Zastosowania sieci neuronowych - automatyka identyfikacja sterowanie

Save this PDF as:
 WORD  PNG  TXT  JPG

Wielkość: px
Rozpocząć pokaz od strony:

Download "Zastosowania sieci neuronowych - automatyka identyfikacja sterowanie"

Transkrypt

1 Zastosowania sieci neuronowych - automatyka identyfikacja sterowanie LABORKA Piotr Ciskowski

2 ZASTOSOWANIA SIECI NEURONOWYCH IDENTYFIKACJA

3 zastosowania przegląd zastosowania sieci neuronowych: o identyfikacja określenie zbioru nieliniowych funkcji aproksymujących danych układ zbudowanie adaptacyjnego systemu uczącego się parametrów pracy obiektu w czasie pracy źródło rysunku: Żurada, Sztuczne sieci neuronowe

4 Zadanie 1 IDENTYFIKACJA OBIEKTU NIELINIOWEGO

5 zadanie 1. identyfikacja obiektu nieliniowego źródło: Korbicz, Obuchowicz, Uciński, przykład 7.2, str. 165 Obiekt podlegający identyfikacji jest opisany nieliniowym równaniem różnicowym postaci: (,,,, ) y = f y y y u u k + 1 k k 1 k 2 k k 1 gdzie nieznana funkcja nieliniowa f dana jest wzorem: (,,,, ) f x x x x x ( 1) x x x x x + x = x3 + x2 Zadanie identyfikacji obiektu polega na aproksymacji funkcji nieliniowej f przy pomocy sieci neuronowej o sieć: trójwarstwowa o dane uczące: na wejściu układu sygnał losowy o rozkładzie równomiernym w przedziale [-1,1] próbkowany co 0,25s o uczenie: metodą propagacji wstecznej błędu, kroków 2π k sin k o testowanie: na wejściu układu taki sygnał uk = 2π k 2π k 0.8sin + 0.2sin k >

6 zadanie 1. identyfikacja obiektu nieliniowego źródło: Korbicz, Obuchowicz, Uciński, przykład 7.2, str. 165 yk + 1 = f ( yk, yk 1, yk 2, uk, uk 1 ) ( 1) (,,,, ) = f x x x x x x x x x x + x x3 + x2

7 zadanie 1. identyfikacja obiektu nieliniowego źródło: Korbicz, Obuchowicz, Uciński, przykład 7.2, str. 165

8 zadanie 1. identyfikacja obiektu nieliniowego źródło: Korbicz, Obuchowicz, Uciński, przykład 7.2, str. 165 sieć neuronowa do identyfikacji obiektu: x[n] obiekt y[n] x[n] x[n-1] z -1 x[n-1] z -1 y[n-1] x[n-2] sieć y[n] z -1 z -1 y[n-1] x[n-2] y[n-2] y[n-2]

9 Zadanie 2 IDENTYFIKACJA OBIEKTU NIELINIOWEGO WIENERA

10 zadanie 2. identyfikacja obiektu nieliniowego Wienera źródło: Osowski, str. 135 nauczyć sieć identyfikacji obiektu: obiekt: sieć: kaskadowe połączenie obiektu liniowego: filtru Butterwortha 6 rzędu oraz nieliniowego: x 3 MLP: funkcja aktywacji: bipolarna wejścia: 12 opóźnionych próbek sygnału wejściowego 12 opóźnionych ostatnich odpowiedzi układu wyjście: predykcja odpowiedzi układu dane uczące: sygnał wejściowy do układu: losowy dane uczące można wygenerować skryptem MATLABa lub budując model w SIMULINKu dane testujące: wybrane przebiegi sygnału wejściowego: sygnał trójkątny gasnąca sinusoida itp.

11 zadanie 2. identyfikacja obiektu nieliniowego Wienera źródło: Osowski, str. 135 nauczyć sieć identyfikacji obiektu: obiekt: sieć: kaskadowe połączenie obiektu liniowego: filtru Butterwortha 6 rzędu oraz nieliniowego: x 3 MLP: funkcja aktywacji: bipolarna wejścia: 12 opóźnionych próbek sygnału wejściowego 12 opóźnionych ostatnich odpowiedzi układu wyjście: predykcja odpowiedzi układu dane uczące: sygnał wejściowy do układu: losowy dane uczące można wygenerować skryptem MATLABa lub budując model w SIMULINKu dane testujące: wybrane przebiegi sygnału wejściowego: sygnał trójkątny gasnąca sinusoida itp.

12 ZASTOSOWANIA SIECI NEURONOWYCH STEROWANIE

13 sterowanie zadania kinematyki: równania kinematyczne proste: dane: kąty przegubów θ 1 i θ 2 długości ramion l 1 i l 2 obliczyć: pozycję chwytaka x 1 i x 2 ( ) x = l cosθ + l cos θ + θ ( ) x = l sinθ + l sin θ + θ

14 sterowanie zadania kinematyki: równania kinematyczne odwrotne: dane: pozycja chwytaka x 1 i x 2 długości ramion l 1 i l 2 obliczyć: kąty przegubów θ 1 i θ 2 θ x1 + x2 l1 l 2 = arccos 2 l1 l2 x 2 l2 sinθ 1 θ1 = arctg arctg x l + l cosθ arccos funkcja niejednoznaczna dwa kąty dla jednej pozycji

15 zadanie 3. kinematyka robota - prosta źródło: Żurada, str. 307 nauczyć sieć rozwiązywania prostego zadania kinematyki: wariant I - dane uczące: dla założonych długości ramion, np. l 1 = 3 i l 2 = 2 9 wektorów uczących dla punktów leżących na okręgu: wejścia znormalizowane do zakresu 0-1 x = r cos β y = r sin β dla: r = 3, 5 o < β < 85 o wariant I - sieć: sieć MLP: funkcja aktywacji: unipolarna wariant I - uczenie: wagi początkowe: losowe z zakresu od -0.5 do 0.5 BP z momentum - η = α = 0.9 (wypróbować inne parametry) wariant I - testowanie: punkty z okręgu (gęściej niż dla uczenia) dla: r = 3, 0 o < β < 90 o

16 zadanie 3. kinematyka robota - odwrotna źródło: Żurada, str. 307 nauczyć sieć rozwiązywania odwrotnego zadania kinematyki: wariant II - dane uczące: dla założonych długości ramion, np. l 1 = 3 i l 2 = 2 9 wektorów uczących dla punktów leżących na okręgu: wejścia znormalizowane do zakresu 0-1 x = r cos β y = r sin β dla: r = 3, 5 o < β < 85 o wariant II - sieć: sieć MLP: funkcja aktywacji: unipolarna wariant II - uczenie: wagi początkowe: losowe z zakresu od -0.5 do 0.5 BP z momentum - η = α = 0.3 (wypróbować inne parametry) wariant II - testowanie: punkty z okręgu (gęściej niż dla uczenia) dla: r = 3, 0 o < β < 90 o

