Folyamatosan változó mennyiségek feldolgozása II. 7. előadás
|
|
- Adrián Katona
- 7 évvel ezelőtt
- Látták:
Átírás
1 Folyamatosan változó mennyiségek feldolgozása II. 7. előadás
2 Tartalom sztochasztikus folyamatok mintavételezés (lásd Fizikai geod.) LKN kollokáció (lásd Fizikai geod.) geostatisztika, krigelés szűrések interpolációk
3 Szűrések Detrekői 7.5 célja a hibával terheltnek feltételezett jelek szűrt értékeinek meghatározása a mért pontokban esetenként a jelek értékének becslése nem mért pontokban zajfüggvény leválasztása az alapfolyamatról feltételezzük, hogy a trend zérus típusok: konvolúciós szűrők, medián szűrők, legkisebb négyzetek módszerén alapuló szűrők, Kálmán-szűrők. 3
4 A szűrések spektrális jellemzői Lineáris szűrést feltételezve: η (t) = O (t) ξ (t) ξ (t) eredeti (nem szűrt) függvény η (t) kimeneti (szűrt) függvény O (t) a szűrés módját előíró operátor. Fourier transzformációval áttérve az ω frekvencia tartományba a szűrés hatását a C(ω) átviteli függvény írja le. Az átviteli függvény írja le az amplitúdó (és ha C komplex, a fázis) viselkedését a szűrés során. 4
5 Konvolúciós szűrők Az egy és kétváltozós konvolúciós szűrés alapösszefüggései: általános esetben, szimmetrikusan elhelyezkedő jelek esetében. A konvolúciós szűrők fajtái: aluláteresztő szűrők, felüláteresztő szűrők sáváteresztő szűrők- 5
6 Konvolúciós szűrők aluláteresztő szűrők felüláteresztő szűrők sáváteresztő szűrők sávkorlátozó szűrők A F A F A F A F aluláteresztő felüláteresztő sáváteresztő sávkorlátozó OK stop stop OK stop OK stop OK stop OK 0 f L 0 f H 0 f L f H 0 f L f H 6
7 Egyváltozós aluláteresztő szűrő ismertek az adott t, t,... t N pontokhoz tartozó s', s',... s' N értékek (hibával terheltek): s' i = s i + n i az s i szűrt értéket a szimmetrikusan elhelyezkedő M + jel súlyozott számtani közepeként állítjuk elő: s i = Σ(w k s i+k ), ez a (diszkrét) konvolúció k Î ( M, +M) 7
8 Súlyok felvétele futó átlagolás: w k = /(M + ) simító átlagolás: w k = w -k = ((M + k )/ (M + ) pl. ha M =, futó átlagolás: 0., 0., 0., 0., 0. simító átlagolás: 0., 0., 0.333, 0., 0. kiugró értékek kimutatása: s' i s i > e 8
9 Néhány gyakran alkalmazott kétváltozós konvolúciós szűrés átlagoló szűrők, egyéb aluláteresztő szűrők, felüláteresztő szűrők (Laplace-féle szűrő, LoG, élkiemelés). 9
10 Medián szűrők zajszűrés, élmegtartás (alacsony zajszint esetén) ismertek az adott t, t,... t N pontokhoz tartozó s', s',... s' N értékek (hibával terheltek): s' i = s i + n i az s i szűrt értéket a szimmetrikusan elhelyezkedő M + jel mediánjaként állítjuk elő: s i = medián(s i+k ), k Î ( M, +M) Például x = [ ] szűrés: y[] = medián[ 80] = y[] = medián[ 80 6] = medián[ 6 80] = 6 y[3] = medián[80 6 3] = medián[3 6 80] = 6 y[4] = medián[6 3 3] = medián[3 3 6] = 3 tehát y = [ 6 6 3]. 0
11 Medián szűrő, példa eredeti kép M=px medián szűrő M=3px medián szűrő M=0px medián szűrő
12 A legkisebb négyzetek módszerén alapuló szűrők A legkisebb négyzetek módszerén alapuló szűrés a legkisebb négyzetek elvén alapuló kollokáció speciális esete (trend= 0)
13 A Kálmán-szűrő Rudolf Emil Kalman publikálja az elméletet (960) Első nevezetes alkalmazása: Apolló űrhajó fedélzeti számítógépe (Armstrong) Navigációs és mérnöki alkalmazások Szenzor adatok fúziója (radar, lézerszkenner, kamera, INS, ) GNSS vevők, okostelefonok, számítógépek, játékok, stb. elmaradhatatlan része Tőzsde előrejelzés, idősor elemzés, függvény approximáció Rudolf Emil Kalman (Kálmán Rudolf) (930-) magyar származású villamosmérnök 3
14 A Kálmán-szűrés definíciója Olyan algoritmus, amely valamely lineáris dinamikus rendszerben egzakt következetést tesz lehetővé, amely a rejtett Markov-modellhez hasonló Bayesféle modell, azonban a rejtett változók állapottere folytonos, és minden rejtett és megfigyelhető változó (gyakran többváltozós) normális eloszlású. UGYE MINDEN VILÁGOS!? 4
15 Meg lehet érteni? a Kálmán-szűrés elgondolása egészen egyszerű és közvetlen: időben változó rendszer, amelynek állapotát leíró változókat (x) nem (teljesen) ismerjük ezt az állapotot szeretnénk minden lépésben a lehető legjobban megismerni rendelkezünk folyamatos mérésekkel (y), melyek kapcsolatba hozhatók a rendszer állapotával (x) 5
16 A Kálmán szűrő jellemzői lépésenkénti számítás, csak az előző és a jelenlegi lépés függvényében = rekurzív a kapcsolatok lineárisak (állapot változása, mérések-állapot kapcsolata) sztochasztikus (mérési hibák, állapot és a hibája valószínűségi változók) legkisebb hibájú optimális becslés (csak lineáris esetben bizonyítható) 6
17 Rekurzív becslés példa egyváltozós rendszer állapotát mérjük egymás utáni időpontokban mérések: x, x, x n, a legjobb állapot becslés az átlag: m = å n x i n i= új mérésünk van: x n+, a következő becslés (számológépek STAT funkciói): m n+ n n æ = xi = ç xi + xn+ n+ i= n+ èn i= n å å n+ n ö ø 7
18 Erősítés, új információ a frissített becslés kis korrekcióval számítható: n mn+ = mn+ xn+ = mn+ K n+ - n+ n+ K az erősítési tényező ( nyereség ) ez dönti el, mekkora lesz a korrekció x n+ µ n ( x m ) az új információ ( innováció ) ha nincs új információ, nem változik az előző becslés n 8
19 Rekurzív átlag becslés 9
20 Különböző információk optimális felhasználása egy távolságot két különböző eszközzel mértünk (mérőszalag, lézer távmérő) mérések: x, x, szórások: σ, σ az optimális becslést keressük x-re ez a súlyozott átlag: xˆ = wx - + ( w) x Mi az optimális w súly? 0
21 Optimális súly meghatározása mivel x, x normális eloszlású, a lineáris kombinációjuk is normális eloszlású, melynek szórása sˆ ws + (- az optimális w súly ennek a kifejezésnek a minimuma, ahol a w szerinti derivált zérus lesz s w az optimális súly tehát = w) s ˆ = w ( ) opt s - -w opt s w opt = s s + s = 0
22 Rekurzív optimális becslés Két lépésben mérünk, először x -et, azután x -t. Az első lépésben ˆ s ˆ = s x = x A második lépésben frissítjük a becslést sˆ xˆ - = xˆ + ˆ sˆ + s s ˆ æ sˆ ( x x ) ö ø = ç- sˆ sˆ + s è K erősítés (nyereség) új információ (innováció)
23 Rekurzív optimális becslés a becslési egyenletek ( x x ) xˆ - sˆ = xˆ ˆ + K ( ) - K s = ˆ K = sˆ sˆ + s becslés hibája (szórás) K: erősítés ismerős az egyenlet alakja? n+ = mn+ K n+ ( x m ) m - n 3
24 Többváltozós eset egy változó esetén: varianciák K = sˆ sˆ + s K: erősítés (szám) több változó esetén: kovariancia mátrixok K ˆ ˆ ˆ - ( M+ ) = M M K: erősítés (mátrix) (nyereségmátrix) 4
25 Erősítés mértéke ha jó a mérés, kicsi a σ hiba (szórás): K = sˆ sˆ sˆ» = sˆ + 0 +s egységnyi erősítés következménye: ( x ) ( ) - xˆ» xˆ + x- x x x ˆ = = xˆ + K ˆ a második mérés lesz az új becslés 5
26 Erősítés mértéke ha rossz a mérés, nagy a σ hiba (szórás): K = sˆ sˆ sˆ» = sˆ + +s 0 zérus erősítés következménye: ( x ) - xˆ» xˆ + 0 x x ˆ = = xˆ + K ˆ az első mérés lesz az új becslés 6
