Professional Documents
Culture Documents
Mat Inf Ea Efop Hu
Mat Inf Ea Efop Hu
Mat Inf Ea Efop Hu
Baran Sándor
Definíció. A ( )
p(λ) := det A − λIn
n-edfokú polinomot az A mátrix karakterisztikus polinomjának nevezzük.
Baran Sándor Matematika és információelmélet előadás 7 / 239
Sajátvektorok
Egy n-edrendű kvadratikus mátrixnak multiplicitással együtt pontosan n
darab sajátértéke van.
( ) ( )⊤
Az A = aij mátrix λ sajátértékéhez tartozó x = x1 , x2 . . . , xn saját-
vektor az
a11 − λ a12 ··· a1n x1 0
a21 a − · · · a x
22 λ 2n 2 0
.. .. .. .. = ..
. . . . .
an1 an2 · · · ann − λ xn 0
Karakterisztikus polinom:
( )
p(λ) = det A − λI3 = −λ3 + 6λ2 + 4λ − 24.
( ) −7 −1 1 x1 0 7 1 −1 x1 0
A − 6I3 x = −4 −4 4 x2 = 0 ⇐⇒ 0 1 −1 x2 = 0 .
−1 1 −1 x3 0 0 0 0 x3 0
További példák
3 −1 2 −1 −1 1
B= 3 −1 6 , C= 4 2 4 .
−2 2 −2 −1 1 5
Baran Sándor Matematika és információelmélet előadás 10 / 239
Példa, többszörös sajátértékek
( √ ) −2 ( √ ) 1 ( √ ) 1
x1 = 1/ 5 0 , x2 = 1/ 14 3 , x3 = 1/ 2 1 .
1 −2 0
V =
0.2132 - 0.4264i 0.2132 + 0.4264i 0.0000 + 0.0000i
-0.8528 + 0.0000i -0.8528 + 0.0000i 0.7071 + 0.0000i
0.2132 - 0.0000i 0.2132 + 0.0000i 0.7071 + 0.0000i
L =
0.0000 + 2.0000i 0.0000 + 0.0000i 0.0000 + 0.0000i
0.0000 + 0.0000i 0.0000 - 2.0000i 0.0000 + 0.0000i
0.0000 + 0.0000i 0.0000 + 0.0000i 6.0000 + 0.0000i
p(x) = α0 + α1 x + · · · + αk xk
p(A) := α0 In + α1 A + · · · + αk Ak .
p(A) = 0n ,
Maradékos osztás:
[ ]
f(x) = g(x) · p(x) + r(x), ahol deg r(x) ≤ n − 1.
Elegendő meghatározni az
polinom együtthatóit.
lineáris egyenletrendszert.
A megoldás:
1( ) 1( 2 ) 1( 6 )
β0 = − e6 + 6e2 + 3e−2 , β1 = e − e−2 , β2 = e − 2e2 + e−2 .
8 4 32
−2 −2
2
e +3e 2
−e +e e2 −e−2
1 6
exp(A) = −e −2e2 +3e−2 e6 +2e2 +e−2 3e6 −2e2 −e−2 .
4
−e6 +e2 e6 −e2 3e6 −e2
A megoldás:
1( ) 1( 2 ) 1( 2 )
β0 = − 4e2 + e−4 , β1 = 4e − e−4 , β2 = 5e + e−4 .
9 9 36
7e2 −e−4 −e2 +e−4 e2 −e−2
6 6 3
exp(B) =
e2 −e−4
2
e2 +e−4
2
2
e −e −4 .
−e2 +e−4 e2 −e−4 e2 +2e−4
3 3 4
Alkalmazások:
képfeldolgozás: tömörítés, zajszűrés (deblurring);
digitális jelfeldolgozás: zajszűrés.
Baran Sándor Matematika és információelmélet előadás 24 / 239
Szimmetrikus mátrixok spektrálfelbontása
∑
n
A= λi qi q⊤
i .
i=1
Mátrixos alakban
A = QΛQ⊤ ,
ahol Q az az ortogonális mátrix melynek oszlopai a q1 , q2 , . . . , qn saját-
vektorok és Λ = diag(λ1 , λ2 , . . . , λn ).
U = U =
-0.3762 -0.9266 -0.3762 -0.9266
-0.9266 0.3762 -0.9266 0.3762
S = S =
14.2274 0 0 0 14.2274 0
0 1.2573 0 0 0 1.2573
V = V =
-0.3521 0.7590 -0.4001 -0.3741 -0.3521 0.7590
-0.4436 0.3212 0.2546 0.7970 -0.4436 0.3212
-0.5352 -0.1165 0.6910 -0.4717 -0.5352 -0.1165
-0.6268 -0.5542 -0.5455 0.0488 -0.6268 -0.5542
A+ = VΣ+ U⊤
A_inv = ans =
-0.5500 0.2500 24
-0.2250 0.1250
0.1000 -0.0000 >> C_inv=pinv(C)
0.4250 -0.1250
C_inv =
>> B=[-1 -1 1;4 2 4;3 1 5]; 0.2500 0.2500 -0.2500
>> det(B) -1.0000 -0.1667 0.3333
0.2500 0.0833 0.0833
ans =
0 >> inv(C)
f(x + h) − f(x) df
lim =: f′ (x) = (x)
h→0 h dx
határérték. Az f′ (x) érték az f függvény deriváltja az x pontban.
Megjegyzés. f pontosan akkor differenciálható az x pontban, ha létezik
a ∈ R, melyre
f(x + h) − f(x) − a · h
lim = 0.
h→0 h
Ekkor a = f′ (x).
Megjegyzés. Legjobb lineáris approximáció:
f(x + h) − f(x) − a⊤ h
lim = 0.
h→0 ∥h∥2
Megjegyzés. A ∂x ∂f
i
: Rn 7→ R, i = 1, 2, . . . , n, parciális deriváltaknak is
tekinthetjük a parciális deriváltjait. Ekkor kapjuk a
∂2f
(x), i, j = 1, 2, . . . , n,
∂xi ∂xj
másodrendű parciális deriváltakat. Amennyiben ezek minden x ∈ Rn ese-
tén folytonosak, akkor
∂2f ∂2f
(x) = (x), i, j = 1, 2, . . . , n.
∂xi ∂xj ∂xj ∂xi
2
Másodrendű parciális deriváltak:
0
∂2f ∂2f
(x1 , x2 ) = 6x1 , (x1 , x2 ) = 0,
-2 ∂x21 ∂x1 ∂x2
-4
∂2f ∂2f
2
(x1 , x2 ) = 6x2 , (x1 , x2 ) = 0.