17 zadanie 3. kinematyka robota - prosta źródło: Żurada, str. 307 nauczyć sieć rozwiązywania prostego zadania kinematyki: wariant III - dane uczące: dla założonych długości ramion, np. l 1 = 3 i l 2 = 2 64 przykłady prawie wszystkie kombinacje kątów przegubów θ 1 i θ 2 w zakresie 0-90 o wariant III - sieci: sieć MLP: sieć MLP: sieć MLP: z wejściami funkcyjnymi: sin θ 1, sin θ 2, cos θ 1, cos θ 2, sin ( θ 1 + θ 2 ), cos (θ 1 + θ 2 ) wejścia znormalizowane od 0 do 1, wyjścia nie znormalizowane funkcja aktywacji: unipolarna, w wyjściowych liniowa wariant III - uczenie: wagi początkowe: losowe z zakresu od -0.5 do 0.5 sieci MLP: BP η = 0.1 (wypróbować inne parametry) BP z momentum - η = α = 0.9 (wypróbować inne parametry) sieć funkcyjna: reguła delta - η = 0.4 wariant III - testowanie: 3 przebieg: θ ( ) ( ) dla 0 < t < t = θ2 t = 3 10 t

18 Zadanie 4 MODELOWANIE TŁUMIKA DRGAŃ SEJSMICZNYCH

19 zadanie 4. modelowanie tłumika drgań sejsmicznych źródło: własne nauczyć sieć identyfikacji nastepującego nieliniowego obiektu - tłumika drgań sejsmicznych magnetorheological damper: model: B. Spencer Jr., S. Dyke, S. M., and J. Carlson, Phenomenological model for magnetorheological dampers Computer of Engineering mechanics, ASCE, 123(3): , 1997

20 zadanie 4. modelowanie tłumika drgań sejsmicznych źródło: własne nauczyć sieć identyfikacji nastepującego nieliniowego obiektu - tłumika drgań sejsmicznych magnetorheological damper: model: B. Spencer Jr., S. Dyke, S. M., and J. Carlson, Phenomenological model for magnetorheological dampers Computer of Engineering mechanics, ASCE, 123(3): , 1997

21 zadanie 4. modelowanie tłumika drgań sejsmicznych źródło: własne nauczyć sieć identyfikacji nastepującego nieliniowego obiektu - tłumika drgań sejsmicznych magnetorheological damper: model:

22 zadanie 4. modelowanie tłumika drgań sejsmicznych źródło: własne nauczyć sieć identyfikacji nastepującego nieliniowego obiektu - tłumika drgań sejsmicznych magnetorheological damper: model:

23 zadanie 4. modelowanie tłumika drgań sejsmicznych źródło: własne nauczyć sieć identyfikacji nastepującego nieliniowego obiektu - tłumika drgań sejsmicznych magnetorheological damper: model:

24 zadanie 4. modelowanie tłumika drgań sejsmicznych źródło: własne nauczyć sieć identyfikacji nastepującego nieliniowego obiektu - tłumika drgań sejsmicznych magnetorheological damper: model: B. Spencer Jr., S. Dyke, S. M., and J. Carlson, Phenomenological model for magnetorheological dampers Computer of Engineering mechanics, ASCE, 123(3): , 1997

25 zadanie 4. modelowanie tłumika drgań sejsmicznych źródło: własne nauczyć sieć identyfikacji następującego nieliniowego obiektu - tłumika drgań sejsmicznych magnetorheological damper: model: bardzo skomplikowany dane uczące: model w SIMULINKu sieć: wejścia: x, napięcie wyjścia: F

26 zadanie 4. modelowanie tłumika drgań sejsmicznych źródło: własne model w simulinku źródło danych uczących dla sieci: aaaa 1 4 nr zrodla -przemieszczenie x z alfa(u) c0(u) x' du/dt alfa(u) z dot4 c0(u) x' c0(u) c1(u) 1./u odwr 1 c0(u) + c1(u) dot6 y ' 1/s integr y ' x x F x F ( x ) przemieszczenie - stale deriv x dot5 x' przemieszczenie - sinus x x x y x - y k0 (x - y) 46.9 k0 c1(u) y ' dot7 c1 y' x' F x ' F ( x' ) besself 9 nr zrodla - napiecie zrodla 1 do 6 po 1 s kazde wszystkie zrodla po 2 s kazde losowe zrodlo od 1 do 6 co 0.1s Out1 zrodla V losowo przelaczane co 0.01s przemieszczenie opoznienie - zeby filtr -przemieszczenie 30Hz besself 3 Band-Limited ciut White Noise filtr wiecej -przemieszczenie - przemieszczenie 25Hz wybor zrodla - przemieszczenie nr zrodla 0 wybor zrodla 1. stale - napiecie - stale / zmienne stale wybor zrodla 1.5 -napiecie 3. stale - okresowe stale stale stale wybor zrodla -napiecie wybor zrodla - losowe - napiecie 7. sinus: 2V 4Hz - okresowe / losowe napiecie dot8 x' y ' z 1 alfa b1 x' - y' x' - y' u gamma x' - y' z z abs1 z 363 z z z u gamma abs2 z z dot1 dot2 do potegi n (tu: 2) z ^2 z ^ 2 ( x ' - y ' ) beta ( z ^2 ( x' - y' ) ) x' - y' 363 dot3 beta x' - y' A ( x' - y' ) 301 A c0(u) c1(u) alfa(u) du/dt deriv napiecie 140 alfa a u alfa b 283 c1a u ' alfa b2 1/190 du/dt 1 / ni deriv u 2.95 z' z 1/s integr z ' alfa(u) c1(u) x x-x x0 alfa c1 5.0 k1 k1 (x-x0) 0 czas F F napiecie napiecie u u napiecie u u ( napiecie ) napiecie F F ( napiecie ) t x x' napiecie napiecie ' u u ' F F ' du/dt 2 deriv F Matrix Concatenation przebieg zapis przebiegu probkowanie: 2kHz przebieg1 zapis przebiegu probkowanie: 500 Hz przebieg2 zapis przebiegu probkowanie: 50 Hz 8. skok: do 2.25V po 0.6s besself c1b 21.0 c0a 3 9. losowe: Band-Limited White Noise - napiecie od -3V do 3V filtr - napiecie 25Hz 3.50 c0(u) c0 wybor zrodla - napiecie c0b

27 zadanie 4. modelowanie tłumika drgań sejsmicznych źródło: własne wejścia: wyjście:

28 zadanie 4. modelowanie tłumika drgań sejsmicznych źródło: własne

29 zadanie 4. modelowanie tłumika drgań sejsmicznych źródło: własne nauczyć sieć identyfikacji następującego nieliniowego obiektu - tłumika drgań sejsmicznych magnetorheological damper: model: bardzo skomplikowany dane uczące: model w SIMULINKu sieć: wejścia: x, napięcie wyjścia: F efekt: traditional 20-1 net model net voltage context-dependent 10-1 net model net voltage

Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe.

Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe. Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe. zajecia.jakubw.pl/nai Literatura: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa 997. PODSTAWOWE ZAGADNIENIA TECHNICZNE AI

Bardziej szczegółowo

Zrealizować sieć neuronową (learnbpm) uczącą się odwzorowania z = x 2 + y 2 dla x i y zmieniających się od -1 do 1.

