Zadania i przykłady do wykonania
|
|
- Zofia Cybulska
- 8 lat temu
- Przeglądów:
Transkrypt
1 Zagadnienia Sztucznej Inteligencji (studia zaoczne III rok Informatyka) Linki i literatura Zadania i przykłady do wykonania []J.S. R. Jang, C.T. Sun, E. Mizutani, Neuro-Fuzzy and Soft Computing, Prentice Hall, [2] Rutkowska D., Piliński M., Rutkowski L., Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, Wydawnictwo Naukowe PWN, Warszawa 999 [3] [4] pakiet Genetic Algorithm Toolbox (GA-Toolbox). A. Modelowanie rozmyte. Funkcje przynależności Zapoznaj się z M-plikami funkcyjnymi tri_mf.m, trap_mf.m, gbell_mf.m, gauss_mf.m []. Zapisano w nich często stosowane funkcje przynależności Wykresy tych funkcji można zobaczyć uruchamiając M-plik disp_mf.m (rysunek ). %...Jyh-Shing Roger Jang, function y = tri_mf(x, parameter) % TRI_MF Triangular membership function with three parameters. % TRI_MF(x, [a, b, c]) returns a matrix y with the same size % as x; each element of y is a grade of membership. a = parameter(); b = parameter(2); c = parameter(3); if a > b, error('illegal parameters: a > b'); elseif b > c, error('illegal parameters: b > c'); elseif a > c, error('illegal parameters: a > c'); end y = max(min((x-a)/(b-a), (c-x)/(c-b)), 0); function y = trap_mf(x, parameter) % TRAP_MF Trapezoidal membership function with four parameters. % TRAP_MF(x, [a, b, c, d]) returns a matrix y with the same size % as x; each element of y is a grade of membership. a = parameter(); b = parameter(2); c = parameter(3); d = parameter(4); if a > b, error('illegal parameters: a > b'); elseif b > c, error('illegal parameters: b > c'); elseif c > d, error('illegal parameters: c > d'); end y = max(min(min((x-a)/(b-a), (d-x)/(d-c)), ), 0); function y = gbell_mf(x, parameter) % GBELL_MF Generalized bell-shaped membership function with three parameters. % GBELL_MF(x, [a, b, c]) returns a matrix y with the same size % as x; each element of y is a grade of membership. a = parameter(); b = parameter(2); c = parameter(3); y =./(+(((x - c)/a).^2).^b); function y = gauss_mf(x, parameter) %GAUSS_MF Gaussian membership function with two parameters. % GAUSSIAN(x, [sigma, c]) returns a matrix y with the same size % as x; each element of y is a grade of membership. c = parameter(); sigma = parameter(2); tmp = (x - c)/sigma; y = exp(-tmp.*tmp/2);
2 2 Sprawdź (poprzez modyfikację pliku disp_mf.m), jaki wpływ na kształt funkcji przynależności mają ich parametry. (a) Triangular MF (b) Trapezoidal MF Membership Grades Membership Grades (c) Gaussian MF Membership Grades Membership Grades (d) Generalized Bell MF Rysunek. Wykresy funkcji przynależności rezultat działania M-pliku disp_mf.m 2. Operacje na zbiorach rozmytych Zapoznaj się z kodem źródłowym M-pliku fuzsetop.m [], który ilustruje podstawowe operacje na zbiorach rozmytych. Zapisz jakie są to operacje i algorytmy, które je realizują. Wykonaj te operacje dla innych funkcji przynależności (poprzez modyfikację pliku fuzsetop.m). 3. Relacje i wnioskowanie rozmyte Zapoznaj się z kodem źródłowym M-pliku fuzimp.m [], który ilustruje relacje i implikacje rozmyte. Wypisz wszystkie relacje i implikacje rozmyte pokazane w oknach graficznych, otwieranych przy uruchomieniu tego pliku. Zapisz algorytmy, które realizują te relacje i implikacje rozmyte. Sprawdź jak działa M-plik fuzimp.m dla innych funkcji przynależności. 