Algorytmy Ewolucyjne i Sztuczne Sieci Neuronowe w Układach Diagnostyki i Sterowania
|
|
- Martyna Orzechowska
- 5 lat temu
- Przeglądów:
Transkrypt
1 Algorytmy Ewolucyjne i Sztuczne Sieci Neuronowe w Układach Diagnostyki i Sterowania Marcin Witczak Uniwersytet Zielonogórski
2 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 PLAN WYSTĄPIENIA Wprowadzenie do problemu projektowania systemów sterowania i diagnostyki technicznej Przegląd rozwiązań wykorzystujących algorytmy ewolucyjne Przykład zastosowania Identyfikacja z zastosowaniem programowania genetycznego(gp) Projektowanie obserwatora o nieznanym wejściu z zastosowaniem GP Detekcja uszkodzeń Przegląd rozwiązań wykorzystujących sztuczne sieci neuronowe Przykład zastosowania Projektowanie odpornych systemów diagnostycznych z zastosowaniem sieci neuronowych typu GMDH Detekcja uszkodzeń Podsumowanie
3 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 Informacja o uszkodzeniach Rekonfiguracja regulatora System Diagnostyczny Obserwator Obs Model Uszkodzenia Czujniki pomiarowe y ref Regulator u Act Proces Senso y Urzadzenia wykonwcze Nieznane wejscie
4 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 PRZEGLĄD ROZWIĄZAŃ WYKORZYSTUJĄCYCH ALGORYTMY EWOLUCYJNE Projektowanie regulatorów Estymacja parametrów regulatora PID: Oliveira i inni(1991): W Engineering Systems with Intelligence. Concepts, Tools and Applications Estymacja parametrów regulatora LQG: Mei i Goodal(2000): IEE Proceedings- Control Theory and Applications, Vol. 147 No. 1 Estymacja parametrów odpornego regulatora LQG(z wykorzystaniem techniki Monte Carlo): Marrison i Stengel(1997): IEEE Trans. Automat Control,Vol.42,No.6 Wyznaczanie optymalnej sekwencji sterowania w sterowaniu predykcyjnym z wykorzystaniem modelu: Onnen i inni(1997): Control Eng. Practice Vol. 5,No.10 Wyznaczanie struktury i parametrów regulatora: Koza i inni(2000): Genetic Programming and Evolvable Machines
5 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 Wyznaczanie struktury i parametrów regulatora: Chipperfield i Fleming (1996): IEEE Trans. Industrial Electronics, Vol. 43, No. 5 Wyznaczanie parametrów regulatorów neuro-rozmytych: Linkens i Nyongensa(1996): IEE Proc. Control Theory and Applications, Vol. 143, No.4;Setteiinni(1998):Vol.6,No.4 Sterowanie adaptacyjne z zastosowaniem populacji regulatorów: Lennon i Passino(1998): Engineering Applications of Artificial Intelligence, Vol. 12 pp Sterowanie iteracyjne z uczeniem: Hatzikos i inni(2004): Int. J. Control, Vol.77,No.2
6 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 Projektowanie obserwatorów Projektowanie odpornych obserwator dla systemów liniowych: Kowalczuk i Białaszewski(2004): W Korbicz i inni: Fault Diagnosis, Models, Artificial Intelligence, Applications; Chen i Patton(1999): Robust Model-Based Fault Diagnosis for Dynamic Systems Projektowanie obserwatorów adaptacyjnych dla systemów nieliniowych: Moyneiinni(1994):Eng.App.Artif.Intell,Vol.8,No.3 Projektowanie rozszerzonego obserwatora o nieznanym wejściu dla systemów nieliniowych: Witczak, Obuchowicz i Korbicz(2002): Int. J. Control,Vol.75,No.13;WitczakiKorbicz(2004):WKorbicziinni: Fault Diagnosis, Models, Artificial Intelligence, Applications
7 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 Identyfikacja i modelowanie Wyznaczanie struktury i parametrów modelu neuronowego: Korbicz i inni(2004): Fault Diagnosis, Models, Artificial Intelligence, Applications; Duch i inni(2000): Sieci Neuronowe Planowanie eksperymentu dla sztucznych sieci neuronowych: Witczak i Prętki(2005): Computer Assisted Mechanics and Eng. Sciences Wyznaczanie struktury i parametrów modelu Witczak, Obuchowicz i Korbicz(2002): Int. J. Control, Vol. 75, No. 13; Witczak i Korbicz (2004): W Korbicz i inni: Fault Diagnosis, Models, Artificial Intelligence, Applications; Metenidis, Witczak i Korbicz(2004): Eng. App. Artif. Intell,Vol.8,No.3 Poszukiwanie minimalnej struktury modelu dla nieliniowych systemów dynamicznych: Mao i Billings(1997): Int. J. Contr., Vol. 68, No. 2
8 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 Diagnostyka techniczna Wymienione prace dla obserwatorów Projektowanie modeli dla celów diagnostyki technicznej Projektowanie klasyfikatorów: Chen i inni(2003): Eng. App. Artif. Intell, Vol. 16, pp ; Projektowanie systemów ekspertowych i rozmytych: Koza (1992): Genetic Programming
9 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 PRZYKŁAD ZASTOSOWANIA Identyfikacja systemów z zastosowaniem GP o 1 o 2 o 3 t 1 t 2 t 3 t 4 Zbiory stałych i zmiennych oraz operatorów matematycznych T={t i i=1,...,n t } F={o i i=1,...,n o }
10 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 ALGORYTM GP Inicjalizacja Nowa populacja Selekcja Krzyżowanie i Mutacja Tymczasowa populacja