Zrealizować sieć neuronową (learnbpm) uczącą się odwzorowania z = x 2 + y 2 dla x i y zmieniających się od -1 do 1. Politechnika Rzeszowska Wydział Elektrotechniki i Informatyki Mateusz Błażej Nr albumu: 130366 Zrealizować sieć neuronową (learnbpm) uczącą się odwzorowania z = x 2 + y 2 dla x i y zmieniających się od

Bardziej szczegółowo

Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe

Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe wykład 1. Właściwości sieci neuronowych Model matematyczny sztucznego neuronu Rodzaje sieci neuronowych Przegląd d głównych g

Bardziej szczegółowo

Algorytmy sztucznej inteligencji

Algorytmy sztucznej inteligencji Algorytmy sztucznej inteligencji Dynamiczne sieci neuronowe 1 Zapis macierzowy sieci neuronowych Poniżej omówione zostaną części składowe sieci neuronowych i metoda ich zapisu za pomocą macierzy. Obliczenia

Bardziej szczegółowo

Zastosowania sieci neuronowych predykcja - giełda

Zastosowania sieci neuronowych predykcja - giełda Zastosowania sieci neuronowych predykcja - giełda LABORKA Piotr Ciskowski AKCJE INDEKS WIG20 plik giełda-wig.xlsx : dane: indeks WIG od 1991 do 2005 ok. 3000 sesji bez ostatniej szalonej hossy dla każdej

Bardziej szczegółowo

Analiza szeregów czasowych: 5. Liniowe modele stochastyczne

Analiza szeregów czasowych: 5. Liniowe modele stochastyczne Analiza szeregów czasowych: 5. Liniowe modele stochastyczne P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2006/07 Dwa rodzaje modelowania 1. Modelowanie z pierwszych zasad. Znamy prawa

Bardziej szczegółowo

HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM

HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM ZASTOSOWANIE SIECI NEURONOWYCH W SYSTEMACH AKTYWNEJ REDUKCJI HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM WPROWADZENIE Zwalczanie hałasu przy pomocy metod aktywnych redukcji hałasu polega

Bardziej szczegółowo

Sztuczne siei neuronowe - wprowadzenie

Sztuczne siei neuronowe - wprowadzenie Metody Sztucznej Inteligencji w Sterowaniu Ćwiczenie 2 Sztuczne siei neuronowe - wprowadzenie Przygotował: mgr inż. Marcin Pelic Instytut Technologii Mechanicznej Politechnika Poznańska Poznań, 2 Wstęp

Bardziej szczegółowo

Zadanie: Filtr adaptywny

Zadanie: Filtr adaptywny Spis treści 1 Zadanie: Filtr adaptywny 1.1 Przygotuj sygnały: 1.2 Symulacja sieci 1.3 Wykresy 1.4 Szkielet rozwiązania: 1.5 Pytania Zadanie: Filtr adaptywny W tym zadaniu symulujemy działanie filtra, który

Bardziej szczegółowo

Sztuczne 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 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 szczegółowo

Systemy. Krzysztof Patan

Systemy. Krzysztof Patan Systemy Krzysztof Patan Systemy z pamięcią System jest bez pamięci (statyczny), jeżeli dla dowolnej chwili t 0 wartość sygnału wyjściowego y(t 0 ) zależy wyłącznie od wartości sygnału wejściowego w tej

Bardziej szczegółowo

SIECI RBF (RADIAL BASIS FUNCTIONS)

SIECI RBF (RADIAL BASIS FUNCTIONS) SIECI RBF (RADIAL BASIS FUNCTIONS) Wybrane slajdy z prezentacji prof. Tadeusiewicza Wykład Andrzeja Burdy S. Osowski, Sieci Neuronowe w ujęciu algorytmicznym, Rozdz. 5, PWNT, Warszawa 1996. opr. P.Lula,

Bardziej szczegółowo

ROZKŁAD MATERIAŁU DO 1 KLASY LICEUM (ZAKRES PODSTAWOWY) A WYMAGANIA PODSTAWY PROGRAMOWEJ.

ROZKŁAD MATERIAŁU DO 1 KLASY LICEUM (ZAKRES PODSTAWOWY) A WYMAGANIA PODSTAWY PROGRAMOWEJ. ROZKŁAD MATERIAŁU DO 1 KLASY LICEUM (ZAKRES PODSTAWOWY) A WYMAGANIA PODSTAWY PROGRAMOWEJ. TEMAT Równania i nierówności (30h) LICZBA GODZIN LEKCYJNYCH Liczby wymierne 3 Liczby niewymierne 1 Zapisywanie

Bardziej szczegółowo

Metody sztucznej inteligencji

Metody sztucznej inteligencji Metody sztucznej inteligencji sztuczne sieci neuronowe - wstęp dr hab. inż. Andrzej Obuchowicz, prof. UZ Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski A. Obuchowicz Metody sztucznej

Bardziej szczegółowo

Automatyczna predykcja. Materiały/konsultacje. Co to jest uczenie maszynowe? Przykład 6/10/2013. Google Prediction API, maj 2010

Automatyczna predykcja. Materiały/konsultacje. Co to jest uczenie maszynowe? Przykład 6/10/2013. Google Prediction API, maj 2010 Materiały/konsultacje Automatyczna predykcja http://www.ibp.pwr.wroc.pl/kotulskalab Konsultacje wtorek, piątek 9-11 (uprzedzić) D1-115 malgorzata.kotulska@pwr.wroc.pl Co to jest uczenie maszynowe? Uczenie

Bardziej szczegółowo

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Modelowanie

Politechnika Wrocławska, Wydział Informatyki i Zarządzania. Modelowanie Politechnika Wrocławska, Wydział Informatyki i Zarządzania Modelowanie Zad Wyznacz transformaty Laplace a poniższych funkcji, korzystając z tabeli transformat: a) 8 3e 3t b) 4 sin 5t 2e 5t + 5 c) e5t e

Bardziej szczegółowo

EUROELEKTRA Ogólnopolska Olimpiada Wiedzy Elektrycznej i Elektronicznej Rok szkolny 2014/2015

EUROELEKTRA Ogólnopolska Olimpiada Wiedzy Elektrycznej i Elektronicznej Rok szkolny 2014/2015 EROELEKTR Ogólnopolska Olimpiada Wiedzy Elektrycznej i Elektronicznej Rok szkolny 014/015 Zadania z elektrotechniki na zawody II stopnia (grupa elektryczna) Zadanie 1 W układzie jak na rysunku 1 dane są:,

Bardziej szczegółowo

Laboratorum 2 Badanie filtru dolnoprzepustowego P O P R A W A

Laboratorum 2 Badanie filtru dolnoprzepustowego P O P R A W A Laboratorum 2 Badanie filtru dolnoprzepustowego P O P R A W A Marcin Polkowski (251328) 15 marca 2007 r. Spis treści 1 Cel ćwiczenia 2 2 Techniczny i matematyczny aspekt ćwiczenia 2 3 Pomiary - układ RC

Bardziej szczegółowo

Testowanie modeli predykcyjnych

Testowanie 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 szczegółowo

Cyfrowe przetwarzanie sygnałów Jacek Rezmer -1-

Cyfrowe przetwarzanie sygnałów Jacek Rezmer -1- Cyfrowe przetwarzanie sygnałów Jacek Rezmer -1- Filtry cyfrowe cz. Zastosowanie funkcji okien do projektowania filtrów SOI Nierównomierności charakterystyki amplitudowej filtru cyfrowego typu SOI można

Bardziej szczegółowo

Podstawy Automatyki. wykład 1 (26.02.2010) mgr inż. Łukasz Dworzak. Politechnika Wrocławska. Instytut Technologii Maszyn i Automatyzacji (I-24)