1.5
1
∂x22 ∂x2 ∂x1
0.5
0 2
-0.5
0.5
1
1.5
Hesse-mátrix:
( )
-1 0
-0.5
-1.5 -1
-1.5
6x1 0
∇2 f(x1 , x2 ) =
-2 -2
.
0 6x2
MATLAB megoldás.
>> syms x1 x2 x3
>> F=x1*x2*x3+x3*exp(x1)+x2^4*x3^2;
>> GradF=jacobian(F)
GradF =
[ x2*x3 + x3*exp(x1), 4*x2^3*x3^2 + x1*x3, 2*x3*x2^4 + x1*x2 + exp(x1)]
>> HesseF=jacobian(GradF)
HesseF =
[ x3*exp(x1), x3, x2 + exp(x1)]
[ x3, 12*x2^2*x3^2, 8*x3*x2^3 + x1]
[ x2 + exp(x1), 8*x3*x2^3 + x1, 2*x2^4]
f = g =
exp(2*x1 + x2) y3^2 + y1 + 2*y2
x2 - x1 y1^2 + sin(y2 + y3)
x1^2 + x2
>> Jg=jacobian(g)
>> Jf=jacobian(f)
Jg =
Jf = [ 1, 2, 2*y3]
[ 2*exp(2*x1 + x2), exp(2*x1 + x2)] [ 2*y1, cos(y2 + y3), cos(y2 + y3)]
[ -1, 1]
[ 2*x1, 1]
Baran Sándor Matematika és információelmélet előadás 38 / 239
Taylor sorfejtés
Taylor tétel. Legyen f : Rn 7→ R egy folytonosan differenciálható (diffe-
renciálható és a parciális deriváltjai folytonosak) függvény, valamint legyen
p ∈ Rn . Ekkor létezik olyan t ∈ (0, 1), melyre
f(x + p) = f(x) + ∇f(x + tp)⊤ p.
Amennyiben f kétszer folytonosan differenciálható, akkor létezik olyan
t ∈ (0, 1), melyre
1
f(x + p) = f(x) + ∇f(x)⊤ p + p⊤ ∇2 f(x + tp)⊤ p.
2
Megoldás.
Függvény: f(x1 , x2 ) := xx12 .
Elsőrendű közelítés az (1, 1) pont körül: f(1 + p1 , 1 + p2 ) ≈ 1 + p1 .
Másodrendű közelítés az (1, 1) pont körül: f(1 + p1 , 1 + p2 ) ≈ 1 + p1 + p1 p2 .
Példa.
4
2
f(x1 , x2 ) := x21 − x22 .
1
0
( )⊤
∇f(x1 , x2 ) = 2x1 , −2x2 .
-1
-2
-3
-4
2
Az egyetlen stacionárius pont a
1
0
1
2 (0, 0), ami nyeregpont.
-1 0
-1
-2 -2
4 Hesse-mátrix:
( )
2
6x1 0
∇2 f(x1 , x2 ) = .
0
0 6x2
-2
-2
-4
2
1.5
1
0.5
0 2
1.5
-0.5 1
0.5
-1 0
-0.5
-1.5 -1
-2 -1.5
-2
∥xk+1 − x∗ ∥ ≤ C∥xk − x∗ ∥q .
Mivel
p⊤ ∇f(xk ) = ∥p∥ · ∥∇f(xk )∥ cos Θ = ∥∇f(xk )∥ cos Θ,
ezért az optimális irány a cos Θ = −1-nek megfelelő:
∇f(xk )
p=−
∥∇f(xk )∥.
1 xs xmin
0
-2
-4
2
1.5 0
1
0.5
0 2
1.5
-0.5 1
0.5
-1 0
-1.5
-0.5
−1 xmax xs
-1
-2 -1.5
-2
Kicsi α esetén
f(xk + αp) ≈ f(xk ) + αp⊤ ∇f(xk ).
Mivel
p⊤ ∇f(xk ) = ∥p∥ · ∥∇f(xk )∥ cos Θ,
ha cos Θ < 0, akkor p⊤ ∇f(xk ) < 0
2 2
1 xs xmin xs xmin
1
0 0
−1 xmax xs
−1 xmax xs
−2
−2
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2 −2 −1.5 −1 −0.5 0 0.5 1 1.5 2
f(x1 , x2 ) := x31 + x32 − 3x1 − 3x2 g(x1 , x2 ) := 10x31 + x32 − 30x1 − 3x2
kontúrvonalai és a negatív gradiensmező. kontúrvonalai és a negatív gradiensmező.
Két lépés:
Meghatározunk egy intervallumot, ahol α-t keressük (maximális lé-
péshossz).
Az adott intervallumon keresünk egy elegendően jó α-t (amire az
f(xk + αpk ) elegendő mértékben kisebb az f(xk ) értékénél).
−1
−2
−3
−4
−10 −8 −6 −4 −2 0 2 4 6 8 10
0.9984
0.99835
0.9983
0.99825
f(x) = 0, ahol f : R 7→ R.
f(xk )
xk+1 = xk − , k = 0, 1, 2, . . . .
f′ (xk )
Nemlineáris egyenletrendszer:
F(x) = 0, ahol F : Rn 7→ Rn .
Az algoritmus:
x0 adott;
( )−1
∇2 f(xk )pk = −∇f(xk ), azaz pk = − ∇2 f(xk ) ∇f(xk );
xk+1 = xk + pk .
A Newton-irány
előnye: a minimumhely elég jó közelítése esetén négyzetes konver-
gencia;
hátránya: szükség van a Hesse-mátrixra.
Baran Sándor Matematika és információelmélet előadás 60 / 239
Kvázi-Newton irány
Ha nem ismerjük a ∇2 f(xk ) Hesse-mátrixot, vagy költséges a meghatáro-
zása, annak egy Bk ≈ ∇2 f(xk ) közelítését használjuk. Ez egy kvázi-New-
ton irányt eredményez.
1.5
1
x2
0.5
−0.5
−1
−1.5 −1 −0.5 0 0.5 1 1.5
x1
y y=d(x) y
d
x=b(y)
x=a(y)
y=c(x) c
a b x x
y-egyszerű tartomány x-egyszerű tartomány
∫∫ ∫∫
Megjegyzés. Az D f(x, y)dxdy helyett használhatjuk az D f(x, y)dydx
kifejezést is, mindkettő az f függvény D feletti kettős integrálját jelenti. A
dx és dy sorrendje az ismétléses integrálás során válik fontossá.
Baran Sándor Matematika és információelmélet előadás 71 / 239
Példa
Határozzuk meg az
∫∫
{ √ }
(x2 + y)dxdy értékét, ahol S := (x, y) 0 ≤ x ≤ 1, x2 ≤ y ≤ x .