4. Modele Mamdani Zapoznaj się ze sposobem tworzenia i działania modelu Mamdani z jednym wejściem i jednym wyjściem, poprzez uruchomienie i analizę kodu źródłowego pliku mam.m[] (odwzorowanie funkcji jednej zmiennej). Zapisz reguły dla tego modelu. Zapoznaj się ze sposobem tworzenia i działania modelu Mamdani z dwoma wejściami i jednym wyjściem, poprzez uruchomienie i analizę pliku mam2.m[] (odwzorowanie powierzchni funkcji dwóch zmiennych). Zapisz reguły dla tego modelu. Poznaj metody defuzyfikacji (ostrzenia), dostępne w M-pliku funkcyjnym defuzzy.m zapisz ich wzory. W plikach mam.m i mam2.m funkcja defuzzy jest wołana z option=. function out = defuzzy(x, mf, option) [] %DEFUZZY Defuzzification of MF. % DEFUZZY(x, mf, option) returns a representative value of mf % using different defuzzification strategies: % option = ---> center of area -> metoda środka ciężkości % option = 2 ---> bisecter of area -> metoda środka sum % option = 3 ---> mean of max -> metoda środka maksimum, Sprawdź jaki wpływ na uzyskane odwzorowania funkcji i powierzchni, realizowane w plikach mam.m i mam2.m,mają: różne metody defuzyfikacji (dostępne w M-pliku defuzzy.m) różne funkcje przynależności i ich parametry. 2
3 3 Zapisz reguły dla modeli z M-plików mam.m i mam2.m Określ jakie zastosowano metody rozmywania i wnioskowania. 5. Modele Takagi-Sugeno Zapoznaj się ze sposobem tworzenia i działania modelu Takagi-Sugeno z jednym wejściem i jednym wyjściem, poprzez uruchomienie i analizę kodu źródłowego M-pliku sug.m [] (odwzorowanie funkcji jednej zmiennej). Zapisz reguły dla tego modelu. Zapoznaj się ze sposobem tworzenia i działania modelu Takagi-Sugeno z dwoma wejściami i jednym wyjściem, poprzez uruchomienie i analizę kodu źródłowego M-pliku sug2.m [] (odwzorowanie powierzchni funkcji dwóch zmiennych). Zapisz reguły dla tego modelu. Zapoznaj się z metodami obliczania wartości wyjściowych (ostrych) w modelach Takagi-Sugeno Na podstawie modeli Takagi Sugeno, które zapisano w plikach sug.m i sug2.m należy utworzyć M-plik z modelem, który opisano poniżej i wykonać wizualizację jego powierzchni wejścia-wyjścia. Dany jest model Takagi Sugeno zapisany dwiema regułami w postaci [2]: IF (x jest DUŻE AND x 2 jest ŚREDNIE) THEN y = 2 + 7x - 3x 2 IF (x jest MAŁE AND x 2 jest MAŁE) THEN y 2 = -2x +5x 2 Wyznaczono sygnał wyjściowy modelu y dla x = 2 i x 2 =3. Na podstawie rysunku 2 oraz zakładając, że wartości w k (k=,2) są wyznaczane za pomocą operacji typu min, otrzymuje się: w = min(0.3; 0,7) = 0,3 w 2 = min(0.75; 0,2) = 0,2 Rysunek 2. Funkcje przynależności dla rozpatrywanego modelu Takagi-Sugeno. 3
4 4 B. Sieci neuronowe Przykład. Funkcje aktywacji neuronu zapisano w M-pliku activati.m []. Ich wykresy uzyskuje się poleceniem: activati. Skopiować do swojego katalogu M-plik activati.m i przeanalizować jego zawartość. Zmodyfikować plik wprowadzając parametr β. Wykonać wykresy funkcji dla różnych wartości parametru β (beta). Przykład 3. Model opreracji logicznej XOR. Tabela poniżej przedstawia odpowiedzi funkcji XOR dla wszystkich możliwych danych wejściowych. Operacja logiczna XOR przyjmuje dwa parametry binarne i przyjmuje wartości 0 lub. X Y XOR Zadanie polega na odwzorowaniu tej funkcji za pomocą sieci neuronowej.. Wykonać polecenie xordata (M-plik xordata.m []) i obejrzeć dane wejściowe dla symulacji funkcji XOR. 2. Wykonać polecenie mlpdm2 (M-plik mlpdm2.m []) i zapoznać się z odwzorowaniem funkcji XOR za pomocą wielowarstwowego perceptronu. 