aboutsummaryrefslogtreecommitdiffstats
diff options
context:
space:
mode:
authorAlain <mceagle117@gmail.com>2021-06-22 17:28:15 +0200
committerAlain <mceagle117@gmail.com>2021-06-22 17:28:15 +0200
commitcceb539b3b83de6cf4296e6062c8d2f6e31aec72 (patch)
tree88611f0d5f5f101cca0739df03436d92fd4e9b39
parentChanges (diff)
downloadSeminarMatrizen-cceb539b3b83de6cf4296e6062c8d2f6e31aec72.tar.gz
SeminarMatrizen-cceb539b3b83de6cf4296e6062c8d2f6e31aec72.zip
minor changes
Diffstat (limited to '')
-rw-r--r--buch/papers/ifs/teil1.tex3
-rw-r--r--buch/papers/ifs/teil2.tex5
-rw-r--r--buch/papers/ifs/teil3.tex4
3 files changed, 6 insertions, 6 deletions
diff --git a/buch/papers/ifs/teil1.tex b/buch/papers/ifs/teil1.tex
index 70b0b1b..a75b529 100644
--- a/buch/papers/ifs/teil1.tex
+++ b/buch/papers/ifs/teil1.tex
@@ -98,8 +98,9 @@ Mit ihr kann man einfach die Dimension selbstähnlicher Mengen bestimmen.
Als Beispiel nehmen wir ein gleichseitiges Dreieck. Dieses besteht aus $N = 4$ Kopien mit halber ($\epsilon = 1/2$) Kantenlänge $l$, Abbildung \ref{ifs:trinagle}.
Somit hat das Dreieck die Dimension $D = 2$.
Die Koch Kurve besteht aus $N = 4$ Kopien mit Kantenlänge $\epsilon =l \cdot 1/3$.
+Ihre Ähnlichkeits-Dimension ist somit
\begin{align*}
- D = - \frac{\log N }{\log \epsilon } = - \frac{\log 4 }{\log 1/3 } \approx 1.2619
+ D = - \frac{\log N }{\log \epsilon } = - \frac{\log 4 }{\log 1/3 } \approx 1.2619.
\end{align*}
Wie wir nun sehen besitzt die Koch-Kurve alle oben beschriebenen Eigenschaften von Fraktalen.
Dies muss jedoch nicht bei allen Fraktalen der Fall. Sonst wäre die Frage nach einer 'richtigen' Definition einfach zu beantworten.
diff --git a/buch/papers/ifs/teil2.tex b/buch/papers/ifs/teil2.tex
index 0c957d6..fd10634 100644
--- a/buch/papers/ifs/teil2.tex
+++ b/buch/papers/ifs/teil2.tex
@@ -115,15 +115,14 @@ Weiter definieren wir die Transformation S auf kompakte Mengen $E$ ohne die leer
S(E) = \bigcup\limits_{i = 1}^m S_i(E).
\label{ifs:transformation}
\end{equation}
-Wird diese Transformation Iterativ ausgeführt, das heisst $S^0(E) = E, S^k(E) = S(S^{k-1}(E))$, und für jedes $i$ $S_i(E) \subset E$, gilt
+Wird diese Transformation Iterativ ausgeführt, das heisst $S^0(E) = E, S^k(E) = S(S^{k-1}(E))$, gilt
\begin{equation}
F = \bigcap\limits_{k = 1}^{\infty} S^k(E).
\label{ifs:ifsForm}
\end{equation}
In Worte gefasst bedeutet das, dass jede Gruppe von Kontraktionen iterativ ausgeführt, gegen eine eindeutige Menge konvergiert.
-Diese Menge ist auch als Attraktor des IFS bekannt.
+Diese Menge ist auch als Attraktor eines IFS bekannt.
Der Beweis für die Existenz eines eindeutigen Attraktors ist in \cite{ifs:fractal-geometry} beschrieben.
-Aus diesem Beweis folgt, dass die Startmenge $E$, anders als in \ref{ifs:ifsForm} beschrieben ist, beliebig sein kann.
\subsection{Beispiel: Barnsley-Farn}
Der Barnsley-Farn, Abbildung \ref{ifs:farn}, ist ein Beispiel eines Fraktal, welches mit einem IFS generiert werden kann.
diff --git a/buch/papers/ifs/teil3.tex b/buch/papers/ifs/teil3.tex
index ebae0fb..78fb935 100644
--- a/buch/papers/ifs/teil3.tex
+++ b/buch/papers/ifs/teil3.tex
@@ -87,13 +87,13 @@ Da wir ein $2b \times 2b$ Feld auf ein $b \times b$ Feld abbilden möchten, müs
Dies erreichen wir, indem wir alle disjunkten $2 \times 2$ px Blöcke mit einem Pixel des Grautones deren Mittelwertes ersetzen.
-Die Parameter $s_i$ und $g_i$ beschreiben die Änderung des Grautones. $s$ verändert den Kontrast und $g$ verschiebt die Töne auf die richtige Helligkeit, sie bilden die lineare Funktion
+Die Parameter $s_i$ und $g_i$ beschreiben die Änderung des Grautones. $s$ verändert den Kontrast und $g$ verschiebt die Grautöne auf die richtige Helligkeit, sie bilden die lineare Funktion
\begin{align*}
z' = s_i z + g_i.
\end{align*}
Für die Bestimmung dieser Parameter führen wir zuerst die Bildfunktionen $f_{R_i}$ und $\tilde{f_{R_i}}$ ein.
$f_{R_i}$ ist die Bildfunktion des Range-Blockes $R_i$ und $\tilde{f_{R_i}}$ ist die Bildfunktion des zuerst Skalierten und dann mit \ref{ifs:affTrans} transformierten Domain-Blocks $D_j$.
-$s$ und $g$ werden mit der einfachen linearen Regression ermittelt.
+
Wir suchen $s_i$ und $g_i$ so das
\begin{align*}
f_{R_i} = s_i \tilde{f_{R_i}} + g_i = \bar{f_{R_i}}.