D
Megoldás.
∫∫ ∫ [∫ √ ]
[ ]y=√x
∫
1 x 1
2 2 2 y2
(x + y)dxdy = (x + y)dy dx = x y+ dx
D 0 x2 0 2 y=x2
∫ 1( ) [ ]1
5/2 x 3 4 2 7/2 x2 3 x5 33
= x + − x dx = x + − = .
0 2 2 7 4 2 5 0 140
MATLAB megoldás.
>> syms x y
>> int(int((x^2+y),y,x^2,sqrt(x)),x,0,1)
ans =
33/140
Megoldás.
∫∫ ∫ π/3 [∫ a ]
xy dxdy = r cos θ · r sin θ · r dr dθ
S 0 0 y
∫ π/3 ∫ a y= 3x
= cos θ sin θ dθ r3 dr
0 0
∫ ]a [
1 π/3
r4 x2+ y 2= a 2
= sin(2θ) dθ
2 0 4 0
[ ]π/3 S
4
a 1
= − cos(2θ) π/3
8 2 0
4( )
a 3 4 a x
= 1 − cos(2π/3) = a .
16 32
θ: az xy síkban az x tengely
d
z pozitív irányával bezárt szög.
x
x = r cos θ,
θ
r
y
y = r sin θ,
x y z = z.
●❘
Jacobi determináns:
cos θ −r sin θ 0
J(r, θ, z) = det sin θ r cos θ 0 = r.
0 0 1
Baran Sándor Matematika és információelmélet előadás 81 / 239
Térbeli polár transzformáció
Tetszőleges (x, y, z) Descartes koordinátájú P pont megadható az [ρ, ϕ, θ]
polárkoordináták segítségével is.
z ρ: az origótól való távolság.
[ρ,φ,θ]
ϕ: a z tengely pozitív irányá-
●
(x,y,z)
val bezárt szög.
θ: az xy síkban az x tengely
ρ pozitív irányával bezárt szög.
z
φ
x = ρ sin ϕ cos θ,
x
θ
r y = ρ sin ϕ sin θ,
y
x y z = ρ cos ϕ.
●❘
Jacobi determináns:
sin ϕ cos θ ρ cos ϕ cos θ −ρ sin ϕ sin θ
J(ρ, ϕ, θ) = det sin ϕ sin θ ρ cos ϕ sin θ ρ sin ϕ cos θ = ρ2 sin ϕ.
cos ϕ −ρ cos ϕ 0
Baran Sándor Matematika és információelmélet előadás 82 / 239
Példa
Számítsuk ki a következő integrált:
∫∫∫
{ }
x2 z2 dxdydz, ahol S := (x, y, z) x, y > 0, x2 + y2 + z2 ≤ a2 , a > 0.
S
a7 4 π a7 π
= = .
7 15 4 105
Baran Sándor Matematika és információelmélet előadás 83 / 239
A Laplace-integrál
Megjegyzések.
a) s egy s = σ + iω alakú komplex szám, ahol i2 = −1.
b) A gyakorlatban a t változó általában az időt jelenti, azaz f(t) egy
időben változó mennyiséget ad meg.
c) Az[ ]f függvény Laplace-integráljának általánosan használt rövidítése
L f := F(s).
{ ∫
1, t > 0; [ ] ∞
u−1 (t) := L u−1 (t) = u−1 (t)e−st dt =: U−1 (s).
0, t < 0. 0
∫ ∞ [ −st ]t=∞
e 1
U−1 (s) = e−st dt = − = , ha σ > 0.
0 s t=0 s
∫
[ ] ∞
eiωt + e−iωt
L cos(ωt) = cos(ωt)e−st dt, ahol cos(ωt) =
.
0 2
∫ [∫ ∞ ∫ ∞ ]
[ ] 1 ∞ ( iωt ) 1
L cos(ωt) = e + e−iωt e−st dt = eiωt e−st dt + e−iωt e−st dt
2 0 2 0 0
[ ]
1 1 1 s
= + = 2 , ha σ > 0.
2 s − iω s + iω s + ω2
2.
[ ] s+α
L e−αt cos(ωt) = .
(s + α)2 + ω 2
F = G =
W/(W^2 + t^2) (A + t)/((A + t)^2 + W^2)
+
u(t) Q0 : a kondenzátor kezdeti töltése.
L
u(t): bemenő feszültség.
Kirchhoff huroktörvénye: vR (t) + vL (t) + vC (t) = u(t).
C I
A kapcsolódó egyenlet: RI + LDI + CD
= u.
A megoldás Laplace-transzformáltja:
U(s) + LC sy(0) + LC y′ (0) + RC y(0)
Y(s) = .
LCs2 + RCs + 1
Baran Sándor Matematika és információelmélet előadás 95 / 239
Az egyenlet megoldása
Az eredeti egyenlet: LC y′′ (t) + RC y′ (t) + y(t) = u(t).
A megoldás Laplace-transzformáltja:
U(s) + LC sy(0) + LC y′ (0) + RC y(0)
Y(s) = .
LCs2 + RCs + 1
Az y(t) megoldás az L−1 inverz Laplace-transzformált segítségével adható meg
[ ]
[ ] U(s) + LC sy(0) + LC y′ (0) + RC y(0)
y(t) = L−1 Y(s) = L−1 .
LCs2 + RCs + 1
A konkrét értékek behelyettesítése után használhatjuk a Laplace-transzformációs táblá-
zatokat.
Tegyük fel, hogy t = 0 időpillanatban egy 1 V feszültségű egyenáramú forrást kapcsolunk
be, azaz y(0) = y′ (0) = 0, u(t) pedig az egységugrás-függvény, azaz u(t) = u−1 (t).
[ ] [ ]
[ ] 1/(LC) ω2
y(t) = L−1 Y(s) = L−1 ( 2 ) = L−1 ( ) ,
s s + (R/L)s + 1/(LC) s s2 + 2ζωs + ω 2
√ ( √
ahol ω := 1/ LC és ζ := R/2) C/L. A Laplace-transzformációs táblázat alapján:
e−ζωt ( √ )
y(t) = 1 − √ sin ω 1 − ζ 2 t + arccos ζ .
1 − ζ2
Baran Sándor Matematika és információelmélet előadás 96 / 239
Konvolúció
P(s) P(s) A1 A2 An
F(s) = = = + ··· .
Q(s) (s − s1 )(s − s2 ) · · · (s − sn ) s − s1 s − s2 s − sn
[ ]
f(t) = L−1 F(s) = A1 es1 t + A2 es2 t + · · · + An esn t , t ≥ 0.
