ZASTOSOWANIE WYBRANYCH METOD KLASYFIKACJI W SYSTEMIE WSPOMAGANIA DECYZJI OPARTYM NA MODELU DYNAMIKI CHODU
|
|
- Laura Szymczak
- 7 lat temu
- Przeglądów:
Transkrypt
1 MODELOWANIE INśYNIERSKIE ISSN X 34, s , Gliwice 2007 ZASTOSOWANIE WYBRANYCH METOD KLASYFIKACJI W SYSTEMIE WSPOMAGANIA DECYZJI OPARTYM NA MODELU DYNAMIKI CHODU MARCIN DERLATKA, JOLANTA PAUK 1 Katedra Automatyki i Robotyki, Politechnika Białostocka mder@pb.bialystok.pl, jpauk@pb.bialystok.pl Streszczenie. W pracy zastosowano: rozmyty model Dempstera-Shafera, sztuczne sieci neuronowe i drzewa decyzyjne do przeprowadzenia klasyfikacji danych otrzymanych w wyniku identyfikacji modelu dynamiki chodu człowieka metodą regresji. Uzyskane wyniki są bardzo dobre. Na szczególną uwagę zasługują drzewa decyzyjne, które podejmowały decyzje na podstawie czterech parametrów. 1. WPROWADZENIE Chód człowieka jest zjawiskiem bardzo złoŝonym. Pełny ilościowy opis tego zjawiska obejmuje wielkości: kinematyczne, dynamiczne, antropomorficzne, elektromiograficzne, inne. Pomiar tych danych jest niezbędny do przeprowadzenia oceny analizy chodu człowieka. Analiza chodu jest bardzo waŝna m. in. w: określeniu rodzaju i stopnia patologii, wyborze właściwej metody usprawniania aparatu ruchu pacjenta (operacja, rehabilitacja itd.). Pewne cechy zjawiska (takie jak: korelacje pomiędzy niektórymi wielkościami, nieliniowość) sprawiają, Ŝe dokłada analiza chodu człowieka jest zadaniem czasochłonnym, złoŝonym i wymagającym zaangaŝowania eksperta posiadającego wiedzę zarówno inŝynierską, jak i medyczną. Ten ostatni wymóg moŝna wyeliminować, stosując odpowiedni system do wspomagania podejmowania decyzji w biomechanice chodu człowieka. Głównymi cechami systemu do wspomagania decyzji powinny być: wysoka jakość - dokładność w podejmowaniu decyzji porównywana do decyzji podejmowanych przez eksperta ; 1 Laureat konkursu "Stypendia krajowe dla młodych uczonych" z Fundacji na Rzecz Nauki Polskiej w 2007 r.
2 18 M. DERLATKA, J. PAUK łatwa moŝliwość rozbudowy sytemu. Jakość działania omawianego systemu zaleŝy głównie od dwóch czynników: wyboru właściwych parametrów opisujących chód człowieka i przyjętej metody przetwarzania parametrów diagnostycznych w rodzaj patologii lub w wybraną metodę usprawniania chodu (klasyfikacja). Celem niniejszej pracy jest analiza jakości podejmowanych decyzji przez system wspomagania decyzji oparty na współczynnikach modelu dynamiki chodu człowieka w zaleŝności od przyjętej metody klasyfikacji. 2. MATERIAŁ I METODA Parametry diagnostyczne zostały uzyskane w wyniku zastosowania identyfikacji modelu dynamiki chodu człowieka metodą regresji [4]. Do identyfikacji modelu wykorzystano przebiegi chwilowe mocy rozwijane przez zespoły mięśniowe wokół głównych stawów kończyny dolnej podczas chodu. Współczynniki modelu chodu człowieka określono dla dwóch głównych faz cyklu chodu: fazy podporowej i wymachu. Moce zostały znormalizowane do cięŝaru ciała człowieka. Wykorzystanie przebiegów chwilowy mocy jest podyktowane tym, Ŝe ta wielkość jest kombinacją danych kinematycznych i dynamicznych. Y n = U n a, (1) dla n = 1, 2,, N U n = Y Y... Y ], (2) [ n 1 n 2 n k a ] T = [ a1 a2... a k (3) gdzie: N - liczba pomiarów; Yn - moce rozwijane przez zespoły mięśniowe obsługujące staw biodrowy, kolanowy i skokowo-goleniowy w n-tej chwili czasowej; a - macierz kolumnowa poszukiwanych współczynników; Un macierz wierszowa wielkości wejściowych (moce rozwijane przez poszczególne zespoły mięśniowe obsługujące staw biodrowy, kolanowy i skokowo goleniowy w k-poprzednich chwilach czasowych). a=? ε Y a=? YΛ a) b) Rys. 1. Identyfikacja modelu: a) proces rzeczywisty; b) model Badania laboratoryjne zostały przeprowadzone przy uŝyciu systemów optoelektronicznych Ellite 3D i Morion Analysis System odpowiednio w Centrum BioinŜynierii w Mediolanie we Włoszech i Glenrose Rehabilitation Hospital w Edmonton w Kanadzie. Dane przedstawiają chód normalny i wybranych patologii w płaszczyźnie strzałkowej po względnie płaskiej
