cvertex * camerasize/2 + cameracenter; } in vec2 c; out vec4 fragcol; z = z 2 + c CPU program Vertex shader Fragment shader void main() { vec2 z = c; for(int i = 0; i < niteration; i++) { z = vec2(z.x * z.x - z.y * z.y, 2 * z.x * z.y) + c; if (dot(z, z) > 4) break; } fragcol = (i == niteration)? vec4(0, 0, 0, 1) : vec4(1, 1, 1, 1); }
40 Matematikát kijátszó Mandelbrot halmazok
41 Inverz feladat: IFS modellezés F x, y H F F: szabadon vezérelhető, legyen stabil attraktora Attraktor: H = F(H)
42 Melyik függvény attraktora a Koch görbe? Attraktor: H = F(H) = W 1 (H) W 2 (H) W 3 (H) W 4 (H) W 2 (H) W 3 (H) W 1 (H) W 4 (H) W k (x,y) = [x,y] A k + q k
43 F: többértékű lineáris leképzés Nem feltétlenül hasonlósági transzformáció! Nem csak önhasonló objektumok. F = W 1 W 2 W m W k (x,y) = [x,y] A k + q k W 2 W 1 H H Stabilitás = kontrakció A sajátértékei < 1 H = W 1 (H) W 2 (H) W m (H) H = F(H) Kollázs: lefedés a kicsinyített változatokkal Nem feltétlenül diszkjunkt
44 IFS rajzolás: iterációs algoritmus IFSDraw ( ) Legyen [x,y] = [x,y] A 1 + q 1 megoldása a kezdő [x,y] FOR i = 0 TO infinity DO IF InWindow(x, y) WindowViewport(x, y X, Y) Write(X, Y, color); ENDIF y Válassz k-t p k valószínűséggel [x,y] = [x,y] A k + q k ENDFOR END W k (X,Y) x
45 Egyszerű IFS-ek
46 IFS modellezés
47 IFS képek
dimenziója Szirmay-Kalos László N= 1/r D D= (logn) / (log 1/r) D= (log4) / (log 3) = 1.26 N = 4, r = 1/3 Vonalzó ( l ) db r =1/3 N = 4 r 2 N 2 N m r m
Fraktálok Hausdorff dimenzió Fraktálok N = N = 4 N = 8 Szirmay-Kalos László r = r = r = N= /r D D= (logn) / (log /r) Koch görbe D= (log4) / (log 3) =.6 N = 4, r = /3 Nem önhasonló objektumok dimenziója
2D képszintézis. Szirmay-Kalos László
2D képszintézis Szirmay-Kalos László 2D képszintézis Modell szín (200, 200) Kép Kamera ablak (window) viewport Unit=pixel Saját színnel rajzolás Világ koordinátarendszer Pixel vezérelt megközelítés: Tartalmazás
Nincs szinkronizáció és kommunikáció Csővezeték alkalmazása Párhuzamosítás
Nincs szinkronizáció és kommunikáció Csővezeték alkalmazása Párhuzamosítás Proc Proc 2 Csővezeték Proc 2 Proc Párhuzamosság Proc 22 Alapműveletek Map Amplify Reduce Sum CPU Vertex Shader Vertexek + tulajdonságok:
Véletlen szám generálás Labirintus felépítése 1x1-es felbontástól a teljes méretig
Véletlen szám generálás Labirintus felépítése 1x1-es felbontástól a teljes méretig Labirintusban egy kiindulási pontból az összes pontba legrövidebb út keresése Egy végállomásból elindulva visszafejteni
Georg Cantor (1883) vezette be Henry John Stephen Smith fedezte fel 1875-ben. van struktúrája elemi kis skálákon is önhasonló
láttuk, hogy a Lorenz egyenletek megoldásai egy nagyon bonyolult halmazt alkottak a fázistérben végtelenül komplex felület fraktál: komplex geometriai alakzatok, melyeknek elemi kis skálán is van finomszerkezete
HLSL programozás. Grafikus játékok fejlesztése Szécsi László t06-hlsl
HLSL programozás Grafikus játékok fejlesztése Szécsi László 2013.02.16. t06-hlsl RESOURCES PIPELINE STAGES RENDER STATES Vertex buffer Instance buffer Constant buffers and textures Index buffer Constant
Fraktálok. Klasszikus fraktálpéldák I. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék
Fraktálok Klasszikus fraktálpéldák I Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék TARTALOMJEGYZÉK 1 of 86 Bevezetés. 2 of 86 TARTALOMJEGYZÉK Bevezetés. Az önhasonlóságról intuitív módon Klasszikus
Fraktálok. Löwy Dániel Hints Miklós