Podstawy Automatyki. wykład 1 (26.02.2010) mgr inż. Łukasz Dworzak. Politechnika Wrocławska. Instytut Technologii Maszyn i Automatyzacji (I-24) Podstawy Automatyki wykład 1 (26.02.2010) mgr inż. Łukasz Dworzak Politechnika Wrocławska Instytut Technologii Maszyn i Automatyzacji (I-24) Laboratorium Podstaw Automatyzacji (L6) 105/2 B1 Sprawy organizacyjne

Bardziej szczegółowo

Podstawy Robotyki Określenie kinematyki oraz dynamiki manipulatora

Podstawy Robotyki Określenie kinematyki oraz dynamiki manipulatora Podstawy Robotyki Określenie kinematyki oraz dynamiki manipulatora AiR V sem. Gr. A4/ Wicher Bartłomiej Pilewski Wiktor 9 stycznia 011 1 1 Wstęp Rysunek 1: Schematyczne przedstawienie manipulatora W poniższym

Bardziej szczegółowo

Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)

Zastosowanie 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 szczegółowo

SYMULACJA ZAKŁÓCEŃ W UKŁADACH AUTOMATYKI UTWORZONYCH ZA POMOCĄ OBWODÓW ELEKTRYCZNYCH W PROGRAMACH MATHCAD I PSPICE

SYMULACJA ZAKŁÓCEŃ W UKŁADACH AUTOMATYKI UTWORZONYCH ZA POMOCĄ OBWODÓW ELEKTRYCZNYCH W PROGRAMACH MATHCAD I PSPICE POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 76 Electrical Engineering 2013 Piotr FRĄCZAK* SYMULACJA ZAKŁÓCEŃ W UKŁADACH AUTOMATYKI UTWORZONYCH ZA POMOCĄ OBWODÓW ELEKTRYCZNYCH W PROGRAMACH MATHCAD

Bardziej szczegółowo

Praca dyplomowa magisterska

Praca dyplomowa magisterska Praca dyplomowa magisterska Implementacja algorytmów filtracji adaptacyjnej o strukturze transwersalnej na platformie CUDA Dyplomant: Jakub Kołakowski Opiekun pracy: dr inż. Michał Meller Plan prezentacji

Bardziej szczegółowo

PRZEWODNIK PO PRZEDMIOCIE

PRZEWODNIK PO PRZEDMIOCIE Nazwa przedmiotu: Kierunek: ENERGETYKA Rodzaj przedmiotu: kierunkowy ogólny Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE C1. Zapoznanie studentów z własnościami

Bardziej szczegółowo

MATLAB Neural Network Toolbox przegląd

MATLAB Neural Network Toolbox przegląd MATLAB Neural Network Toolbox przegląd WYKŁAD Piotr Ciskowski Neural Network Toolbox: Neural Network Toolbox - zastosowania: przykłady zastosowań sieci neuronowych: The 1988 DARPA Neural Network Study

Bardziej szczegółowo

LUBELSKA PRÓBA PRZED MATURĄ MATEMATYKA - poziom podstawowy klasa 1

LUBELSKA PRÓBA PRZED MATURĄ MATEMATYKA - poziom podstawowy klasa 1 1 MATEMATYKA - poziom podstawowy klasa 1 MAJ 2016 Instrukcja dla zdającego Czas pracy: 170 minut 1. Sprawdź, czy arkusz zawiera 17 stron. 2. Rozwiązania zadań i odpowiedzi zamieść w miejscu na to przeznaczonym.

Bardziej szczegółowo

V. WYMAGANIA EGZAMINACYJNE

V. WYMAGANIA EGZAMINACYJNE V. WYMAGANIA EGZAMINACYJNE Standardy wymagań egzaminacyjnych Zdający posiada umiejętności w zakresie: POZIOM PODSTAWOWY POZIOM ROZSZERZONY 1. wykorzystania i tworzenia informacji: interpretuje tekst matematyczny

Bardziej szczegółowo

PODSTAWA PROGRAMOWA PRZEDMIOTU MATEMATYKA IV etap edukacyjny: liceum Cele kształcenia wymagania ogólne

PODSTAWA PROGRAMOWA PRZEDMIOTU MATEMATYKA IV etap edukacyjny: liceum Cele kształcenia wymagania ogólne PODSTAWA PROGRAMOWA PRZEDMIOTU MATEMATYKA IV etap edukacyjny: liceum Cele kształcenia wymagania ogólne ZAKRES PODSTAWOWY ZAKRES ROZSZERZONY I. Wykorzystanie i tworzenie informacji. Uczeń używa języka matematycznego

Bardziej szczegółowo

STEROWANIE ENERGOELEKTRONICZNYM ŹRÓDŁEM PRĄDU Z ZASTOSOWANIEM SIECI NEURONOWYCH

STEROWANIE ENERGOELEKTRONICZNYM ŹRÓDŁEM PRĄDU Z ZASTOSOWANIEM SIECI NEURONOWYCH POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 76 Electrical Engineering 2013 Ryszard PORADA* Marcin LIS* STEROWANIE ENERGOELEKTRONICZNYM ŹRÓDŁEM PRĄDU Z ZASTOSOWANIEM SIECI NEURONOWYCH W pracy

Bardziej szczegółowo

Charakterystyka amplitudowa i fazowa filtru aktywnego

Charakterystyka amplitudowa i fazowa filtru aktywnego 1 Charakterystyka amplitudowa i fazowa filtru aktywnego Charakterystyka amplitudowa (wzmocnienie amplitudowe) K u (f) jest to stosunek amplitudy sygnału wyjściowego do amplitudy sygnału wejściowego w funkcji

Bardziej szczegółowo

Przekształtniki impulsowe prądu stałego (dc/dc)

Przekształtniki impulsowe prądu stałego (dc/dc) Przekształtniki impulsowe prądu stałego (dc/dc) Wprowadzenie Sterowanie napięciem przez Modulację Szerokości Impulsów MSI (Pulse Width Modulation - PWM) Przekształtnik obniżający napięcie (buck converter)

Bardziej szczegółowo

4.1. Wprowadzenie...70 4.2. Podstawowe definicje...71 4.3. Algorytm określania wartości parametrów w regresji logistycznej...74

4.1. 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 szczegółowo

Nowa podstawa programowa z matematyki ( w liceum od 01.09.2012 r.)

Nowa podstawa programowa z matematyki ( w liceum od 01.09.2012 r.) IV etap edukacyjny Nowa podstawa programowa z matematyki ( w liceum od 01.09.01 r.) Cele kształcenia wymagania ogólne ZAKRES PODSTAWOWY ZAKRES ROZSZERZONY I. Wykorzystanie i tworzenie informacji. Uczeń

Bardziej szczegółowo

MODEL MANIPULATORA O DWÓCH STOPNIACH SWOBODY

MODEL MANIPULATORA O DWÓCH STOPNIACH SWOBODY Adam Labuda Janusz Pomirski Andrzej Rak Akademia Morska w Gdyni MODEL MANIPULATORA O DWÓCH STOPNIACH SWOBODY W artykule opisano konstrukcję modelu manipulatora o dwóch przegubach obrotowych. Obie osie

Bardziej szczegółowo

TEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności.