27 Közvetett mérések Mi van, ha x-et nem tudjuk közvetlenül mérni (rejtett változó, rendszerállapot)? Geodéziában ez jól ismert: közvetett mérések kiegyenlítése (II. kiegyenlítési csoport, paraméteres kiegyenlítés), Gauss-Markov modell Lineáris (közvetítő) egyenlet az y mérés és x rendszerállapot között (z a mérési hiba, zaj ): y = Cx+ a mérési zajt zérus átlag ( ) és az S z kovariancia mátrix jellemzi (E[ ] a várható érték): z z z = 0 [ ] T ( z- z)( z- z S = E ) 7
28 Kálmán szűrők elve Állapotegyenlet: x k+ = Ax k + Bu k + w k Átviteli egyenlet: y k = Cx k + z k A, B, C mátrixok; k az időváltozó (index) x a rendszer állapota (közvetlenül nem mérhető) u a rendszer ismert bemenete y a mért kimenete w és z a zaj w folyamat zaj z-t a mérési zaj 8
29 Rekurzív állapotbecslés állapot terjedése korrekció x ˆ = ( Axˆ + Bu ) + K ( y k+ k k k k+ -Cxˆ k ) K mátrix: Kálmán-féle nyereségmátrix 9
30 Állapot hiba terjedése Átviteli egyenlet: y k = Cx k + z k Hibaterjedés a mért kimenetre P y = CP k C T + S z C mátrix; k az időváltozó (index) x a rendszer állapota (közvetlenül nem mérhető) y a mért rendszer kimenet P k a becslési hiba kovariancia mátrixa P y a rendszer kimenet kovariancia mátrixa S z a mérési zaj kovariancia mátrixa 30
31 K nyereségmátrix Ha nagy a mérési zaj, S z is nagy lesz, tehát K kicsi, és így nem adunk nagy hitelt az y méréseinknek a következő állapot becslésénél. Viszont ha kicsi a mérési zaj, S z is kicsi lesz, tehát K nagy, és így több hitelt adunk a méréseinknek a következő állapot becslésénél. K k T = AP C ( CP C + S k k z T ) - 3
32 3 Kálmán szűrők elve Folyamat zaj kovariancia: Mérési zaj kovariancia: Kálmán-szűrő algoritmusa: ) ( T k k w w w S = E ) ( T k k z z z S = E T k z T k w T k k k k k k k k z T k T k k A CP S AP C S A AP P Cx y K Bu Ax x S CP C AP C K ) ˆ ( ) ˆ ( ˆ ) ( = = + =
33 P kovariancia terjedés A kovariancia terjedés összefüggése: P = AP A T + S - k+ k w AP C k T S - z CP k A T 33
34 Kálmán szűrés 34
35 Kálmán-szűrő alkalmazásai objektumkövetés, mesterséges látás dinamikus helymeghatározás gazdaságtan, makroökonómia inerciális navigáció pályameghatározás radar követés GNSS szeizmológia beszédjavítás időjárás előrejelzés navigációs rendszerek 3D modellezés stb. 35
36 Példa: járműnavigáció piros : valódi helyzet kék : mért helyzet zöld : a Kálmán-szűrő által becsült helyzet 36
37 Interpolációk Detrekői 7.4 Célja: a jelek meghatározása olyan pontokban, ahol jel nem áll rendelkezésünkre trend = zérus a felhasznált jeleket nem terheli zaj típusai: interpoláció súlyozott számtani középként, legkisebb négyzetek módszerén alapuló interpoláció, legközelebbi szomszéd módszere, lineáris és bilineáris interpoláció, spline-interpolációk polinomiális interpolációk klasszikus és általánosított interpoláció eltolt lineáris interpoláció 37
38 Interpoláció súlyozott számtani középként Az ismeretlen ponthoz tartozó jelet az ismert pontokhoz tartozó jelek (általában a távolságoktól függő) súlyozott számtani közepeként számítjuk. D, D, 3D esetben egyaránt alkalmazható. 38
39 A legkisebb négyzetek módszerén alapuló interpoláció A legkisebb négyzetek módszerén alapuló interpoláció a legkisebb négyzetek elvén alapuló kollokáció speciális esete (trend= 0, zaj=0). 39
40 Interpoláció feladata alappontok: x k,, k = 0,,..., n ahol a függvény értékei adottak: f k := f(x k ) approximáció: a közelítő függvény nem halad át az alappontokon interpoláció: a közelítő függvény áthalad az alappontokon 40
41 A legközelebbi szomszéd módszere (lépcsős interpoláció) az ismeretlen ponthoz tartozó jel értékét a hozzá legközelebbi ismert jelű pont jel értékével tekintjük azonosnak. D, D, 3D esetben egyaránt alkalmazható. 4
42 A legközelebbi szomszéd módszere (lépcsős interpoláció) -szeres elforgatás, interpoláció 4
43 Lineáris interpoláció számítási összefüggések Példa az alkalmazásra. 43
44 Bilineáris interpoláció számítási összefüggések Példa az alkalmazásra. 44
45 Bilineáris interpoláció -szeres elforgatás, interpoláció 45
46 Spline interpoláció A spline interpoláció elve. Egyváltozós harmadfokú spline interpoláció. Példák az alkalmazásokra. 46
47 Spline interpoláció elve A módszer lényege, hogy szakaszosan, több alacsony fokszámú polinommal közelítjük az adatokat. Például harmadfokú spline esetén, s i a i x 3 + b i x + c i x+ d i Az együtthatókat a csatlakozási, simasági és végfeltételekből határozzuk meg 47
48 48 Egyváltozós köbös spline Harmadfokú spline esetén a megoldandó egyenletrendszer a D i deriváltakra (m + adatpont van): m+ egyenlet m+ ismeretlenre Ha megkaptuk a D i -ket, ezekből a i, b i, c i, d i könnyen számítható: ú ú ú ú ú ú ú ú ú û ù ê ê ê ê ê ê ê ê ê ë é = ú ú ú ú ú ú ú ú ú û ù ê ê ê ê ê ê ê ê ê ë é ú ú ú ú ú ú ú ú ú û ù ê ê ê ê ê ê ê ê ê ë é - - ) 3( ) 3(... ) 3( ) 3( m m m m m y y y y y y y y D D D ) ( ) 3( = = = = i i i i i i i i i i i i i i D D y y d D D y y c D b y a
49 Köbös spline interpoláció -szeres elforgatás, interpoláció 49
50 Interpoláció polinommal interpolációs polinom: olyan p(x), max. n-edfokú polinom amelyre teljesül, hogy p(x k ) = f k, k = 0,,..., n Tétel: Pontosan egyetlen olyan polinom létezik, amelynek fokszáma n és az n + különböző x k pontban az adott f k értékeket veszi fel (k = 0,,..., n). 50
51 Lagrange-féle interpolációs polinom speciális eset: f m =, az összes többi interpolált érték 0 l m (x k ) =, ha k = m és l m (x k ) = 0, ha k m gyöktényezős alakban: l m (x) = c m (x-x 0 )(x-x ) (x-x m- )(x-x m+ ) (x-x n ) a c állandó meghatározása: = c m (x m -x 0 ) (x m -x m- )(x m -x m+ ) (x m -x n ) a keresett Lagrange-féle interpolációs polinom: l m ( x) x - = n Õ k= 0 xm- k¹ m x k x k 5
52 Lagrange-féle interpoláció interpoláció a Lagrange-féle polinommal f å int ( x) l ( x) interpolációs feltétel f = n m f m m= 0 n int = m= 0 ( xk ) = ålm( xk) fm = fk k 0,,..., akkor teljesül, ha n l m ( x k ) = ì, í î0, k k = ¹ m m 5
53 53
54 Interpolációk osztályozása Klasszikus interpoláció Általánosított interpoláció Eltolt lineáris interpoláció 54
55 Klasszikus interpoláció interpoláció a φ int (x) magfüggvénnyel f ( x- ) int ( x) = å f jint nîz interpolációs feltétel n x n fint ( xk) = å fnjint( xk - xn) = fk k = nîz akkor teljesül, ha 0,,..., n j int ( x k - x n ) = ì, í î0, k k = ¹ n n 55
56 Egyenközű klasszikus interpoláció egyenlő, egységnyi x i = i -k f = f ( k-i) k å iîz diszkrét konvolúció f k ij int = ( f * p) interpolációs feltételből következik, hogy k k Î Z p k = j int ( k ) p k = d k = ì, í î0, k k = ¹
57 Általánosított interpoláció interpoláció a φ(x) bázisfüggvénnyel f ( x) = c j( x- ) int å nîz interpolációs feltétel n x n fint ( xk) = åcnj( xk - xn) = fk k = nîz 0,,..., előny: most a bázisfüggvénynek nem kell kielégítenie az interpolációs feltételt, ezért kedvezőbben választható meg hátrány: több számítás n 57 Hivatkozás: Thévenaz et al.(000)
58 Kapcsolat a klasszikus interpolációval klasszikus interpoláció: f int ( x) = å fnjint nîz interpoláló és nem interpoláló magfüggvény j int ( x ) = hj( x-n) å nîz ( x -n) az ekvivalens interpoláló magfüggvényt a bázisfüggvények szerinti szűréssel kapjuk meg n kîz 58