alkalmazott erjedéses folyamat sajátságait. Továbbá nemcsak az alkoholnak az emberi szervezetre gyakorolt hatását tudjuk megfigyelni (például a szomszéd dülöngélését és kurjongatását), hanem az alkoholnak
Fraktálok. Kontrakciók Affin leképezések. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék. TARTALOMJEGYZÉK Kontrakciók Affin transzformációk
Fraktálok Kontrakciók Affin leképezések Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék TARTALOMJEGYZÉK 1 of 71 A Lipschitz tulajdonság ÁTMÉRŐ, PONT ÉS HALMAZ TÁVOLSÁGA Definíció Az (S, ρ) metrikus tér
Információ megjelenítés Számítógépes ábrázolás. Dr. Iványi Péter
Információ megjelenítés Számítógépes ábrázolás Dr. Iványi Péter Raszterizáció OpenGL Mely pixelek vannak a primitíven belül fragment generálása minden ilyen pixelre Attribútumok (pl., szín) hozzárendelése
FRAKTÁLGEOMETRIA. Példák fraktálokra I. Czirbusz Sándor február 1. Komputeralgebra Tanszék ELTE Informatika Kar
Példák fraktálokra I Czirbusz Sándor czirbusz@gmail.com Komputeralgebra Tanszék ELTE Informatika Kar 2010. február 1. Vázlat 1 Mi a fraktál? 2 A konstrukció Egyszerű tulajdonságok Triadikus ábrázolás Transzlációk
1. Házi feladat. Határidő: I. Legyen f : R R, f(x) = x 2, valamint. d : R + 0 R+ 0
I. Legyen f : R R, f(x) = 1 1 + x 2, valamint 1. Házi feladat d : R + 0 R+ 0 R (x, y) f(x) f(y). 1. Igazoljuk, hogy (R + 0, d) metrikus tér. 2. Adjuk meg az x {0, 3} pontok és r {1, 2} esetén a B r (x)
Információ megjelenítés Számítógépes ábrázolás. Dr. Iványi Péter
Információ megjelenítés Számítógépes ábrázolás Dr. Iványi Péter (adat szerkezet) float x,y,z,w; float r,g,b,a; } vertex; glcolor3f(0, 0.5, 0); glvertex2i(11, 31); glvertex2i(37, 71); glcolor3f(0.5, 0,
Direct3D pipeline. Grafikus játékok fejlesztése Szécsi László t03-pipeline
Direct3D pipeline Grafikus játékok fejlesztése Szécsi László 2013.02.12. t03-pipeline RESOURCES PIPELINE STAGES RENDER STATES Vertex buffer Instance buffer Constant buffers and textures Index buffer Constant
FRAKTÁLGEOMETRIA Feladatok. Czirbusz Sándor április 16. A feladatok végén zárójelben a feladat pontértéke található.
FRAKTÁLGEOMETRIA Feladatok Czirbusz Sándor 010. április 16. I. rész Feladatok A feladatok végén zárójelben a feladat pontértéke található. 1. Példák fraktálokra 1.1. A Cantor - halmaz 1.1.1. Feladat. Igazoljuk,
Fraktál alapú képtömörítés p. 1/26
Fraktál alapú képtömörítés Bodó Zalán zbodo@cs.ubbcluj.ro BBTE Fraktál alapú képtömörítés p. 1/26 Bevezetés tömörítések veszteségmentes (lossless) - RLE, Huffman, LZW veszteséges (lossy) - kvantálás, fraktál
Valószínűségi változók. Várható érték és szórás
Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :
A Newton-Raphson iteráció kezdeti értéktől való érzékenysége
Szénási Eszter SZTE TTIK Matematika BSc, Numerikus matematika projekt 2015. november 30. A Newton-Raphson iteráció kezdeti értéktől való érzékenysége Medencék (attraktorok) színezése 2 Newton_project-szenasi.nb
Plakátok, részecskerendszerek. Szécsi László
Plakátok, részecskerendszerek Szécsi László Képalapú festés Montázs: képet képekből 2D grafika jellemző eszköze modell: kép [sprite] 3D 2D képével helyettesítsük a komplex geometriát Image-based rendering
2018, Diszkrét matematika
Diszkrét matematika 5. előadás mgyongyi@ms.sapientia.ro Sapientia Egyetem, Matematika-Informatika Tanszék Marosvásárhely, Románia 2018, őszi félév Miről volt szó az elmúlt előadáson? Python alapfogalmak:
Matematika szigorlat, Mérnök informatikus szak I máj. 12. Név: Nept. kód: Idő: 1. f. 2. f. 3. f. 4. f. 5. f. 6. f. Össz.: Oszt.