MATLAB megoldás
>> syms s >> ilaplace(F,s)
>> F=10/(s^3+7*s^2+10*s)
ans =
F = (2*exp(-5*s))/3 - (5*exp(-2*s))/3 + 1
10/(s^3 + 7*s^2 + 10*s)
Baran Sándor Matematika és információelmélet előadás 99 / 239
Többszörös valós pólusok
P(s) A11 A1q1
F(s) = = + ··· +
(s − s1 − s2 ) · · · (s − sr )
)q1 (s q 2 qr s − s1 (s − s1 )q1
A21 A2q2 Ar1 Arqr
+ + ··· + + ··· + + ··· + .
s − s2 (s − s2 ) 2
q s − sr (s − sr )qr
[ ] tq1 −1 s1 t
f(t) = L−1 F(s) = A11 es1 t + A12 tes1 t · · · + A1q1 e
(q1 − 1)!
tqr −1 s1 t
+ · · · + Ar1 esr t + Ar2 tesr t · · · + Arqr e , t ≥ 0.
(qr − 1)!
Példa. Határozzuk meg a következő függvény inverz Laplace transzformáltját:
s2 + s + 1
F(s) = .
s4 + 5s3 + 9s2 + 7s + 2
Megoldás.
s2 + s + 1 3 2 1 3
F(s) = = − + − .
(s + 1)3 (s + 2) s+1 (s + 1)2 (s + 1)3 s+2
t2 −t
f(t) = 3e−t − 2te−t + e − 3e−2t , t ≥ 0.
2
Baran Sándor Matematika és információelmélet előadás 100 / 239
Elsőrendű komplex konjugált párok
P(s) A1 A2 An
F(s) = = + + ··· + ,
(s2 +2ζωs+ω 2 )(s−s3 ) · · · (s−sn ) s−s1 s−s2 s−sn
√ √
s1 = −ζω+iω 1−ζ 2 , s2 = −ζω−iω 1−ζ 2 ∈ C, s3 , . . . , sn ∈ R.
A1 A2 A3 An
F(s) = √ + √ + + ··· + .
s+ζω−iω 1−ζ 2 s+ζω+iω 1−ζ 2 s−s 3 s−s n
√ √
2 2
f(t) = A1 e(−ζω+iω 1−ζ )t + A2 e(−ζω−iω 1−ζ )t + A3 es3 t + · · · + An esn t .
A1 , A2 ∈ C: komplex konjugáltak; A2 , · · · , An ∈ R.
( √ )
f(t) = 2|A1 |e−ζωt sin ω 1 − ζ 2 t + ϕ + A3 es3 t + · · · + An esn t
( )
= 2|A1 |eσt sin ωd t + ϕ + A3 es3 t + · · · + An esn t ,
√
ahol σ := −ζω, ωd := ω 1 − ζ 2 , valamint ϕ − π/2 az A1 szöge.
Baran Sándor Matematika és információelmélet előadás 101 / 239
Példa
Határozzuk meg a következő függvény inverz Laplace transzformáltját:
36s
F(s) = .
s3 + 6s2 + 21s + 26
Megoldás.
36s 36s
F(s) = =
(s2 + 4s + 13)(s + 2) (s + 2 − 3i)(s + 2 + 3i)(s + 2)
4 − 6i 4 + 6i 8
= + − .
s + 2 − 3i s + 2 + 3i s+2
Ekkor
∫ ∞ ∫ ∞ ∫ ∞
f(t)eiωt dt ≤ f(t)eiωt dt ≤ f(t) dt < ∞,
−∞ −∞ −∞
frekvenciatartományon.
Baran Sándor Matematika és információelmélet előadás 110 / 239
Példa
2T hosszúságú négyszögjel
{ ∫ [ ]t=T
1, |t| ≤ T; bf(ω) =
T
eiωt 2 sin(ωT)
f(t) := eiωt dt = = .
0, |t| > T. −T iω t=−T ω
( )
bf(ω) = 2 sin(ωT) = 2T sinc ωT , ahol sinc(x) :=
sin(πx)
, x ∈ R.
ω π πx
10
1
8
0.8
6
0.6
4
fb(ω)
f (t)
0.4
2
0.2
0
0 −2
−0.2 −4
−10 −5 0 5 10 −3 −2 −1 0 1 2 3
t ω
1
1
0.8
0.6 0.5
f (t)
fb(ω)
0.4
0
0.2
0 −0.5
−0.2
−10 −5 0 5 10 −3 −2 −1 0 1 2 3
ω t
∑
N−1
2π
F[k] := f[n]eikω0 n , ω0 := , k = 0, 1, . . . , N − 1.
N
n=0
1 ∑
N−1
f[n] := F[k]e−ikω0 n , n = 0, 1, . . . , N − 1.
N
k=0
Megjegyzés. ω0 = 2π 1 2π
N az alapfrekvencia ( N Hz, N rad/s). Emellett fel-
használjuk a 2ω0 , 3ω0 , . . . , (N−1)ω0 felharmonikusokat és a 0 = 0 · ω0 DC
komponenst.
Baran Sándor Matematika és információelmélet előadás 116 / 239
Mátrix reprezentáció
Az f[n], n = 0, 1, . . . , N − 1, diszkrét Fourier transzformáltja:
∑
N−1
2π
F[k] := f[n]ei N kn , k = 0, 1, . . . , N − 1.
n=0
Mátrix reprezentáció:
1 1 1 1 ··· 1
F[0] 1 f[0]
F[1] W W 2 W 3 ··· WN−1
f[1]
F[2] 1 W
2 W4 W6 ··· WN−2
= 1 W3 6 f[2],
.. W W9 ··· W N−3
..
. . .. .. .
.. . .
F[N − 1] f[N − 1]
1 WN−1 WN−2 WN−3 ··· W
2π
ahol W := ei N az N-edik komplex egységgyök.
10
Minavételezzünk az f(t) jelből 4Hz frek-
8 venciával (másodpercenként 4 minta, min-
6
tavételi periódus T = 1/4) a t = 0-tól a
t = 3/4-ig (N = 4 érték).
4
A mintavételezett jel a t = nT = n/4,
f (t)
2
n = 0, 1, 2, 3 időpillanatokban:
0 ( ) ( )
f[n] = 6 + 2 cos πn/2 − π/2 + 3 cos πn .
−2
f[0] = 9, f[1] = 5, f[2] = 9, f[3] = 1.
−4
0 0.5 1 1.5 2 2.5
t
∑
3
π
Fourier transzformált: F[k] = f[n]ei 2 kn , k = 0, 1, 2, 3.
n=0
π
W := ei 2 = i, azaz W2 = −1, W3 = −i, W4 = 1.