11 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 PROBLEMY Z PARAMETRAMI MODELU T={y k 1,y k 2,u k 1,u k 2,1}, F={+,,,/} y k =3.14y k 1 u k 1 +y k 2 +u k 2 Drzewo z parametrami p 1 + p 2 p 3 + p 4 p 5 p 6 p 7 y k 1 u k 1 y k 2 u k 2 Reguły redukcji parametrów y k =p 1 p 2 p 4 p 5 y k 1 u k 1 +p 1 p 3 p 6 y k 2 +p 1 p 3 p 7 u k 2
12 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 OPIS SYSTEMU W PRZESTRZENI STANÓW ˆx k+1 =A(ˆx k )ˆx k +h(u k ) ŷ k+1 =Cˆx k+1 i A(ˆx k )=diag[a 1,1 (ˆx k ),a 2,2 (ˆx k ),...,a n,n (ˆx k )] a i,i (ˆx k )=tgh(s i,i (ˆx k )), i=1,...,n,
13 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 OBSERWATOR O NIEZNANYM WEJŚCIU(UIO) Liniowy system dyskretny gdzie x k+1 =A k x k +B k u k +E k d k +w k y k =C k x k +v k x k R n -stan y k R m -wyjście u k R r -wejście d k R q -nieznanewejście w k andv k szumyprocesuipomiarówomacierzachkowariancjiq k i R k
14 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 UIO dla liniowych systemów stochastycznych Alternatywna postać z k+1 =F k+1 z k +T k+1 B k u k +K k+1 y k ˆx k+1 =z k+1 +H k+1 y k+1 ˆx k+1 =ˆx k+1/k +H k+1 ε k+1/k +K 1,k+1 ε k gdzie ˆx k+1/k =A kˆx k +B k u k ε k+1/k =y k+1 ŷ k+1/k =y k+1 C k+1ˆx k+1/k ε k =y k ŷ k
15 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 ELIMINACJA NIEZNANEGO WEJŚCIA Warunek konieczny(chen and Patton, 1999) rank(c k+1 E k )=rank(e k ) i rozwiązanie H [ k+1=e k (Ck+1 E k ) T ] 1(Ck+1 C k+1 E k E k ) T
16 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 ROZSZERZONY UIO(EUIO) Klasa systemów nieliniowych x k+1 =g(x k )+h(u k )+E k d k y k+1 =C k+1 x k+1 Linearyzacjawokółaktualnejestymatystanuˆx k A k = g(x k) x k xk =ˆx k
17 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 ZBIEŻNOŚĆ EUIO Główny cel- wykazać istotność odpowiedniego doboru macierzy instrumentalnychq k ir k Błąd estymacji stanu e k+1 =x k+1 ˆx k+1 =e k+1/k H k+1 ε k+1/k K 1,k+1 ε k Klasyczna linearyzacja Proponowane rozwiązanie e k+1/k A k e k +E k d k e k+1/k =α k A k e k +E k d k
18 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 ANALIZA ZBIEŻNOŚCI Z ZASTOSOWANIEM METODY LAPUNOWA Celemjestwyznaczeniewarunkówprzyktórychsekwencja{V k } k=0, określona przez funkcję Lapunowa V k+1 =e T k+1a T 1,k+1 [P k+1] 1 A 1 1,k+1 e k+1 jestmalejąca.sekwencja{v k } k=0 jestmalejącajeżeliistniejestała0<ζ<1 taka, że V k+1 (1 ζ)v k 0
19 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 WARUNKI ZBIEŻNOŚCI (Witczak et al., 2002, International Journal of Control, Vol. 75, No. 13) σ(α k ) γ 1 = σ(a k) σ(a k ) (1 ζ)σ(p ( k) ) σ A 1,k P ka T 1,k 1 2 Jeśli σ(α k I) γ 2 = σ(a k) σ(a k ) ( σ σ C T k ( C T k ) σ(c k ) ) σ(c k ) σ σ(r k ) ) (C k P k C T k+r k 1 2 P k =A 1,k P ka T 1,k+T k Q k 1 T T k+h k R k H T k oczywistymjest,żeodpowiedniwybórmacierzyinstrumentalnychq k 1 i R k możezwiększyćwartościgraniczneγ 1 andγ 2,wkonsekwencji zapewniając zbieżność obserwatora
20 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 KOMPROMIS POMIĘDZY ZBIEŻNOŚCIĄ A SZYBKOŚCIĄ ZBIEŻNOŚCI Odpowiedni dobór macierzy instrumentalnych Q k 1 =β 1 ε T k 1ε k 1 I+δ 1 I R k =β 2 ε T kε k I+δ 2 I gdzieβ 1,β 2 wystarczającodużeiδ 1,δ 2 wystarczającomałestałenieujemne WyznaczaniemacierzyQ k ir k zzastosowaniemprogramowania genetycznego
21 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 Estymacja stanu silnika elektrycznego z zastosowaniem rozszerzonego obserwatora o nieznanym wejściu x 1,k+1 =x 1,k +h( γx 1k + K T r x 3k +Kpx 5k x 4k + 1 σl s u 1k ) x 2,k+1 =x 2,k +h( γx 2k +Kpx 5k x 3k + K T r x 4k + 1 σl s u 2k ) x 3,k+1 =x 3,k +h( M T r x 1k 1 T r x 3k px 5k x 4k ) x 4,k+1 =x 4,k +h( M T r x 2k px 5k x 3k 1 T r x 4k ) x 5,k+1 =x 5,k +h( pm JL r (x 3k x 2k x 4k x 1k ) T L J ) y 1,k+1 =x 1,k+1,y 2,k+1 =x 2,k+1
22 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 Badanie wpływu macierzy instrumentalnych na zbieżność obserwatora Założenia:x 0 =0,d k =0,ˆx 0 =(200,200,50,50,300) Przypadek 1: Klasyczne podejście(stałe wartości), tzn. Q k 1 =0.1, R k =0.1 Przypadek 2: Proponowane rozwiązanie, tzn. Q k 1 =10 3 ε T k 1ε k 1 I+0.01I, R k =10ε T kε k I+0.01I Przypadek3:ZastosowanieGPdowyznaczaniaQ k ir k.
23 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 Normabłęduestymacjistanu e k 2 dlaprzypadku1, Przypadku 2(przerywana) i Przypadku 3(ciągła) ek Czas dyskretny
24 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 DAMADICS BENCHMARK Schemat pierwszej części stacji wyparnej kpa PC51_01 % Actuator % R LC51_01 % R % LC51_03 R o C TC51_05 3 F51_01 m /h
25 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 SCHEMAT IDEOWY ROZWAŻANEGO URZĄDZENIA E/P CP U S C V PC ACQ F PP PS X Z 1 Z 3 Valve Z 2 T 1 P 1 P 2
26 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 Ogólna postać modelowanej zależności y=f(u), y=(x,f), u=(p 1,P 2,T 1,CV) Liniowy model w przestrzeni stanów? Model nieliniowy otrzymany za pomocą GP Zbiory zmiennych i operatorów T A ={ˆx k }, T h ={u k } F={+,,/}.
