1 / 32

Linguagem Orientada a Matrizes COB 727

Linguagem Orientada a Matrizes COB 727. Maurício Cagy. Bibliografia. Hahn, B., Valentine, D., Essential Matlab for Engineers and Scientists, 4th Ed., Oxford: Academic Press, 2010. Gilat, A., Matlab: An Introduction with Applications, John Wiley & Sons, 2004.

lane-lowery
Télécharger la présentation

Linguagem Orientada a Matrizes COB 727

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Linguagem Orientada a MatrizesCOB 727 Maurício Cagy

  2. Bibliografia • Hahn, B., Valentine, D., Essential Matlab for Engineers and Scientists, 4th Ed., Oxford: Academic Press, 2010. • Gilat, A., Matlab: An Introduction with Applications, John Wiley & Sons, 2004. • Cagy, M., Fundamentos de Matlab, apostila, 1997.

  3. Linguagens Orientadas a Matrizes • SciLab; • Octave; • FreeMat; • JMathLib; • Matlab.

  4. Álgebra de Escalares • Puramente Reais ou Complexos... • Propriedades: Produto / Divisão a0 = 0 a1 = a a(b+c) = ab+ac a(bc) = (ab)c ab = ba a/b= 1/b a Soma / Diferença a+0 = a a+(b+c) = (a+b)+c a+b = b+a a-b = a+(-b)

  5. Álgebra Vetorial • “Ênuplas” Reais: (x1, x2, ..., xN) • Aplicação em geometria, cálculo vetorial... • Propriedades (ex. 3D): • u=(xu, yu, zu); • v=(xv, yv, zv); • 0=(0, 0, 0). Produto por Escalar au = (axu, ayu, azu); Produto Escalar uv = xuxv + yuyv + zuzv u0 = 0 uu = |u|2 (quadrado do módulo) uv = vu Soma / Diferença u+v = (xu+xv, yu+yv, zu+zv) u+0 = u u+(v+w) = (u+v)+w u+v = v+u -v = (-xv, -yv, -zv); u-v = u+(-v) Produto Vetorial u  v  Definido apenas em 3D

  6. Álgebra Linear • Vetores: • Agrupamento de valores quaisquer (reais ou complexas); • Propriedades: • u=[u1, u2, u3]; v=[v1, v2, v3] s= (vetor-coluna) • w=[w1, w2, w3]; • 0=(0, 0, 0) (vetores-linha). Produto por Escalar au = (au1, au2, au3); Soma / Diferença u+v = [u1+v1, u2+v2, u3+v3] u+0 = u u+(v+w) = (u+v)+w u+v = v+u -v = [-v1, -v2, -v3]; u-v = u+(-v) ut = vetor-coluna (transposição) Produto uv = !! us =u1s1 + u2s2 + u3s3 0s = 0 uut= ||u||2(quadrado da norma) (u+v)s = us + vs

  7. Álgebra Linear • Exemplo: • Cada cesta de maçãs tem 8 maçãs; cada saco delaranja tem 10 laranjas; cada caixa de mangastem 6 mangas... • Fulano tem 3 cestas de maçãs, 1 saco de laranjae 2 caixas de mangas: u = [3, 1, 2]; • Quantas frutas ele tem? • Beltrano tem 4 cestas de maçãs, 2 saco de laranjae 1 caixas de mangas: v = [4, 2, 1]; • Quantas frutas ele tem? • Agrupando as 2 operações...

  8. Álgebra Linear • Exemplo das frutas e recipientes... Matriz Vetor-coluna Vetor-coluna 23 31 21 • Requisito de dimensões para o Produto Matricial: • [mp]  [pn] = [mn]

  9. Álgebra Linear • Se não conhecêssemos o vetor f... • Isto se traduz num sistema de equações: • Sistema INDETERMINADO

  10. Álgebra Linear • Se soubéssemos que Sicrano tem 2 cestas de maçãs, 3 sacos de laranja e nenhuma caixa de mangas: w = [2, 3, 0], e, portanto, 46 frutas... • Que compõe um sistema de equações consistente, ou uma Equação Matricial: • A f = b • Analogamente a uma equação linear: a f = b  f = b/a = a-1b • f = A-1  b, caso A seja inversível.

  11. Produto Interno  Produto Externo • u = [u1, u2, ... , un]; • s = • Produto Interno: us =u1s1 + u2s2 + ... + unsn (n=m!) • Produto Externo:

  12. Exemplo: Transformada de Fourier como Produto Matricial... • Transformada Discreta de Fourier (DFT): , para k = 0, 1, ..., N-1 onde:

  13. Os Coeficientes de um Polinômio como um Vetor... • Seja o polinômio: aNxN + aN-1xN-1 + ... + a0 • ele pode ser representado pelo vetor: a = [aN, aN-1, ..., a0] • Desafio: • Encontrar o polinômio de ordem N cujo gráfico passa por N+1 pontos conhecidos...