TEST STATYSTYCZNY. Jeżeli hipotezę zerową odrzucimy na danym poziomie istotności, to odrzucimy ją na każdym większym poziomie istotności. TEST STATYSTYCZNY Testem statystycznym nazywamy regułę postępowania rozstrzygająca, przy jakich wynikach z próby hipotezę sprawdzaną H 0 należy odrzucić, a przy jakich nie ma podstaw do jej odrzucenia.

Bardziej szczegółowo

Przetworniki AC i CA

Przetworniki AC i CA KATEDRA INFORMATYKI Wydział EAIiE AGH Laboratorium Techniki Mikroprocesorowej Ćwiczenie 4 Przetworniki AC i CA Cel ćwiczenia Celem ćwiczenia jest poznanie budowy i zasady działania wybranych rodzajów przetworników

Bardziej szczegółowo

Równania różniczkowe liniowe rzędu pierwszego

Równania różniczkowe liniowe rzędu pierwszego Katedra Matematyki i Ekonomii Matematycznej SGH 21 kwietnia 2016 Wstęp Definicja Równanie różniczkowe + p (x) y = q (x) (1) nazywamy równaniem różniczkowym liniowym pierwszego rzędu. Jeśli q (x) 0, to

Bardziej szczegółowo

TEORIA OBWODÓW I SYGNAŁÓW LABORATORIUM

TEORIA OBWODÓW I SYGNAŁÓW LABORATORIUM TEORIA OBWODÓW I SYGNAŁÓW LABORATORIUM AKADEMIA MORSKA Katedra Telekomunikacji Morskiej ĆWICZENIE 7 BADANIE ODPOWIEDZI USTALONEJ NA OKRESOWY CIĄG IMPULSÓW 1. Cel ćwiczenia Obserwacja przebiegów wyjściowych

Bardziej szczegółowo

Dobór funkcji aktywacji sieci neuronowej realizującej odtwarzanie wielkości wejściowej przetwornika pomiarowego

Dobór funkcji aktywacji sieci neuronowej realizującej odtwarzanie wielkości wejściowej przetwornika pomiarowego Dobór funkcji sieci neuronowej realizującej odtwarzanie wielkości wejściowej przetwornika pomiarowego Piotr Makowski Jerzy Roj* W artykule przedstawiono wyniki badań wybranych struktur sieci neuronowych

Bardziej szczegółowo

WYMAGANIA EDUKACYJNE Z MATEMATYKI KLASA III ZAKRES ROZSZERZONY (90 godz.) , x

WYMAGANIA EDUKACYJNE Z MATEMATYKI KLASA III ZAKRES ROZSZERZONY (90 godz.) , x WYMAGANIA EDUACYJNE Z MATEMATYI LASA III ZARES ROZSZERZONY (90 godz.) Oznaczenia: wymagania konieczne (dopuszczający); P wymagania podstawowe (dostateczny); R wymagania rozszerzające (dobry); D wymagania

Bardziej szczegółowo

IDENTYFIKACJA STEROWANEGO UKŁADU KONDYCJONOWANIA SYGNAŁU GENERATORA ELEKTROMAGNETYCZNEGO

IDENTYFIKACJA STEROWANEGO UKŁADU KONDYCJONOWANIA SYGNAŁU GENERATORA ELEKTROMAGNETYCZNEGO MODELOWANIE INŻYNIERSKIE ISSN 89-77X, s. 9-, Gliwice IDENTYFIKACJA STEROWANEGO UKŁADU KONDYCJONOWANIA SYGNAŁU GENERATORA ELEKTROMAGNETYCZNEGO MACIEJ ROSÓŁ *,BOGDAN SAPIŃSKI ** *AGH Akademia Górniczo-Hutnicza,Katedra

Bardziej szczegółowo

Sieci neuronowe. - wprowadzenie - Istota inteligencji. WYKŁAD Piotr Ciskowski

Sieci neuronowe. - wprowadzenie - Istota inteligencji. WYKŁAD Piotr Ciskowski Sieci neuronowe - wprowadzenie - Istota inteligencji WYKŁAD Piotr Ciskowski na dobry początek: www.mql4.com - championship 2007 - winners of the ATC 2007 - the ATC 2007 is over forex-pamm.com na dobry

Bardziej szczegółowo

DRZEWA REGRESYJNE I LASY LOSOWE JAKO

DRZEWA REGRESYJNE I LASY LOSOWE JAKO DRZEWA REGRESYJNE I LASY LOSOWE JAKO NARZĘDZIA PREDYKCJI SZEREGÓW CZASOWYCH Z WAHANIAMI SEZONOWYMI Grzegorz Dudek Instytut Informatyki Wydział Elektryczny Politechnika Częstochowska www.gdudek.el.pcz.pl

Bardziej szczegółowo

Ćwiczenie 4 BADANIE MULTIMETRÓW DLA FUNKCJI POMIARU NAPIĘCIA ZMIENNEGO

Ćwiczenie 4 BADANIE MULTIMETRÓW DLA FUNKCJI POMIARU NAPIĘCIA ZMIENNEGO Ćwiczenie 4 BADANIE MLTIMETÓW DLA FNKCJI POMIA NAPIĘCIA ZMIENNEGO autor: dr hab. inż. Adam Kowalczyk, prof. Pz I. Cel ćwiczenia Celem ćwiczenia jest eksperymentalne badanie wybranych właściwości metrologicznych

Bardziej szczegółowo

Andrzej Leśnicki Laboratorium CPS Ćwiczenie 1 1/13 ĆWICZENIE 1. Sygnały i systemy dyskretne

Andrzej Leśnicki Laboratorium CPS Ćwiczenie 1 1/13 ĆWICZENIE 1. Sygnały i systemy dyskretne Andrzej Leśnicki Laboratorium CPS Ćwiczenie /3. Cel ćwiczenia ĆWICZENIE Sygnały i systemy dyskretne Współcześnie do przenoszenia i przetwarzania informacji używa się głównie sygnałów dyskretnych gdyż przetwarzanie

Bardziej szczegółowo

METODY SZTUCZNEJ INTELIGENCJI 2 Opis projektu

METODY SZTUCZNEJ INTELIGENCJI 2 Opis projektu Kamil Figura Krzysztof Kaliński Bartek Kutera METODY SZTUCZNEJ INTELIGENCJI 2 Opis projektu Porównanie metod uczenia z rodziny TD z algorytmem Layered Learning na przykładzie gry w warcaby i gry w anty-warcaby

Bardziej szczegółowo

MATEMATYKA IV etap edukacyjny. I. Wykorzystanie i tworzenie informacji. II. Wykorzystanie i interpretowanie reprezentacji.