27 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 Model nieliniowy ˆx k+1 = [ A F (ˆx k ) 0 0 A X ] ˆx k + [ h(u k ) B X u k ] ŷ k+1 =Cˆx k+1 gdzie A F (ˆx k )= A X = h(u k )= ( ) 0.3tanh 10ˆx 2 1,k +23ˆx 1,kˆx 2,k + 26ˆx 1,k ˆx 2,k [ tanh ] B X = [ 0 ( 5ˆx 2 ) 2,k +1.5ˆx 1,k ˆx 2 1,k u 2 1,k u2 2,k u2 3,k u2 4,k u (u 1,k u 2,k u 1,k u 3,k ) ,k u 4,k u 2,k u 3,k u 2 1,k u2 2,k u2 3,k u2 4,k u (u 1,k u 2,k u 1,k u 3,k ) ,k u 4,k u 2,k u 3,k ]
28 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 PORÓWNANIE WYJŚCIA MODELU(NIEBIESKI) I SYSTEMU (CZERWONY) y1,k y2,k Czas dyskretny Czas dyskretny
29 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 PORÓWNANIE WYJŚCIA EUIO(NIEBIESKI) I SYSTEMU (CZERWONY) y1,k y2,k Czas dyskretny Czas dyskretny
30 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 D- wykrywalny, N- niewykrywalny Uszkodzenie Opis S M B f 1 Valveclogging D D D f 2 Valveplugorvalveseatsedimentation D f 7 Mediumevaporationorcriticalflow D D D f 8 Twistedservomotor spistonrod N N N f 10 Servomotor sdiaphragmperforation D D D f 11 Servomotor sspringfault D f 12 Electro-pneumatictransducerfault N N D f 13 Roddisplacementsensorfault D D D f 15 Positionerfeedbackfault D f 16 Positionersupplypressuredrop N N D f 17 Unexpectedpressurechangeacrossthevalve D f 18 Fullyorpartlyopenedbypassvalves D D D f 19 Flowratesensorfault D D D
31 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 PRZEGLĄD ROZWIĄZAŃ WYKORZYSTUJĄCYCH SZTUCZNE SIECI NEURONOWE Projektowanie systemów sterowania: Neural Networks for Modelling and Control of Dynamic Systems.- Norgaard i inni(2000): Springer-Verlag, London Identyfikacja i modelowanie: Korbicz i inni(2004): Fault Diagnosis, Models, Artificial Intelligence, Applications; Duch i inni(2000): Sieci Neuronowe Diagnostyka techniczna Klasyczny układ detekcji uszkodzeń z modelem neuronowym: Korbicz i inni (2004): Fault Diagnosis, Models, Artificial Intelligence, Applications; Chen i Patton(1999): Robust Model-Based Fault Diagnosis for Dynamic Systems Odporne neuronowe systemy diagnostyczne: Witczak, Korbicz, Mrugalski i Patton(2005): Control Eng. Practice; Witczak i Prętki(2005): Computer Assisted Mechanics and Eng. Sciences Projektowanie klasyfikatorów: Marciniak i Korbicz(2004): W Korbicz i inni (2004): Fault Diagnosis, Models, Artificial Intelligence, Applications
32 ... Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 PRZYKŁAD ZASTOSOWANIA Problem odpornej detekcji uszkodzeń Uszkodzenia u System y Nominalny model y m,0 _ + r 0 Model uszkodzenia(1) y m,1 _ r 1 FDI f Model uszkodzenia(n) y m,n _ r n Bank modeli Generator residuum Podejmowanie decyzji
33 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 Zasada działania algorytmu GMDH u (0) 1 u (0) 2 u (0) 3 u (0) m... y (l) 1 y (l) n y (l) N S E L E K C J A y (L) 1 y (L) N S E L E K C J A y (L) opt
34 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 Końcowa struktura sieci neuronowej GMDH u (1) 1 y (1) 1... y (l) 1 u (1) 2 y (1) n... y (l) n u (1) 3 y (L) opt u (1) m y (1) N... y (l) N Błędy strukturalne przy estymacji poszczególnych neuronów
35 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 Zastosowanie estymacji przy ograniczonych wartościach błędów do estymacji parametrów i ich przedziałów ufności- Witczak, Korbicz, Mrugalski i Patton(2005): Control Eng. Practice Propagacja niepewności w sieci neuronowej GMDH u 1 u 2 ŷ k u 3
36 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 Dynamiczna sieć neuronowa GMDH u 1 (k) b 1,0 z 1 b 1,1 u nu (k) z 1 z 1 z 1 z 1 b 1,nu b nu,0 b nu,1 b nu,n b a ny a 1 ỹ(k) ξ( ) y(k) z 1 ỹ(k)
37 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 Struktury sieci neuronowych dla problemu DAMADICS X P 1 P 2 F T C v P 1 P 2 X T
38 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 AdaptacyjneprogidecyzyjnedlaF(zlewej)iX(zprawej) k k
39 Sztuczna Inteligencja w Automatyce i Robotyce, Zielona Góra, /38 PODSUMOWANIE Algorytmy ewolucyjne i sztuczne sieci mogą być z powodzeniem stosowane w sytuacjach, w których klasyczne techniki nie mogą być zastosowane lub nie dają oczekiwanych rezultatów Algorytmy ewolucyjne stanowią odporne narzędzie optymalizacji, które można zastosować do rozwiązywania problemów: źle uwarunkowanych, wielomodalnych, wielokryterialnych, itd. Ze względu na dużą złożoność obliczeniową, algorytmy ewolucyjne są rzadko kiedy stosowane w problemach optymalizacji on-line Wiele opracowań prezentowanych w literaturze dowodzi, że sztuczne sieci neuronowe stanowią znakomite rozwiązanie wielu problemów automatyki irobotyki Podstawowe problemy zawiązane z zastosowaniem sieci neuronowych wiążą się z: planowaniem eksperymentu, doborem struktury i estymacją parametrów
Diagnostyka procesów przemysłowych Kod przedmiotu
Diagnostyka procesów przemysłowych - opis przedmiotu Informacje ogólne Nazwa przedmiotu Diagnostyka procesów przemysłowych Kod przedmiotu 06.0-WE-AiRP-DPP Wydział Kierunek Wydział Informatyki, Elektrotechniki
Bardziej szczegółowoMetody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści
Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, 2012 Spis treści Przedmowa do wydania drugiego Przedmowa IX X 1. Wstęp 1 2. Wybrane zagadnienia sztucznej inteligencji