Matematika szigorlat, Mérnök informatikus szak I. 2009. máj. 12. Név: Nept. kód: Idő: 1. f. 2. f. 3. f. 4. f. 5. f. 6. f. Össz.: Oszt.: 180 perc 0-49 pont: elégtelen, 50-61 pont: elégséges, 62-73 pont:
Funkcionálanalízis. n=1. n=1. x n y n. n=1
Funkcionálanalízis 2011/12 tavaszi félév - 2. előadás 1.4. Lényeges alap-terek, példák Sorozat terek (Folytatás.) C: konvergens sorozatok tere. A tér pontjai sorozatok: x = (x n ). Ezen belül C 0 a nullsorozatok
Sorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján
Sorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján Számsorozatok, vektorsorozatok konvergenciája Def.: Számsorozatok értelmezése:
2018, Diszkre t matematika. 10. elo ada s
Diszkre t matematika 10. elo ada s MA RTON Gyo ngyve r mgyongyi@ms.sapientia.ro Sapientia Egyetem, Matematika-Informatika Tansze k Marosva sa rhely, Roma nia 2018, o szi fe le v MA RTON Gyo ngyve r 2018,
Árnyalás, env mapping. Szécsi László 3D Grafikus Rendszerek 3. labor
Árnyalás, env mapping Szécsi László 3D Grafikus Rendszerek 3. labor Egyszerű árnyaló FS legyen egy fényirány-vektor normálvektor és fényirány közötti szög koszinusza az irradiancia textúrából olvasott
1. Komplex függvények dierenciálhatósága, Cauchy-Riemann egyenletek. Hatványsorok, elemi függvények
1. Komplex függvények dierenciálhatósága, Cauchy-Riemann egyenletek. Hatványsorok, elemi függvények 1.1. Dierenciálhatóság 1.1. deníció. Legyen a z 0 pont az f(z) függvény értelmezési tartományának torlódási
Matematika A1a Analízis
B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Matematika A1a Analízis BMETE90AX00 Differenciálhatóság H607, EIC 2019-03-14 Wettl
Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.
Regresszió Csorba János Nagyméretű adathalmazok kezelése 2010. március 31. A feladat X magyarázó attribútumok halmaza Y magyarázandó attribútumok) Kérdés: f : X -> Y a kapcsolat pár tanítópontban ismert
A TANTÁRGY ADATLAPJA
A TANTÁRGY ADATLAPJA 1. A képzési program adatai 1.1 Felsőoktatási intézmény Babeș-Bolyai Tudományegyetem 1.2 Kar Matematika és Informatika 1.3 Intézet Magyar Matematika és Informatika 1.4 Szakterület
Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán
Adatelemzési eljárások az idegrendszer kutatásban Somogyvári Zoltán MTA KFKI Részecske és Magfizikai Intézet, Biofizikai osztály Az egy adatsorra (idősorra) is alkalmazható módszerek Példa: Az epileptikus
Textúrák. Szécsi László
Textúrák Szécsi László Textúra interpretációk kép a memóriában ugyanolyan mint a frame buffer pixel helyett texel adatok tömbje 1D, 2D, 3D tömb pl. RGB rekordok függvény diszkrét mintapontjai rácson rekonstrukció:
Tartalomjegyzék. 1. Előszó 1
Tartalomjegyzék 1. Előszó 1 2. Halmazok, relációk, függvények 3 2.1. Halmazok, relációk, függvények A............... 3 2.1.1. Halmazok és relációk................... 3 2.1.2. Relációk inverze és kompozíciója............