3 ZASTOSOWANIE WYBRANYCH METOD KLASYFIKACJI W SYSTEMIE 19 i utwardzonej powierzchni, w warunkach laboratoryjnych. Wśród wybranych patologii narządu ruchu były: poraŝenie mózgowe (CP) kurczowe poraŝenie obustronne; rozszczep kręgosłupa (SB) przepuklina oponowo-rdzeniowa. W sumie w badaniach wzięło udział około 40 osób. W obu ośrodkach w badaniach przyjęto protokół S.A.F.L.O. Tabela 1. Materiał badawczy Grupa Liczba osób Norma 10 PoraŜenie mózgowe 15 Rozszczep kręgosłupa 15 W wyniku identyfikacji modelu chodu człowieka metodą regresji otrzymano 18 parametrów diagnostycznych. Parametry te były wielkościami wejściowymi do zbudowanych klasyfikatorów. Klasyfikację przeprowadzono przy uŝyciu: rozmytego klasyfikatora Dempstera-Shafera, sztucznych sieci neuronowych, drzew klasyfikacji. Dane zostały podzielone na tzw. ciąg uczący i ciąg testujący. Jakość działania oceniano przyjmując decyzje podjęte przez personel Centrum BioinŜynierii w Mediolanie i Glenrose Rehabilitation Hospital jako wzorcowe. 3. WYNIKI Do klasyfikacji za pomocą sztucznych sieci neuronowych wybrano sieć jednokierunkową o architekturze PoniewaŜ wszystkie wartości wejściowe były liczbami niewielkimi tego samego rzędu, nie wykonywano wstępnego przetwarzania danych. Klasy zakodowano na podstawie kodu 1 z n w następujący sposób: norma; rozszczep kręgosłupa; poraŝenie mózgowe. Uczenie przeprowadzono za pomocą algorytmu RPROP [3, 5]. Uzyskaną sieć wynikową przedstawiono na rys. 2. W trakcie treningu sieć wykazywała pewną tendencję do przeuczania się, co przy tak duŝym rozmiarze wektora wag w porówaniu do liczności zbioru uczącego jest dość oczywiste. NaleŜy podkreślić, iŝ zastosowanie jakiejkolwiek metody redukcji przestrzeni wejściowej moŝe przynieść tylko poprawę zdolności uogólniania rozwaŝanej sieci neuronowej. Zastosowanie rozmytego modelu Dempstera-Shafera do klasyfikacji jest znaną metodą ułatwiającą wnioskowania diagnostycznego w dziedzinie inŝynierii biomedycznej. W niniejszej pracy do wygenerowania reguł rozmytych uŝyto kwadratowej funkcji przynaleŝności w następującej postaci [1] gdzie: y - funkcja przeliczająca, X - zmienna decyzyjna, x i - i-te ognisko, 2 ( X xi) ( x x ), y= 1 (4) i i+ 1
4 x i+1 - ognisko i+1. oraz operatora dopasowania - iloczynu w postaci 20 M. DERLATKA, J. PAUK Max ( 0, x y), (5) gdzie: x - nowa reguła, y reguła, na której działa operator dopasowania. Rys. 2. Sieć neuronowa jednokierunkowa z wartościami wag uzyskanymi po uczeniu Maksimum operatora dopasowania zostało określone w następujący sposób: a) Testowano wartość operatora dopasowania, w granicach <0;1>, w ognisku dodawanej reguły. JeŜeli została przekroczona wartość progowa (na podstawie analizy wartość progowa równa jest 0,75) dla danego atrybutu, wówczas zwiększano liczbę trafnie dobranych reguł (dodanie reguły do relacji wymagało 50%+1 atrybutów przekraczających zadaną wartość progową). W przeciwnym razie wykonywano punkt b). b) Metodą złotego podziału szukano maksimum wartości operatora dopasowania działającego na testowanych regułach. Metoda ta umoŝliwiła szybkie uzyskanie poŝądanej zbieŝności. Okazała się najbardziej adekwatna w procesie budowy systemu. Występujące reguły w tabeli 2 naleŝy rozumieć w ten sposób, Ŝe dla konkretnego typu chodu wartość współczynnika musi mieścić się w podanym obszarze. Liczba otrzymanych, za pomocą rozmytego modelu Demstera-Shafera, reguł jest zbyt wielka, aby pokusić się o jakąkolwiek próbę analizy. Zasadniczą cechą drzew decyzyjnych jest podział w sposób rekurencyjny przestrzeni cech, tak aby w kaŝdym kroku zmaksymalizować funkcję jakości podziału klas na dwie grupy. Funkcja ta obliczana jest oczywiście na podstawie danych pochodzących ze zbioru uczącego. W niniejszej pracy zastosowano algorytm CART [2]. Uzyskane w procesie uczenia drzewo pokazano na rys. 3 (JeŜeli warunek występujący w węźle drzewa jest spełniony, to poruszamy się lewą gałęzią, w innym przypadku prawą). PoniewaŜ otrzymane drzewo ma tylko 3 poziomy, nie zastosowano Ŝadnej z metod przycinania.