3. Skopiować i edytować M-plik mlpdm2.m. Zmodyfikować ten plik tak, aby realizowaną funkcją logiczną była funkcja AND oraz OR. 4. Zmodyfikować wektor train_opt oraz mlp_config i przetestować różne architektury i parametry algorytmu uczenia.. Czy funkcje AND oraz OR są liniowo separowalne? 2. Czy sieć jest w stanie nauczyć się odwzorowania funkcji XOR, AND, OR z jednym neuronem w warstwie ukrytej? Sprawdzić to, modyfikując odpowiednie parametry w M-pliku mlpdm2.m Przykład 4. Aproksymacja funkcji jednej zmiennej z wykorzystaniem sieci MLP. Do aproksymacji funkcji użyto sieci neuronowej typu wielowarstwowy perceptron (ang. multilayer perceptron) tj. sieci MLP. Aproksymowana funkcja jest określona zestawem wartości: x=(-:.:)'; y=[ ]'. Poleceniem mlpdm uruchomić M-plik [], który ilustruje proces aproksymacji funkcji. 2. Skopiować plik mlpdm.m. Zapoznać się z jego zawartością oraz z możliwościami sterowania architekturą sieci (wektor mlp_config) i przebiegiem procesu uczenia (wektor train_opt). 3. Zmodyfikować zbiór danych uczących tak, by aproksymować inną funkcję. Wypróbować różne architektury sieci i parametry algorytmu uczenia.. Czy sieć o danej architekturze radzi sobie równie dobrze (lub równie źle) niezależnie od zbioru danych uczących? 2. Jaki wpływ na jakość odwzorowania mają poszczególne parametry algorytmu uczenia? Przykład 5. Funkcja Gaussa. Wykonaj wykres funkcji Gaussa korzystając z M-pliku funkcyjnego gauss_mf.m []. Sprawdzić wpływ wartości jej parametrów (centrum c, wariancja δ) na jej kształt. Przykład 6. Aproksymacja funkcji jednej zmiennej z wykorzystaniem sieci RBF. Aproksymowana funkcja jest określona zestawem wartości obliczonych ze wzoru jak poniżej []: x = linspace(-,, 5)'; y = 0.6*sin(pi*x) + 0.3*sin(3*pi*x) + 0.*sin(5*pi*x); trn_data = [x y]; Wykonać polecenie rbfndm i przeanalizować rezultaty aproksymacji funkcji. 4
5 5 W M-pliku rbfndm.m zmienić: liczbę neuronów radialnych, parametr uczenia η (eta), aproksymowaną funkcje i jej zakres.. Jaki wpływ mają dokonane zmiany na efekt uczenia? 2. Jaki algorytm uczenia jest zaimplementowany w rbfndm.m? Przykład 7. Odwzorowanie funkcji XOR z wykorzystaniem sieci RBF. Wykonać polecenia: rbfnxor, rbfnxor, rbfnxor2. Skopiować i edytować odpowiadające tym poleceniom M-pliki [].. Sprawdzić w jakich miejscach przestrzeni umieszczone są centra funkcji radialnych. 2. Zachowując te same centra funkcji radialnych zrealizować operację logiczną NOT XOR. 3. Zmienić położenia centrów funkcji radialnych i zmodyfikować pliki tak, aby nadal realizowana była funkcja XOR. Przykład 8. Wizualizacja sieci Kohonena na płaszczyźnie.. Poleceniem kfm2 uruchomić M-plik [] ilustrujący uczenie sieci SOM. Sieć uczy się przestrzennego rozkładu danych wejściowych na płaszczyźnie. 2. Wywołać polecenie kfm2 z parametrami 5 i zaobserwować efekt uczenia sieci za pomocą danych uczących o różnym okładzie (trójkąt, koło itd.). 3. Edytować plik kfm2.m. Zmodyfikować parametry sieci (liczba neuronów w każdym wymiarze sieci SOM) oraz parametry algorytmu uczenia sieci. Zaobserwować ich wpływ na zdolność sieci do prawidłowego odwzorowania zbiorów danych uczących. 