HLSL programozás. Szécsi László
HLSL programozás Szécsi László RESOURCES PIPELINE STAGES RENDER STATES Vertex buffer Instance buffer Constant buffers and textures Index buffer Constant buffers and textures Output buffer Constant buffers
Fraktálok. Bevezetés. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék Tavasz
Fraktálok Bevezetés Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék 2014-2015 Tavasz TARTALOMJEGYZÉK 1 of 51 Előzetes a bevezetőhöz 2 of 51 Előzetes ELŐZETES Mivel foglalkozunk, mivel nem Előzetes a bevezetőhöz
TANTÁRGYI PROGRAM Matematikai alapok I. útmutató
BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok I. útmutató 2014/2015. tanév I. félév Tantárgyi program Tantárgy megnevezése Matematikai alapok
TANTÁRGYI ÚTMUTATÓ. Gazdasági matematika I. tanulmányokhoz
I. évfolyam BA TANTÁRGYI ÚTMUTATÓ Gazdasági matematika I. tanulmányokhoz TÁVOKTATÁS 2015/2016-os tanév I. félév A KURZUS ALAPADATAI Tárgy megnevezése: Gazdasági matematika I. (Analízis) Tanszék: Módszertani
Négyzetfraktálok. Fábián János
Négyzetfraktálok Fábián János Matematika BSc, tanári szakirány Szakdolgozat Témavezet : Buczolich Zoltán Egyetemi tanár Analízis Tanszék Eötvös Loránd Tudományegyetem Természettudományi Kar Budapest, 2016.
Fraktálok és számítógépes grafika
Fraktálok és számítógépes grafika - Szakdolgozat - Készítette: Mansaré Anna Manty (Matematika BSc, Elemző szakirány) Témavezető: Buczolich Zoltán (Analízis Tanszék, Matematikai Intézet) Eötvös Loránd Tudományegyetem
Programozási nyelvek 4. előadás
Programozási nyelvek 4. előadás Fa rajzolása rekurzívan Logo fa variációk A fa egy törzsből áll, amelynek tetején két ág nő ki, s mindkettő tulajdonképpen egy-egy alacsonyabb, rövidebb törzsű fa. Az ábrában
Nagy Gábor compalg.inf.elte.hu/ nagy
Diszkrét matematika 3. estis képzés 2016. ősz 1. Diszkrét matematika 3. estis képzés 3. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
0-49 pont: elégtelen, pont: elégséges, pont: közepes, pont: jó, pont: jeles
Matematika szigorlat, Mérnök informatikus szak I. 2013. jan. 10. Név: Neptun kód: Idő: 180 perc Elm.: 1. f. 2. f. 3. f. 4. f. 5. f. Fel. össz.: Össz.: Oszt.: Az elérhető pontszám 40 (elmélet) + 60 (feladatok)
TANTÁRGYI PROGRAM Matematikai alapok I. útmutató
BGF PÉNZÜGYI ÉS SZÁMVITELI KAR Módszertani Intézeti Tanszéki Osztály TANTÁRGYI PROGRAM Matematikai alapok I. útmutató 2013/2014. tanév II. félév Tantárgyi program Tantárgy megnevezése Matematikai alapok
Folytonos görbék Hausdorff-metrika Mégegyszer a sztringtérről FRAKTÁLGEOMETRIA. Metrikus terek, Hausdorff-mérték. Czirbusz Sándor
Metrikus terek, Hausdorff-mérték Czirbusz Sándor czirbusz@gmail.com Komputeralgebra Tanszék ELTE Informatika Kar 2010. március 22. Vázlat 1 Folytonos görbék Affin függvények Definíciók A Koch-görbe A Cantor-halmaz
Megoldások MATEMATIKA II. VIZSGA (VK) NBT. NG. NMH. SZAKOS HALLGATÓK RÉSZÉRE (Kérjük, hogy a megfelelő szakot jelölje be!