5 ZASTOSOWANIE WYBRANYCH METOD KLASYFIKACJI W SYSTEMIE 21 Tabela 2. Zestawy reguł umoŝliwiających klasyfikację osób do róŝnych przypadków Staw Przedział identyfikacji Współczyn nik norma Zakres wartości współczynnika PoraŜenie mózgowe Rozszczep kręgosłupa biodrowy kolanowy skokowogoleniowy faza podporowa faza wymachu faza podporowa faza wymachu faza podporowa faza wymachu a 1 1,395 2,534 1,497 2,513 1,699 2,470 a 2-2,319-0,185-1,345-0,605-2,177-0,825 a 3 0,017 0,389 0,168 0,588 0,074 0,698 a 1 1,071 2,053 1,464 2,440 1,509 1,977 a 2-0,313 1,495-1,193-0,505-1,322-0,987 a 3 0,090 0,270 0,178 0,524 0,195 0,376 a 1 1,489 2,578 1,275 2,455 1,473 2,129 a 2-2,299-0,703-1,218-0,584-1,671-0,558 a 3 0,241 0,687 0,106 0,444 0,114 0,586 a 1 1,387 2,281 1,140 2,436 1,566 2,252 a 2-1,761-0,613-1,284-0,434-1,954-0,784 a 3 0,087 0,493 0,200 0,616 0,174 0,671 a 1 1,229 2,289 1,663 2,331 1,384 2,312 a 2-1,808-0,528-2,429 0,424-2,043-0,508 a 3 0,182 0,470 0,158 0,584 0,101 0,497 a 1 0,639 1,364 0,736 1,945 0,839 1,451 a 2-0,372 0,052-0,949-0,173-0,721-0,149 a 3-0,054 0,177 0,021 0,067-0,166 0,255 Rys. Drzewo decyzyjne wraz z uzyskanymi po uczeniu regułami decyzyjnymi
6 22 M. DERLATKA, J. PAUK Wynikowe drzewo klasyfikacyjne zaskakuje małą liczba reguł potrzebnych do przeprowadzenia klasyfikacji. Okazuje się, Ŝe wystarczy wziąć pod uwagę tylko 4 z 18 parametrów. MoŜna zaobserwować, Ŝe wymagane są dane dotyczące wszystkich trzech głównych stawów kończyny dolnej oraz Ŝe faza wymachu w ocenie lokomocji jest równie istotna jak faza podporowa. Biorąc pod uwagę dodatkowo wyniki klasyfikacji (tabela 3), naleŝy stwierdzić, Ŝe w podanym zadaniu najlepiej sprawdzały się właśnie drzewa decyzyjne. Tabela 3. Procent poprawnych klasyfikacji w zaleŝności od zastosowanej metody (zbiór testujący) Dempster-Shafer Sieci Drzewo decyzyjne neuronowe Norma PoraŜenie mózgowe Rozszczep kręgosłupa PODSUMOWANIE Dla wszystkich klasyfikatorów osiągnięto bardzo duŝy stopień poprawnych klasyfikacji. Świadczy to o właściwym wyborze danych wejściowych, które faktycznie niosą istotną informację diagnostyczną. Nie wszystkie parametry wejściowe są potrzebne do właściwej klasyfikacji. Istnieje przypuszczenie, Ŝe po poszerzeniu zbioru danych o kolejne przypadki patologiczne będą wymagane takŝe inne parametry, pochodzące z identyfikacji modelu dynamiki chodu. LITERATURA 1. Bianaghi E., Madella P.: Inductive and deductive reasonic techniques for fuzzy Dempster Shafer classifiers. 7th IFSA World Congress, Prague, 1997, s Hand D. et al.: Eksploracja danych. Warszawa : WNT, Jaworek K., Derlatka M.: Ocena chodu człowieka za pomocą sztucznych sieci neuronowych. W: Biocybernetyka i InŜynieria Biomedyczna Tom 5: Biomechanika i InŜynieria Rehabilitacyjna. (red. R. Będziński i in.). Warszawa : Akad. Oficyna Wyd. EXIT, 2005, s ; 4. Pauk J.: Identyfikacja dynamiki lokomocji dwunoŝnej człowieka. Rozprawa doktorska. IBiB PAN. Warszawa śurada J., Barski M., Jędruch W.: Sztuczne sieci neuronowe. Warszawa : Wyd. Nauk PWN, APPLYING CLASSIFICATORS FOR SUPPORT DECISION MAKING SYSTEM BASED ON DYNAMIC MODEL OF HUMAN GAIT Summary. The Dempster-Shafer s fuzzy model, artificial neural networks and decision trees for classification data obtained from identification model of human gait by means of regression has been used. The results are very good. The decision
7 ZASTOSOWANIE WYBRANYCH METOD KLASYFIKACJI W SYSTEMIE 23 tree should be analyzed with special attention because they made correct decision based on only four parameters.
ZASTOSOWANIE METODY FUNKCJI REGRESJI DO OCENY EFEKTÓW REHABILITACJI OSÓB Z PORAśENIEM POŁOWICZNYM
MODELOWANIE INśYNIERSKIE ISSN 1896-771X 34, s. 15-11, Gliwice 27 ZASTOSOWANIE METODY FUNKCJI REGRESJI DO OCENY EFEKTÓW REHABILITACJI OSÓB Z PORAśENIEM POŁOWICZNYM JOLANTA PAUK 1, MARCIN DERLATKA Katedra
Bardziej szczegółowoALGORYTM ROZPOZNAWANIA OBRAZÓW MATERIAŁÓW BIOLOGICZNYCH
InŜynieria Rolnicza 7/2005 Bogusława Łapczyńska-Kordon, Jerzy Langman, Norbert Pedryc Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie ALGORYTM ROZPOZNAWANIA OBRAZÓW MATERIAŁÓW
Bardziej szczegółowoInteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe
Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe Trening jednokierunkowych sieci neuronowych wykład 2. dr inż. PawełŻwan Katedra Systemów Multimedialnych Politechnika Gdańska
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA SYSTEMY ROZMYTE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium
Bardziej szczegółowoZASTOSOWANIE KOMPUTEROWEGO SYSTEMU POMIAROWEGO PRZY OCENIE CHODU DZIECI