59 Példa: köbös spline köbös B-spline (nem interpoláló) -> Gauss-féle függvény /6, 4/6, /6 sorozat kardinális köbös spline (interpoláló) -> sinc függvény 59
60 Lineáris interpoláció másként φ bázisfüggvény: háromszög vagy kalap Λ(x) 60
61 Lineáris interpoláció átskálázott és egész értékkel eltolt kalap függvények összege f ( x) = f L( x- ) int å nîz n x n 6
62 Eltolt lineáris interpoláció nem interpoláló Λ bázisfüggvénnyel (T mintavételezési köz, 0 < τ 0.5 eltolás) f int ( x) = å nîz rekurziós egyenlet f n c n æ Lç è x T - = cn( n- -t) + c t ö n-t ø 6
63 Interpoláció konstrukciója lineáris eltolt lineáris f f n n- c c n n- f n+ c n+ τt (-τ)t τt (-τ)t τt 63
64 Az interpoláló bázisfüggvény 64
65 c együtthatók számítása c n helyben számítható (f n felülírható): c n t -t = - cn- + -t f n kiindulás: c = 0 = c - =... f0 c n számítása hatékony, rekurziós szűréssel lehetséges 65
66 Példa: Gauss-féle függvény interpolációja eredeti függvény minták f ( x) = e x - 66
67 Optimális eltolás Gain = 0 log 0 e elineáris eltoltlineáris τ opt = 0. 67
68 Optimális lineáris interpoláció T. Blu et al. (004) eredeti függvény egyenközű minták lineáris interpoláció eltolt lineáris interpoláció optimális eltolás: eltolás 68
69 A lineáris interpoláció szabályos hibát tartalmaz 69
70 Képfeldolgozás lineáris interpolációval eredeti kép hagyományos lineáris interpoláció eltolt lineáris interpoláció x elforgatás és interpoláció után 70
71 5 x 4 -os elforgatás és interpoláció SNR = jel-zaj viszony (signal to noise ratio) eredeti kép lineáris interpoláció eltolt lineáris interpoláció Keys köbös interpoláció SNR= db, CPU=5. s SNR=8.5 db, CPU=5. s SNR=8.5 db, CPU=9.4 s 7
72 Itt a vége...? 7
Interpoláció. Korszerű matematikai módszerek 2013.
Iterpoláció Korszerű matematiai módszere 2013. Tartalom Iterpolációs eljáráso Klasszius iterpoláció Általáosított iterpoláció Eltolt lieáris iterpoláció Iterpoláció feladata alappoto: x,, 0, 1,..., ahol
RészletesebbenGPK M1 (BME) Interpoláció / 16
Interpoláció Matematika M1 gépészmérnököknek 2017. március 13. GPK M1 (BME) Interpoláció 2017 1 / 16 Az interpoláció alapfeladata - Példa Tegyük fel, hogy egy ipari termék - pl. autó - előzetes konstrukciójának
RészletesebbenLNM folytonos Az interpoláció Lagrange interpoláció. Lineáris algebra numerikus módszerei
Legkisebb négyzetek módszere, folytonos eset Folytonos eset Legyen f C[a, b]és h(x) = a 1 φ 1 (x) + a 2 φ 2 (x) +... + a n φ n (x). Ekkor tehát az n 2 F (a 1,..., a n ) = f a i φ i = = b a i=1 f (x) 2
RészletesebbenAlap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )
Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:
RészletesebbenGauss-Jordan módszer Legkisebb négyzetek módszere, egyenes LNM, polinom LNM, függvény. Lineáris algebra numerikus módszerei
A Gauss-Jordan elimináció, mátrixinvertálás Gauss-Jordan módszer Ugyanazzal a technikával, mint ahogy a k-adik oszlopban az a kk alatti elemeket kinulláztuk, a fölötte lévő elemeket is zérussá lehet tenni.
RészletesebbenLineáris algebra numerikus módszerei
Hermite interpoláció Tegyük fel, hogy az x 0, x 1,..., x k [a, b] különböző alappontok (k n), továbbá m 0, m 1,..., m k N multiplicitások úgy, hogy Legyenek adottak k m i = n + 1. i=0 f (j) (x i ) = y
RészletesebbenDiszkréten mintavételezett függvények
Diszkréten mintavételezett függvények A függvény (jel) értéke csak rögzített pontokban ismert, de köztes pontokban is meg akarjuk becsülni időben mintavételezett jel pixelekből álló műholdkép rácson futtatott
RészletesebbenMozgásmodellezés. Lukovszki Csaba. Navigációs és helyalapú szolgáltatások és alkalmazások (VITMMA07)
TÁVKÖZLÉSI ÉS MÉDIAINFORMATIKAI TANSZÉK () BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM (BME) Mozgásmodellezés Lukovszki Csaba Áttekintés» Probléma felvázolása» Szabadsági fokok» Diszkretizált» Hibát
RészletesebbenPolinomok, Lagrange interpoláció
Közelítő és szimbolikus számítások 8. gyakorlat Polinomok, Lagrange interpoláció Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor Vinkó Tamás London András Deák Gábor jegyzetei alapján 1. Polinomok
RészletesebbenEddig csak a polinom x-ben felvett értékét kerestük
Interpolációs polinom együtthatói Eddig csak a polinom x-ben felvett értékét kerestük Ez jó, ha kevés x-re kell kiértékelni Ha sok ismeretlen f (x)-et keresünk, akkor jobb kiszámolni az együtthatókat,
RészletesebbenHa ismert (A,b,c T ), akkor
Az eddigiekben feltételeztük, hogy a rendszer állapotát mérni tudjuk. Az állapot ismerete szükséges az állapot-visszacsatolt szabályzó tervezéséhez. Ha nem ismerjük az x(t) állapotvektort, akkor egy olyan
RészletesebbenLegkisebb négyzetek módszere, Spline interpoláció
Közelítő és szimbolikus számítások 10. gyakorlat Legkisebb négyzetek módszere, Spline interpoláció Készítette: Gelle Kitti Csendes Tibor Somogyi Viktor Vinkó Tamás London András Deák Gábor jegyzetei alapján
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
RészletesebbenFolyamatosan változó mennyiségek feldolgozása I. 6. előadás
Folyamatosan változó mennyiségek feldolgozása I. 6. előadás 1 Tartalom folyamatosan változó mennyiségek sztochasztikus folyamatok mintavételezés LKN kollokáció geostatisztika, krigelés szűrések interpolációk
RészletesebbenNumerikus módszerek II. zárthelyi dolgozat, megoldások, 2014/15. I. félév, A. csoport. x 2. c = 3 5, s = 4
Numerikus módszerek II. zárthelyi dolgozat, megoldások, 204/5. I. félév, A. csoport. Feladat. (6p) Alkalmas módon választva egy Givens-forgatást, határozzuk meg az A mátrix QR-felbontását! Oldjuk meg ennek
RészletesebbenSzámítógépes döntéstámogatás. Statisztikai elemzés
SZDT-03 p. 1/22 Számítógépes döntéstámogatás Statisztikai elemzés Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-03 p. 2/22 Rendelkezésre
RészletesebbenFourier térbeli analízis, inverz probléma. Orvosi képdiagnosztika 5-7. ea ősz
Fourier térbeli analízis, inverz probléma Orvosi képdiagnosztika 5-7. ea. 2017 ősz 5. Előadás témái Fourier transzformációk és kapcsolataik: FS, FT, DTFT, DFT, DFS Mintavételezés, interpoláció Folytonos
RészletesebbenMÉSZÁROS JÓZSEFNÉ, NUMERIKUS MÓDSZEREK
MÉSZÁROS JÓZSEFNÉ, NUmERIKUS módszerek 9 FÜGGVÉNYKÖZELÍTÉSEK IX. SPLINE INTERPOLÁCIÓ 1. SPLINE FÜGGVÉNYEK A Lagrange interpolációnál említettük, hogy az ún. globális interpoláció helyett gyakran célszerű
RészletesebbenADAT- ÉS INFORMÁCIÓFELDOLGOZÁS
ADAT- ÉS INFORMÁCIÓFELDOLGOZÁS Földtudományi mérnöki MSc mesterszak 2018/19 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ Miskolci Egyetem Műszaki Földtudományi Kar Geofizikai és Térinformatikai Intézet A tantárgy
RészletesebbenGyakorló feladatok. Agbeko Kwami Nutefe és Nagy Noémi
Gyakorló feladatok Agbeko Kwami Nutefe és Nagy Noémi 25 Tartalomjegyzék. Klasszikus hibaszámítás 3 2. Lineáris egyenletrendszerek 3 3. Interpoláció 4 4. Sajátérték, sajátvektor 6 5. Lineáris és nemlineáris
RészletesebbenANTAL Margit. Sapientia - Erdélyi Magyar Tudományegyetem. Jelfeldolgozás. ANTAL Margit. Adminisztratív. Bevezetés. Matematikai alapismeretek.