  14. Outras Propriedades Sejam as matrizes A e B tais que as operações abaixo são viáveis: Transposição (At)t = A (A + B)t = At+ Bt (A - B)t = At - Bt (A  B)t = Bt At Inversão (A-1)-1 = A (A  B)-1 = B-1 A-1

  15. Operadores Lineares Dada uma matriz quadrada A (nn), dizemos que ela é um operador linear se consideramos y = f(x) = Ax... Operadores lineares usuais: Projeção; Reflexão; Rotação. Exemplo - Operador Rotação em 2D:

  16. Operadores Lineares Operador Rotação em 3D: Rotação em torno de um eixo u:

  17. Rotação + Translação A Translação não é um Operador Linear! ft(x1+x2) = x1+x2+t  ft(x1)+ ft(x2) = x1+t+x2+t Associação usual de rotação e translação: y = R x + t Álgebra homogênea: y = RT x

  18. Mudança de Base Dados n vetores linearmente independentes de um espaço n-dimensional, qualquer ponto neste espaço pode ser representado por uma combinação linear destes n vetores. Para n = 3: t = au+bv+cw portanto, dizemos que u, v e w formam uma base () do espaço tridimensional, e a tríade [a, b, c]t representa as coordenadas do ponto t nesta base, e a = U-1t é o processo de mudança de base a partir da base canônica para a base .

  19. Mudança de Base Ilustração no espaço bidimensional (bases ortonormais):

  20. Autovalores e Autovetores Seja A uma matriz quadrada, diz-se que ela possui um ponto fixox se: Ax = x De maneira mais geral, define-se um autovalor de A, , como um escalar tal que: Ax = x situação em que o vetor x é chamado de autovetor de A associado a . Problema: Estabelecer os autovalores  de uma matriz A; Estabelecer um autovetor não-nulo associado a cada autovalor .

  21. Autovalores e Autovetores Seja A uma matriz nn; se Ax = x, então: como x é não-nulo, então det (I - A) = 0; det (I - A) = 0 é chamada equação característica de A. Exemplo:

  22. Autovalores e Autovetores Para 1 = -1: Para 2 = 4

  23. Autovalores e Autovetores Propriedades: Se não houver autovalor nulo, det(A)  0, logo A é inversível; O número de autovalores não-nulos (contabilizando as multiplicidades maiores que 1) é o posto de A; O conjunto de autovetores associados a todos autovalores não-nulos de A compõe o autoespaço de A; Caso A seja quadrada, seus autovetores são ortogonais.

  24. Decomposição em Autovalores Considerando a matriz quadrada inversível A como um Operador Linear: y = Ax; se montarmos uma matriz P cujas colunas são autovetores de A: z = P-1x representa a mudança de base de x da base canônica para o autoespaço de A, de modo que: Az = Dz onde D é uma matriz diagonal com os autovalores ordenados de A...

  25. Decomposição em Autovalores Assim: w = Dz =DP-1x representa a aplicação do operador A sobre a notação de x no autoespaço de A; Logo, para se obter y, basta voltar para a base canônica: y = Pw = PDP-1x. Ou seja: A = PDP-1 Que é a chamada Decomposição em Autovalores (EVD) de A.

  26. Diagonalização Ortogonal Caso a matriz A seja simétrica: A = PDPt onde P é uma matriz ortonormal formada pelos autovetores de A, de modo que P-1=Pt. Diz-se que P diagonaliza ortogonalmente A.

  27. Variância e Covariância • Para um sinal x[n] ergódico: onde E{...} refere-se à esperança matemática. Analogamente, a covariância entre 2 sinais x[n] e y[n] 0 é definida por:

  28. Matriz de Covariância • Sejam k sinais ergódicos x1[n] a xk[n]: • Se os sinais são todos reais, C é uma matriz simétrica, que pode ser dada por: onde X é uma matriz (Nk) cujas colunas são os sinais subtraídos de suas respectivas médias.

  29. Análise de Componentes Principais (PCA) • Sejam k sinais ergódicos x1[n] a xk[n] correlacionados entre si (não ortogonais): • sua matriz de covariância C não é diagonal. • Existe um conjunto de k outros sinais descorrelacionados entre si (ortogonais e de média nula), s1[n] a sk[n] (componentes principais), tais que: • Problema: achar A e S...

  30. Análise de Componentes Principais (PCA) • Multiplicando-se ambos os lados por X: • mas os sinais si[n] são ortogonais por pressuposição, de modo que StS é uma matriz diagonal. Dividindo-se ambos os lados por N1, tem-se que: o que evidencia que A é a matriz que diagonaliza ortogonalmente C: • decomposição por auto-valores e auto-vetores de C.

  31. Decomposição em Valores Singulares (SVD) Uma matriz A de tamanho m n (supondo m  n, por simplicidade), com posto k, pode ser fatorada por: A = USVt S é uma matriz diagonal (m n) cujos elementos (si) são dados pela raiz quadrada dos autovalores de B=AtA (i, usualmente, ordenados de forma decrescente); note que B é uma matriz quadrada, simétrica e positiva semi-definida (seus autovalores são não-negativos); V é a matriz (n n) cujas colunas são os autovetores vi normalizados da matriz B=AtA; U é a matriz (m m) cujas k primeiras colunas são dadas por ui=Avi/i, e os demais são vetores que completam uma base ortonormal de m.

  32. Decomposição em Valores Singulares Reduzida Devido às porções nulas da matriz S, a SVD pode ser reduzida por: A = U1S1V1t S é uma matriz diagonal (k k); V tem tamanho (k n); U tem tamanho (m k).

More Related