Matrix reprezentáció:
F[0] 1 1 1 1 f[0] 1 1 1 1 9 24
F[1] 1 W W2 W3 f[1] 1 i −1 −i
= = 5 = 4i .
F[2] 1 W2 W4 W6 f[2] 1 −1 1 −1 9 12
F[3] 1 W3 W6 W 9
f[3] 1 −i −1 i 1 −4i
Delta függvény:
Formálisan:
{
∞ t = 0; ′
δ(t) = vagy δ(t) = ”u−1 (t)”.
0 t ̸= 0,
Laplace transzformált:
[ ] 1( [ ] [ ]) 1 − e−γs
F(s, γ) := L δ(t, γ) = L u−1 (t) − L u−1 (t − γ) = .
γ γs
[ ] 1 − e−γs
F(s) := L δ(t) = lim F(s, γ) = lim = 1.
γ→0 γ→0 γs
γ>0 γ>0
[ ]
A Dirac delta függvény Laplace transzformáltja: L δ(t) = 1.
Baran Sándor Matematika és információelmélet előadás 124 / 239
A mintavételezett jel Laplace transzformáltja
f(t): folytonos jel, f(t) = 0, ha t < 0.
δT (t): ideális mintavételező.
Mintavételezett jel:
∞
∑
f∗δT (t) = f(t) · δT (t) = f(t)δ(t − nT).
n=0
ahol k = 0, 1, 2, . . .. Ekkor
{ } { } { }
H(z) := Z h[k] = Z f[k] · Z g[k] = F(z) · G(z).
(Eltolás)
{ } { }
Z f[n + 1] = zZ f[n] − zf[0] = zF(z) − zf[0].
Általánosan, tetszőleges k ∈ N esetén
{ { } ∑
} k
k−1
k−ℓ k
∑
k−1
Z f[n + k] = z Z f[n] − f[ℓ]z = z F(z) − f[ℓ]zk−ℓ .
ℓ=0 ℓ=0
A z-transzformált:
{ } ∑∞
Z δ0 [n] = δ0 [n]z−n = 1.
n=0
n
2. Határozzuk meg az f[n] := na , n = 0, 1, 2, . . . , 0 ̸= a ∈ C, z-transzformáltját
Megoldás.
{ } ∑ ∞
z
Z an = an z−n =
n=0
z−a
Vegyük mindkét oldal z szerinti deriváltját:
∑
∞
a ∑
∞
za
−nan z−n−1 = − ⇐⇒ nan z−n = .
n=1
(z − a)2 n=1
(z − a)2
Ezek alapján
{ } za
Z nan = .
(z − a)2
Speciális eset: a = 1. {( )}
n z
Z = .
k (z − 1)k+1
Még speciálisabb esetek (k = 1, 2):
{ } z { } z
Z n = , Z n(n − 1)/2 = .
(z − 1)2 (z − 1)3
Ezek alapján
{ } 2z z z(z + 1)
Z n2 = + = .
(z − 1)3 (z − 1)2 (z − 1)3
2. z-transzformálás MATLAB segítségével
>> syms n k a z
>> f=nchoosek(n,k)*a^n;
>> F=ztrans(f,n,z)
F =
piecewise([k == 0, z/(a*(z/a - 1))], [0 < k, z/(a*(z/a - 1)^(k + 1))], [k < 0, 0])
Baran Sándor Matematika és információelmélet előadás 129 / 239
Példa: a Fibonacci sorozat
Fibonacci sorozat: az első kettő kivételével mindegyik szám az előző két szám összege.
1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, 233, . . .
f[n]: a Fibonacci sorozat n-edik tagja.
A sorozatot definiáló rekurzió:
f[n + 2] = f[n + 1] + f[n], f[0] = f[1] = 1.
A fenti egyenlet megoldása megadja az f[n] zárt alakját.
Az egyenlet z-transzformáltja:
{ } { } { } { } { }
Z f[n + 2] = Z f[n + 1] + f[n] ⇐⇒ Z f[n + 2] = Z f[n + 1] + Z f[n] .
{ }
Legyan F(z) := Z f[n] . A több tag z-transzformáltja:
{ }
Z f[n + 1] = zF(z) − zf[0] = zF(z) − z;
{ }
Z f[n + 2] = z2 F(z) − z2 f[0] − zf[1] = z2 F(z) − z2 − z.
Az egyenletbe való behelyettesítés eredménye:
( 2 )
z2 F(z) − z2 − z = zF(z) − z + F(z) ⇐⇒ z − z − 1 F(z) = z2 .
A megoldás z-transzformáltja:
z2
F(z) = .
z2 − z − 1
Baran Sándor Matematika és információelmélet előadás 130 / 239
Példa: a Fibonacci rekurziós egyenlet megoldás
A Fibonacci rekurzió:
f[n + 2] = f[n + 1] + f[n], f[0] = f[1] = 1.
{ }
A megoldás Z f[n] =: F(z) z-transzformáltja:
z2 z
F(z) = =z( √ )( √ ).
z2 − z − 1 z− 1+ 5
z − 1− 5
2 2
A megoldás z-transzformáltja:
(∑ k )−1 ( k−1 ( ∑
∑ k ) )
j
F(z) = aj z G(z) + z aj bj=ℓ−1 z ℓ .
j=0 ℓ=0 j=ℓ+1
Baran Sándor Matematika és információelmélet előadás 133 / 239
Példa
Oldjuk meg az alábbi differencia egyenletet:
f[n + 2] − 2f[n + 1] − 3f[n] = 6n + 6, f[0] = 0, f[1] = 1.
{ }
Megoldás. Let F(z) := Z f[n] . A g[n] = 6n + 6 z-transzformáltja
( )
{ } z z 6z2
G(z) := Z g[n] = 6 + = ,
(z − 1)2 z−1 (z − 1)2
továbbá
{ }
Z f[n + 1] = zF(z) − zf[0] = zF(z);
{ }
Z f[n + 2] = z2 F(z) − z2 f[0] − zf[1] = z2 F(z) − z.
A transzformált egyenlet:
6z2 ( 2 ) 6z2
z2 F(z) − z − 2zF(z) − 3F(z) = ⇐⇒ z − 2z − 3 F(z) = z + .
(z − 1)2 (z − 1)2
A megoldás z-transzformáltja:
(z − 1)2 + 6z z2 + 4z + 1
F(z) = z =z .
(z2 − 2z − 3)(z − 1)2 (z − 3)(z + 1)(z − 1)2
z2 + 4z + 1 11 z 1 z 3 z 3 z
F(z) = z = + − − .