MATEMATYKA IV etap edukacyjny. I. Wykorzystanie i tworzenie informacji. II. Wykorzystanie i interpretowanie reprezentacji. Cele kształcenia wymagania ogólne MATEMATYKA IV etap edukacyjny I. Wykorzystanie i tworzenie informacji. Uczeń interpretuje tekst matematyczny. Po rozwiązaniu zadania interpretuje otrzymany wynik. Uczeń

Bardziej szczegółowo

PORÓWNANIE TREŚCI ZAWARTYCH W OBOWIĄZUJĄCYCH STANDARDACH EGZAMINACYJNYCH Z TREŚCIAMI NOWEJ PODSTAWY PROGRAMOWEJ

PORÓWNANIE TREŚCI ZAWARTYCH W OBOWIĄZUJĄCYCH STANDARDACH EGZAMINACYJNYCH Z TREŚCIAMI NOWEJ PODSTAWY PROGRAMOWEJ PORÓWNANIE TREŚCI ZAWARTYCH W OBOWIĄZUJĄCYCH STANDARDACH EGZAMINACYJNYCH Z TREŚCIAMI NOWEJ PODSTAWY PROGRAMOWEJ L.p. 1. Liczby rzeczywiste 2. Wyrażenia algebraiczne bada, czy wynik obliczeń jest liczbą

Bardziej szczegółowo

W naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora.

W naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora. 1. Podstawy matematyki 1.1. Geometria analityczna W naukach technicznych większość rozpatrywanych wielkości możemy zapisać w jednej z trzech postaci: skalara, wektora oraz tensora. Skalarem w fizyce nazywamy

Bardziej szczegółowo

Instrukcja realizacji ćwiczenia

Instrukcja realizacji ćwiczenia SIEĆ KOHONENA ROZPOZNAWANIE OBRAZÓW Cel ćwiczenia: zapoznanie się ze sposobem reprezentacji wiedzy w sieciach Kohonena i mechanizmami sąsiedztwa i sumienia neuronów. Zadanie do analizy: analizujemy sieć

Bardziej szczegółowo

MODEL MANIPULATORA O STRUKTURZE SZEREGOWEJ W PROGRAMACH CATIA I MATLAB MODEL OF SERIAL MANIPULATOR IN CATIA AND MATLAB

MODEL MANIPULATORA O STRUKTURZE SZEREGOWEJ W PROGRAMACH CATIA I MATLAB MODEL OF SERIAL MANIPULATOR IN CATIA AND MATLAB Kocurek Łukasz, mgr inż. email: kocurek.lukasz@gmail.com Góra Marta, dr inż. email: mgora@mech.pk.edu.pl Politechnika Krakowska, Wydział Mechaniczny MODEL MANIPULATORA O STRUKTURZE SZEREGOWEJ W PROGRAMACH

Bardziej szczegółowo

BADANIE STATYCZNYCH WŁAŚCIWOŚCI PRZETWORNIKÓW POMIAROWYCH

BADANIE STATYCZNYCH WŁAŚCIWOŚCI PRZETWORNIKÓW POMIAROWYCH BADAIE STATYCZYCH WŁAŚCIWOŚCI PRZETWORIKÓW POMIAROWYCH 1. CEL ĆWICZEIA Celem ćwiczenia jest poznanie: podstawowych pojęć dotyczących statycznych właściwości przetworników pomiarowych analogowych i cyfrowych

Bardziej szczegółowo

Ćwiczenie 5. Zastosowanie tranzystorów bipolarnych cd. Wzmacniacze MOSFET

Ćwiczenie 5. Zastosowanie tranzystorów bipolarnych cd. Wzmacniacze MOSFET Ćwiczenie 5 Zastosowanie tranzystorów bipolarnych cd. Wzmacniacze MOSFET Układ Super Alfa czyli tranzystory w układzie Darlingtona Zbuduj układ jak na rysunku i zaobserwuj dla jakiego położenia potencjometru

Bardziej szczegółowo

Tematyka egzaminu z Podstaw sterowania

Tematyka egzaminu z Podstaw sterowania Tematyka egzaminu z Podstaw sterowania Rafał Trójniak 6 września 2009 Spis treści 1 Rozwiązane tematy 1 1.1 Napisać równanie różniczkowe dla zbiornika z odpływem grawitacyjnym...............................

Bardziej szczegółowo

Wymagania edukacyjne z matematyki w klasie III gimnazjum

Wymagania edukacyjne z matematyki w klasie III gimnazjum Wymagania edukacyjne z matematyki w klasie III gimnazjum - nie potrafi konstrukcyjnie podzielić odcinka - nie potrafi konstruować figur jednokładnych - nie zna pojęcia skali - nie rozpoznaje figur jednokładnych

Bardziej szczegółowo

Wstęp do teorii sztucznej inteligencji

Wstęp do teorii sztucznej inteligencji Wstęp do teorii sztucznej inteligencji Wykład V Algorytmy uczenia SSN Modele sieci neuronowych. SSN = Architektura + Algorytm Wagi i wejścia dla sieci neuronuowej: reprezentacja macierzowa δ i = z i y

Bardziej szczegółowo

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania

Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Podstawy Automatyki Badanie i synteza kaskadowego adaptacyjnego układu regulacji do sterowania obiektu o

Bardziej szczegółowo

WAI Wykłady 3 i 4. Sieci neuronowe. Uczenie i zastosowania. Wstęp do logiki rozmytej.

WAI Wykłady 3 i 4. Sieci neuronowe. Uczenie i zastosowania. Wstęp do logiki rozmytej. WAI Wykłady 3 i 4. Sieci neuronowe. Uczenie i zastosowania. Wstęp do logiki rozmytej. Literatura: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa 997. D. Rutkowska, M. Piliński i L.

Bardziej szczegółowo

Inteligentnych Systemów Sterowania

Inteligentnych Systemów Sterowania Laboratorium Inteligentnych Systemów Sterowania Mariusz Nowak Instytut Informatyki Politechnika Poznańska ver. 200.04-0 Poznań, 2009-200 Spis treści. Układ regulacji automatycznej z regulatorami klasycznymi

Bardziej szczegółowo

Podstawowe funkcje biblioteki narzędziowej Neural Network Toolbox. Version 5 pakietu MATLAB v. 6

Podstawowe funkcje biblioteki narzędziowej Neural Network Toolbox. Version 5 pakietu MATLAB v. 6 Podstawowe funkcje biblioteki narzędziowej Neural Network Toolbox. Version 5 pakietu MATLAB v. 6 I. Funkcje przeznaczone do tworzenia jednokierunkowej sieci neuronowej newff newp newlin - tworzenie wielowarstwowej

Bardziej szczegółowo

ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL. sin x2 (1)

ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL. sin x2 (1) ROZWIĄZYWANIE UKŁADÓW RÓWNAŃ NIELINIOWYCH PRZY POMOCY DODATKU SOLVER PROGRAMU MICROSOFT EXCEL 1. Problem Rozważmy układ dwóch równań z dwiema niewiadomymi (x 1, x 2 ): 1 x1 sin x2 x2 cos x1 (1) Nie jest

Bardziej szczegółowo

Przetworniki A/C. Ryszard J. Barczyński, 2010 2015 Materiały dydaktyczne do użytku wewnętrznego

Przetworniki A/C. Ryszard J. Barczyński, 2010 2015 Materiały dydaktyczne do użytku wewnętrznego Przetworniki A/C Ryszard J. Barczyński, 2010 2015 Materiały dydaktyczne do użytku wewnętrznego Parametry przetworników analogowo cyfrowych Podstawowe parametry przetworników wpływające na ich dokładność

Bardziej szczegółowo

, h(x) = sin(2x) w przedziale [ 2π, 2π].