Jelfeldolgozás 1. Sapientia - Erdélyi Magyar Tudományegyetem 2007 és jeleket generáló és jeleket generáló és jeleket generáló Gyakorlatok - MATLAB (OCTAVE) (50%) Írásbeli vizsga (50%) és jeleket generáló
Részletesebbenc adatpontok és az ismeretlen pont közötti kovariancia vektora
1. MELLÉKLET: Alkalmazott jelölések A mintaterület kiterjedése, területe c adatpontok és az ismeretlen pont közötti kovariancia vektora C(0) reziduális komponens varianciája C R (h) C R Cov{} d( u, X )
RészletesebbenHíradástechikai jelfeldolgozás
Híradástechikai jelfeldolgozás 13. Előadás 015. 04. 4. Jeldigitalizálás és rekonstrukció 015. április 7. Budapest Dr. Gaál József docens BME Hálózati Rendszerek és SzolgáltatásokTanszék gaal@hit.bme.hu
RészletesebbenBAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.
BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. 1 Mérési hibák súlya és szerepe a mérési eredményben A mérési hibák csoportosítása A hiba rendűsége Mérési bizonytalanság Standard és kiterjesztett
RészletesebbenFehérzajhoz a konstans érték kell - megoldás a digitális szűrő Összegezési súlyok sin x/x szerint (ez akár analóg is lehet!!!)
DSP processzorok: 1 2 3 HP zajgenerátor: 4 Shift regiszter + XOR kapu: 2 n állapot Autókorrelációs függvény: l. pénzdobálás: (sin x/x) 2 burkoló! Fehérzajhoz a konstans érték kell - megoldás a digitális
RészletesebbenShift regiszter + XOR kapu: 2 n állapot
DSP processzorok: 1 2 HP zajgenerátor: 3 Shift regiszter + XOR kapu: 2 n állapot Autókorrelációs függvény: l. pénzdobálás: (sin x/x) 2 burkoló! 4 Fehérzajhoz a konstans érték kell - megoldás a digitális
RészletesebbenDigitális Domborzat Modellek (DTM)
Digitális Domborzat Modellek (DTM) Digitális Domborzat Modellek (DTM) Digitális Domborzat Modellek (DTM) DTM fogalma A földfelszín számítógéppel kezelhető topográfiai modellje Cél: tetszőleges pontban
Részletesebben3. Szűrés képtérben. Kató Zoltán. Képfeldolgozás és Számítógépes Grafika tanszék SZTE (http://www.inf.u-szeged.hu/~kato/teaching/)
3. Szűrés képtérben Kató Zoltán Képfeldolgozás és Számítógépes Grafika tanszék SZTE http://www.inf.u-szeged.hu/~kato/teaching/ 2 Kép transzformációk típusai Kép értékkészletének radiometriai információ
RészletesebbenMatematikai geodéziai számítások 6.
Matematikai geodéziai számítások 6. Lineáris regresszió számítás elektronikus távmérőkre Dr. Bácsatyai, László Matematikai geodéziai számítások 6.: Lineáris regresszió számítás elektronikus távmérőkre
RészletesebbenGazdasági matematika II. vizsgadolgozat megoldása, június 10
Gazdasági matematika II. vizsgadolgozat megoldása, 204. június 0 A dolgozatírásnál íróeszközön kívül más segédeszköz nem használható. A dolgozat időtartama: 90 perc. Ha a dolgozat első részéből szerzett
RészletesebbenBiometria az orvosi gyakorlatban. Korrelációszámítás, regresszió
SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás
RészletesebbenFourier-sorfejtés vizsgálata Négyszögjel sorfejtése, átviteli vizsgálata
Fourier-sorfejtés vizsgálata Négyszögjel sorfejtése, átviteli vizsgálata Reichardt, András 27. szeptember 2. 2 / 5 NDSM Komplex alak U C k = T (T ) ahol ω = 2π T, k módusindex. Időfüggvény előállítása
RészletesebbenMatematikai geodéziai számítások 5.
Matematikai geodéziai számítások 5 Hibaterjedési feladatok Dr Bácsatyai László Matematikai geodéziai számítások 5: Hibaterjedési feladatok Dr Bácsatyai László Lektor: Dr Benedek Judit Ez a modul a TÁMOP
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenNorma Determináns, inverz Kondíciószám Direkt és inverz hibák Lin. egyenletrendszerek A Gauss-módszer. Lineáris algebra numerikus módszerei
Indukált mátrixnorma Definíció A. M : R n n R mátrixnormát a. V : R n R vektornorma által indukált mátrixnormának nevezzük, ha A M = max { Ax V : x V = 1}. Az indukált mátrixnorma geometriai jelentése:
RészletesebbenLin.Alg.Zh.1 feladatok
Lin.Alg.Zh. feladatok 0.. d vektorok Adott három vektor ā (0 b ( c (0 az R Euklideszi vektortérben egy ortonormált bázisban.. Mennyi az ā b skalárszorzat? ā b 0 + + 8. Mennyi az n ā b vektoriális szorzat?
RészletesebbenStatisztikai következtetések Nemlineáris regresszió Feladatok Vége
[GVMGS11MNC] Gazdaságstatisztika 10. előadás: 9. Regressziószámítás II. Kóczy Á. László koczy.laszlo@kgk.uni-obuda.hu Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet A standard lineáris modell
RészletesebbenMatematikai geodéziai számítások 6.
Nyugat-magyarországi Egyetem Geoinformatikai Kara Dr. Bácsatyai László Matematikai geodéziai számítások 6. MGS6 modul Lineáris regresszió számítás elektronikus távmérőkre SZÉKESFEHÉRVÁR 2010 Jelen szellemi
Részletesebben1. Példa. A gamma függvény és a Fubini-tétel.