MODELOWANIE INŻYNIERSKIE ISSN 1896-771X 37, s. 155-16, Gliwice 29 ZASTOSOWANIE KOMPUTEROWEGO SYSTEMU POMIAROWEGO PRZY OCENIE CHODU DZIECI PAWEŁ JURECZKO*, TOMASZ ŁOSIEŃ**, AGNIESZKA GŁOWACKA-KWIECIEŃ*,
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 10. WNIOSKOWANIE W LOGICE ROZMYTEJ Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska WNIOSKOWANIE W LOGICE DWUWARTOŚCIOWEJ W logice
Bardziej szczegółowoMODEL MATEMATYCZNY DO ANALIZY CHODU DZIECKA NIEPEŁNOSPRAWNEGO*'
Aktualne Problemy Biomechaniki, nr 1/2007 15 Agnieszka GŁOWACKA, Koło Naukowe Biomechaniki przy Katedrze Mechaniki Stosowanej, Politechnika Śląska, Gliwice MODEL MATEMATYCZNY DO ANALIZY CHODU DZIECKA NIEPEŁNOSPRAWNEGO*'
Bardziej szczegółowoPROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH
InŜynieria Rolnicza 14/2005 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH Streszczenie W
Bardziej szczegółowoANALIZA BIOMECHANICZNA CHODU DZIECI Z ZASTOSOWANIEM SYSTEMU BTS SMART
MODELOWANIE INŻYNIERSKIE ISSN 1896-771X 37, s. 147-154, Gliwice 29 ANALIZA BIOMECHANICZNA CHODU DZIECI Z ZASTOSOWANIEM SYSTEMU BTS SMART KATARZYNA JOCHYMCZYK *, AGNIESZKA GŁOWACKA-KWIECIEŃ *, PAWEŁ JURECZKO
Bardziej szczegółowo8. Drzewa decyzyjne, bagging, boosting i lasy losowe
Algorytmy rozpoznawania obrazów 8. Drzewa decyzyjne, bagging, boosting i lasy losowe dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Drzewa decyzyjne Drzewa decyzyjne (ang. decision trees), zwane
Bardziej szczegółowoDrzewa decyzyjne i lasy losowe
Drzewa decyzyjne i lasy losowe Im dalej w las tym więcej drzew! ML Gdańsk http://www.mlgdansk.pl/ Marcin Zadroga https://www.linkedin.com/in/mzadroga/ 20 Czerwca 2017 WPROWADZENIE DO MACHINE LEARNING CZYM
Bardziej szczegółowoSylabus modułu kształcenia na studiach wyższych. Nazwa Wydziału. Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia
Załącznik nr 4 do zarządzenia nr 12 Rektora UJ z 15 lutego 2012 r. Sylabus modułu kształcenia na studiach wyższych Nazwa Wydziału Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia Wydział Matematyki
Bardziej szczegółowoANALIZA DYNAMIKI I KINEMATYKI CHODU PRAWIDŁOWEGO
Aktualne Problemy Biomechaniki, nr 1/2007 191 Aleksandra ŚNIEŻEK, Studenckie Koło Biomechaniki przy Katedrze Mechaniki Stosowanej, Politechnika Śląska, Gliwice Arkadiusz MĘŻYK, Robert MICHNIK, Katedra
Bardziej szczegółowoSystemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład I dr inż. 2015/2016
Systemy pomiarowo-diagnostyczne Metody uczenia maszynowego wykład I dr inż. Bogumil.Konopka@pwr.edu.pl 2015/2016 1 Wykład I - plan Sprawy organizacyjne Uczenie maszynowe podstawowe pojęcia Proces modelowania
Bardziej szczegółowoALGORYTM RANDOM FOREST
SKRYPT PRZYGOTOWANY NA ZAJĘCIA INDUKOWANYCH REGUŁ DECYZYJNYCH PROWADZONYCH PRZEZ PANA PAWŁA WOJTKIEWICZA ALGORYTM RANDOM FOREST Katarzyna Graboś 56397 Aleksandra Mańko 56699 2015-01-26, Warszawa ALGORYTM
Bardziej szczegółowoSystemy uczące się Lab 4
Systemy uczące się Lab 4 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 26 X 2018 Projekt zaliczeniowy Podstawą zaliczenia ćwiczeń jest indywidualne wykonanie projektu uwzględniającego
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 szczegółowoDrzewa Decyzyjne, cz.2
Drzewa Decyzyjne, cz.2 Inteligentne Systemy Decyzyjne Katedra Systemów Multimedialnych WETI, PG Opracowanie: dr inŝ. Piotr Szczuko Podsumowanie poprzedniego wykładu Cel: przewidywanie wyniku (określania
Bardziej szczegółowoMetody Sztucznej Inteligencji II
17 marca 2013 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką, która jest w stanie odbierać i przekazywać sygnały elektryczne. Neuron działanie Jeżeli wartość sygnału
Bardziej szczegółowoWprowadzenie do klasyfikacji
Wprowadzenie do klasyfikacji ZeroR Odpowiada zawsze tak samo Decyzja to klasa większościowa ze zbioru uczącego A B X 1 5 T 1 7 T 1 5 T 1 5 F 2 7 F Tutaj jest więcej obiektów klasy T, więc klasyfikator
Bardziej szczegółowoID1SII4. Informatyka I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) stacjonarne (stacjonarne / niestacjonarne)
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu ID1SII4 Nazwa modułu Systemy inteligentne 1 Nazwa modułu w języku angielskim Intelligent
Bardziej szczegółowoTestowanie modeli predykcyjnych
Testowanie modeli predykcyjnych Wstęp Podczas budowy modelu, którego celem jest przewidywanie pewnych wartości na podstawie zbioru danych uczących poważnym problemem jest ocena jakości uczenia i zdolności
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowoMetody klasyfikacji danych - część 1 p.1/24