4. Zaprojektować własny rozkład danych uczących, przykładowo w postaci pokazanej na rysunku 3. Rysunek 3. Przykładowy rozkład danych uczących. Pytanie: Jakiego rodzaju sąsiedztwo zastosowano w M-pliku kfm2.m? Przykład 9. Przygotowanie danych uczących dla sieci MLP w pakiecie Netlab [3] Przygotować dane uczące dla zadania aproksymacji funkcji sinus. Wykorzystać następujące polecenia: x=0:0.:5 x=x, t=sin(x), datwrite( sinusdata.dat,x,t) Utworzony plik sinusdata.dat może być użyty przez demtrain [3]. Zapisane w nim dane można pobrać za pomocą funkcji datread. [x, t, nin, nout, ndata]=datread(filename) Przykład 0. Aproksymacja funkcji jednej zmiennej z wykorzystaniem sieci MLP. (dostępnych poprzez funkcje pakietu Netlab [3]). Utworzyć sieć, która aproksymuje funkcję sinus w przedziale [0;6], korzystając z funkcji mlp [3]. clear, net=mlp(,4,,'linear') Zostaje utworzona nowa sieć z losowo zainicjowanymi wagami. W polach struktury o nazwie net zapisane są parametry utworzonej sieci. Wartości pól struktury są dostępne przez jej nazwę (tu net). Utworzyć dane uczące dla sieci: x=0:0.:6; x=x'; y=sin(x); Sprawdzić jak odpowiada sieć nie nauczona: net_y = mlpfwd(net,x); Wyświetlić dane uczące oraz odpowiedź sieci: plot(x,y,'r',x,y,'k+',x,net_y,'g') Następnie sieć jest uczona przez 50 epok: [net, err]=mlptrain(net,x,y,50) Ponownie obliczane są odpowiedzi sieci i tworzony jest nowy wykres net_y = mlpfwd(net,x); plot(x,y,'r',x,y,'k+',x,net_y,'g') 5
6 6 Przykład. Analiza wpływu architektury sieci na osiągnięte wyniki. Przetestować, wpływ konfiguracji sieci na błąd aproksymacji wybranej funkcji, np. f(x) = 0.6*sin(pi*x) + 0.3*sin(3*pi*x) + 0.*sin(5*pi*x) w przedziale [-;] Przygotować plik z danymi uczącymi i wykonać ćwiczenie za pomocą interfejsu demtrain.. Dla jakiej liczby neuronów ukrytych sieć osiąga najmniejszy błąd? 2. Czy zawsze ze wzrostem liczby neuronów ukrytych otrzymujemy mniejszy błąd przy tej samej liczbie iteracji? 3. Czy zmiana funkcji aktywacji ma wpływ na osiągnięte wyniki? Jako że efekt uczenia zależy od początkowych wartości wag, trening należy powtórzyć kilkakrotnie dla każdego ustawienia. C. Algorytmy genetyczne Przykład - utworzenie populacji binarnej [4]. Chrom = crtbp(4,8) %utworzenie losowej populacji. %Cztery osobniki po osiem bitów (cztery bity na zmienną) Chrom = FieldD =[4 4;- -;0 0; ;0 0 ; ; ]; %zdefiniowanie macierzy FieldD Phen=bs2rv(Chrom, FieldD) %przekształcenie macierzy binarnej na rzeczywistą Phen = Przykład 2 - jedna generacja (iteracja) klasycznego algorytmu genetycznego SGA [4]. ObjV = objfun(bs2rv(chrom,fieldd)); %objfun funkcja celu %wyliczenie wartości funkcji celu dla wszystkich osobników % FitnV = ranking(objv); %ranking rozwiązań %na podstawie wartości funkcji celu SelCh = select('sus', Chrom, FitnV); %selekcja metodą sus. SelCh = recombin('xovsp',selch,0.7); %krzyżowanie jednopunktowe z %prawdopodobieństwem 0.7 SelCh = mutate('mut', SelCh, NaN, 0.3); %mutacja równomierna ObjVSel = objfun(bs2rv(selch,fieldd));%obliczenie wartości funkcji celu %po działaniu operatorów genetycznych [Chrom ObjV]=reins(Chrom,SelCh,,,ObjV,ObjVSel); %zastąpienie starych populacji nowymi 6
7 7 Przykład 3 sga.m jest demonstracyjnym M-plikiem z pakietu GA-Toolbox [4]. Zaimplementowano w tym pliku klasyczny algorytm genetyczny SGA. % sga.m zawiera implementowany klasyczny algorytm genetyczny NIND = 40; MAXGEN = 300; GGAP =.9; NVAR = 20; PRECI = 20; % Liczba osobników w populacji % liczba iteracji % Ile osobników jest tworzonych podczas selekcji % Liczba zmiennych optymalizowanej funkcji % Precyzja ile bitów reprezentuje jedną zmienną % Uworzenie macierzy opisującej populację FieldD = [rep([preci],[, NVAR]); rep([-52;52],[, NVAR]);... rep([; 0; ;], [, NVAR])]; % Utworzenie populacji - Inicjacja Chrom = crtbp(nind, NVAR*PRECI); % Wyzerowanie liczników wartości początkowe zmiennych sterujących Best = NaN*ones(MAXGEN,); % macierz najlepszej aktualnej populacji gen = 