MATEMATIKA II. VIZSGA (VK) NBT. NG. NMH. SZAKOS HALLGATÓK RÉSZÉRE (Kérjük, hogy a megfelelő szakot jelölje be!) 2016. JANUÁR 21. Elérhető pontszám: 50 pont Megoldások 1. 6. 2. 7. 3. 8. 4. 9. 5. Össz.:
Záróvizsga tételek matematikából osztatlan tanárszak
Záróvizsga tételek matematikából osztatlan tanárszak A: szakmai ismeretek; B: szakmódszertani ismeretek Középiskolai specializáció 1. Lineáris algebra A: Lineáris egyenletrendszerek, mátrixok. A valós
Matematikai alapok 1 Tantárgyi útmutató
Módszertani Intézeti Tanszék Gazdaságinformatikus szak nappali tagozat Matematikai alapok 1 Tantárgyi útmutató 2015/16 tanév II. félév 1/5 Tantárgy megnevezése Matematikai alapok 1 Tantárgy jellege/típusa:
Jelek és rendszerek 1. 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék
Jelek és rendszerek 1 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék 1 Ajánlott irodalom: FODOR GYÖRGY : JELEK ÉS RENDSZEREK EGYETEMI TANKÖNYV Műegyetemi Kiadó, Budapest, 2006
Hajder Levente 2018/2019. II. félév
Hajder Levente hajder@inf.elte.hu Eötvös Loránd Tudományegyetem Informatikai Kar 2018/2019. II. félév Tartalom 1 2 Törtvonal Felületi folytonosságok B-spline Spline variánsok Felosztott (subdivision) görbék
Gazdasági matematika 1 Tantárgyi útmutató
Módszertani Intézeti Tanszék Emberi erőforrások, gazdálkodási és menedzsment, pénzügy és számvitel szakok nappali tagozat Gazdasági matematika 1 Tantárgyi útmutató 2016/17 tanév I. félév 1/5 Tantárgy megnevezése
12. Mikor nevezünk egy részhalmazt nyíltnak, illetve zártnak a valós számok körében?
Ellenörző Kérdések 1. Mit jelent az, hogy egy f : A B függvény injektív, szürjektív, illetve bijektív? 2. Mikor nevezünk egy függvényt invertálhatónak? 3. Definiálja a komplex szám és műveleteinek fogalmát!
Nemlineáris jelenségek és Kao2kus rendszerek vizsgálata MATHEMATICA segítségével. Előadás: 10-12 Szerda, 215 Labor: 16-18, Szerda, 215
Nemlineáris jelenségek és Kao2kus rendszerek vizsgálata MATHEMATICA segítségével Előadás: 10-12 Szerda, 215 Labor: 16-18, Szerda, 215 Célok: Ismerkedés a kao2kus dinamikával és ennek tanulmányozása. A
2015, Diszkrét matematika
Diszkrét matematika 4. előadás Sapientia Egyetem, Műszaki és Humántudományok Tanszék Marosvásárhely, Románia mgyongyi@ms.sapientia.ro 2015, őszi félév Miről volt szó az elmúlt előadáson? Számtartományok:
2. Hogyan számíthatjuk ki két komplex szám szorzatát, ha azok a+bi alakban, illetve trigonometrikus alakban vannak megadva?
= komolyabb bizonyítás (jeleshez) Ellenőrző kérdések 2006 ősz 1. Definiálja a komplex szám és műveleteinek fogalmát! 2. Hogyan számíthatjuk ki két komplex szám szorzatát, ha azok a+bi alakban, illetve
Párhuzamos és Grid rendszerek
Párhuzamos és Grid rendszerek (10. ea) GPGPU Szeberényi Imre BME IIT Az ábrák egy része az NVIDIA oktató anyagaiból és dokumentációiból származik. Párhuzamos és Grid rendszerek BME-IIT
Geometriai modellezés. Szécsi László
Geometriai modellezés Szécsi László Adatáramlás vezérlés Animáció világleírás Modellezés kamera Virtuális világ kép Képszintézis A modellezés részfeladatai Geometria megadása [1. előadás] pont, görbe,
Termék modell. Definíció:
Definíció: Termék modell Összetett, többfunkciós, integrált modell (számítógépes reprezentáció) amely leír egy műszaki objektumot annak különböző életfázis szakaszaiban: tervezés, gyártás, szerelés, szervízelés,
A L Hospital-szabály, elaszticitás, monotonitás, konvexitás
A L Hospital-szabály, elaszticitás, monotonitás, konvexitás 9. előadás Farkas István DE ATC Gazdaságelemzési és Statisztikai Tanszék A L Hospital-szabály, elaszticitás, monotonitás, konvexitás p. / A L
Nagy Gábor compalg.inf.elte.hu/ nagy ősz
Diszkrét matematika 3. estis képzés 2016. ősz 1. Diszkrét matematika 3. estis képzés 4. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Komputeralgebra Tanszék
Sztochasztikus folyamatok alapfogalmak
Matematikai Modellalkotás Szeminárium 2012. szeptember 4. 1 Folytonos idejű Markov láncok 2 3 4 1 Folytonos idejű Markov láncok 2 3 4 Folytonos idejű Markov láncok I Adott egy G = (V, E) gráf Folytonos
2016, Diszkrét matematika
Diszkrét matematika 3. előadás Sapientia Egyetem, Műszaki és Humántudományok Tanszék Marosvásárhely, Románia mgyongyi@ms.sapientia.ro 2016, őszi félév Miről volt szó az elmúlt előadáson? A gyorshatványozás
Numerikus módszerek 1.