Metody klasyfikacji danych - część 1 Inteligentne Usługi Informacyjne Jerzy Dembski Metody klasyfikacji danych - część 1 p.1/24 Plan wykładu - Zadanie klasyfikacji danych - Przeglad problemów klasyfikacji
Bardziej szczegółowoSYSTEMU DO REEDUKACJI CHODU TRZECIEJ GENERACJI NA PARAMETRY CZASOWO-PRZESTRZENNE CHODU
Aktualne Problemy Biomechaniki, nr 8/2014 21 Paulina GALAS, Katedra i Zabrze Krzysztof, Roman BEDNORZ, Justyna OPATOWICZ, Jakub MALISZEWSKI, PHU Technomex, Gliwice Emila CZEPUL, Centrum Fizjoterapii "FIZJOFIT"
Bardziej szczegółowoSztuczna inteligencja
Sztuczna inteligencja Wykład 7. Architektury sztucznych sieci neuronowych. Metody uczenia sieci. źródła informacji: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym, WNT 1996 Podstawowe architektury
Bardziej szczegółowokierunkowy (podstawowy / kierunkowy / inny HES) nieobowiązkowy (obowiązkowy / nieobowiązkowy) polski drugi semestr letni (semestr zimowy / letni)
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 szczegółowoSystemy uczące się wykład 2
Systemy uczące się wykład 2 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 19 X 2018 Podstawowe definicje Fakt; Przesłanka; Konkluzja; Reguła; Wnioskowanie. Typy wnioskowania
Bardziej szczegółowoPrzedmiot: BIOMECHANIKA KLINICZNA
Przedmiot: BIOMECHANIKA KLINICZNA I. Informacje ogólne Jednostka organizacyjna Nazwa przedmiotu Kod przedmiotu Język wykładowy Rodzaj przedmiotu kształcenia (obowiązkowy/fakultatywny) Poziom (np. pierwszego
Bardziej szczegółowoTemat: BADANIE NIEZALEśNOŚCI DWÓCH CECH JAKOŚCIOWYCH TEST CHI KWADRAT. Anna Rajfura 1
Temat: BADANIE NIEZALEśNOŚCI DWÓCH CECH JAKOŚCIOWYCH TEST CHI KWADRAT Anna Rajfura 1 Przykład W celu porównania skuteczności wybranych herbicydów: A, B, C sprawdzano, czy masa chwastów na poletku zaleŝy
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 szczegółowoMetody klasyfikacji i rozpoznawania wzorców. Najważniejsze rodzaje klasyfikatorów
Metody klasyfikacji i rozpoznawania wzorców www.michalbereta.pl Najważniejsze rodzaje klasyfikatorów Dla określonego problemu klasyfikacyjnego (tzn. dla danego zestawu danych) należy przetestować jak najwięcej
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 szczegółowoAlgorytmy metaheurystyczne Wykład 11. Piotr Syga
Algorytmy metaheurystyczne Wykład 11 Piotr Syga 22.05.2017 Drzewa decyzyjne Idea Cel Na podstawie przesłanek (typowo zbiory rozmyte) oraz zbioru wartości w danych testowych, w oparciu o wybrane miary,
Bardziej szczegółowoObiektywne metody diagnostyki narządu ruchu w fizjoterapii
Obiektywne metody diagnostyki narządu ruchu w fizjoterapii 1 semestr 14 godzin wykładów i 28 godzin ćwiczeń Studia drugiego stopnia (magisterskie) stacjonarne Fizjoterapia I rok /2 semestr Cele nauczania
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 szczegółowoLekcja 5: Sieć Kohonena i sieć ART
Lekcja 5: Sieć Kohonena i sieć ART S. Hoa Nguyen 1 Materiał Sieci Kohonena (Sieć samo-organizująca) Rysunek 1: Sieć Kohonena Charakterystyka sieci: Jednowarstwowa jednokierunkowa sieć. Na ogół neurony
Bardziej szczegółowoHurtownie danych i business intelligence. Plan na dziś : Wprowadzenie do przedmiotu
i business intelligence Paweł Skrobanek, C-3 pok. 321 pawel.skrobanek@pwr.wroc.pl Wrocław 2005-2007 Plan na dziś : 1. Wprowadzenie do przedmiotu (co będzie omawiane oraz jak będę weryfikował zdobytą wiedzę
Bardziej szczegółowoOCENA CHODU DZIECI Z MÓZGOWYM PORAŻENIEM NA PODSTAWIE WSKAŹNIKA GDI
Aktualne Problemy Biomechaniki, nr 8/2014 127 Katarzyna NOWAKOWSKA, Katarzyna JOCHYMCZYK-WOŹNIAK, Katedra Biomechatroniki, Politechnika Śląska, Zabrze OCENA CHODU DZIECI Z MÓZGOWYM PORAŻENIEM NA PODSTAWIE
Bardziej szczegółowoOprogramowanie Systemów Obrazowania SIECI NEURONOWE
SIECI NEURONOWE Przedmiotem laboratorium jest stworzenie algorytmu rozpoznawania zwierząt z zastosowaniem sieci neuronowych w oparciu o 5 kryteriów: ile zwierzę ma nóg, czy żyje w wodzie, czy umie latać,
Bardziej szczegółowoBiomechanika. dr n.med. Robert Santorek 2 ECTS F-1-P-B-18 studia
Nazwa jednostki prowadzącej kierunek: Nazwa kierunku: Poziom kształcenia: Profil kształcenia: Moduły wprowadzające / wymagania wstępne: Nazwa modułu (przedmiot lub grupa przedmiotów): Osoby prowadzące:
Bardziej szczegółowo1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda
Sieci neuropodobne 1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN Agenda Trochę neurobiologii System nerwowy w organizmach żywych tworzą trzy
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 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 szczegółowoPattern Classification