, h(x) = sin(2x) w przedziale [ 2π, 2π]. Informatyczne podstawy projektowania, IŚ, / Maima, część II. Rysowanie wykresów w dwu i trzech wymiarach (zob. 5). a. Otwórz panel okna Wykres D i zapoznaj się z nim. Wyrażenie(a) - tutaj wpisujemy funkcję

Bardziej szczegółowo

5.1. Kratownice płaskie

5.1. Kratownice płaskie .. Kratownice płaskie... Definicja kratownicy płaskiej Kratownica płaska jest to układ prętowy złożony z prętów prostych, które są połączone między sobą za pomocą przegubów, Nazywamy je węzłami kratownicy.

Bardziej szczegółowo

Zastosowanie sieci neuronowej do oceny klienta banku pod względem ryzyka kredytowego Streszczenie

Zastosowanie sieci neuronowej do oceny klienta banku pod względem ryzyka kredytowego Streszczenie Adam Stawowy Paweł Jastrzębski Wydział Zarządzania AGH Zastosowanie sieci neuronowej do oceny klienta banku pod względem ryzyka kredytowego Streszczenie Jedną z najczęściej podejmowanych decyzji w działalności

Bardziej szczegółowo

Seminarium magisterskie. Dyskusja nad tematem pracy magisterskiej pisanej pod kierunkiem pani Dr hab. Małgorzaty Doman

Seminarium magisterskie. Dyskusja nad tematem pracy magisterskiej pisanej pod kierunkiem pani Dr hab. Małgorzaty Doman Seminarium magisterskie Dyskusja nad tematem pracy magisterskiej pisanej pod kierunkiem pani Dr hab. Małgorzaty Doman Plan wystąpienia Ogólnie o sztucznych sieciach neuronowych Temat pracy magisterskiej

Bardziej szczegółowo

Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych.

Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Metody Sztucznej Inteligencji 2 Projekt Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Autorzy: Robert Wojciechowski Michał Denkiewicz Mateusz Gągol Wstęp Celem projektu

Bardziej szczegółowo

METODY INTELIGENCJI OBLICZENIOWEJ wykład 4

METODY INTELIGENCJI OBLICZENIOWEJ wykład 4 METODY INTELIGENCJI OBLICZENIOWEJ wykład 4 1 2 SZTUCZNE SIECI NEURONOWE HISTORIA SSN 3 Walter Pitts, Warren McCulloch (1943) opracowanie matematyczne pojęcia sztucznego neuronu.. Udowodnili też, iż ich

Bardziej szczegółowo

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16

Spis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16 Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego

Bardziej szczegółowo

SZTUCZNE SIECI NEURONOWE

SZTUCZNE SIECI NEURONOWE METODY INTELIGENCJI OBLICZENIOWEJ wykład 4 SZTUCZNE SIECI NEURONOWE HISTORIA SSN Walter Pitts, Warren McCulloch (94) opracowanie matematyczne pojęcia sztucznego neuronu.. Udowodnili też, iż ich wynalazek

Bardziej szczegółowo

Wyniki badań doświadczalnego generatora dla tłumika magnetoreologicznego o ruchu liniowym

Wyniki badań doświadczalnego generatora dla tłumika magnetoreologicznego o ruchu liniowym Bogdan SAPIŃSKI, Andrzej MATRAS 2, Stanisław KRUPA 3, Łukasz JASTRZĘBSKI 4 Katedra Automatyzacji Procesów (, 4), Katedra Maszyn Elektrycznych (2), Akademia Górniczo-Hutnicza, Zakład Elektrotechniki (3),

Bardziej szczegółowo

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY STOPNIA ZUŻYCIA TECHNICZNEGO WYBRANEJ GRUPY BUDYNKÓW MIESZKALNYCH Paweł Urbański Uniwersytet Zielonogórski, Instytut Budownictwa, Zakład Technologii i

Bardziej szczegółowo

Przykładowa analiza danych

Przykładowa analiza danych Przykładowa analiza danych W analizie wykorzystano dane pochodzące z publicznego repozytorium ArrayExpress udostępnionego na stronach Europejskiego Instytutu Bioinformatyki (http://www.ebi.ac.uk/). Zbiór

Bardziej szczegółowo

Badanie własności diód krzemowej, germanowej, oraz diody Zenera

Badanie własności diód krzemowej, germanowej, oraz diody Zenera 23 kwietnia 2001 Ryszard Kostecki Badanie własności diód krzemowej, germanowej, oraz diody Zenera Streszczenie Celem tej pracy jest zapoznanie się z tematyką i zbadanie diód krzemowej, germanowej, oraz

Bardziej szczegółowo

RAPORT Z PRAKTYKI. Zastosowanie Sztucznych Sieci Neuronowych do wspomagania podejmowania decyzji kupna/sprzedaży na rynku Forex.

RAPORT Z PRAKTYKI. Zastosowanie Sztucznych Sieci Neuronowych do wspomagania podejmowania decyzji kupna/sprzedaży na rynku Forex. Projekt współfinansowane przez Unię Europejską ze środków Europejskiego Funduszu Społecznego w ramach projektu Wiedza Techniczna Wzmocnienie znaczenia Politechniki Krakowskiej w kształceniu przedmiotów

Bardziej szczegółowo

Metody klasyfikacji i rozpoznawania wzorców. Najważniejsze rodzaje klasyfikatorów

Metody 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 szczegółowo

Metody systemowe i decyzyjne w informatyce

Metody systemowe i decyzyjne w informatyce Metody systemowe i decyzyjne w informatyce Laboratorium MATLAB Zadanie nr 2 Detekcja twarzy autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się algorytmem gradientu prostego

Bardziej szczegółowo

Zakres na egzaminy poprawkowe w r. szk. 2013/14 /nauczyciel M.Tatar/

Zakres na egzaminy poprawkowe w r. szk. 2013/14 /nauczyciel M.Tatar/ Zakres na egzaminy poprawkowe w r. szk. 2013/14 /nauczyciel M.Tatar/ MATEMATYKA Klasa III ZAKRES PODSTAWOWY Dział programu Temat Wymagania. Uczeń: 1. Miara łukowa kąta zna pojęcia: kąt skierowany, kąt

Bardziej szczegółowo

Zadanie bloczek. Rozwiązanie. I sposób rozwiązania - podział na podukłady.

Zadanie bloczek. Rozwiązanie. I sposób rozwiązania - podział na podukłady. Zadanie bloczek Przez zamocowany bloczek o masie m przerzucono nierozciągliwą nitkę na której zawieszono dwa obciąŝniki o masach odpowiednio m i m. Oblicz przyspieszenie z jakim będą poruszać się obciąŝniki.

Bardziej szczegółowo

Wymagania programowe w porządku związanym z realizacją programu

Wymagania programowe w porządku związanym z realizacją programu Wymagania programowe w porządku związanym z realizacją programu Nazwa umiejętności UCZEŃ POTRAFI: Poziom wymagań Kategoria celu 1. Porównać dwie liczby całkowite. K C 2. Uporządkować liczby całkowite.