Numerikus módszerek 1. 10. előadás: Nemlineáris egyenletek numerikus megoldása Lócsi Levente ELTE IK 2013. november 18. Tartalomjegyzék 1 Bolzano-tétel, intervallumfelezés 2 Fixponttételek, egyszerű iterációk
A számítógépes grafika alapjai kurzus, vizsgatételek és tankönyvi referenciák 2014
Pázmány Péter Katolikus Egyetem Információs Technológiai Kar A számítógépes grafika alapjai kurzus, vizsgatételek és tankönyvi referenciák 2014 Benedek Csaba A vizsga menete: a vizsgázó egy A illetve egy
Dr. Schuster György február / 32
Algoritmusok és magvalósítások Dr. Schuster György OE-KVK-MAI schuster.gyorgy@kvk.uni-obuda.hu 2015. február 10. 2015. február 10. 1 / 32 Algoritmus Alapfogalmak Algoritmus Definíció Algoritmuson olyan
A fontosabb definíciók
A legfontosabb definíciókat jelöli. A fontosabb definíciók [Descartes szorzat] Az A és B halmazok Descartes szorzatán az A és B elemeiből képezett összes (a, b) a A, b B rendezett párok halmazát értjük,
17.2. Az egyenes egyenletei síkbeli koordinátarendszerben
Tartalom Előszó 13 1. Halmazok; a matematikai logika elemei 15 1.1. A halmaz fogalma; jelölések 15 1.2. Részhalmazok; komplementer halmaz 16 1.3. Halmazműveletek 17 1.4. A halmazok ekvivalenciája 20 1.5.
Összefoglalás és gyakorlás
Összefoglalás és gyakorlás High Speed Networks Laboratory 1 / 28 Hálózatok jellemző paraméterei High Speed Networks Laboratory 2 / 28 Evolúció alkotta adatbázis Önszerveződő adatbázis = (struktúra, lekérdezés)
Matematika (mesterképzés)
Matematika (mesterképzés) Környezet- és Településmérnököknek Debreceni Egyetem Műszaki Kar, Műszaki Alaptárgyi Tanszék Vinczéné Varga A. Környezet- és Településmérnököknek 2016/2017/I 1 / 29 Lineáris tér,
Matematika A2 vizsga mgeoldása június 4.
Matematika A vizsga mgeoldása 03. június.. (a (3 pont Definiálja az f(x, y függvény határértékét az (x 0, y 0 helyen! Megoldás: Legyen D R, f : D R. Legyen az f(x, y függvény értelmezve az (x 0, y 0 pont
és annak H részcsoportja úgy, hogy a [H, G] intervallum (azaz a G-beli, H-t tartalmazó részcsoportok hálója) L-lel izomorf legyen?
3. 3. Probléma (T): Található-e minden L véges hálóhoz egy G véges csoport és annak H részcsoportja úgy, hogy a [H, G] intervallum (azaz a G-beli, H-t tartalmazó részcsoportok hálója) L-lel izomorf legyen?
Numerikus módszerek beugró kérdések
1. Definiálja a gépi számok halmazát (a tanult modellnek megfelelően)! Adja meg a normalizált lebegőpontos szám alakját. (4 pont) Az alakú számot normalizált lebegőpontos számnak nevezik, ha Ahol,,,. Jelöl:
RSA algoritmus. P(M) = M e mod n. S(C) = C d mod n. A helyesség igazoláshoz szükséges számelméleti háttér. a φ(n) = 1 mod n, a (a 1,a 2,...
