Rezümékötet 2008. - vmtdk

More documents

Recommendations

Info

72 É L E T T E L E N T E R M É S Z E T T U D O M Á N Y O K É S M Û S Z A K I T U D O M Á N Y O K JEDNA KLASA HOMOMORFIZAM-HOMOGENIH SEMILINEARNIH PROSTORA Autor: Eva JUNGABEL IV godina studija Mentor: Dr Dragan MAŠULOVIÆ profesor, Dr Igor DOLINKA profesor Institucija: Univerzitet u Novom Sadu, Prirodno-matematièki fakultet, Departman za matematiku i informatiku, Novi Sad Kolegijum za visoko obrazovanje vojvoðanskih Maðara Ovaj rad se bavi jednom klasom homomorfizam-homogenih semilinearnih prostora. Za strukturu kažemo da je homomorfizam-homogena ako se svaki homomorfizam izmeðu dve konaèno generisane podstrukture može proširiti do endomorfizma strukture. Semilinearni prostor èine konaèna kolekcija taèaka i konaèna kolekcija pravih koje zadovoljavaju sledeæe dve aksiome: svaka prava ima bar dve taèke; i svake dve razlièite taèke leže na najviše jednoj pravoj. Za pravu sa bar tri taèke kažemo da je regularna, dok za prave sa taèno dve taèke kažemo da su singularne. Ranije su opisani konaèni homomorfizam-homgeni semilinearni prostori koji sadrže dve regularne prave koje se seku. Da bi se kompletirala karakterizacija homomorfizam-homogenih semilinearnih prostora potrebno je još opisati homomorfizam-homogene semilinearne prostore kod kojih ne postoje regularne prave koje se seku. Ovaj rad se bavi konaènim semilinearnim prostorima koji zadovoljavaju sledeæe dve osobine: postoje taèno dve regularne prave, a i b, koje se ne seku, i svaka taèka pripada ili pravoj a ili pravoj b. Posmatramo te prostore u zavisnosti od toga kakve osobine imaju singularne prave i za svaku podklasu dajemo potpunu karakterizaciju. Glavni rezultat rada je teorema koja trvdi da je takav prostor homomorfizam-homogen ako i samo ako je to jedan od sledeæih prostora: Kljuène reèi: semilinearni prostori, homomorfizam-homogenost V I I . V A J D A S Á G I M A G Y A R T U D O M Á
É L E T T E L E N T E R M É S Z E T T U D O M Á N Y O K É S M Û S Z A K I T U D O M Á N Y O K DEFUZZIFIKÁLÁSI MÓDSZEREK VIZSGÁLATA Szerzõ: ANTAL Elvira IV. évfolyam Témavezetõ: Dr. CSENDES Tibor egyetemi tanár Intézmény: Szegedi Tudományegyetem, Természettudományi és Informatikai Kar, Alkalmazott Informatika Tanszék, Szeged A különféle képalkotó berendezések általában fuzzy (elmosódott, életlen) tulajdonságú digitális képeket szolgáltatnak számunkra. Vannak ugyanakkor olyan területek, ahol nem követelmény az árnyalatgazdagság, sõt, az eredeti helyett egy megfelelõen megválasztott bináris kép alkalmazása kifejezetten elõnyökkel jár. Az éles (crisp) ábrázolást kihasználva például olyan képfeldolgozó eszközök válhatnak elérhetõvé, amelyek fuzzy képek esetében nem állnak rendelkezésre. Az optimális, az eredetihez legjobban illeszkedõ bináris kép megtalálása már viszonylag kis képméret mellett is rendkívül számításigényes feladat, ezért fontos kérdés, milyen optimalizálási módszerekkel segíthetõ a probléma megoldása. A dolgozat három defuzzifikálásra alkalmas módszerre koncentrál. A hasonló célokra leggyakrabban ajánlott szimulált hûtés, a BTRK klaszterezõ algoritmuson alapuló GLOBAL eljárás, valamint egy lineáris megoldó összehasonlítására kerül sor. Ez utóbbi alkalmazhatóságát a célfüggvény és a feltételek linearizálása tette lehetõvé. A három módszer tesztelése a MatLab rendszerben implementált változatokkal, kisméretû szintetikus képeken történt. A dolgozatból kitûnik, hogy a lineáris modell bevezetésével jelentõs sebesség-növekedés érhetõ el, így a korlátozó feltételek finomításával ígéretes lehetõséget jelenthet a gyakorlati alkalmazhatóság