. Példa. A gamma függvény és a Fubini-tétel.. Az x exp x + t )) függvény az x, t tartományon folytonos, és nem negatív, ezért alkalmazható rá a Fubini-tétel. I x exp x + t )) dxdt + t dt π 4. [ exp x +
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
RészletesebbenUtolsó el adás. Wettl Ferenc BME Algebra Tanszék, Wettl Ferenc (BME) Utolsó el adás / 20
Utolsó el adás Wettl Ferenc BME Algebra Tanszék, http://www.math.bme.hu/~wettl 2013-12-09 Wettl Ferenc (BME) Utolsó el adás 2013-12-09 1 / 20 1 Dierenciálegyenletek megoldhatóságának elmélete 2 Parciális
RészletesebbenÜ ű ö Á Ü ü ö ö
Í Í Ü Ú ö ú Ö Ü ű ö Á Ü ü ö ö ú ü ü ö ü ö ö ö ö Ü Ü ö ö ö ö ö ü ü ö ü Ü ö ú ü ö ü ö ű ö ű Ü ü ö É ö ü ü ö ö ö ö ö ö ö ö Ó ö Ü ü Ü ü ü ö ö ö ö ö ö ö ú ü ö ű ü ö ú ű Ü ö ö ö ü Ü Ü Ü ú ö ö ü ű ö ű ö Á Á Í
Részletesebbenő ő Ű ü ú ú Ú ü ű ő ő ő ő Á Á Í ü É ő ő ő ő ő É ő ú ú ú ő Á Ö ő
ő ő ű ú ő ü ü ü ü ü ő ő ü ü ü ü ü ü ü ü ü ő Ö ő ő ő ő ő Ű ü ú ú Ú ü ű ő ő ő ő Á Á Í ü É ő ő ő ő ő É ő ú ú ú ő Á Ö ő ő ű ő ú ü ú ő ő ő ő ő ő ő ő ő ő ő É ü ű ő ü Á ő ú ű ű ő ő ő É ü ű ő ő ő ű ú ü ú ő ő ő
RészletesebbenÉ ő ő ű ú Á ő Á ő ű ő ő ő ő ő ő ő ő ű ú ű ű ő ő ő ű
ő ő ű ú Á ő ű ő ő ő ő Ö Ö Í Á É Á ő Ö Ö Í ő ő ő ő É ő ő ú ú ú ő Á Ö É ő ő ű ú Á ő Á ő ű ő ő ő ő ő ő ő ő ű ú ű ű ő ő ő ű ő ű ő ú Á ő ű ő ő ő ő ő ő Ö ő ú ú Ö ő ő ű ú Á ő ú Ó ű Ó ú ú ú ő ő ú ú ő ő ú ő Ú ú
RészletesebbenÍ Ú É ő ő ú ö Ö ú ú ú ö ö ú ö ö ű ö ő ö ö ú ö ő ő ö ö ö ő ő ú ő ú ö ö ö ú ö ö ú ő ö ú ö ű ö ő Ó ő Á ö ő ö ö
ö ú ö ö ú ö ú Ü ő ú ő ö ő ő ő ö ö Í Ú É ő ő ú ö Ö ú ú ú ö ö ú ö ö ű ö ő ö ö ú ö ő ő ö ö ö ő ő ú ő ú ö ö ö ú ö ö ú ő ö ú ö ű ö ő Ó ő Á ö ő ö ö Ú ő ö ő ő ő ö ú ú ú ő ö ő ö ő ő ő ö ö ö ö ő ő ö ő ú ő ö ú ö
Részletesebbenü ö ú ö ú ü ö ü Á Ó ö ö ö ö ú ü ú ü ü ú ú ö ö ü ü ú ü ü ö ö ű ö ü ü ü ü ö ö
Í Á Ö Ú Á Á Ó Á ö ú ú ö ú ú ö ü ü ű ü ű ö ö ü ű ö ü ö ú ö ü ú ö ö ü ü ö ü ű ö ö ü ű ö ö ú ö ö ú ú ü ö ú ö ú ü ö ü Á Ó ö ö ö ö ú ü ú ü ü ú ú ö ö ü ü ú ü ü ö ö ű ö ü ü ü ü ö ö ü ö ü ö ö ü ö ö ú ö ü ű ö ü
Részletesebbení ö Á ö ö ö Á í ö ű ü í í ű ö ú ü íí ö ű ö ü ú ü ö í ü ű í ö ö ü ü í ö ü ö ű ö í ű ü í ö í í ü í Á Á í í ü ö ö ü ű í í ö ö ü í ű ü ö í ö ű ü í í ű ö í í í ö ö í ö ö ö ö ö ö í í ű Á Á Á Á Á í í ú í ö ö
Részletesebbenő ő ő ő ő ő ú ő ü Á ü ü ő ő ő ő ő ő ő ő ő ő Ö Ó ő ő ő Ö ő ő ő
ő ő ő ü ő ő ő ő ő ő ő ú ő ü Á ü ü ő ő ő ő ő ő ő ő ő ő Ö Ó ő ő ő Ö ő ő ő ő ü ő ő ű ü ő ű ő ő ő ő ü ő ő ő ü ő ű ő ő ő ü ő ü ő ő ü ű ő ő ü ü Á ő Á ű ű ü Á ő ű ű ő ű ű ü ű ő ő ő ü ő ű Ó ü Í Á ő ű ő ő ő ő ü
Részletesebbenú ú ü ü Á ú ú ü ű ű ú ü ü ü ü
ü ü ü ú ú ü ű ü ű ü ü ű ü ü ü Í ú ú ü ü Á ú ú ü ű ű ú ü ü ü ü ú ü ü Á ű ü ü ü ü ü ü ü ú ü ü Í ú ü É Ö Ö ú Ö Ö Ö ú ú ü ú Á Ö Á ú É ü ú ú É ú ú ú Ü ü ű ú ű É ú ű ü ü Á ú É ü ű ü ú Á É É ú ü Ö Ö Ö ú ú Á Ö
RészletesebbenÍ ö ö ű ú ö ö Í ö ü ö ü
Í Í ö ú ö ö ö ö ű ö ö ö ö Í ű ű ö ü ú ö ú ú ű Í ö ö ű ú ö ö Í ö ü ö ü ö ú ü ü ö ú ö ű ö Í ű ú ú ö ú ú ű Á É Á ö ű ú Í ö ö ü Í ú ö ú ö ö Í ű ö Í ú ö ö ö Í ö ö ö ö ö Í ö ö ö Í ö ö ö ö Í ű ö Í ú ö Í ö ö ű
Részletesebbenú ű ű É ü ű ü ű ű í ü í ő í Ü ő ő ü ú Í ő ő í ú ü ü ő ü
ü ü ü ü Ó í Ó Éü í ú ű ű É ü ű ü ű ű í ü í ő í Ü ő ő ü ú Í ő ő í ú ü ü ő ü ű ű ű í ü ő ű ü ü ő ú ú ő ü ő ő ő ü ú ű ú ú ú ő ő ú ő ő í ú í Ó ú ü ő ú ú ú ű ú ú Ű ű ő ű ű ő Á ü í ü ú ü í ú ő ú ő ű ő í ő ő
Részletesebbenő ő ő ő ú É ü ú ú ű ú ű ő ő ő ő Á Á ü ő É É É É É É Á Ú Á Á ő ő ő ő ő É Á Á Á ő ő ő Á ü ő ő ü
ő É ő ő ő ő É Ü Ö Ö Ö Í Ö Ö Ö ő Ó Ó Ö Ö Á É É É ő Á É Á Á Ú Á Ú Ö Ö Á Ú Ö Á ű Á ú ő ő ü ü Ó ő ő ő ő ú É ü ú ú ű ú ű ő ő ő ő Á Á ü ő É É É É É É Á Ú Á Á ő ő ő ő ő É Á Á Á ő ő ő Á ü ő ő ü ő ő ő ő Á ü ú ú
Részletesebbenű Á ü ő ö í ö ö ő ő ő ő ö
Á É í ü í í í ü í í ö í ű í í í í í í í í í ü ő ö ö ö ű ő ö ű Á ü ő ö í ö ö ő ő ő ő ö ö ő ő ő ö ö Ű ú Á ö ú ú ö ü í ő ő ú É í í ő ö í ö ú í ő ü í í í í í ö í ű í í í í í í í í í ü ő ö ö ö ű ű ő ű ü í Ö