0; % licznik generacji (iteracji) % Ocena początkowej populacji Ocena przystosowania ObjV = objfun(bs2rv(chrom,fieldd)); % Wyliczenie i wizualizacja najlepszego rozwiązania Best(gen+) = min(objv); plot(log0(best),'ro');xlabel('generation'); ylabel('log0(f(x))'); text(0.5,0.95,['best = ', num2str(best(gen+))],'units','normalized'); drawnow; % Pętla Alorytmu while gen < MAXGEN, % Na podstawie funkcji przystosowanie określenie rankingu rozwiązań FitnV = ranking(objv); % Selekcja SelCh = select('sus', Chrom, FitnV, GGAP); % Zastosowanie operatorów genetycznych SelCh = recombin('xovsp',selch,0.7); % Krzyżowanie SelCh = mut(selch); % Mutacja % Wyliczenie funkcji celu dla nowej populacji ObjVSel = objfun(bs2rv(selch,fieldd)); % Utworzenie nowej populacji [Chrom ObjV]=reins(Chrom,SelCh,,,ObjV,ObjVSel); % Zwiększenie licznika generacji (iteracj) gen = gen+; % Aktualizacja wizualizacji zmian i zapis śladu najlepszego osobnika (Best) Best(gen+) = min(objv); %wyprowadzenie najlepszego chromosomu plot(log0(best),'ro'); xlabel('generation'); ylabel('log0(f(x))'); text(0.5,0.95,['best = ', num2str(best(gen+))],'units','normalized'); drawnow; end % End of GA 7
8 8. Określ zasady działania algorytmu genetycznego. 2. Czym charakteryzuje się klasyczny algorytm genetyczny (SGA)? 3. Wyjaśnij zasady selekcji metodą koła ruletki 4. Na czym polega krzyżowanie jednopunktowe? 5. Jakie są najważniejsze parametry algorytmu genetycznego wpływające na jego działanie? 6. Wyjaśnij pojęcia: chromosom, gen, populacja. 7. Podaj różnice pomiędzy kodowaniem binarnym a rzeczywistym. Zadanie. Zapisz na kartce papieru tj. wykonaj ręczną symulację jednej generacji (iteracji) algorytmu genetycznego dla zadania optymalizacji funkcji f(x)= 0.2*x 3 +0.*x 2-8*x. Optymalizacja polega na znalezieniu wartości x [-6,6], dla której funkcja przyjmuje wartość minimalną.. Utwórz przykładową populacje 0 osobników. Zastosuj kodowanie binarne. 2. Wykonaj selekcję metodą koła ruletki czy jest możliwe bezpośrednie zastosowanie tej metody? 3. Wykonaj krzyżowanie jednopunktowe 4. Wykonaj mutacje równomierną Korzystając ze środowiska MATLAB wykonaj wykres powyższej funkcji i wyznacz jej wartość minimalną w podanym zakresie, za pomocą funkcji fmin. Zadanie 2. Zapoznaj się z demonstracyjnym M-plikiem sga.m z pakietu GA-Toolbox [4]. Zaimplementowano w tym pliku klasyczny algorytm genetyczny, z wykorzystaniem funkcji dostępnych w pakiecie GA-Toolbox. Optymalizowaną funkcję, dla której poszukiwano minimum, zapisano w M-pliku objfun.m Korzystając z funkcji pakietu GA-Toolbox, zapisz w M-pliku program rozwiązujący problem określenia minimum funkcji z zadania. Wykonaj testy dla następujących konfiguracji algorytmu genetycznego: Nr testu Wielkość populacji Liczba generacji Prawdopodobieństwo krzyżowania Prawdopodobieństwo mutacji Każdy test należy wykonywać 5-krotnie. Jakie parametry algorytmu genetycznego dają najlepsze rezultaty? Zmiany, którego parametru mają największy wpływ na wynik działania algorytmu genetycznego? 8