RSA algoritmus 1. Vegyünk véletlenszerűen két különböző nagy prímszámot, p-t és q-t. 2. Legyen n = pq. 3. Vegyünk egy olyan kis páratlan e számot, amely relatív prím φ(n) = (p 1)(q 1)-hez. 4. Keressünk
Kiterjesztések sek szemantikája
Kiterjesztések sek szemantikája Példa D Integer = {..., -1,0,1,... }; D Boolean = { true, false } D T1... T n T = D T 1... D Tn D T Az összes függvf ggvény halmaza, amelyek a D T1,..., D Tn halmazokból
3. Lineáris differenciálegyenletek
3. Lineáris differenciálegyenletek A közönséges differenciálegyenletek két nagy csoportba oszthatók lineáris és nemlineáris egyenletek csoportjába. Ez a felbontás kicsit önkényesnek tűnhet, a megoldásra
Metrikus terek, többváltozós függvények
Metrikus terek, többváltozós függvények 2003.10.15 Készítette: Dr. Toledo Rodolfo és Dr. Blahota István 1. Metrikus terek, metrika tulajdonságai 1.1. A valós, komplex, racionális, természetes és egész
Programok értelmezése
Programok értelmezése Kód visszafejtés. Izsó Tamás 2016. szeptember 22. Izsó Tamás Programok értelmezése/ 1 Section 1 Programok értelmezése Izsó Tamás Programok értelmezése/ 2 programok szemantika értelmezése
Digitális jelfeldolgozás
Digitális jelfeldolgozás Átviteli függvények Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék magyar.attila@virt.uni-pannon.hu 2011. október 13. Digitális
PTE PMMFK Levelező-távoktatás, villamosmérnök szak
PTE PMMFK Levelező-távoktatás, villamosmérnök szak MATEMATIKA (A tantárgy tartalma és a tananyag elsajátításának időterve.) Összeállította: Kis Miklós adjunktus Tankönyvek (mindhárom félévre): 1. Scharnitzky
Fraktálok. Hausdorff távolság. Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék március 14.
Fraktálok Hausdorff távolság Czirbusz Sándor ELTE IK, Komputeralgebra Tanszék 2015. március 14. TARTALOMJEGYZÉK 1 of 36 Halmazok távolsága ELSŐ MEGKÖZELÍTÉS Legyen (S, ρ) egy metrikus tér, A, B S, valamint
Számítógépes Modellezés 11. Differenciálegyenletes modellek. Inga
Számítógépes Modellezés Differenciálegyenletes modellek Inga Tekintsük a következő egyparaméteres differenciálegyenletes modellt: Φ' Ω, Ω' g l sin Φ, l 0, g 9.8. Keresd meg az egyensúlyi helyzetet. Oldd
PONTFELHŐ REGISZTRÁCIÓ
PONTFELHŐ REGISZTRÁCIÓ ITERATIVE CLOSEST POINT Cserteg Tamás, URLGNI, 2018.11.22. TARTALOM Röviden Alakzatrekonstrukció áttekintés ICP algoritmusok Projektfeladat Demó FORRÁSOK Cikkek Efficient Variants
Természettudományi Kar. vizsgálata. Darida Sándor Matematika BSc, Matematikai elemző szakirány. Szakdolgozat
Eötvös Lóránd Tudományegyetem Természettudományi Kar Darida Sándor Matematika BSc, Matematikai elemző szakirány Koch-görbéhez hasonló fraktálok vizsgálata Szakdolgozat Témavezető: Buczolich Zoltán, Egyetemi
A Matematika I. előadás részletes tematikája
A Matematika I. előadás részletes tematikája 2005/6, I. félév 1. Halmazok és relációk 1.1 Műveletek halmazokkal Definíciók, fogalmak: halmaz, elem, üres halmaz, halmazok egyenlősége, részhalmaz, halmazok
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 2 II. A valószínűségi VÁLTOZÓ És JELLEMZÉsE 1. Valószínűségi VÁLTOZÓ Definíció: Az leképezést valószínűségi változónak nevezzük, ha
Optimalizálás alapfeladata Legmeredekebb lejtő Lagrange függvény Log-barrier módszer Büntetőfüggvény módszer 2017/
Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 9. Előadás Az optimalizálás alapfeladata Keressük f függvény maximumát ahol f : R n R és
Morvai Anikó. Szakdolgozat
EÖTVÖS LORÁND TUDOMÁNYEGYETEM TERMÉSZETTUDOMÁNYI KAR Morvai Anikó Matematika BSc. Matematikai elemző szakirány DINAMIKAI RENDSZEREK VIZSGÁLATA SZIMBOLIKUS PROGRAMCSOMAGOKKAL Szakdolgozat Témavezető: Burcsi
Algoritmusok raszteres grafikához
Algoritmusok raszteres grafikához Egyenes rajzolása Kör rajzolása Ellipszis rajzolása Algoritmusok raszteres grafikához Feladat: Grafikai primitíveket (pl. vonalat, síkidomot) ábrázolni kép-mátrixszal,
BME MOGI Gépészeti informatika 15.