Pattern Classification All materials in these slides were taken from Pattern Classification (2nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 2000 with the permission of the authors
Bardziej szczegółowoMetody selekcji cech
Metody selekcji cech A po co to Często mamy do dyspozycji dane w postaci zbioru cech lecz nie wiemy które z tych cech będą dla nas istotne. W zbiorze cech mogą wystąpić cechy redundantne niosące identyczną
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności inżynieria rehabilitacyjna Rodzaj zajęć: projekt PRACA PRZEJŚCIOWA Interim Work Forma studiów: studia
Bardziej szczegółowoI EKSPLORACJA DANYCH
I EKSPLORACJA DANYCH Zadania eksploracji danych: przewidywanie Przewidywanie jest podobne do klasyfikacji i szacowania, z wyjątkiem faktu, że w przewidywaniu wynik dotyczy przyszłości. Typowe zadania przewidywania
Bardziej szczegółowoRozmyte drzewa decyzyjne. Łukasz Ryniewicz Metody inteligencji obliczeniowej
µ(x) x µ(x) µ(x) x x µ(x) µ(x) x x µ(x) x µ(x) x Rozmyte drzewa decyzyjne Łukasz Ryniewicz Metody inteligencji obliczeniowej 21.05.2007 AGENDA 1 Drzewa decyzyjne kontra rozmyte drzewa decyzyjne, problemy
Bardziej szczegółowoData Mining Wykład 4. Plan wykładu
Data Mining Wykład 4 Klasyfikacja danych Klasyfikacja poprzez indukcje drzew decyzyjnych Plan wykładu Sformułowanie problemu Kryteria oceny metod klasyfikacji Metody klasyfikacji Klasyfikacja poprzez indukcje
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 szczegółowoProgramowanie deklaratywne
Programowanie deklaratywne Artur Michalski Informatyka II rok Plan wykładu Wprowadzenie do języka Prolog Budowa składniowa i interpretacja programów prologowych Listy, operatory i operacje arytmetyczne
Bardziej szczegółowo9. Praktyczna ocena jakości klasyfikacji
Algorytmy rozpoznawania obrazów 9. Praktyczna ocena jakości klasyfikacji dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. Zbiór uczacy i zbiór testowy 1. Zbiór uczacy służy do konstrukcji (treningu)
Bardziej szczegółowomgr inż. Magdalena Deckert Poznań, r. Metody przyrostowego uczenia się ze strumieni danych.
mgr inż. Magdalena Deckert Poznań, 30.11.2010r. Metody przyrostowego uczenia się ze strumieni danych. Plan prezentacji Wstęp Concept drift i typy zmian Algorytmy przyrostowego uczenia się ze strumieni
Bardziej szczegółowoInformatyka I stopień (I stopień / II stopień) ogólno akademicki (ogólno akademicki / praktyczny) kierunkowy (podstawowy / kierunkowy / inny HES)
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Zastosowanie sztucznych sieci neuronowych Nazwa modułu w informatyce Application of artificial
Bardziej szczegółowoTHE PART OF FUZZY SYSTEMS ASSISTING THE DECISION IN DI- AGNOSTICS OF FUEL ENGINE SUBASSEMBLIES DEFECTS
Journal of KONES Internal Combustion Engines 2005, vol. 12, 3-4 THE PART OF FUZZY SYSTEMS ASSISTING THE DECISION IN DI- AGNOSTICS OF FUEL ENGINE SUBASSEMBLIES DEFECTS Mariusz Topolski Politechnika Wrocławska,
Bardziej szczegółowoZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al
LESZEK A. DOBRZAŃSKI, TOMASZ TAŃSKI ZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al APPLICATION OF NEURAL NETWORKS FOR OPTIMISATION OF Mg-Al ALLOYS HEAT TREATMENT
Bardziej szczegółowoSAS wybrane elementy. DATA MINING Część III. Seweryn Kowalski 2006
SAS wybrane elementy DATA MINING Część III Seweryn Kowalski 2006 Algorytmy eksploracji danych Algorytm eksploracji danych jest dobrze zdefiniowaną procedurą, która na wejściu otrzymuje dane, a na wyjściu
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 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 szczegółowoSztuczne Sieci Neuronowe. Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW
Sztuczne Sieci Neuronowe Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW SN są częścią dziedziny Sztucznej Inteligencji Sztuczna Inteligencja (SI) zajmuje się
Bardziej szczegółowoPrzykład eksploracji danych o naturze statystycznej Próba 1 wartości zmiennej losowej odległość
Dwie metody Klasyczna metoda histogramu jako narzędzie do postawienia hipotezy, jaki rozkład prawdopodobieństwa pasuje do danych Indukcja drzewa decyzyjnego jako metoda wykrycia klasyfikatora ukrytego
Bardziej szczegółowoZastosowania sieci neuronowych
Zastosowania sieci neuronowych aproksymacja LABORKA Piotr Ciskowski zadanie 1. aproksymacja funkcji odległość punktów źródło: Żurada i in. Sztuczne sieci neuronowe, przykład 4.4, str. 137 Naucz sieć taką
Bardziej szczegółowoNEURAL NETWORK ) FANN jest biblioteką implementującą SSN, którą moŝna wykorzystać. w C, C++, PHP, Pythonie, Delphi a nawet w środowisku. Mathematica.