9 9 Zadanie 3. Demonstracyjny M-plik sga.m [4] z pakietu GA-Toolbox, przetestuj dla funkcji Griewangk a (M-plik objfun8.m). Zastosuj następujące parametry algorytmu genetycznego: Kodowanie zmiennopozycyjne Selekcja sus (ang. stochastic universal sampling) Krzyżowanie wielopunktowe, arytmetyczne Mutacja Dobierz parametry zadania poprzez wykonanie testów z parametrami jak w tabelce dla zadania 2. Każdy test należy wykonywać 5-krotnie Przy jakich parametrach algorytmu genetycznego uzyskuje się najlepsze wyniki? Zadanie 4. Poleceniem MATLAB-a peaks, wykonaj wykres funkcji dwóch zmiennych peaks, zdefiniowanej w M-pliku funkcyjnym peaks.m Uruchom program plik demonstracyjny go_ga.m [], który wykorzystuje algorytm genetyczny do znalezienia maksimum tej funkcji. Zapoznaj się, z kodem źródłowym tego programu. Odszukaj miejsca definiowania parametrów algorytmu genetycznego. Sprawdź, jak zmieniają się wartości poszukiwanego maksimum funkcji - zmieniając: liczbę generacji, wielkość populacji, prawdopodobieństwo krzyżowania i mutacji. Czy parametry znalezione we wcześniejszych zadaniach jako najlepsze, również tu dają dobre wyniki? Zaobserwuj jak zmieniają się wartości: najlepszego, średniego i najgorszego osobnika w populacji? Wyjaśnij to zachowanie? Wyznacz maksimum funkcji peaks, korzystając z funkcji MATLAB-a fmins (pamiętaj o przekształceniu zadania do problemu minimalizacji). Zadanie 5. Problem komiwojażera jest formułowany następująco: należy znaleźć trasę komiwojażera, który chce odwiedzić wszystkie miasta na swoim terytorium tylko raz i wrócić do punktu startu tak, aby była ona najtańsza (najkrótsza). Przestrzeń rozwiązań zadania jest zbiorem permutacji n miast. Plik demonstracyjny tsp.m []zawiera wizualizację tego zadania i implementację jego rozwiązania metodą symulowanego wyżarzania. Jak wygląda osobnik reprezentujący rozwiązanie tego problemu? Jak wyliczyć wartość funkcji przystosowania? Jak zaimplementować krzyżowanie i mutacje dla tego problemu? Dla danych z pliku tsp.m (wzorując się na pliku go_ga.m ) napisz program w MATLAB-ie rozwiązujący problem komiwojażera. 9
Zadania laboratoryjne i projektowe - wersja β
Zadania laboratoryjne i projektowe - wersja β 1 Laboratorium Dwa problemy do wyboru (jeden do realizacji). 1. Water Jug Problem, 2. Wieże Hanoi. Water Jug Problem Ograniczenia dla każdej z wersji: pojemniki
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 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 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 szczegółowoAlgorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta
Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta www.michalbereta.pl Sieci radialne zawsze posiadają jedną warstwę ukrytą, która składa się z neuronów radialnych. Warstwa wyjściowa składa
Bardziej szczegółowoĆWICZENIE 4 ZASTOSOWANIE METOD I NARZĘDZI LOGIKI ROZMYTEJ DO KLASYFIKACJI DANYCH I APROKSYMACJI ODWZOROWAŃ STATYCZNYCH
Politechnika Białostocka Wydział Elektryczny Katedra Automatyki i Elektroniki ĆWICZENIE 4 ZASTOSOWANIE METOD I NARZĘDZI LOGIKI ROZMYTEJ DO KLASYFIKACJI DANYCH I APROKSYMACJI ODWZOROWAŃ STATYCZNYCH Pracownia
Bardziej szczegółowoInstrukcja 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 szczegółowoProgram "FLiNN-GA" wersja 2.10.β
POLSKIE TOWARZYSTWO SIECI NEURONOWYCH POLITECHNIKA CZĘSTOCHOWSKA Zakład Elektroniki, Informatyki i Automatyki Maciej Piliński Robert Nowicki - GA Program "FLiNN-GA" wersja 2.10.β Podręcznik użytkownika
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 szczegółowoInżynieria Wiedzy i Systemy Ekspertowe. Logika rozmyta. dr inż. Michał Bereta Politechnika Krakowska
Inżynieria Wiedzy i Systemy Ekspertowe Logika rozmyta dr inż. Michał Bereta Politechnika Krakowska http://torus.uck.pk.edu.pl/~beretam/ beretam@torus.uck.pk.edu.pl 1 Wyostrzanie Ostateczna, ostra wartość
Bardziej szczegółowoZastosowania sieci neuronowych
