Matlab II. http://mobil.nik.uni-obuda.hu /index.php/informatikai-rendszerek-alapjai.

Slides:



Advertisements
Hasonló előadás
A területegységek átalakítása
Advertisements

Gyakorló feladatok Makroökönómia.
Komplex függvények színes világa Lócsi Levente Eötvös József Collegium.
Matematikai Analízis elemei
HTML5 alapú fejlesztő és futtató környezet megvalósítása
Adaptív megjelenítés a WPF layout rendszer segítségével.
5. GYAKORLAT SQL CREATE TABLE, aktualizálás. S QL Structured Query Language A relációs adatbáziskezelés szabványos nyelve Nem algoritmikus, de beépíthető.
Matematika I. 3. heti előadás Deák Ottó mestertanár Műszaki Térinformatika 2013/2014. tanév szakirányú továbbképzés tavaszi félév.
Víztisztítás membrántechnológiával
- Alternatív energiaforrások -
Mérés és adatgyűjtés Mingesz Róbert 5. Óra LabVIEW – Ferde hajítás Október 3., 5.
Máté: Orvosi képfeldolgozás3. előadás1 Torzítás. Máté: Orvosi képfeldolgozás3. előadás2 A tárgy nagyítása A forrás nagyítása forrás tárgy kép A tárgy.
Adatbáziskezelés Horváth Ernő 1. Elérhetőségek Kiss Jenő Horváth Ernő Tanszéki honlap
Győr, NYME Minőségbiztosítási Bizottság munkaértekezlete Az EFQM modell - rövid ismertetés- Vas Beatrix Minőségfejlesztési és Informatikai Központ.
55 kodosszeg FIZETÉS felvitel JUTALOM felvitel 11-es dolgozó kap 200-at 11-es dolgozó kap 50-et SELECT osszeg INTO x FROM d.
SQL92 lehetőségek KL A tábla B tábla C view adatok VIEW működése utasítás: SELECT.. FROM A,B … SELECT.. FROM C Az adatok a hivatkozáskor állítódnak elő.
Modellezés és tervezés c. tantárgy Óbudai Egyetem Neumann János Informatikai Kar Intelligens Mérnöki Rendszerek Intézet Mérnöki Informatikus MSc 4. Előadás.
A virtuális technológia alapjai c. tantárgy Óbudai Egyetem Neumann János Informatikai Kar, Alkalmazott Matematikai Intézet 2. Előadás Tömör testek modellje.
Modellezés és tervezés c. tantárgy Budapesti Műszaki Főiskola Neumann János Informatikai Kar Alkalmazott Informatikai Intézet Mérnöki Informatikus MSc.
Modellezés és tervezés c. tantárgy Óbudai Egyetem Neumann János Informatikai Kar Alkalmazott Matematikai Intézet Mérnöki Informatikus MSc 4. Előadás A.
Óbudai Egyetem Neumann János Informatikai Kar
Modellezés és szimuláció c. tantárgy Óbudai Egyetem Neumann János Informatikai Kar Intelligens Mérnöki Rendszerek Intézet Mechatronikai Mérnöki MSc 8.
A virtuális technológia alapjai Dr. Horváth László Budapesti Műszaki Főiskola Neumann János Informatikai Kar, Alkalmazott.
Modellezés és szimuláció c. tantárgy Óbudai Egyetem Neumann János Informatikai Kar Intelligens Mérnöki Rendszerek Intézet Mechatronikai Mérnöki MSc 10.
ADATBÁZISOK
ADATBÁZISOK
Modellezés és szimuláció c. tantárgy Óbudai Egyetem Neumann János Informatikai Kar Intelligens Mérnöki Rendszerek Intézet Mechatronikai Mérnöki MSc 8.
Modellezés és tervezés c. tantárgy Óbudai Egyetem Neumann János Informatikai Kar Alkalmazott Matematikai Intézet Mérnöki Informatikus MSc 9. Előadás és.
Félévvel kapcsolatos információk
Asszimptotikus viszonyok. Asszimptotikus viszonyok számításánál felhasználható ismeretek: 1.Az asszimptotikus viszonyok reláció-tulajdonságai: A következő.
Majdnem a teljes tér leképezése körlemezekre
Kényszerek megadása. Indexek kezelése.
C = C/Y Ĉ=∆C/∆Y A fogyasztási függvény Reáljövedelem Y
PHP VII Sütik, munkamenetek. Sütik Mi az a süti? A süti (cookie) állapotot tárol a felhasználó böngészőjében. Pl. ha egy oldalon beállítható, hogy milyen.
… egy magyar gazdasági szereplő tapasztalatai a ’80-as évektől napjainkig Segíts magadon, az állam is megsegít. (?) Jancsó Péter Graboplast zRt. Nyíregyháza.
1 Matematikai Analízis elemei dr. Szalkai István Pannon Egyetem, Veszprém nov. 08.
Matematikai Analízis elemei
1 Bevezetés a funkcionális programozásba 2009.
Csernoch Mária Számrendszerek Csernoch Mária
Modellezés és szimuláció c. tantárgy Óbudai Egyetem Neumann János Informatikai Kar Intelligens Mérnöki Rendszerek Intézet Mechatronikai Mérnöki MSc 11.
WPF alkalmazások fejlesztése az M-V-VM tervezési minta alapján
Számítógépes szimuláció A RITSIM-2000 rendszer ismertetése.
DDL – Adatdefiníciós nyelv
Differenciálegyenletek
Boole-algebra (formális logika).
HEFOP központi program „Korszerű felnőttképzési módszerek kidolgozása és alkalmazása” 2005 – 2008.
Mennyiségi sorelemzés
Standardizálás Példák.
HR2 2. labor A tényleges labor anyaga letölthető a WEB-ről: Diszkrét idejű rendszerek vizsgálata a MATLAB felhasználásával.
Mit csináltunk eddig ?. Jelenség Chemotaxis,LigandEndogén szignálmolekula szignálmolekula Módszer.
Comenius Logo (teknőc).
Az informatika alapjai
Szabályozási Rendszerek 2014/2015, őszi szemeszter Automatizálási tanszék.
Differenciálszámítás
Mikroprocesszor.
A függvény grafikonjának aszimptotái
VI/1. dia Az etoricoxib tolerálhatósági profilja.
A főszereplők PaO2~100 Hgmm PvO2~40 Hgmm PAO2~ 120 Hgmm.
ISMÉTLÉS A LOGOBAN.
Némethné Kárpáti Nóra mb. tanulmányi osztályvezető
Számítógépes tervezőrendszerek c. tantárgy Óbudai Egyetem Neumann János Informatikai Kar Alkalmazott Matematikai Intézet Mechatronikai Mérnöki MSc 4. Laboratóriumi.
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék R „Big Data” elemzési módszerek Kocsis Imre
Számítógépes hálózatok
MBR – NOVO MESTO 8100 m3/d. 1 / GE / Novo Mesto – MBR plant basic data Daily capacity ADF:8100 m3/d Population Eqivalent (PE):55000 PE Hourly flow: 460/704.
Paraméterátadó-morfizmus diagramja: p: tartalmazás SPEC SPEC 1 h : SPEC  SPEC' h 1 : SPEC 1  SPEC 1 ' SPEC' SPEC 1 ' p': tartalmazás SPEC: paraméter.
Példa. Az ábrázolás szemléltetése.  = ({stack, elem },{ create :  stack; push : stack elem  stack}),  = ( {vector, nat, elem}, { create c :  vector.
Függvényábrázolás.
IV. konzultáció Analízis Differenciálszámítás II.
„Big Data” elemzési módszerek
2. Gyakorlati feladat Vizsgáljuk meg a cukor töltési tömege alapján a folyamat minőségképességét! Gauss-háló segítségével FTH = ,5 = 16,5 ATH = 16.
Előadás másolata:

Matlab II. http://mobil.nik.uni-obuda.hu /index.php/informatikai-rendszerek-alapjai

Függvény ábrázolás http://users.nik.uni-obuda.hu/kissdani Függvényvizsgálat (bonyolultabb példákkal)

x=[-5:0.01:5] y=x + (2*x./ (x.*x-1) ) plot(x,y) Grid xlim([-5 5]) ylim([-10 10])

x=[-5:0. 01:5] y=sqrt(1-exp(1). ^(-x x=[-5:0.01:5] y=sqrt(1-exp(1).^(-x.^2)) plot(x,y) Grid xlim([-5 5]) ylim([-1 2])

x=[-10:0. 01:10] y=sin(sin(x)) plot(x,y) Grid xlim([-6 6]) ylim([-1

x=[0:0.1:700] y=x.*sin(log(x)); plot(x,y) grid Log(x) => ln x Log2(x) =>log2 x Log10(x) =>log10 x

Közelítő függvények alkalmazása airspeed=[ 0 1120 ; 30 1220 ; 50 1400 ; 80 1880 ; 100 2220 ; 120 2800 ; 140 3400 ; ] plot(airspeed(:,2), airspeed(:,1)) ylabel('Km/h') xlabel('Raw sensor value')

Közelítő függvények alkalmazása Plot -> Tools -> Basic fitting

Közelítő függvények alkalmazása Plot -> Tools -> Basic fitting

Közelítő függvények alkalmazása Curve Fitting Tool >> cftool

Közelítő függvények alkalmazása x=airspeed(:,2) y=airspeed(:,1) cftool …. X Data: x Y Data: y Data set name: Airspeed -> Create data set

Közelítő függvények alkalmazása Fitting

Közelítő függvények alkalmazása Fitting

Jelek szűrése Átlagolás Medián szűrés Csúszó ablakos szűrés Stb…

Jelek szűrése

Számábrázolási hibák Lebegő pontos vs. Fix pontos x = [-5:0.001:5]; y=sin(x)*5; subplot(2,1,1); plot(x,y); Grid; ylim([-6, 6]); subplot(2,1,2); plot(x,int32(y));