Wykorzystanie sztucznych sieci neuronowych do rozpoznawania języków: polskiego, angielskiego i francuskiego Tworzenie i nauczanie sieci przy pomocy języka C++ i biblioteki FANN (Fast Artificial Neural
Bardziej szczegółowobo od managera wymaga się perfekcji
bo od managera wymaga się perfekcji MODELOWANIE PROCESÓW Charakterystyka modułu Modelowanie Procesów Biznesowych (BPM) Modelowanie procesów biznesowych stanowi fundament wdroŝenia systemu zarządzania jakością
Bardziej szczegółowoWSPÓŁCZYNNIK GOTOWOŚCI SYSTEMU LOKOMOTYW SPALINOWYCH SERII SM48
TECHNIKA TRANSPORTU SZYNOWEGO Andrzej MACIEJCZYK, Zbigniew ZDZIENNICKI WSPÓŁCZYNNIK GOTOWOŚCI SYSTEMU LOKOMOTYW SPALINOWYCH SERII SM48 Streszczenie W artykule wyznaczono współczynniki gotowości systemu
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-10-11 1 Modelowanie funkcji logicznych
Bardziej szczegółowoSztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311
Sztuczne sieci neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311 PLAN: Wykład 5 - Metody doboru współczynnika uczenia - Problem inicjalizacji wag - Problem doboru architektury
Bardziej szczegółowoNajprostsze modele sieci z rekurencją. sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga;
Sieci Hopfielda Najprostsze modele sieci z rekurencją sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga; Modele bardziej złoŝone: RTRN (Real Time Recurrent Network), przetwarzająca sygnały w czasie
Bardziej szczegółowoAlgorytmy decyzyjne będące alternatywą dla sieci neuronowych
Algorytmy decyzyjne będące alternatywą dla sieci neuronowych Piotr Dalka Przykładowe algorytmy decyzyjne Sztuczne sieci neuronowe Algorytm k najbliższych sąsiadów Kaskada klasyfikatorów AdaBoost Naiwny
Bardziej szczegółowoStreszczenie. Słowa kluczowe: modele neuronowe, parametry ciągników rolniczych
InŜynieria Rolnicza 11/2006 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie METODA PROGNOZOWANIA WARTOŚCI PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH MASZYN ROLNICZYCH
Bardziej szczegółowoSztuczne sieci neuronowe w zastosowaniu do modelowania fazy wznoszenia samolotu
Paulina Stańczyk 1, Anna Stelmach 2 Wydział Transportu Politechniki Warszawskiej Sztuczne sieci neuronowe w zastosowaniu do modelowania fazy wznoszenia samolotu 1. WPROWADZENIE W ostatnich latach na świecie,
Bardziej szczegółowoProjekt Sieci neuronowe
Projekt Sieci neuronowe Chmielecka Katarzyna Gr. 9 IiE 1. Problem i dane Sieć neuronowa miała za zadanie nauczyć się klasyfikować wnioski kredytowe. W projekcie wykorzystano dane pochodzące z 110 wniosków
Bardziej szczegółowoAlgorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań
Algorytm indukcji klasyfikatora za pomocą EA z automatycznym przełączaniem ukierunkowań Anna Manerowska, Michal Kozakiewicz 2.12.2009 1 Wstęp Jako projekt na przedmiot MEUM (Metody Ewolucyjne Uczenia Maszyn)
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 szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł kierunkowy ogólny Rodzaj zajęć: wykład, ćwiczenia, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE.
Bardziej szczegółowoRecenzja rozprawy doktorskiej mgr inż. Szymona Lechwara
Katowice, 28.02. 2014r. Recenzja rozprawy doktorskiej mgr inż. Szymona Lechwara pt. Opracowanie wizyjnego klasyfikatora wad powierzchni związanych z występowaniem zgorzeliny w procesie walcowania blach
Bardziej szczegółowoProf. Stanisław Jankowski
Prof. Stanisław Jankowski Zakład Sztucznej Inteligencji Zespół Statystycznych Systemów Uczących się p. 228 sjank@ise.pw.edu.pl Zakres badań: Sztuczne sieci neuronowe Maszyny wektorów nośnych SVM Maszyny
Bardziej szczegółowoSYLABUS. DOTYCZY CYKLU KSZTAŁCENIA (skrajne daty) Biomechanika kliniczna i ergonomia pracy
SYLABUS DOTYCZY CYKLU KSZTAŁCENIA 2015-2018 (skrajne daty) 1.1. PODSTAWOWE INFORMACJE O PRZEDMIOCIE/MODULE Nazwa przedmiotu/ modułu Biomechanika kliniczna i ergonomia pracy Kod przedmiotu/ modułu* Wydział
Bardziej szczegółowoKlasyfikator. ˆp(k x) = 1 K. I(ρ(x,x i ) ρ(x,x (K) ))I(y i =k),k =1,...,L,
Klasyfikator Jedną z najistotniejszych nieparametrycznych metod klasyfikacji jest metoda K-najbliższych sąsiadów, oznaczana przez K-NN. W metodzie tej zaliczamy rozpoznawany obiekt do tej klasy, do której
Bardziej szczegółowoAnaliza chodu pacjentów po rekonstrukcji ACL
Analiza chodu pacjentów po rekonstrukcji ACL - problemy badawcze i wstępne wyniki badań Sławomir Winiarski Katedra Biomechaniki Zespół Biofizyki 1 Więzadło Krzyżowe Przednie (ACL) 1. Fakty Pierwsza wzmianka
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Inżynieria Biomedyczna Rodzaj przedmiotu: obowiązkowy moduł specjalności inżynieria rehabilitacyjna Rodzaj zajęć: wykład, laboratorium URZĄDZENIA I SPRZĘT REHABILITACYJNY Facilities