BME MOGI Gépészeti informatika 15. 1. feladat Készítsen alkalmazást a y=2*sin(3*x-π/4)-1 függvény ábrázolására a [-2π; 2π] intervallumban 0,1-es lépésközzel! Ezen az intervallumon a függvény értékkészlete
Hierarchikus skálafüggetlen gráfok generálása fraktálokkal
Hierarchikus skálafüggetlen gráfok generálása fraktálokkal Komjáthy Júlia Simon Károly Sztochasztika Tanszék Matematika Intézet Budapesti Műszaki és Gazdaságtudományi Egyetem www.math.bme.hu/~komyju www.math.bme.hu/~simonk
Gauss-Seidel iteráció
Közelítő és szimbolikus számítások 5. gyakorlat Iterációs módszerek: Jacobi és Gauss-Seidel iteráció Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor London András Deák Gábor jegyzetei alapján 1 ITERÁCIÓS
Feladatok a Gazdasági matematika II. tárgy gyakorlataihoz
Debreceni Egyetem Közgazdaságtudományi Kar Feladatok a Gazdasági matematika II tárgy gyakorlataihoz a megoldásra ajánlott feladatokat jelöli e feladatokat a félév végére megoldottnak tekintjük a nehezebb
Pontműveletek. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar február 20.
Pontműveletek Sergyán Szabolcs sergyan.szabolcs@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar 2012. február 20. Sergyán (OE NIK) Pontműveletek 2012. február 20. 1 / 40 Felhasznált irodalom
Szegedi Tudományegyetem. Természettudományi és Informatikai Kar. Bolyai Intézet. Geometria Tanszék. Matematika-tanár szak.
Szegedi Tudományegyetem Természettudományi és Informatikai Kar Bolyai Intézet Geometria Tanszék Matematika-tanár szak Szakdolgozat Fraktálok a tőzsdén Gombos Kitti Kata Témavezető: Dr. Kurusa Árpád 2010
Maple. Maple. Dr. Tóth László egyetemi docens Pécsi Tudományegyetem, 2007
Maple Dr. Tóth László egyetemi docens Pécsi Tudományegyetem, 2007 A Maple egy matematikai formula-manipulációs (vagy számítógép-algebrai) rendszer, amelyben nem csak numerikusan, hanem formális változókkal
Bevezetés az algebrába 2
B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Bevezetés az algebrába 2 BMETE91AM37 Mátrixfüggvények H607 2018-05-02 Wettl Ferenc
Matematikai programok
Matematikai programok Mátrixalapú nyelvek octave Wettl Ferenc Algebra Tanszék B U D A P E S T I M Ű S Z A K I M A T E M A T I K A É S G A Z D A S Á G T U D O M Á N Y I I N T É Z E T E G Y E T E M Wettl
MODELLEK ÉS ALGORITMUSOK ELŐADÁS
MODELLEK ÉS ALGORITMUSOK ELŐADÁS Szerkesztette: Balogh Tamás 214. december 7. Ha hibát találsz, kérlek jelezd a info@baloghtamas.hu e-mail címen! Ez a Mű a Creative Commons Nevezd meg! - Ne add el! - Így
Modellek és Algoritmusok - 2.ZH Elmélet
Modellek és Algoritmusok - 2.ZH Elmélet Ha hibát elírást találsz kérlek jelezd: sellei_m@hotmail.com A fríss/javított változat elérhet : people.inf.elte.hu/semsaai/modalg/ 2.ZH Számonkérés: 3.EA-tól(DE-ek)
GPGPU alapok. GPGPU alapok Grafikus kártyák evolúciója GPU programozás sajátosságai
GPGPU alapok GPGPU alapok Grafikus kártyák evolúciója GPU programozás sajátosságai Szenasi.sandor@nik.uni-obuda.hu GPGPU alapok GPGPU alapok Grafikus kártyák evolúciója GPU programozás sajátosságai Szenasi.sandor@nik.uni-obuda.hu
11. gyakorlat megoldásai
11. gyakorlat megoldásai Lokális szélsőértékek F1. Határozza meg az alábbi kétváltozós függvények lokális szélsőértékeit! (a) f(x, y) = 4x 2 + 2xy + 5y 2 + 2, (b) f(x, y) = y 4 3y + x 2 y + 2xy, (c) f(x,
Követelmény az 5. évfolyamon félévkor matematikából
Követelmény az 5. évfolyamon félévkor matematikából Gondolkodási és megismerési módszerek Néhány elem kiválasztása adott szempont szerint. Néhány elem sorba rendezése, az összes lehetséges sorrend felsorolása.