Részletesebbení Ó ó ó í ó ó ó ő í ó ó ó ó
í Ú Á Í í Ó ó ó í ó ó ó ő í ó ó ó ó í Ó Ó í ő ó Í í í í Ó í ó í í Ő É Ú Ű Í É Á ó Á É É ó ó í É Ü Í ő í ó í ó í Ő Ő Á Ó Ó Á É É Á Á É É Ő Á Ú É í ó Á í Á í í ő í í Ő Ő É Ú Ű Í É Á ó Á É Ö Í Í É ó ó í Ú
RészletesebbenÉ Í ü ú É ü ő ő ő ő ú ő ú ü ü ő ü ú ü ű ú ú ü ü Í ü ű ő ő É ő
ő Ü É Í ü ú É ü ő ő ő ő ú ő ú ü ü ő ü ú ü ű ú ú ü ü Í ü ű ő ő É ő ő ő ú ő ő ő ú ő ü ú ű ő ű É Í ő É Ü Í ő ü ő ő ő ő ő ő ú ü ű ő ú ő ű ő ő ő ű ő ű ő É Í Ú Ö Á Á É Á Á Á Ő Á É Á Ö Á Ö É É É ü ő Á ő ú ü ő
RészletesebbenÍ Í Í Ü Ó Ó Ö Á Ü Ü Ó Ü Ü Ó Ö Í É Ö
Ö É Ö Í Í Í Ü Ó Ó Ö Á Ü Ü Ó Ü Ü Ó Ö Í É Ö Ü Ü Á É Ü Ü Ü Ü Ü Ü Ü Ü Ü Ü Ü Ü Ú Í É Ó Á Ü Á É Á Ü Í Í Í Í Ü Í Í Í Í Í É Ö Á Í Á Ü Ü Ü Ü Ü Ü Ü Ü Ü Ü Ü Ü Ü Ü Ü Ü Ü Ü Ü Ü Ü Í Í É Í Í É É Í Í Í É Í Ü Í Ü Á Ü Ü
Részletesebbenü É ö É É ö ö ö ü ö ö Á ű ö ű ű ű Á Í ö ö Ó ö
Ü É ű ü ü ö Í ü ö ö ü ű Í Í ü ű ö Ö ö ö ö Í ü ü É ö É É ö ö ö ü ö ö Á ű ö ű ű ű Á Í ö ö Ó ö ü ü ü Í ü ö ö ö ö ö ö ö ü Í Í ű ö ö ö ü ü ö ü ö ö ö ü ö ö ö ö ü ü ű ü ö ö ö ü ö ü ű ö ü ö ö ű Í ü ü ű Í ö ü ö
RészletesebbenÍ Í Ó ű Ü Ó Ó Ü ü Ö Í Ü Í Í ú Ö Ó Í ú ú Ö Ó É Í ű ú
ű É Í Á Á Á Ó É Á Á Ó Í Ö Á Á Á Ö ü Í Ó Í ű ű ü ú Í Í Ó ű Ü Ó Ó Ü ü Ö Í Ü Í Í ú Ö Ó Í ú ú Ö Ó É Í ű ú ü Í ú Ü Ű Ó Ó Í ú Í ú Ö Ó ü Ü ü ű Ó ú Í ü É Í Í Á Á Ó Í Á ú Ö Í Ó ú ú ú Í ú ú ű ú Ü ü ü Í Á ü ú Í ú
Részletesebbenú ú ö ö ü ü ü ü ű ü ü
Ü ú ű ű ú ű ú ú ö ö ü ü ü ü ű ü ü ö ö ö ö ö ö ű ö ö ö ö ö ö ö ö ö ü ü ü Ú ú ü ű ü ú ű ö ű ú ö ö ö ö Á ú ú ű Á ú Á Á Á ü ö ö Á ö ö ü Á ú Á ú Á Á Ö Á Á ö ű ö ö ü ú ü ú ö ú ű ú ú ü ü ü ü ű ű Ő ú ö ű ú ú ű
Részletesebbenü ő ő ü ü ő ő ű í í ű ő ő ő ü ő ő í í ő ő ő ő ő ő ü ü í ő Ö ő ü í ő ü í í ő ü ő í ő ő í í ő ü ü í ő ü í ő í ő í ő ü í ő í ü í í ő
ő Á Á Á Ű Ö É Á Ö ő ő ő ű Ö ű ú ő ü ű ü ü ő ü ő ő ú í ü í í ü ő í ő ő í ő ő í ő ő í ü ő í ű ő ü ű ő ü í ü ü ő ü ü í ü í ü ü Ú í Ő Í ü ő ü ü í Ö í í ü ő ő ü ü ő ő ű í í ű ő ő ő ü ő ő í í ő ő ő ő ő ő ü ü
Részletesebbenű í ú ü ü ü ü ü Ó í ü í í í É Á
ü ű ü ú ű í ú í ű í ú ú ú ú ű í ú ü ü ü ü ü Ó í ü í í í É Á ű í í í Á ü É í í Ö Ö Á í Á É Á ú ú ú í ű í ú ű í í í É í í É í ű í ü í ú ű í ű í É í Ú í í í ű í ú ű í í í ü í í ú í ú í Ö ű í í í ü ü Ő í í
Részletesebbené ö é Ö é é ő í ó í é ő ö ú é ó é ő ü ü é ó ö é é ó é é ö é ő í é é ő é é ö é ű ö é í ó é é í ö í ó í ó é é ö ó í ó ó í ó é é ö ő í ó ó í ó ü é í ü
é í ü é ö é é ő ü é é é ú é ó Í é é ő Í é ó ö í é ö é Ö é é ő í ó í é ő ö ú é ó é ő ü ü é ó ö é é ó é é ö é ő í é é ő é é ö é ű ö é í ó é é í ö í ó í ó é é ö ó í ó ó í ó é é ö ő í ó ó í ó ü é í ü é ö ő
Részletesebbenö ö ö ö ö ö ö ü ö ü ö ű ö ú ü ű ö ü Í ö ú ü ü ű ö ú ü Á ü
Á Ó ö ü ü ü ú ú ü ü ö ü Ő ö ö ö ü ú ü Á ö ö ö ö ö ö ö ö ü ö ü ö ű ö ú ü ű ö ü Í ö ú ü ü ű ö ú ü Á ü ö ö ü ü ö ü ö Ó ö ö ü ü ö ü ö ú ö ú ü ö ü É É Á ü ű Ö ű ú ö ö ú ö ú ö ú ö ű ü Ö ö ű ü ú ö ü ú ű ö ű ú
Részletesebbenő ö ő ú ő ö ö ő ó ő ö ü ú ö ö ó ő ö ü ó ó ó ó ő ő ő ó ó ú ő ü ő ö ö ó ü ö ö ő ű ö ö ő ú ú ó ö ő ű ö ó
ö ú Á ő ű ü ő ó ö ö ú ö ú ü ó ó ű ö ú ó ó ó ő ö ö ő ú ó ö ö ő ő ő ő ö ű ü ü ü ő ü ü ő ő ü ó ő ő ö ő ú ő ö ö ő ó ő ö ü ú ö ö ó ő ö ü ó ó ó ó ő ő ő ó ó ú ő ü ő ö ö ó ü ö ö ő ű ö ö ő ú ú ó ö ő ű ö ó ó ü ű
Részletesebbenö ö ó ú ö ö ú ü ó ö ö Í ö ö ö ü ó ö ö ú ú ö ü ó ü ó ü ö ú ü ó ü ö ó Á Á ö ü ú ó ö ü ü ö ó ü ü Á ü ö ü ö ü ö ö ö ü ö ú ö ö ö ü ú ö ú ö ű ú ú ü ö ó ö ö
ö ö Ő Ö ü ö Ö ü ü ü ó ö ö ö ü ö ú ü ü ö ö ú ú ö ú ó ú ó ü ú ú ú ú ó ú ö ú Á ö ö ö ó ú ö ö ú ü ó ö ö Í ö ö ö ü ó ö ö ú ú ö ü ó ü ó ü ö ú ü ó ü ö ó Á Á ö ü ú ó ö ü ü ö ó ü ü Á ü ö ü ö ü ö ö ö ü ö ú ö ö ö
RészletesebbenÖ Ö Ú Ó Ö ű Ő Ő ű ű Ü Ő Ó Ő
ű É ű ű É Ö Ö Ú Ó Ö ű Ő Ő ű ű Ü Ő Ó Ő É Ó Ó É ű Ö ű Ö ű ű ű Ú Ú Ö ű ű ű Ö ű ű ű ű ű ű ű ű Ú É É É É Ö Ö Ú Ö É ű ű ű ű ű ű ű Ó ű Ö Ö ű ű ű É ű ű ű ű ű ű ű ű ű É ű ű ű ű ű ű ű ű ű ű Ö ű ű ű Ü ű ű ű ű Ö ű