Bardziej szczegółowo4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74
3 Wykaz najważniejszych skrótów...8 Przedmowa... 10 1. Podstawowe pojęcia data mining...11 1.1. Wprowadzenie...12 1.2. Podstawowe zadania eksploracji danych...13 1.3. Główne etapy eksploracji danych...15
Bardziej szczegółowoZASTOSOWANIE MODELOWANIA MATEMATYCZNEGO I POMIARÓW EMG DO OCENY CHODU DZIECI Z ZABURZENIAMI NEUROLOGICZNYMI
MODELOWANIE INŻYNIERSKIE nr 47, ISSN 896-77X ZASTOSOWANIE MODELOWANIA MATEMATYCZNEGO I POMIARÓW EMG DO OCENY CHODU DZIECI Z ZABURZENIAMI NEUROLOGICZNYMI Eugeniusz Świtoński a, Robert Michnik b, Agnieszka
Bardziej szczegółowoREHABILITACJA. Rehabilitację po operacyjnym leczeniu chrząstki moŝna ogólnie podzielić na cztery okresy:
CHONDROPLASTYKA Chrząstka stawowa to twarda tkanka, która znajduje się na końcu kości i w stawie, gdzie zapewnia równomierne obciąŝenie stawu i umoŝliwia wykonywanie ruchu. Chrząstka znosi duŝe obciąŝenia
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 szczegółowoCHARAKTERYSTYKA I ZASTOSOWANIA ALGORYTMÓW OPTYMALIZACJI ROZMYTEJ. E. ZIÓŁKOWSKI 1 Wydział Odlewnictwa AGH, ul. Reymonta 23, Kraków
36/3 Archives of Foundry, Year 004, Volume 4, 3 Archiwum Odlewnictwa, Rok 004, Rocznik 4, Nr 3 PAN Katowice PL ISSN 64-5308 CHARAKTERYSTYKA I ZASTOSOWANIA ALGORYTMÓW OPTYMALIZACJI ROZMYTEJ E. ZIÓŁKOWSKI
Bardziej szczegółowoSztuczna Inteligencja Tematy projektów Sieci Neuronowe
PB, 2009 2010 Sztuczna Inteligencja Tematy projektów Sieci Neuronowe Projekt 1 Stwórz projekt implementujący jednokierunkową sztuczną neuronową złożoną z neuronów typu sigmoidalnego z algorytmem uczenia
Bardziej szczegółowoANALIZA WYDAJNOŚCI PRODUKCYJNEJ RODZINNEGO GOSPODARSTWA ROLNEGO PRZY POMOCY SIECI NEURONOWEJ
InŜynieria Rolnicza 12/2006 Katarzyna Siejka, Andrzej Tukiendorf Katedra Techniki Rolniczej i Leśnej Politechnika Opolska ANALIZA WYDAJNOŚCI PRODUKCYJNEJ RODZINNEGO GOSPODARSTWA ROLNEGO PRZY POMOCY SIECI
Bardziej szczegółowoTemat: ANFIS + TS w zadaniach. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: ANFIS + TS w zadaniach Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1. Systemy neuronowo - rozmyte Systemy
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 szczegółowoCzęść 2: Data Mining
Łukasz Przywarty 171018 Wrocław, 18.01.2013 r. Grupa: CZW/N 10:00-13:00 Raport z zajęć laboratoryjnych w ramach przedmiotu Hurtownie i eksploracja danych Część 2: Data Mining Prowadzący: dr inż. Henryk
Bardziej szczegółowo6. Zagadnienie parkowania ciężarówki.
6. Zagadnienie parkowania ciężarówki. Sterowniki rozmyte Aby móc sterować przebiegiem pewnych procesów lub też pracą urządzeń niezbędne jest stworzenie odpowiedniego modelu, na podstawie którego można
Bardziej szczegółowoUniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013 http://www.wilno.uwb.edu.
SYLLABUS na rok akademicki 01/013 Tryb studiów Studia stacjonarne Kierunek studiów Informatyka Poziom studiów Pierwszego stopnia Rok studiów/ semestr /3 Specjalność Bez specjalności Kod katedry/zakładu
Bardziej szczegółowoLaboratorium 6. Indukcja drzew decyzyjnych.
Laboratorium 6 Indukcja drzew decyzyjnych. 1. Uruchom narzędzie Oracle Data Miner i połącz się z serwerem bazy danych. 2. Z menu głównego wybierz Activity Build. Na ekranie powitalnym kliknij przycisk
Bardziej szczegółowoZastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym
POLITECHNIKA WARSZAWSKA Instytut Technik Wytwarzania Zastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym Marcin Perzyk Dlaczego eksploracja danych?
Bardziej szczegółowoLiteratura. Sztuczne sieci neuronowe. Przepływ informacji w systemie nerwowym. Budowa i działanie mózgu
Literatura Wykład : Wprowadzenie do sztucznych sieci neuronowych Małgorzata Krętowska Wydział Informatyki Politechnika Białostocka Tadeusiewicz R: Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa
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 szczegółowoEksploracja Danych. wykład 4. Sebastian Zając. 10 maja 2017 WMP.SNŚ UKSW. Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja / 18
Eksploracja Danych wykład 4 Sebastian Zając WMP.SNŚ UKSW 10 maja 2017 Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja 2017 1 / 18 Klasyfikacja danych Klasyfikacja Najczęściej stosowana (najstarsza)
Bardziej szczegółowoSieci Neuronowe - Rok III - kierunek IS w IFAiIS UJ 2008/2009. Sieci Neuronowe. Wykład 11 Algorytmy genetyczne; Systemy rozmyte
Sieci Neuronowe Wykład 11 Algorytmy genetyczne; Systemy rozmyte wykład przygotowany na podstawie. S. Osowski, Sieci Neuronowe w ujęciu algorytmicznym, Rozdz. 4, PWNT, Warszawa 1996. W. Duch, J. Korbicz,
Bardziej szczegółowo