们知道 Riemann积分的几何意义是曲边梯形的面积.为在欧氏空间空间R上推广 Riemann积分的理论,我们必须把象长度,面积和体积等概念推广到R”中的更一般的集上 去本章将要定义的R”上的 Lebesgue测度就是长度,面积和体积等概念推广

集与集的运算是测度与积分理论的基础.本章先介绍集论的一些基本内容,包括 集与集的运算,可数集和基数,一些具有某些运算封闭性的集类如环与σ一代数等.然后介 绍R中的一些常见的点集

第三章解线性方程组的直接法 Direct Method for Solving Linear Systems 求解A=万 1高斯消元法Gaussian Elimination*1 高斯消元法思首先将A化为上三角阵l*uper--triangular matrix*1路,再回代求解l* backward substitution*1

这一节中希望大家能多动脑子呵呵因为我懒得写很多东西嘿嘿不好意思了 接着看上一节的变换 90,70,100,70]--[82.5,-2.5,10,15] 82.5即4个数的平均数可画出其对应波形如F.1其他数字对应相应波形(请稍微思考一下为什么及这 些波形特点)好了思考后请画出8个点阵的对应波形(如是新手,一定要亲手作作)以后我们将使用 这些波深入学习 在这里我们称这些图形为波,与常见的SN波不同呵呵可能不习惯 我举几个重要特性:

若一物体可用颜色和大小表示,我们称颜色和大小为特征基,构成此物体特征描述空间。 大小和颜色是互不相干的2种描述,我们称其为正交。同时若这些基的能够完全表示 所有物体,我们称其为完备特征基。若特征基完备且正交,人们就可以在特定特征上对比事物 而不受其他特征上的信息干扰,但由于人们的认知形成过程,特征基并非完全正交

呵呵现在任给一函数f(x),我们怎么知道小波级数可以无限逼近这个函数呢 我们想象任给beta>0,可以将f(x)曲线按每beta长度分成很多小段,对应很多点 若我们可以用一函数g(x)来拟合这些点,那么g(x)和(x)在任意x上的误差将小于beta 若点数量为2^n个那么我们就可以分别用^(n-1)个L波和2^(n-1)个H波拟合 然后可将L波再分解,最后得到一棵树(分解的级数由你决定)

以图像来说明建立空间特征基和小波变换的关系 设有一幅图像,从不同分辨率考察。 若我们离很远来看,可能会把每64个点看作一个点,若记此时构成的描述空间为V 若走进一些,把16个点看作一个点,记此时构成的描述空间为V1 若再走进一些,把4个点看作一个点,记此时构成的描述空间为V2 若再走进一些,把1个点看作一个点,记此时构成的描述空间为V3 则可知凡是Vi空间内可以描述的图像

基于提升方法(lifting scheme)的小波变换 提升法被称为第二代小波,可见其重要性。 下面先举一个arr小波的例子。 在一序列中有相邻数据a,b我们计算出其低频1=(a+b)/2高频h=b-a 如果不引入新数据,仅对a,b更新,可写作b-=a,a+=b/2 这样我们发现其可在自身位置上完成小波变换,而且还大大简化了计算过程(在复杂的变换中更明显)

总结一下前面所讲的内容思想 任何一个事物都对应着多个描述空间(从不同角度观察),每个描述空间都由自身的特征描述基构成,若 这些特征基可以描述出S中不同事物,则称特征基在S中是完备的。若这些特征基两两之间不相关,则称 其为正交。当然完备并不要求正交,正交的好处在于每个特征基上描述的信息和其他特征基不相关

Example 1.6. Consider the graph y(x) cos(x) over [0.0, 1.2]. (a) Use the nodes xo=0.0andx1=1.2 to construct linear interpolating polynomial Pi(). (b)Use the nodes xo 0.2 and x =1.0 to construct a linear approximating polynomial()