Bardziej szczegółowoMETODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne
METODY SZTUCZNEJ INTELIGENCJI algorytmy ewolucyjne dr hab. inż. Andrzej Obuchowicz, prof. UZ Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski A. Obuchowicz: MSI - algorytmy ewolucyjne
Bardziej szczegółowoObserwatory stanu, zasada separowalności i regulator LQG
Obserwatory stanu, zasada separowalności i regulator LQG Zaawansowane Techniki Sterowania Wydział Mechatroniki Politechniki Warszawskiej Anna Sztyber ZTS (IAiR PW) LQR Anna Sztyber / 29 Plan wykładu Obserwatory
Bardziej szczegółowoDiaSter - system zaawansowanej diagnostyki aparatury technologicznej, urządzeń pomiarowych i wykonawczych. Politechnika Warszawska
Jan Maciej Kościelny, Michał Syfert DiaSter - system zaawansowanej diagnostyki aparatury technologicznej, urządzeń pomiarowych i wykonawczych Instytut Automatyki i Robotyki Plan wystąpienia 2 Wprowadzenie
Bardziej szczegółowoFiltr Kalmana. Struktury i Algorytmy Sterowania Wykład 1-2. prof. dr hab. inż. Mieczysław A. Brdyś mgr inż. Tomasz Zubowicz
Filtr Kalmana Struktury i Algorytmy Sterowania Wykład 1-2 prof. dr hab. inż. Mieczysław A. Brdyś mgr inż. Tomasz Zubowicz Politechnika Gdańska, Wydział Elektortechniki i Automatyki 2013-10-09, Gdańsk Założenia
Bardziej szczegółowoS PECJALNO S C I NTELIGENTNE S YSTEMY D ECYZYJNE
KATEDRA SYSTEMÓW DECYZYJNYCH POLITECHNIKA GDA N SKA S PECJALNO S C I NTELIGENTNE S YSTEMY D ECYZYJNE prof. dr hab. inz. Zdzisław Kowalczuk Katedra Systemów Decyzyjnych Wydział Elektroniki Telekomunikacji
Bardziej szczegółowoWykład organizacyjny
Automatyka - zastosowania, metody i narzędzia, perspektywy na studiach I stopnia specjalności: Automatyka i systemy sterowania Wykład organizacyjny dr inż. Michał Grochowski kiss.pg.mg@gmail.com michal.grochowski@pg.gda.pl
Bardziej szczegółowo1. POJĘCIA PODSTAWOWE I RODZAJE UKŁADÓW AUTOMATYKI
Podstawy automatyki / Józef Lisowski. Gdynia, 2015 Spis treści PRZEDMOWA 9 WSTĘP 11 1. POJĘCIA PODSTAWOWE I RODZAJE UKŁADÓW AUTOMATYKI 17 1.1. Automatyka, sterowanie i regulacja 17 1.2. Obiekt regulacji
Bardziej szczegółowoDiagnostyka procesów i jej zadania
Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski Wykład 1 Literatura 1 J. Korbicz, J.M. Kościelny, Z. Kowalczuk, W. Cholewa (red.): Diagnostyka procesów. Modele, metody sztucznej
Bardziej szczegółowoZastosowanie sztucznej inteligencji w testowaniu oprogramowania
Zastosowanie sztucznej inteligencji w testowaniu oprogramowania Problem NP Problem NP (niedeterministycznie wielomianowy, ang. nondeterministic polynomial) to problem decyzyjny, dla którego rozwiązanie
Bardziej szczegółowoBibliografia...210. xiii
Spis treści 1. Wprowadzenie J. M. Kościelny.... 1 1.1. Struktury systemów sterowania........1 1.2. Kierunki rozwoju współczesnych systemów automatyki...5 1.3. Nowe funkcje zaawansowanych systemów automatyki...
Bardziej szczegółowoAutomatyka i Robotyka II stopień ogólno akademicki studia niestacjonarne. wszystkie Katedra Automatyki i Robotyki Dr inż.
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2013/2014 Identyfikacja obiektów sterowania Identification of Control Systems A.
Bardziej szczegółowoLista przedmiotów prowadzonych przez pracowników Zakładu Sieci i Systemów Elektroenergetycznych
Lista przedmiotów prowadzonych przez pracowników Zakładu Sieci i Systemów Elektroenergetycznych Informatyka w elektroenergetyce 1DE1703 W15, L30 Projektowanie komputerowe i systemy informacji przestrzennej
Bardziej szczegółowoTomasz Pawlak. Zastosowania Metod Inteligencji Obliczeniowej
1 Zastosowania Metod Inteligencji Obliczeniowej Tomasz Pawlak 2 Plan prezentacji Sprawy organizacyjne Wprowadzenie do metod inteligencji obliczeniowej Studium wybranych przypadków zastosowań IO 3 Dane
Bardziej szczegółowoWykład wprowadzający
Monitorowanie i Diagnostyka w Systemach Sterowania na studiach II stopnia specjalności: Systemy Sterowania i Podejmowania Decyzji Wykład wprowadzający dr inż. Michał Grochowski kiss.pg.mg@gmail.com michal.grochowski@pg.gda.pl
Bardziej szczegółowoKatedra Systemów Decyzyjnych. Kierownik: prof. dr hab. inż. Zdzisław Kowalczuk ksd@eti.pg.gda.pl
Katedra Systemów Decyzyjnych Kierownik: prof. dr hab. inż. Zdzisław Kowalczuk ksd@eti.pg.gda.pl 2010 Kadra KSD profesor zwyczajny 6 adiunktów, w tym 1 z habilitacją 4 asystentów 7 doktorantów Wydział Elektroniki,
Bardziej szczegółowoZastosowania metod odkrywania wiedzy do diagnostyki maszyn i procesów
Zastosowania metod odkrywania wiedzy do diagnostyki maszyn i procesów Wojciech Moczulski Politechnika Śląska Katedra Podstaw Konstrukcji Maszyn Sztuczna inteligencja w automatyce i robotyce Zielona Góra,
Bardziej szczegółowoMetody tworzenia efektywnych komitetów klasyfikatorów jednoklasowych Bartosz Krawczyk Katedra Systemów i Sieci Komputerowych Politechnika Wrocławska
Metody tworzenia efektywnych komitetów klasyfikatorów jednoklasowych Bartosz Krawczyk Katedra Systemów i Sieci Komputerowych Politechnika Wrocławska e-mail: bartosz.krawczyk@pwr.wroc.pl Czym jest klasyfikacja
Bardziej szczegółowoAnalityczne metody detekcji uszkodzeń
Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 5 Model procesu Rozważmy czasowo-dyskretny model liniowy gdzie: k dyskretny czas, x(k) R n wektor stanu, x(k + 1) = Ax(k)
Bardziej szczegółowoElektrotechnika I stopień ogólnoakademicki. niestacjonarne. przedmiot kierunkowy. obieralny polski semestr VII semestr zimowy. nie
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Teoria sterowania wybrane zagadnienia Control theory selection problems Obowiązuje od roku akademickiego 2012/2013
Bardziej szczegółowoJacek Skorupski pok. 251 tel konsultacje: poniedziałek , sobota zjazdowa
Jacek Skorupski pok. 251 tel. 234-7339 jsk@wt.pw.edu.pl http://skorupski.waw.pl/mmt prezentacje ogłoszenia konsultacje: poniedziałek 16 15-18, sobota zjazdowa 9 40-10 25 Udział w zajęciach Kontrola wyników
Bardziej szczegółowoEfekty kształcenia na kierunku AiR drugiego stopnia - Wiedza Wydziału Elektrotechniki, Automatyki i Informatyki Politechniki Opolskiej
Efekty na kierunku AiR drugiego stopnia - Wiedza K_W01 K_W02 K_W03 K_W04 K_W05 K_W06 K_W07 K_W08 K_W09 K_W10 K_W11 K_W12 K_W13 K_W14 Ma rozszerzoną wiedzę dotyczącą dynamicznych modeli dyskretnych stosowanych
Bardziej szczegółowoRównoważność algorytmów optymalizacji
Równoważność algorytmów optymalizacji Reguła nie ma nic za darmo (ang. no free lunch theory): efektywność różnych typowych algorytmów szukania uśredniona po wszystkich możliwych problemach optymalizacyjnych
Bardziej szczegółowoZAGADNIENIA SPECJALNOŚCIOWE
(ARK) Komputerowe sieci sterowania 1.Zaawansowane metody wyznaczania parametrów regulatorów 2.Mechanizmy innowacyjne. 3.Sieci neuronowe w modelowaniu obiektów dynamicznych. 4.Zasady projektowania i zastosowania
Bardziej szczegółowoAlgorytmy ewolucyjne
Algorytmy ewolucyjne wprowadzenie Piotr Lipiński lipinski@ii.uni.wroc.pl Piotr Lipiński Algorytmy ewolucyjne p.1/16 Cel wykładu zapoznanie studentów z algorytmami ewolucyjnymi, przede wszystkim nowoczesnymi
Bardziej szczegółowoDobór parametrów algorytmu ewolucyjnego
Dobór parametrów algorytmu ewolucyjnego 1 2 Wstęp Algorytm ewolucyjny posiada wiele parametrów. Przykładowo dla algorytmu genetycznego są to: prawdopodobieństwa stosowania operatorów mutacji i krzyżowania.
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 13. PROBLEMY OPTYMALIZACYJNE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska PROBLEMY OPTYMALIZACYJNE Optymalizacja poszukiwanie
Bardziej szczegółowoElektrotechnika I stopień ogólnoakademicki. niestacjonarne. przedmiot kierunkowy. obieralny polski semestr VIII semestr letni. nie. Laborat. 16 g.
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013 Wybrane zagadnienia teorii sterowania Selection problems of control theory
Bardziej szczegółowoWłasności eksploatacyjne i eksploracyjne algorytmów ewolucyjnych z mutacja. α stabilna. Andrzej Obuchowicz i Przemysław Prętki
Własności eksploatacyjne i eksploracyjne algorytmów ewolucyjnych z mutacja α stabilna Andrzej Obuchowicz i Przemysław Prętki Uniwersytet Zielonogórski IEEE CIS seminarium, Zielona Góra 9.12.2005 1/38 motywacja;
Bardziej szczegółowoII-go stopnia. Stacjonarne. Zagadnienia egzaminacyjne AUTOMATYKA I ROBOTYKA TYP STUDIÓW STOPIEŃ STUDIÓW SPECJALNOŚĆ
(ARK) Komputerowe sieci sterowania 1. Zaawansowane metody wyznaczania parametrów regulatorów 2. Mechanizmy innowacyjne. 3. Sieci neuronowe w modelowaniu obiektów dynamicznych. 4. Zasady projektowania i
Bardziej szczegółowoMetody Sztucznej Inteligencji Methods of Artificial Intelligence. Elektrotechnika II stopień ogólno akademicki. niestacjonarne. przedmiot kierunkowy
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013
Bardziej szczegółowoZastosowania sieci neuronowych - automatyka identyfikacja sterowanie
Zastosowania sieci neuronowych - automatyka identyfikacja sterowanie LABORKA Piotr Ciskowski ZASTOSOWANIA SIECI NEURONOWYCH IDENTYFIKACJA zastosowania przegląd zastosowania sieci neuronowych: o identyfikacja
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: obowiązkowy w ramach treści kierunkowych, moduł kierunkowy oólny Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK
Bardziej szczegółowoSterowanie napędów maszyn i robotów
Wykład 5 - Identyfikacja Instytut Automatyki i Robotyki (IAiR), Politechnika Warszawska Warszawa, 2015 Koncepcje estymacji modelu Standardowe drogi poszukiwania modeli parametrycznych M1: Analityczne określenie
Bardziej szczegółowoROBOTYKA I SYSTEMY DECYZYJNE
POLITECHIK GDŃSK SPECJLOŚĆ ROBOTYK I SYSTEMY DECYZYJE prof. dr hab. inż. Zdzisław Kowalczuk Katedra Systemów Decyzyjnych i Robotyki Wydział Elektroniki Telekomunikacji i Informatyki Oczekiwania względem
Bardziej szczegółowoZastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)
Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2) Ewa Wołoszko Praca pisana pod kierunkiem Pani dr hab. Małgorzaty Doman Plan tego wystąpienia Teoria Narzędzia
Bardziej szczegółowoUczenie sieci typu MLP
Uczenie sieci typu MLP Przypomnienie budowa sieci typu MLP Przypomnienie budowy neuronu Neuron ze skokową funkcją aktywacji jest zły!!! Powszechnie stosuje -> modele z sigmoidalną funkcją aktywacji - współczynnik
Bardziej szczegółowoZagadnienia egzaminacyjne AUTOMATYKA I ROBOTYKA. Stacjonarne I-go stopnia TYP STUDIÓW STOPIEŃ STUDIÓW SPECJALNOŚĆ