(z − 3)(z + 1)(z − 1)2 8 z−3 8z+1 2z−1 2 (z − 1)2
Mivel { } { }
z z
Z n = és Z an = , a ∈ C,
(z − 1)2 z−a
a megoldás
11 n 1 3 3
f[n] = 3 + (−1)n − − n.
8 8 2 2
Példák.
1. X = {a, b, c}, Y = {0, 1}, és f(a) = 1, f(b) = 01, f(c) = 10110.
Az f kódoló függvény invertálható, de a kód nem egyértelműen dekódolha-
tó. Pl., f(c)f(a) = 101101 = f(a)f(b)f(a)f(b).
2. X = {a, b, c}, Y = {0, 1}, és f(a) = 1, f(b) = 10, f(c) = 100.
A kód egyértelműen dekódolható, mivel az 1 mindig egy új kódszó kezde-
tét jelzi.
3. X = {a, b, c}, Y = {0, 1}, és f(a) = 1, f(b) = 00, f(c) = 01.
A kód egyértelműen dekódolható.
Baran Sándor Matematika és információelmélet előadás 138 / 239
Prefix kódok
Definíció. Az f kód prefix, ha a lehetséges kódszavak mind különbözőek
és egyik kódszó sem folytatása a másiknak.
Megjegyzések.
1. Minden prefix kód egyértelműen dekódolható.
2. Állandó hosszúságú kód mindig prefix, ha a kódszavai különbözőek.
Példák.
1. X = {a, b, c}, Y = {0, 1}, és f(a) = 1, f(b) = 00, f(c) = 01.
A kód prefix.
2. X = {a, b, c}, Y = {0, 1}, és f(a) = 1, f(b) = 10, f(c) = 100.
A kód nem prefix, de egyértelműen dekódolható.
3. X = {a, b, c, d, e, f, g}, Y = {0, 1, 2}, valamint f(a) = 0, f(b) = 10,
f(c) = 11, f(d) = 20, f(e) = 21, f(f) = 220, f(g) = 221.
A kód prefix.
Baran Sándor Matematika és információelmélet előadás 139 / 239
Kódfák
Minden prefix kód ábrázolható egy fagráffal, ahol az egyes kódszavaknak a
gyökértől az egyes levelekig tartó töröttvonalak felelnek meg.
Bináris kód esetén pl. a 0-nak a bináris fa „felfelé” tartó ágai, az 1-nek
pedig a „lefelé” mutatók felelnek meg.
Kódszóhosszak
f(x) : az x ∈ X betű f(x) kódjának a kódszóhossza. L jelöli egy f kód-
hoz tartozó kódszóhosszak halmazát.
A kódszóhosszak nem lehetnek tetszőlegesek. Pl., nem létezik olyan 4 kód-
szóból álló egyértelműen dekódolható bináris kód, melynek a kódszóhosszai
{1, 2, 2, 2}.
Baran Sándor Matematika és információelmélet előadás 140 / 239
McMillan és Kraft egyenlőtlenségek
Tétel (McMillan). Minden egyértelműen dekódolható f : X → Y ∗ kódra
∑
n
s−|f(xi )| ≤ 1,
i=1
ahol s a kódábécé elemszáma.
Tétel (Kraft). Ha az L1 , L2 , . . . , Ln pozitív egész számokra
∑
n
s−Li ≤ 1,
i=1
akkor létezik olyan f prefix kód, melyre
f(xi ) = Li , i = 1, 2, . . . , n.
I = log2 n
∑
n ∑
n
H(X )
E(f) = p(xi ) f(xi ) ≥ − p(xi ) logs p(xi ) = ,
log2 s
i=1 i=1
H(X )
E(f) = .
log2 s
Entrópia: ∑
H(X) = − p(x) log2 p(x).
x∈X m
∑m
Ha X1 , X2 , . . . , Xm független, akkor H(X) = i=1 H(Xi ).
Shannon tétel:
H(X)
E f(X) ≥ .
log2 s
1 H(X) 1
E f(X) < + .
m log2 s m
Megjegyzések. Az entrópia
az X értékének meghatározásához szükséges információ mennyisége;
az X értékében rejlő bizonytalanság mértéke.
∑
n
H(X) := − p(xi ) log2 p(xi ).
i=1
p(x, y)
p(x|y) := P(X = x|Y = y) = ;
p(y)
p(y, x)
p(y|x) := P(Y = y|X = x) = .
p(x)
b)
0 ≤ H(X|Y) ≤ H(X).
A bal oldalon egyenlőség pontosan akkor áll fenn, ha X egy valószínű-
séggel az Y függvénye, a jobb oldalon pedig pontosan akkor, ha X és
Y független.
c)
H(X|Z, Y) ≤ H(X|Z),
egyenlőség pedig akkor és csak akkor áll fenn, ha
p(x|z, y) = p(x|z)
minden olyan x, y, z-re, amelyre p(x, y, z) > 0.
Baran Sándor Matematika és információelmélet előadás 157 / 239
A feltételes entrópia tulajdonságai
· · · + H(Xn |Xn−1 , . . . , X1 ).
Megjegyzés.
∑ p(x, y)
I(X; Y) = p(x, y) log2
x,y
p(x)p(y)
∑ p(x|y) ∑ p(y|x)
= p(x, y) log2 = p(x, y) log2 .
x,y
p(x) x,y
p(y)
H(X) maximális értéke log2 s, azaz egy kódjel maximálisan ennyi informá-
ciót tartalmazhat. Ez az információmennyiség maradéktalanul továbbítha-
tó a csatornán. A zajmentes csatorna maximálisan C = log2 s információt
tud továbbítani, ennyi a kapacitása.
Speciális esetek:
C = 1 ⇐⇒ H2 (p) = 0 ⇐⇒ p = 0 vagy p = 1.
p = 0: zajmentes csatorna; p = 1: bináris fordító csatorna.
. . . cabracadabrarrarrad . . .
Csúszóablak: ha := 13, hk := 7, he := 6.
Csúszóablak: ha := 13, hk := 7, he := 6.
dabbacdabbacdabbacdabbacdeecdeecdee
x − Q(x) = min |x − xi |, ∀x ∈ R.
1≤i≤N
2 Súlypont feltétel:
Minden xj kvantálási szint megegyezik azon Xi minták átlagával
(feltételes várható értékével), amelyeket erre a szintre kvantáltunk
(Q(Xi ) = xj ).
A fenti feltételeket kielégítő kvantálót Lloyd-Max kvantálónak nevezzük.
Baran Sándor Matematika és információelmélet előadás 182 / 239
Példa
A négyzetes torzítások:
log(1 + µ|x|)
Gµ (x) = sign(x) , − 1 ≤ x ≤ 1.
log(1 + µ)
1( )
G−1
µ (x) = sign(x) (1 + µ)|x| − 1 , − 1 ≤ x ≤ 1.