szempontjából. Kulcsszavak: defuzzifikálás, linearizálás, optimalizálás DISQUISITION ON DEFUZZIFICATION METHODS Author: Elvíra ANTAL 4 th year student Supervisor: Dr. Tibor CSENDES professor Institution: University of Szeged, Faculty of Science and Informatics, Department of Applied Informatics, Szeged In most cases, imaging equipments produce fuzzy digital images. However, there are some fields of application where shadedness is not necessary, what is more, using an adequately chosen binary image instead of the original is expressly beneficial. Applying crisp representations possibly permits adaptation of some image processing tools, which are not available for fuzzy images. Finding the optimal crisp representation is a highly demanding computational task N Y O S D I Á K K Ö R I K O N F E R E N C I A 73
Page 1 and 2:
7. Vajdasági Magyar Tudományos Di
Page 3 and 4:
Page 5 and 6:
Page 7 and 8:
R É S Z L E T E S P R O G R A M 19
Page 9 and 10:
14.15-14.30 . . . . Száraz Áron (
Page 11 and 12:
16.45-17.00 . . . . S z ü n e t R
Page 13 and 14:
M Û V É S Z E T E K Szekcióvezet
Page 15 and 16:
ELÕSZÓ A 7. Vajdasági Magyar Tud
Page 17 and 18:
A TDK-DOLGOZATOK ÖSSZEFOGLALÓI N
Page 19 and 20:
P L E N Á R I S T U D O M Á N Y O
Page 21 and 22: P L E N Á R I S T U D O M Á N Y O
Page 31 and 32: É L Õ T E R M É S Z E T T U D O
Page 59 and 60: É L E T T E L E N T E R M É S Z E
Page 71: É L E T T E L E N T E R M É S Z E
Page 103 and 104: T Á R S A D A L O M T U D O M Á N
Page 123 and 124:
T Á R S A D A L O M T U D O M Á N
Page 125 and 126:
Page 127 and 128:
Page 129 and 130:
Page 131 and 132:
Page 133 and 134:
Page 135 and 136:
Page 137 and 138:
Page 139 and 140:
Page 141 and 142:
Page 143 and 144:
Page 145 and 146:
H U M Á N T U D O M Á N Y O K Thi
Page 147 and 148:
H U M Á N T U D O M Á N Y O K The
Page 149 and 150:
H U M Á N T U D O M Á N Y O K A T
Page 151 and 152:
H U M Á N T U D O M Á N Y O K A Z
Page 153 and 154:
H U M Á N T U D O M Á N Y O K MUZ
Page 155 and 156:
H U M Á N T U D O M Á N Y O K AZ
Page 157 and 158:
H U M Á N T U D O M Á N Y O K NÕ
Page 159 and 160:
H U M Á N T U D O M Á N Y O K AZ
Page 161 and 162:
H U M Á N T U D O M Á N Y O K LOV
Page 163 and 164:
H U M Á N T U D O M Á N Y O K TUM
Page 165 and 166:
H U M Á N T U D O M Á N Y O K SEM
Page 167 and 168:
H U M Á N T U D O M Á N Y O K the
Page 169 and 170:
H U M Á N T U D O M Á N Y O K der
Page 171 and 172:
H U M Á N T U D O M Á N Y O K nor
Page 173 and 174:
H U M Á N T U D O M Á N Y O K ADA
Page 175 and 176:
H U M Á N T U D O M Á N Y O K A K
Page 177 and 178:
H U M Á N T U D O M Á N Y O K A M
Page 179 and 180:
H U M Á N T U D O M Á N Y O K SZE
Page 181 and 182:
H U M Á N T U D O M Á N Y O K LJU
Page 183 and 184:
H U M Á N T U D O M Á N Y O K COS
Page 185 and 186:
H U M Á N T U D O M Á N Y O K VAL
Page 187 and 188:
M Û V É S Z E T E K JELFOLYAM (az
Page 189 and 190:
M Û V É S Z E T E K A NEMLÉT MIN
Page 191 and 192:
M Û V É S Z E T E K JEGYZETEK Sze
Page 193 and 194:
M Û V É S Z E T E K Techniques li
Page 195 and 196:
M Û V É S Z E T E K HANGVERSENY F
Page 197 and 198:
M Û V É S Z E T E K HALLUCINÁLOK
Page 199 and 200:
M Û V É S Z E T E K NEVESTA NOÆI
Page 201 and 202:
N Y O S D I Á K K Ö R I K O N F E
Page 203 and 204:
A VII. VMTDK-án AZ ALÁBBI FELSÕO
Page 205 and 206:
A V I I . V M T D K T U D O M Á N
Page 207 and 208:
V É D N Ö K E I N K : Tartományi
Page 209 and 210:
T A R T A L O M SÁGI Andor (Újvid
Page 211 and 212:
TÁRSADALOMTUDOMÁNYOK T A R T A L
Page 213 and 214:
BALOGH AUER N. Zita (Pécs) Az újr
Page 215 and 216:
show all

Rezümékötet 2008. - vmtdk

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?