(ARK) Komputerowe sieci sterowania 1.Badania symulacyjne modeli obiektów 2.Pomiary i akwizycja danych pomiarowych 3.Protokoły transmisji danych w systemach automatyki 4.Regulator PID struktury, parametry,
Bardziej szczegółowoAlgorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach
Adam Stawowy Algorytm hybrydowy dla alokacji portfela inwestycyjnego przy ograniczonych zasobach Summary: We present a meta-heuristic to combine Monte Carlo simulation with genetic algorithm for Capital
Bardziej szczegółowoOptymalizacja optymalizacji
7 maja 2008 Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Optymalizacja
Bardziej szczegółowoZastosowanie sieci neuronowych w problemie klasyfikacji wielokategorialnej. Adam Żychowski
Zastosowanie sieci neuronowych w problemie klasyfikacji wielokategorialnej Adam Żychowski Definicja problemu Każdy z obiektów może należeć do więcej niż jednej kategorii. Alternatywna definicja Zastosowania
Bardziej szczegółowoFiltr Kalmana. Zaawansowane Techniki Sterowania. Wydział Mechatroniki Politechniki Warszawskiej. Anna Sztyber
Filtr Kalmana Zaawansowane Techniki Sterowania Wydział Mechatroniki Politechniki Warszawskiej Anna Sztyber ZTS (IAiR PW) Filtr Kalmana Anna Sztyber 1 / 32 Plan wykładu 1 Sformułowanie problemu 2 Niestacjonarny
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: INTELIGENTNE SYSTEMY OBLICZENIOWE Systems Based on Computational Intelligence Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności informatyka medyczna Rodzaj
Bardziej szczegółowo#09. Systemy o złożonej strukturze
#09 Systemy o złożonej strukturze system składa się z wielu elementów, obiekty (podsystemy) wchodzące w skład systemu są ze sobą połączone i wzajemnie od siebie zależne mogą wystąpić ograniczenia w dostępności
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowoKARTA MODUŁU KSZTAŁCENIA
KARTA MODUŁU KSZTAŁCENIA I. Informacje ogólne 1 Nazwa modułu kształcenia Sztuczna inteligencja 2 Nazwa jednostki prowadzącej moduł Instytut Informatyki, Zakład Informatyki Stosowanej 3 Kod modułu (wypełnia
Bardziej szczegółowoWYKŁAD 8 ANALIZA REGRESJI
WYKŁAD 8 ANALIZA REGRESJI Regresja 1. Metoda najmniejszych kwadratów-regresja prostoliniowa 2. Regresja krzywoliniowa 3. Estymacja liniowej funkcji regresji 4. Testy istotności współczynnika regresji liniowej
Bardziej szczegółowoKONCEPCJA NEURONOWEGO DETEKTORA USZKODZEŃ CZUJNIKA PRĘDKOŚCI DLA UKŁADÓW NAPĘDOWYCH Z SILNIKIEM INDUKCYJNYM STEROWANYCH METODĄ POLOWO ZORIENTOWANĄ
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 83 Electrical Engineering 2015 Kamil KLIMKOWSKI* Mateusz DYBKOWSKI* KONCEPCJA NEURONOWEGO DETEKTORA USZKODZEŃ CZUJNIKA PRĘDKOŚCI DLA UKŁADÓW NAPĘDOWYCH
Bardziej szczegółowoAlgorytm genetyczny (genetic algorithm)-
Optymalizacja W praktyce inżynierskiej często zachodzi potrzeba znalezienia parametrów, dla których system/urządzenie będzie działać w sposób optymalny. Klasyczne podejście do optymalizacji: sformułowanie
Bardziej szczegółowoProblem eliminacji nieprzystających elementów w zadaniu rozpoznania wzorca Marcin Luckner
Problem eliminacji nieprzystających elementów w zadaniu rozpoznania wzorca Marcin Luckner Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska Elementy nieprzystające Definicja odrzucania Klasyfikacja
Bardziej szczegółowoPlan. Zakres badań teorii optymalizacji. Teoria optymalizacji. Teoria optymalizacji a badania operacyjne. Badania operacyjne i teoria optymalizacji
Badania operacyjne i teoria optymalizacji Instytut Informatyki Poznań, 2011/2012 1 2 3 Teoria optymalizacji Teoria optymalizacji a badania operacyjne Teoria optymalizacji zajmuje się badaniem metod optymalizacji
Bardziej szczegółowoPROGRAMOWANIE DYNAMICZNE W ROZMYTYM OTOCZENIU DO STEROWANIA STATKIEM
Mostefa Mohamed-Seghir Akademia Morska w Gdyni PROGRAMOWANIE DYNAMICZNE W ROZMYTYM OTOCZENIU DO STEROWANIA STATKIEM W artykule przedstawiono propozycję zastosowania programowania dynamicznego do rozwiązywania
Bardziej szczegółowoPolitechnika Gdańska
EWOLUCYJNA OPTYMALIZACJA WIELORYTERIALNA I JEJ ZASTOSOWANIA W AUTOMATYCE Zdzisław owalczuk Politechnika Gdańska Wydział Elektroniki Telekomunikacji i Informatyki atedra Automatyki Narutowicza 11/1, 8-95
Bardziej szczegółowoAproksymacja funkcji a regresja symboliczna
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(x), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(x), zwaną funkcją aproksymującą
Bardziej szczegółowoTabela odniesień efektów kierunkowych do efektów obszarowych
Umiejscowienie kierunku w obszarze kształcenia Kierunek studiów automatyka i robotyka należy do obszaru kształcenia w zakresie nauk technicznych i jest powiązany z takimi kierunkami studiów jak: mechanika
Bardziej szczegółowoAlgorytmy wspomagania decyzji Czyli co i jak andrzej.rusiecki.staff.iiar.pwr.wroc.pl s. 230/C-3
Algorytmy wspomagania decyzji Czyli co i jak 2018 andrzej.rusiecki@pwr.edu.pl andrzej.rusiecki.staff.iiar.pwr.wroc.pl s. 230/C-3 O co chodzi? Celem przedmiotu jest ogólne zapoznanie się z podstawowymi
Bardziej szczegółowoKierunek: Mechatronika Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne. Wykład Ćwiczenia