µ
0.2
−0.2
−0.4
Kvantáló: Q : Rd → {x1 , x2 , . . . , xN }, xi ∈ Rd , i = 1, 2, . . . , N.
Q(x) = xi , ha x ∈ Bi , i = 1, 2, . . . , N.
1∑
N
1 2
D(Q) = E X − Q(X) = ∥x − xi ∥2 f(x)dx.
d d
i=1
Lloyd-Max feltétel:
1 Legközelebbi szomszéd feltétel: Rd tartományai Voronoi-tartomá-
nyok, azaz { }
Bi = x : ∥x − xi ∥ ≤ ∥x − xj ∥, ∀j ̸= i .
2 Súlypont feltétel:
∫
xi = arg min ∥x − y∥2 f(x)dx,
y Bi
ahol
sin(πt)
sinc(t) := , t ∈ R.
πt
Megjegyzés. sinc(0) = 1 és sinc(k) = 0, k = 0, ±1, ±2, . . . , azaz ha
b = X(t).
t = kT, akkor X(t)
A2k A⊤ k
2k = 2 I2k , ezért a transzformáció mátrixa
√1 A k .
2k 2
Alkalmazásai: JPEG XR (JPEG extended range, 2009; Microsoft HD pho-
to) és MPEG-4 AVC vagy H.264 (MPEG-4 Part 10 Advanced Video Co-
ding, 2003; pl. Blue-Ray lemezek).
Baran Sándor Matematika és információelmélet előadás 195 / 239
Részsávos kódolás (SBC: subband coding)
1. A forrást egy szűrőbankon vezetjük át, ami azt frekvenciasávokra bont-
ja (analízis szűrők). Pl. M egyforma széles sávot veszünk.
2. A szűrők kimeneténél mintavételezünk és, hogy szinkronban maradjunk,
csökkentjük a minták számát a bemeneti és kimeneti sávszélesség arányá-
ban (decimálás, alulmintavételezés). Pl. minden M-edik mintát tartunk
meg.
3. Az egyes decimált jeleket külön-külön kódoljuk és továbbítjuk.
4. A dekódolás után a minták közé annyi nullát írunk, hogy visszaállítsuk
az eredeti mintaelemszámot (felülmintavételezés).
5. Az egyes mintákat egy szűrőbankon vezetjük keresztül (szintézis szű-
rők), ami előállítja a kimenő jelet.
- 2↓ y2 , y4 , . . .- y2 , 0, y4 , 0, y6 , . . -
. + - y +z , y +z , . . .
y1 , y2 , . . . 2↑ 2 2 4 4
z1 , z2 , . . . - 2↓ z2 , z4 , . .-
.
2↑ .U
z2 , 0, z4 , 0, z6 , 0, . -. − - y −z , y −z , . . .
2 2 4 4
d1 = x1 − x0 ; b
d1 = Q(d1 ) = d1 + q1 ;
b x0 + b
x1 = b d1 = x0 + d1 + q1 = x1 + q1 ;
d2 = x2 − x1 ; b
d2 = Q(d2 ) = d2 + q2 ;
b x1 + b
x2 = b d2 = x1 + q1 + d2 + q2 = x2 + q1 + q2 ;
∑
n
b
xn = xn + qk .
k=1
pn − +
6 pn 6
pn + ?
+ prediktor
-
dekódoló
b
xn
prediktor
kódoló
5∆/2 7
3∆/2 6
∆/2 5
∆ 2∆ 3∆
-
−3∆ −2∆ −∆ 4 −∆/2
Input
3 −3∆/2
2 −5∆/2
1 −7∆/2
A súlyok szimmetrikusak: M1 = M8 , M2 = M7 , M3 = M6 , M4 = M5 .
Baran Sándor Matematika és információelmélet előadás 204 / 239
Példa
Belső tartomány: M4 = M5 = 0.8, M3 = M6 = 0.9.
Külső tartomány: M2 = M7 = 1, M1 = M8 = 1.2.
Kiinduló lépésköz: ∆0 = 0.5.
Input: 0.1, −0.2, 0.2, 0.1, −0.3, 0.1, 0.2, 0.5, 0.9, 1.5, 1.0, 0.9.
A kvantálás menete:
n ∆n Input Szint Output Hiba Lépésköz frissítés
0 0.5 0.1 5 0.25 0.15 ∆1 = M5 × ∆0
1 0.4 −0.2 4 −0.2 0.0 ∆2 = M4 × ∆1
2 0.32 0.2 5 0.16 0.04 ∆3 = M5 × ∆2
3 0.256 0.1 5 0.128 0.028 ∆4 = M5 × ∆3
4 0.2048 −0.3 3 −0.3072 −0.072 ∆5 = M3 × ∆4
5 0.1843 0.1 5 0.0922 −0.0078 ∆6 = M5 × ∆5
6 0.1475 0.2 6 0.2212 0.0212 ∆7 = M6 × ∆6
7 0.1328 0.5 8 0.4646 −0.0354 ∆8 = M8 × ∆7
8 0.1594 0.9 8 0.5578 −0.3422 ∆9 = M8 × ∆8
9 0.1913 1.5 8 0.6696 −0.8304 ∆10 = M8 × ∆9
10 0.2296 1.0 8 0.8036 0.1964 ∆11 = M8 × ∆10
11 0.2755 0.9 8 0.9643 0.0643 ∆12 = M8 × ∆11
Forrás: John Edward Abate: Linear and adaptive delta modulation. PhD thesis, Newark College
Baran Sándor of Engineering,
Matematika 1967.előadás
és információelmélet 206 / 239
Adaptív delta moduláció
John Edward Abate, AT&T and Bell Laboratories, 1967.
Közel konstans tartomány: kis ∆; gyors változás: nagy ∆ lépésköz.
sn : a DM „lépése” az n-edik időpillanatban, sn = ±∆n .
Egy lépést figyelő módszer:
{
M1 ∆n , ha sign sn = sign sn−1 ; 1
∆n+1 = 1 < M1 = < 2.
M2 ∆n , ha sign sn ̸= sign sn−1 ; M2
Forrás: John Edward Abate: Linear and adaptive delta modulation. PhD thesis, Newark College
Baran Sándor of Engineering,
Matematika 1967.előadás
és információelmélet 207 / 239
Változó meredekségű delta moduláció
Johannes Anton Griefkes, Karel Riemens, Philips, 1970.
Változó meredekségű delta moduláció (CVSD: continuous variable slope
delta modulation):
∆n = β∆n−1 + αn ∆0 .