RészletesebbenÍ Ó ü ü í ü ü ü í Í í É í í Í Í ü ü ü í Í ü
É Á í É Á Á ü Ú ű í Í Í Ü ü ú ü Í ü ü ü ü Í ü Í í ü ü ü ü ü ü ü ü ü í Í Ó ü ü í ü ü ü í Í í É í í Í Í ü ü ü í Í ü Í Ó Í Ó ü ü ü Í ü ü É ü ü ü ü ü É ü ü Í ü ü ü Í Ó Í Ó í Á í É ü í Í ü í Í í í ü ü É ü ü
Részletesebbenú ü ü ú Ö ú ü ü ü ü ü ú ü ú ü ű Í ü ü ű ü ű Ó ü Ü ű ú ú Á ü ű ű ü ü Ö ü ű ü Í ü ü
ű ü ü ú ü ú ú ű ü ú ú ü ü Ó Ö Í ü ú ú ű Ö ú ú ú ü ü ú ÍÍ ú ü ü ú Ö ú ü ü ü ü ü ú ü ú ü ű Í ü ü ű ü ű Ó ü Ü ű ú ú Á ü ű ű ü ü Ö ü ű ü Í ü ü ü Ü ü ü ú ü ű ü ü ü Ü ú ú ü ü ü ü Í ü ü ú ű ü ü ü ü ü ü Í Í ü
Részletesebbení ó ő í é ö ő é í ó é é ó é í é é í é í íí é é é í é ö é ő é ó ő ő é ö é Ö ü é ó ö ü ö ö é é é ő í ő í ő ö é ő ú é ö é é é í é é í é é ü é é ö é ó í é
ű ű ö é ő ó í ö ő ü é ő é ü ő ö ő ö é é í ö ő ö ó ő é ó í ö ő ü é é é é é ő é é é é í ő ö é é ő ű ő ö í ö é é é Ö ű ú ő é é ű ő í ü ö é é ő ó ö ö ő é é é é é é é é é é ő ü í í é ú í í í Ú í é ú é ő ó ó
Részletesebbení í ü í í í í í Ó ő ő í í í Ú ü Ú í í Ú ő ü Ú ü ő
É Á Á ő ü í ü ü í ü ő ü ő ü ü ü í í í í í ü í í ő í í ü í í í í í Ó ő ő í í í Ú ü Ú í í Ú ő ü Ú ü ő ő í ő í ű ű í í ü í í ő í í í í í ű í ő í í í í ü í ő í ő í ü í ű ő ű ü í ü ü í ő ő ü ő í í Ö ü í ü ü
Részletesebbenö ö Ö ó ó ö ó ó ó ü ö í ü ú ó ó í ö ö ö ó ö ü ú ó ü ö ü ö ö Ö ü ö ö Ö ó
ü ö ö Ö ü ü ö ö Ö ö ó ö ú ó ü ö ö ö Ö í ó ü í í ü ö í í ó ó ü ö ü ö ö ü í ó ö ö Ö ó ó ö ó ó ó ü ö í ü ú ó ó í ö ö ö ó ö ü ú ó ü ö ü ö ö Ö ü ö ö Ö ó ö ö Ö ü í ö Ö ö ö ó ü í ö ó ó ü ö ó í ü ü ü ö ö ü í ü
Részletesebbené ú é é é é é é é é é é é é ú é ö é é é ö Ő é é é ú é é é é é é é é ö é é é ö é Ö é é ö é ö é é é ű é ö ö é ö é é ö ö é é ö ö é ö é Ö é ú é é é é é é
é ű ö Ö é é ö ú é é é é ö ö é ö é é é ö ö é é é ö ö é ű é é ö é é é é é é é é é é ö é ö é é é ű ö ű ö é é é Ö Ú Í é ö é é Ő ö ö ú é é é é é é é é é é ű é é é ú é é é ű ú é é é é é ö é ö é ö é é ö é é é
Részletesebbenő ö ő ű ó ö ó ű Í Ö Ö Á Í Ó Ö Ü É Ö Ö Ö Á Á Ö É Á Ö
Í Í Ő Ó Ü Ö Ő ő ö ő ű ó ö ó ű Í Ö Ö Á Í Ó Ö Ü É Ö Ö Ö Á Á Ö É Á Ö ő ö ő Í ó ö ó ú Í Ö Í ÍÍ É Ó Ü Ü Ó Ó Ö É Ö ő ö ő ű ó ö ú Í Ö Í Ö Í Ö Ó Ó Ó Ó Ü Ö Ü Ü É Ú Ö Ó Ó Í Í ő ö ő ű ó ö ó ú É Ö Í Í ÍÍ Í Í Í É Í
Részletesebbenó ú ú ü ú ő ó ő ő ó ó ó ö ó ü ő ó ő ö ü ü ó ö ő É ó ö ö ö ó ó ö ü ü ö ü ó ó ő ó ü ó ü ü ö ö É ú ó ó ö ú ö ü ü ó ó ó ü Á ö ö ü ó ö ó ö ö ö ö ó ó ö ó ó
Ü Ű Ö É Á Á ö É É Ö Ú Ü ö ü ő ő ö ő Á ő ó ő ü ü ö ö ú É ű ó ü ű ö ú ü ö ó ö ö ü ű ö ó ó ö ö ö ö ü ű ö ő ö ö ó ö ö ő ó ő ü ő ó ő ö ö ő ü ü ö ő ó ú ú ü ú ő ó ő ő ó ó ó ö ó ü ő ó ő ö ü ü ó ö ő É ó ö ö ö ó
Részletesebbenű ú ú Ö ó Ö ó ó ó Ö ű ó ű ű ü Á ó ó ó ó ü ó ü Ö ó ó ó Ö ű ű ü Ö ű Á ú ú ú ó ű í í Ő ú Á É Ö í ó ü ű í ó ű ó Ö ú Ő ú ó í ú ó
ü ű ú ü ű ú ú Ö ó Ö ó ó ó Ö ű ó ű ű ü Á ó ó ó ó ü ó ü Ö ó ó ó Ö ű ű ü Ö ű Á ú ú ú ó ű í í Ő ú Á É Ö í ó ü ű í ó ű ó Ö ú Ő ú ó í ú ó ü í í í í ó ü ó Ö ó ü Ö í ó ű ó ó ó Ö Ö ó ó í í Ö Ö ó ó í Ö ó ű í í ü
Részletesebbenö Ó ű ö ó í ó ü ö Ó ó í ö ö ó Ö ó ö í ó í ó Á í ó Á Á Ő ú ü ó Í ü ú ü
ú Ö Ú ú ú ó Ő Ö ü Ú ú ö Ö Í ó í ü ü ó ó ó Í ö ö ö ö í ü ó ö ü ü ú í ű ö ó ó ö ö ö ű ö ó ó ö ö Ó ű ö ó í ó ü ö Ó ó í ö ö ó Ö ó ö í ó í ó Á í ó Á Á Ő ú ü ó Í ü ú ü ü ö ö ó ó Í ü ö ó ú ü ü ö ó ö ö Í í ó ó
Részletesebbení ü í ü ő ő ü Í ő ő ő ú í ő ő ö ö ö ű ü í ő ő í ú ö ö ú ő ő ú í ő í ő ö ö í ő ü ü í ő ö ü ü ú í í ü ő í ü Í í í í ö ő ö ü ő í ő ő ü ű ő ő í ő í í ő ő
ö Ö ő ü ü ő Á ü ö ö ő ő ű ő ü ő Ö ö ő í ő ö í ö ö ő ő ö í ú Á Á Á í Á í ü Á ő í í ő Á í ő ő ú ő ö ö ő Í í ő ő í í ö í ő Ó ő ő í ö ő ő ü ö ö ő ö í ö ő í ü í ü ő ő ü Í ő ő ő ú í ő ő ö ö ö ű ü í ő ő í ú ö
Részletesebbenó É ó í ó ó í í ö í ó í ö ö ö ü ö ó ó ó ü ú ö ü ó ó ö ö ü ü ü ö ö ó ö í ó ű Ü ó í ú í ö í ö í Í ó ó í í ö ü ö ö í ö í ö ö ö ü ó í ö ö ó í ú ü ó ö