Wydział: Inżynierii Mechanicznej i Robotyki Kierunek: Mechatronika Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne Rocznik: 2015/2016 Język wykładowy: Polski Semestr 1 RME-1-103-s Podstawy
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Mechatronika Rodzaj przedmiotu: obowiązkowy Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE C1. Zapoznanie studentów z inteligentnymi
Bardziej szczegółowoSemestr 1 suma pkt ECTS dla wszystkich kursów w semestrze: 30
1. Zestaw kursów i grup kursów obowiązkowych i wybieralnych w układzie semestralnym Załącznik nr3 Semestr 1 suma pkt dla wszystkich kursów w semestrze: 30 Kursy obowiązkowe suma pkt : 30 Lp Kod kursu pkt
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: SYSTEMY INFORMATYCZNE WSPOMAGAJĄCE DIAGNOSTYKĘ MEDYCZNĄ Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności informatyka medyczna Rodzaj zajęć: wykład, projekt
Bardziej szczegółowoKONCEPCJA DIAGNOSTYKI ELEKTRYCZNEGO PĘDNIKA OKRĘTOWEGO IDEA OF DIAGNOSTIC FOR SHIP ELECTRICAL THRUSTERS
Zeszyty Naukowe Akademii Morskiej w Gdyni Scientific Journal of Gdynia Maritime University Nr 98/2017, 27 34 ISSN 1644-1818 e-issn 2451-2486 KONCEPCJA DIAGNOSTYKI ELEKTRYCZNEGO PĘDNIKA OKRĘTOWEGO IDEA
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoKatowice GPW 2013. Zintegrowany system informatyczny do kompleksowego zarządzania siecią wodociągową. Jan Studziński
Katowice GPW 2013 Zintegrowany system informatyczny do kompleksowego zarządzania siecią wodociągową Jan Studziński 1 1. Wstęp Cel pracy Usprawnienie zarządzania siecią wodociągową za pomocą nowoczesnych
Bardziej szczegółowoANALIZA WYBRANYCH DETEKTORÓW USZKODZEŃ CZUJNIKA PRĘDKOŚCI KĄTOWEJ W NAPĘDACH Z SILNIKAMI INDUKCYJNYMI
Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Nr 70 Politechniki Wrocławskiej Nr 70 Studia i Materiały Nr 34 2014 Kamil KLIMKOWSKI, Mateusz DYBKOWSKI* DFOC, czujnik prędkości, silnik
Bardziej szczegółowoMetody Rozmyte i Algorytmy Ewolucyjne
mgr inż. Wydział Matematyczno-Przyrodniczy Szkoła Nauk Ścisłych Uniwersytet Kardynała Stefana Wyszyńskiego Wykład wstępny Plan prezentacji 1 Wprowadzenie Kontakt Tematyka wykładu Zasady zaliczenia 2 3
Bardziej szczegółowoWprowadzenie do teorii systemów ekspertowych
Myślące komputery przyszłość czy utopia? Wprowadzenie do teorii systemów ekspertowych Roman Simiński siminski@us.edu.pl Wizja inteligentnych maszyn jest od wielu lat obecna w literaturze oraz filmach z
Bardziej szczegółowoPorównanie modeli regresji. klasycznymi modelami regresji liniowej i logistycznej
Porównanie modeli logicznej regresji z klasycznymi modelami regresji liniowej i logistycznej Instytut Matematyczny, Uniwersytet Wrocławski Małgorzata Bogdan Instytut Matematyki i Informatyki, Politechnika
Bardziej szczegółowow analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych.
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(), zwaną funkcją aproksymującą
Bardziej szczegółowoKARTA PRZEDMIOTU. 17. Efekty kształcenia:
Z1-PU7 WYDANIE N1 Strona 1 z 4 (pieczęć wydziału) KARTA PRZEDMIOTU 1. Nazwa przedmiotu: CYBERNETYKA 2. Kod przedmiotu: CYB 3. Karta przedmiotu ważna od roku akademickiego: 2012/2013 4. Forma kształcenia:
Bardziej szczegółowox x 1. Przedmiot identyfikacji System x (1) x (2) : x (s) a 1 a 2 : a s mierzone, a = zestaw współczynników konkretyzujacych F ()
. Przedmiot identyfikacji System () x (2) x * a z y ( s ) x y = F (x,z)=f(x,z,a ),gdziex = F () znane, a nieznane x () x (2) x (s) mierzone, a = a a 2 a s zestaw współczynników konkretyzujacych F () informacja
Bardziej szczegółowoElektrotechnika II stopień ogólnoakademicki. stacjonarne. przedmiot specjalnościowy. obowiązkowy polski semestr I semestr zimowy
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013 Wybrane zagadnienia z teorii sterowania Selection problems of control
Bardziej szczegółowoStrategie ewolucyjne (ang. evolution strategies)
Strategie ewolucyjne (ang. evolution strategies) 1 2 Szybki przegląd Rozwijane w Niemczech w latach 60-70. Wcześni badacze: I. Rechenberg, H.-P. Schwefel (student Rechenberga). Typowe zastosowanie: Optymalizacja
Bardziej szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 6 SYSTEMY ROZMYTE TYPU MAMDANIEGO
Bardziej szczegółowoTematy prac dyplomowych w Katedrze Awioniki i Sterowania Studia I stopnia (inżynierskie)
Tematy prac dyplomowych w Katedrze Awioniki i Sterowania Studia I stopnia (inżynierskie) Temat: Pomiar prędkości kątowych samolotu przy pomocy czujnika ziemskiego pola magnetycznego 1. Analiza właściwości
Bardziej szczegółowo2.1.M.06: Modelowanie i wspomaganie komputerowe w inżynierii powierzchni
2nd Workshop on Foresight of surface properties formation leading technologies of engineering materials and biomaterials in Białka Tatrzańska, Poland 29th-30th November 2009 1 Panel nt. Procesy wytwarzania
Bardziej szczegółowoModelowanie glikemii w procesie insulinoterapii
Dawid Kaliszewski Modelowanie glikemii w procesie insulinoterapii Promotor dr hab. inż. Zenon Gniazdowski Cel pracy Zbudowanie modelu predykcyjnego przyszłych wartości glikemii diabetyka leczonego za pomocą
Bardziej szczegółowoAlgorytmy wspomagania decyzji Czyli co i jak andrzej.rusiecki.staff.iiar.pwr.wroc.pl s.