β: konstans, egynél alig kisebb;
αn ∈ {0, 1}: αn = 1, ha a kvantáló legutóbbi K output értékéből J darab
azonos előjelű, egyébként αn = 0. Jellemzően: J = K = 3.
Mintánként 1 biten kódol, pl. 16 kHz-es mintavétel 16 kbit/s sebességgel
kódolódik.
Alkalmazások:
16 és 32 kbit/s CVSD: TRI-TAC katonai kommunikációs rendszer.
16 kbit/s: US Army; 32 kbit/s: US Air Force.
64 kbit/s CVSD: bluetooth (wireless headsetek, mobiltelefonok kö-
zötti kommunikáció).
Baran Sándor Matematika és információelmélet előadás 208 / 239
Prediktorok
xn−1 , b
pn = f(b xn−2 , . . . , b
x0 ): a prediktív kódoló (pl. DPCM) prediktora.
Cél: azon optimális f függvény meghatározása, mely minimalizálja a
σd2 = E(Xn − pn )2
pn = f(Xn−1 , Xn−2 , . . . , X0 ).
σd2 minimális, ha
∑
N
ai R(i − j) = R(j), j = 1, 2, . . . , N.
i=1
1 ∑
ℓM−|k|
(ℓ)
R (k) = Xi Xi+|k| , R(ℓ) (−k) = R(ℓ) (k).
M − |k|
i=(ℓ−1)M+1
A „Decision” szó hullámformája. Forrás: Sun, L., Mkwawa, I.-H., Jammeh, E., Ifeachor, E.
Guide to Voice and Video over IP. Springer, 2013 (21. old., 2.3 ábra).
Baran Sándor Matematika és információelmélet előadás 214 / 239
Zöngés és zöngétlen hangok
Zöngés hangok: b, d, dz, dzs, g, gy, j, l, m, n, ny, r, v, z, zs. A hangszala-
gok egy megadott frekvencián rezegnek (hangmagasság). A beszédminták
álperiodikus viselkedést mutatnak.
Zöngés hangminta. Forrás: Sun et al. (2013); 22. old., 2.4 ábra.
Zöngétlen hangminta. Forrás: Sun et al. (2013); 23. old., 2.5 ábra.
Baran Sándor Matematika és információelmélet előadás 215 / 239
Paraméteres beszédkódolás
A beszéd rövid, kb 20 ms-os, szegmensekben stacionáriusnak tekinthető, a
hangképző út alakja ilyenkor konstans.
Egy-egy stacionárius szegmensben a hangképzű utat egy szűrővel modell-
ezhetjük.
A kódoló analizálja az egyes szegmenseket:
eldönti zöngés, vagy zöngétlen;
meghatározza a hangképző szűrő paramétereit;
megbecsli a gerjesztő jel energiáját, valamint zöngés esetben a hang-
magasságát (férfiak: ≈ 125 Hz; nők: ≈ 250 Hz).
A paraméterek binárisan kódolva jutnak el a dekódolónak, ami ezek alap-
ján állítja elő a saját gerjesztő jelét és állítja be a szűrő paramétereit.
A paraméteres kódolók bonyolultabbak, mint a hullámformán alapu-
lók.
A hangminőségük lényegesen rosszabb, érthető, de gépi hang jellegű
beszédet hallunk.
Nagyon alacsony bitsebességgel működnek: 1.2 − 4.8 kbit/s.
Baran Sándor Matematika és információelmélet előadás 216 / 239
Lineáris prediktív kódolás
LPC: linear predictive coding, Bishnu S. Atal, Bell Labs, 1971. p-lépéses
lineáris szűrőt alkalmaz.
εn : gerjesztő jel. Zöngés esetben adott frekvenciájú periodikus, zöngétlen
esetben fehér zaj (véletlen, független, stacionárius).
G: a szűrő energiája.
xn : kimenő beszédjel.
∑
p
xn = ai xn−i + Gεn .
periódus, T i=1
? 6666
Kóddal gerjesztett lineáris prediktív kódoló (CELP: code excited linear pre-
diction) Manfred R. Schroeder és Bishnu S. Atal, 1985.
Az optimális gerjesztőjelet egy 256 − 1024 elemű kódkönyből választja és
annak adatait küldi át a dekódolónak.
Jó minőségű beszédátvitel már 4.8 kbit/s sebességnél.
Forrás: http://www.gimp.org/tutorials/GIMP_Quickies/
Baran Sándor Matematika és információelmélet előadás 235 / 239
Veszteségmentes JPEG
Kiegészítés a JPEG formátumhoz. Joint Photographic Experts Group,
1993.
Kétdimenziós prediktív kódolás (DPCM).
b i,j predikciója
Sorfolytonos letapogatás. Az (i, j) képpont Xi,j értékének X
Xi−1,j , Xi,j−1 és Xi−1,j−1 alapján.
Nyolcféle predikciós séma.
0: X b i,j = 0; b i,j = Xi−1,j + Xi,j−1 − Xi−1,j−1 ;
4:
X
Lejátszási sorrend: 0 1 2 3 4 5 6 7 8 9
Képtípus: I B B P B B P B B I
Sorrend az adatfolyamban: 0 2 3 1 5 6 4 8 9 7
Szokásos sorrend: egy I-típusú képre két P-típusú épül, köztük két B-típu-
sú.
I-típusú képek: önmagukban kódolódnak. Referenciaként szolgálnak a ke-
reséshez.
A P- és B-típusú képek tömörítése a makroblokkonkénti mozgásbecslésen
alapszik.
Baran Sándor Matematika és információelmélet előadás 238 / 239
Predikciók
P-típusú képek: minden makroblokkhoz kikeressük az előző I- vagy P-típu-
sú kép leginkább hasonlító makroblokkját (referencia blokk). Csak a távol-
ságot és az irányt (mozgásvektor), valamint a referencia blokktól való elté-
rést kódoljuk.
Mozgásvektor: Huffman; eltérés: JPEG-hez hasonló kódolás. Nincs refe-
rencia: makroblokk sima JPEG kódolása.
B-típusú képek: az előző és a rákövetkező I- vagy P-típusú képben kere-
sünk egyezést. Ha mindkét oldalon van egyezés, az átlaguktól való eltérést
és a két mozgásvektort kódoljuk. Egyoldali egyezésnél a P-típushoz hason-
lóan kódolunk.
MPEG-1 tömörítés pl. 356 × 260 képpont és 24 bites szín esetén.
Típus Méret Arány
I 18 Kb 7:1
P 6 Kb 20 : 1
B 2.5 Kb 50 : 1
Átlag 4.6 Kb 27 : 1