Bardziej szczegółowo

Wielokąty na płaszczyźnie obliczenia z zastosowaniem trygonometrii

Wielokąty na płaszczyźnie obliczenia z zastosowaniem trygonometrii Wielokąty na płaszczyźnie obliczenia z zastosowaniem trygonometrii Obliczenia geometryczne z zastosowaniem własności funkcji trygonometrycznych w wielokątach wypukłych Wielokąt - figura płaską będąca sumą

Bardziej szczegółowo

R o z d z i a ł 2 KINEMATYKA PUNKTU MATERIALNEGO

R o z d z i a ł 2 KINEMATYKA PUNKTU MATERIALNEGO R o z d z i a ł KINEMATYKA PUNKTU MATERIALNEGO Kinematyka zajmuje się opisem ruchu ciał bez uwzględniania ich masy i bez rozpatrywania przyczyn, które ten ruch spowodowały. Przez punkt materialny rozumiemy

Bardziej szczegółowo

Teoria sygnałów Signal Theory. Elektrotechnika I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny)

Teoria sygnałów Signal Theory. Elektrotechnika I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) . KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Obowiązuje od roku akademickiego 2012/2013 Teoria sygnałów Signal Theory A. USYTUOWANIE MODUŁU W SYSTEMIE STUDIÓW

Bardziej szczegółowo

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO ROZPOZNAWANIA OBRAZÓW

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO ROZPOZNAWANIA OBRAZÓW Studia i Materiały Informatyki Stosowanej, Tom 2, Nr 3, 2010 ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO ROZPOZNAWANIA OBRAZÓW Wojciech Dobrosielski Uniwersytet Kazimierza Wielkiego Instytut Techniki

Bardziej szczegółowo

Systemy i architektura komputerów

Systemy i architektura komputerów Bogdan Olech Mirosław Łazoryszczak Dorota Majorkowska-Mech Systemy i architektura komputerów Laboratorium nr 4 Temat: Badanie tranzystorów Spis treści Cel ćwiczenia... 3 Wymagania... 3 Przebieg ćwiczenia...

Bardziej szczegółowo

Notacja Denavita-Hartenberga

Notacja Denavita-Hartenberga Notacja DenavitaHartenberga Materiały do ćwiczeń z Podstaw Robotyki Artur Gmerek Umiejętność rozwiązywania prostego zagadnienia kinematycznego jest najbardziej bazową umiejętność zakresu Robotyki. Wyznaczyć

Bardziej szczegółowo

Technik elektronik 311[07] moje I Zadanie praktyczne

Technik elektronik 311[07] moje I Zadanie praktyczne 1 Technik elektronik 311[07] moje I Zadanie praktyczne Firma produkująca sprzęt medyczny, zleciła opracowanie i wykonanie układu automatycznej regulacji temperatury sterylizatora o określonych parametrach

Bardziej szczegółowo

PROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2

PROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2 PROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2 Celem opracowania algorytmu obliczeń jest umożliwienie doboru zestawu maszyn do robót

Bardziej szczegółowo

Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego

Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne

Bardziej szczegółowo

Ćwiczenie - 4. Podstawowe układy pracy tranzystorów

Ćwiczenie - 4. Podstawowe układy pracy tranzystorów LABORATORIM ELEKTRONIKI Spis treści Ćwiczenie - 4 Podstawowe układy pracy tranzystorów 1 Cel ćwiczenia 1 2 Podstawy teoretyczne 2 2.1 Podstawowe układy pracy tranzystora........................ 2 2.2 Wzmacniacz

Bardziej szczegółowo

Sieci neuronowe i ich ciekawe zastosowania. Autor: Wojciech Jamrozy III rok SMP / Informatyka

Sieci neuronowe i ich ciekawe zastosowania. Autor: Wojciech Jamrozy III rok SMP / Informatyka Sieci neuronowe i ich ciekawe zastosowania Autor: Wojciech Jamrozy III rok SMP / Informatyka Klasyczna algorytmika Sortowanie ciągu liczb Czy i ile razy dane słowo wystąpiło w tekście Najkrótsza droga

Bardziej szczegółowo

Sterowanie z wykorzystaniem logiki rozmytej

Sterowanie z wykorzystaniem logiki rozmytej Sterowanie z wykorzystaniem logiki rozmytej konspekt seminarium Paweł Szołtysek 24 stycznia 2009 1 Wstęp 1.1 Podstawy logiki rozmytej Logika rozmyta jest rodzajem logiki wielowartościowej, stanowi uogólnienie

Bardziej szczegółowo

POMIARY OSCYLOSKOPOWE. Instrukcja wykonawcza

POMIARY OSCYLOSKOPOWE. Instrukcja wykonawcza ĆWICZENIE 51 POMIARY OSCYLOSKOPOWE Instrukcja wykonawcza 1. Wykaz przyrządów a. Oscyloskop dwukanałowy b. Dwa generatory funkcyjne (jednym z nich może być generator zintegrowany z oscyloskopem) c. Przesuwnik

Bardziej szczegółowo

ADAPTACYJNE PRZETWARZANIE SYGNAŁÓW LABORATORIUM. Ćwiczenie 2. Badanie algorytmów adaptacyjnych LMS i RLS

ADAPTACYJNE PRZETWARZANIE SYGNAŁÓW LABORATORIUM. Ćwiczenie 2. Badanie algorytmów adaptacyjnych LMS i RLS ADAPTACYJNE PRZETWARZANIE SYGNAŁÓW LABORATORIUM Ćwiczenie 2 Badanie algorytmów adaptacyjnych LMS i RLS 1. CEL ĆWICZENIA Celem ćwiczenia jest samodzielna implementacja przez studentów dwóch podstawowych

Bardziej szczegółowo

Ćwiczenie 12. Metody eksploracji danych

Ćwiczenie 12. Metody eksploracji danych Ćwiczenie 12. Metody eksploracji danych Modelowanie regresji (Regression modeling) 1. Zadanie regresji Modelowanie regresji jest metodą szacowania wartości ciągłej zmiennej celu. Do najczęściej stosowanych

Bardziej szczegółowo

Tranzystory bipolarne. Podstawowe układy pracy tranzystorów.

Tranzystory bipolarne. Podstawowe układy pracy tranzystorów. ĆWICZENIE 4 Tranzystory bipolarne. Podstawowe układy pracy tranzystorów. I. Cel ćwiczenia Zapoznanie się z układami zasilania tranzystorów. Wybór punktu pracy tranzystora. Statyczna prosta pracy. II. Układ

Bardziej szczegółowo

ANALIZA KINEMATYKI MANIPULATORÓW NA PRZYKŁADZIE ROBOTA LINIOWEGO O CZTERECH STOPNIACH SWOBODY

ANALIZA KINEMATYKI MANIPULATORÓW NA PRZYKŁADZIE ROBOTA LINIOWEGO O CZTERECH STOPNIACH SWOBODY MECHNIK 7/ Dr inż. Borys BOROWIK Politechnika Częstochowska Instytut Technologii Mechanicznych DOI:.78/mechanik..7. NLIZ KINEMTYKI MNIPULTORÓW N PRZYKŁDZIE ROBOT LINIOWEGO O CZTERECH STOPNICH SWOBODY Streszczenie:

Bardziej szczegółowo

1.. FUNKCJE TRYGONOMETRYCZNE Poziom (K) lub (P)

1.. FUNKCJE TRYGONOMETRYCZNE Poziom (K) lub (P) Wymagania edukacyjne dla klasy IIIc technik informatyk 1.. FUNKCJE TRYGONOMETRYCZNE rok szkolny 2014/2015 zaznacza kąt w układzie współrzędnych, wskazuje jego ramię początkowe i końcowe wyznacza wartości

Bardziej szczegółowo