Algorytmy wspomagania decyzji Czyli co i jak 2013 andrzej.rusiecki@pwr.wroc.pl andrzej.rusiecki.staff.iiar.pwr.wroc.pl s. 911/D-20 O co chodzi? Celem przedmiotu jest ogólne zapoznanie się z podstawowymi
Bardziej szczegółowoKierunek: Automatyka i Robotyka Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne. Wykład Ćwiczenia
Wydział: Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Kierunek: Automatyka i Robotyka Poziom studiów: Studia I stopnia Forma i tryb studiów: Stacjonarne Rocznik: 2015/2016 Język wykładowy:
Bardziej szczegółowoAiR_TR2_5/9 Teoria Regulacji II Control Theory II. Automatyka i Robotyka I stopień ogólno akademicki studia niestacjonarne
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU AiR_TR2_5/9 Teoria Regulacji II Control Theory II Kod modułu Nazwa modułu Nazwa modułu w języku angielskim
Bardziej szczegółowoDiagnostyka ukladów napedowych
Czeslaw T. Kowalski Diagnostyka ukladów napedowych z silnikiem indukcyjnym z zastosowaniem metod sztucznej inteligencji Oficyna Wydawnicza Politechniki Wroclawskiej Wroclaw 2013! Spis tresci Przedmowa
Bardziej szczegółowoPorównanie różnych podejść typu ODE do modelowania sieci regu
Porównanie różnych podejść typu ODE do modelowania sieci regulacji genów 8 stycznia 2010 Plan prezentacji 1 Praca źródłowa Sieci regulacji genów 2 Założenia Funkcja Hill a Modele dyskretne 3 Przykład Modele
Bardziej szczegółowoOferta badawcza Politechniki Gdańskiej dla przedsiębiorstw
KATEDRA AUTOMATYKI kierownik katedry: dr hab. inż. Kazimierz Kosmowski, prof. nadzw. PG tel.: 058 347-24-39 e-mail: kazkos@ely.pg.gda.pl adres www: http://www.ely.pg.gda.pl/kaut/ Systemy sterowania w obiektach
Bardziej szczegółowoTematy prac dyplomowych w Katedrze Awioniki i Sterowania Studia II stopnia (magisterskie)
Tematy prac dyplomowych w Katedrze Awioniki i Sterowania Studia II stopnia (magisterskie) Temat: Analiza właściwości pilotażowych samolotu Specjalność: Pilotaż lub Awionika 1. Analiza stosowanych kryteriów
Bardziej szczegółowoNazwa przedmiotu: METODY SZTUCZNEJ INTELIGENCJI W ZAGADNIENIACH EKONOMICZNYCH Artificial intelligence methods in economic issues Kierunek:
Nazwa przedmiotu: METODY SZTUCZNEJ INTELIGENCJI W ZAGADNIENIACH EKONOMICZNYCH Artificial intelligence methods in economic issues Kierunek: Forma studiów: Informatyka Stacjonarne Rodzaj przedmiotu: obowiązkowy
Bardziej szczegółowoLista zagadnień kierunkowych pomocniczych w przygotowaniu do egzaminu dyplomowego magisterskiego Kierunek: Mechatronika
Lista zagadnień kierunkowych pomocniczych w przygotowaniu do Kierunek: Mechatronika 1. Materiały używane w budowie urządzeń precyzyjnych. 2. Rodzaje stali węglowych i stopowych, 3. Granica sprężystości
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 17. ALGORYTMY EWOLUCYJNE Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska KODOWANIE BINARNE Problem różnych struktur przestrzeni
Bardziej szczegółowoMetoda ewolucyjnego doboru współczynników funkcji oceniającej w antywarcabach
Metoda ewolucyjnego doboru współczynników funkcji oceniającej w antywarcabach Promotor: dr hab. Jacek Mańdziuk Autor: Jarosław Budzianowski Metoda ewolucyjnego doboru współczynników funkcji oceniajacej
Bardziej szczegółowoE-2EZA-01-S1. Elektrotechnika II stopień ogólnoakademicki. niestacjonarne. przedmiot kierunkowy. obowiązkowy polski semestr I semestr zimowy.
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu E-2EZA-01-S1 Nazwa modułu Wybrane zagadnienia teorii sterowania Nazwa modułu w języku angielskim Selection problems of control theory Obowiązuje od roku akademickiego
Bardziej szczegółowoTematy prac dyplomowych w Katedrze Awioniki i Sterowania. Studia: I stopnia (inżynierskie)
Tematy prac dyplomowych w Katedrze Awioniki i Sterowania Studia I stopnia (inżynierskie) Temat: Skalowanie czujników prędkości kątowej i orientacji przestrzennej 1. Analiza właściwości czujników i układów
Bardziej szczegółowoElementy inteligencji obliczeniowej
Elementy inteligencji obliczeniowej Paweł Liskowski Institute of Computing Science, Poznań University of Technology 9 October 2018 1 / 19 Perceptron Perceptron (Rosenblatt, 1957) to najprostsza forma sztucznego
Bardziej szczegółowoOpinia o pracy doktorskiej pt. On active disturbance rejection in robotic motion control autorstwa mgr inż. Rafała Madońskiego
Prof. dr hab. inż. Tadeusz Uhl Katedra Robotyki i Mechatroniki Akademia Górniczo Hutnicza Al. Mickiewicza 30 30-059 Kraków Kraków 09.06.2016 Opinia o pracy doktorskiej pt. On active disturbance rejection
Bardziej szczegółowoNarzędzia AI. Jakub Wróblewski jakubw@pjwstk.edu.pl Pokój 312. http://zajecia.jakubw.pl SZTUCZNA INTELIGENCJA (ARTIFICIAL INTELLIGENCE)
Narzędzia AI Jakub Wróblewski jakubw@pjwstk.edu.pl Pokój 312 http://zajecia.jakubw.pl SZTUCZNA INTELIGENCJA (ARTIFICIAL INTELLIGENCE) Nauka o maszynach realizujących zadania, które wymagają inteligencji
Bardziej szczegółowoGospodarcze zastosowania algorytmów genetycznych
Marta Woźniak Gospodarcze zastosowania algorytmów genetycznych 1. Wstęp Ekonometria jako nauka zajmująca się ustalaniem za pomocą metod statystycznych ilościowych prawidłowości zachodzących w życiu gospodarczym
Bardziej szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 9 PRZESZUKIWANIE GRAFÓW Z
Bardziej szczegółowoALGORYTMY GENETYCZNE (wykład + ćwiczenia)
ALGORYTMY GENETYCZNE (wykład + ćwiczenia) Prof. dr hab. Krzysztof Dems Treści programowe: 1. Metody rozwiązywania problemów matematycznych i informatycznych.. Elementarny algorytm genetyczny: definicja
Bardziej szczegółowoTematy magisterskie: Lp. Sugerowany stopień, kierunek studiów oraz specjalność Elektrotechnika Magisterska Dr hab. inż.
Katedra Automatyki i Elektroniki Wydział Elektryczny Zgodnie z procedurą dyplomowania na Wydziale, poniżej przedstawiono tematy prac dyplomowych dla studentów Elektrotechnika oraz Telekomunikacja kończących
Bardziej szczegółowoTeoria sterowania Control theory. Elektrotechnika I stopień ogólnoakademicki. niestacjonarne. przedmiot kierunkowy
KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013 Teoria sterowania Control theory A. USYTUOWANIE MODUŁU W SYSTEMIE STUDIÓW
Bardziej szczegółowoOntogeniczne sieci neuronowe. O sieciach zmieniających swoją strukturę
Norbert Jankowski Ontogeniczne sieci neuronowe O sieciach zmieniających swoją strukturę Warszawa 2003 Opracowanie książki było wspierane stypendium Uniwersytetu Mikołaja Kopernika Spis treści Wprowadzenie
Bardziej szczegółowoDynamika procesu zmienna stała. programowalne zmiany parametrów r.
Sterowanie adaptacyjne Sterowanie adaptacyjne polega na dostosowywaniu (adaptacji) nastaw regulatora do zmian parametrów obiektu (w trakcie pracy) Techniki adaptacji Dynamika procesu zmienna stała regulator
Bardziej szczegółowo