Á Ö É Á É Ő Ü Ü ü ö Ö ü ú ö í ü ü ó ó Á ö ó ö ö ö Ö í ü ü ü í í ü ü ö ü ü ü ü ö í ó ó Ő ó ó ö ó ö í ü í Í ó í ó ö í ó ó ö ó ó ö ó ó É ó í ó ó í í ö í ó í ö ö ö ü ö ó ó ó ü ú ö ü ó ó ö ö ü ü ü ö ö ó ö í
Részletesebbenö ö ö Ö ö ú Ö í Ö ű ö í Ö í ö ü ö í ú Ö Ö ö í ű ö ö í ö ö Ő ö í ü ö ö í Ö ö ö í ö í Ő í ű ű í Ö Ó í ö ö ö ö Ö Ö ö í ü ö ö Ö í ü Ö ö í ö ö ö ö ö Ö ö í
Á ö Á Á É Ö í ö Ö Á Ó Ű ú ű Ü ö ö ú ö ú í ö í ö ö ö í Ö ö í ö Ő ü ö ö í Á Ö Ú ű Ö í Ö ö ö Ö ü ű ö ű ö Ö ü ö Ö Ö Ö ö í ö ö Ö ö í Ö ö Ú ö ö ö ö Ö ö ú Ö í Ö ű ö í Ö í ö ü ö í ú Ö Ö ö í ű ö ö í ö ö Ő ö í ü
Részletesebbenű ú Í Ó Á ú Ű ű Ő Ö Á ú Ű Ü ú ú Á ú ű
É Á É É Ó Á ű Á ű ú ú ű ű ú ű ű ú Á ú ű ú ű ú ű ú ű Á ű ú ű ű Ö Ú Á ű ű Á ű ű ú Í Ó Á ú Ű ű Ő Ö Á ú Ű Ü ú ú Á ú ű ű ú ű ű ű ű ű ú ű ű ű ű ű ű Á ú ű ű ú ú ű ű ű ű ű ú ű Á ű ű ű ű ű ű ú ű ú ű ú ű Ö ú ű Ö
RészletesebbenÜ
Ó Á ú Á É Ü Ö Ö Ö É É É Ö É Ü Ö É É É É É Ó Ö Ó Í Ö Ö Ö Ö Í Ö Ö É É É Í Ö Ö É Ö Í Á Ó Í Á É É Ó É Ú Á Í É É É Ö Ö Ó Ö Ö Ö Ö Ó Ó Ó Í Ü Ö É É Ö Ó Ö Ó ö Ö Ö Ö Ö Ö Ó Ü Ö Ó É ű É É É É É É É É Í Ö Ó Ö É Ö Ö
Részletesebbenö ü ü ú ó í ó ü ú ö ó ű ö ó ö í ó ö í ö ű ö ó Ú ú ö ü É ó í ö Ó Á í ó í í Ú ö ú ö ű ü ó
ö Ö ó ü Ú ú ű ó ú ü ö Ö ü ó ü ü ó ó ö ö ó ó ö Ú ö í ó ö ö ö í í ú ü ó ö ü ü ú ó í ó ü ú ö ó ű ö ó ö í ó ö í ö ű ö ó Ú ú ö ü É ó í ö Ó Á í ó í í Ú ö ú ö ű ü ó ó ó Ó Ú ö ú ó í í ú ó ö ü ü Ö ó ü ü í Ö Ö ú
RészletesebbenÉ Ö Á Í Á Ó Ö ü
Ö ű Ö ő ü ő ő ő ű Ö Ö ü Á Á É Ö Á Í Á Ó Ö ü Ö ű ű Ö ű ű ú ű ű ú ú ő ő ü ű ű É Ö ú ű ő ű ű ú ő ü Ö ú ú ő ő ú ű ü ő ü ű ú ú ű Ü ő ő Ó ü É Ó Ö Ö ú ü ü ü ü Ű ú Ö Á ü É Ó ű Á Ö Á ű ü ú Ö ű ű ű ü ő ő ő Á ő ő
RészletesebbenÉ Í Á Á É Ü Ó É É É É Í Ó Ó Ő Á Á É Á É É É É Á É É Á Á É É Á É Í
Í É Í Á Á É Ü Ó É É É É Í Ó Ó Ő Á Á É Á É É É É Á É É Á Á É É Á É Í É Á É Í Í É É Í Í Í Á Í Á Á ö ó ö ö ő ő ő ö ö ó ő ű ö ö ö ö ü ö ö ö ü ü ó ö Á ó ó ö ö ő ő ő ő ö ó ü ó ó ó ó ó ó ö ü ü ó ö Ó Í Í É É
Részletesebbení í É í ó ó É ö í ó í ó í ó ó í ó í í ó ó ó í ö ö ö ö í í í ó ó ö ó
Á Á Ó Ö Á í í É í ó ó É ö í ó í ó í ó ó í ó í í ó ó ó í ö ö ö ö í í í ó ó ö ó ó í í ó ó ű ű ö ű ú í ö ó ó í ó ó ö ö Ü ú ó Ü ö ö í ö í ó ó ó ű í ó ö ö í í ö ö í ö Í ó ö í ö ö ó ó ö ö í ó ö ö í í ö í ú Í
Részletesebbenű ú ü ü ü Í ü ö ü ö ü ö ü Ó ü ö ü ö ö ü ű ű ú ü ö ö ü Ó ö ű ü ö ú ö ö ü ü ű ü ü ö ö ü ü ú ö ö ü ü ú ü
ű ö ű ö ü ú ú ú ö ö Í ú ü ú ú ö Í ü ö ü ü ö ü ö ü ü ű ö ü ü ö ü ú ú ú ú ú ű ú ü ü ü Í ü ö ü ö ü ö ü Ó ü ö ü ö ö ü ű ű ú ü ö ö ü Ó ö ű ü ö ú ö ö ü ü ű ü ü ö ö ü ü ú ö ö ü ü ú ü ű Á Í ű ű ö ü ö ü ü ú ű ö
Részletesebbení ó í ó ó ó í í ü ú í ú ó ó ü ü í ó ü ú ó ü í í ü ü ü ó í ü í ü ü í ü ü í ó ó ó í ó í ü ó í Á
Ö ü ó Ö ü ó ó ó ó ó ó ó ó ó ó í ü í í ü ü ü ü ó ü ü ú ó ü ü ü í ó í ü ü í ó í ó í ó ó ó ó í ó ó ó í í ó ü ú É Ö í í í ú ó í ü í ó í ó ó ó í í ü ú í ú ó ó ü ü í ó ü ú ó ü í í ü ü ü ó í ü í ü ü í ü ü í ó
RészletesebbenÖ ő ü Ö Ö Ő ü ő Ö Ö ü ű Á Í Ö ű ü ő ő ő Ö ü ü ő ő ő Ü ü ő ő ő ü ő ő ü ü
Ö ő ü Ö ő ü Ö Ö Ő ü ő Ö Ö ü ű Á Í Ö ű ü ő ő ő Ö ü ü ő ő ő Ü ü ő ő ő ü ő ő ü ü ü ő ő ő ú ű ő ő ú Ö ő ü ő ő Ö ő ü ő ő ő ő ő ő ü ü ő ő Ö ő Í Ö Ö Ö ü Ü Ö ő ő Ö ü Ö Ö ü Ö Ö ü Ö Ü Ö ü ü ü ő ű Ö ő Ö ü ü ü ő Ű
Részletesebbenó ö í í ü Ű Ö ó ó ű ö ü Í í í ö Ö Ó ö Ű Ö ú ó ó í í ű ö ö ö ö í ó ö ö í ö ű ö ű ö ö ö ö ö í ó Ö Ö ü ú ö ó ü ö Ö ű ö Ö ü ó ö ö ó ö ö Ó í ű ö ű ö ö ű í
ö Ö ü ö Ü Ö Ö ü ú í Ó ü ü ö ó ö ö Á ó ó ó ü í ö í ö ö ó ö ö í í Ő í ó Ő ü ú ó ö ö ó ö í ü ó ó ö í ó í ó ö í í ü Ű Ö ó ó ű ö ü Í í í ö Ö Ó ö Ű Ö ú ó ó í í ű ö ö ö ö í ó ö ö í ö ű ö ű ö ö ö ö ö í ó Ö Ö ü
Részletesebbenű ö ú ö ö ö ö í ű ö ö ö ű ö ö ö í ü ú í ű í ö í ú ű í ü ö ö ú ö í ö ű ú ü ö ö í ö ü ö ú ű ö ö ö í Á í ü í ö ü ö í ü ö Ő ü ö í ű ü ö í í í í í
ü ö É ű ö ú ö ö ö ö í ű ö ö ö ű ö ö ö í ü ú í ű í ö í ú ű í ü ö ö ú ö í ö ű ú ü ö ö í ö ü ö ú ű ö ö ö í Á í ü í ö ü ö í ü ö Ő ü ö í ű ü ö í í í í í í í ö Á í ű í ü ö í ű ö í ú ű í ű ü ö í ű ö ű ö ö ű ö
Részletesebben