Zastosowania sieci neuronowych klasyfikacja LABORKA Piotr Ciskowski zadanie 1. klasyfikacja zwierząt sieć jednowarstwowa żródło: Tadeusiewicz. Odkrywanie własności sieci neuronowych, str. 159 Przykład
Bardziej szczegółowoTemat: Model SUGENO. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Model SUGENO Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Pierwszym rodzajem modelowania
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 szczegółowoALGORYTMY GENETYCZNE ćwiczenia
ćwiczenia Wykorzystaj algorytmy genetyczne do wyznaczenia minimum globalnego funkcji testowej: 1. Wylosuj dwuwymiarową tablicę 100x2 liczb 8-bitowych z zakresu [-100; +100] reprezentujących inicjalną populację
Bardziej szczegółowoIMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ
IMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ Celem ćwiczenia jest zapoznanie się ze sposobem działania sieci neuronowych typu MLP (multi-layer perceptron) uczonych nadzorowaną (z nauczycielem,
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 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 szczegółowoSCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO
SCHEMAT ROZWIĄZANIA ZADANIA OPTYMALIZACJI PRZY POMOCY ALGORYTMU GENETYCZNEGO. Rzeczywistość (istniejąca lub projektowana).. Model fizyczny. 3. Model matematyczny (optymalizacyjny): a. Zmienne projektowania
Bardziej szczegółowoZagadnienia 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 szczegółowoZadanie 5 - Algorytmy genetyczne (optymalizacja)
Zadanie 5 - Algorytmy genetyczne (optymalizacja) Marcin Pietrzykowski mpietrzykowski@wi.zut.edu.pl wersja 1.0 1 Cel Celem zadania jest zapoznanie się z Algorytmami Genetycznymi w celu rozwiązywanie zadania
Bardziej szczegółowoJeśli X jest przestrzenią o nieskończonej liczbie elementów:
Logika rozmyta 2 Zbiór rozmyty może być formalnie zapisany na dwa sposoby w zależności od tego z jakim typem przestrzeni elementów mamy do czynienia: Jeśli X jest przestrzenią o skończonej liczbie elementów
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, Andrzej Rutkowski Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-10-15 Projekt
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 szczegółowo1. Logika, funkcje logiczne, preceptron.
Sieci neuronowe 1. Logika, funkcje logiczne, preceptron. 1. (Logika) Udowodnij prawa de Morgana, prawo pochłaniania p (p q), prawo wyłączonego środka p p oraz prawo sprzeczności (p p). 2. Wyraź funkcję
Bardziej szczegółowoPLAN WYKŁADU OPTYMALIZACJA GLOBALNA OPERATOR KRZYŻOWANIA ETAPY KRZYŻOWANIA
PLAN WYKŁADU Operator krzyżowania Operator mutacji Operator inwersji Sukcesja Przykłady symulacji AG Kodowanie - rodzaje OPTYMALIZACJA GLOBALNA Wykład 3 dr inż. Agnieszka Bołtuć OPERATOR KRZYŻOWANIA Wymiana
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 szczegółowoAlgorytmy ewolucyjne - algorytmy genetyczne. I. Karcz-Dulęba
Algorytmy ewolucyjne - algorytmy genetyczne I. Karcz-Dulęba Algorytmy klasyczne a algorytmy ewolucyjne Przeszukiwanie przestrzeni przez jeden punkt bazowy Przeszukiwanie przestrzeni przez zbiór punktów
Bardziej szczegółowoWstęp do teorii sztucznej inteligencji Wykład III. Modele sieci neuronowych.
Wstęp do teorii sztucznej inteligencji Wykład III Modele sieci neuronowych. 1 Perceptron model najprostzszy przypomnienie Schemat neuronu opracowany przez McCullocha i Pittsa w 1943 roku. Przykład funkcji
Bardziej szczegółowoSztuczna inteligencja : Zbiory rozmyte cz. 2
Sztuczna inteligencja : Zbiory rozmyte cz. 2 Przemysław Juszczuk Instytut Informatyki Uniwersytetu Śląskiego 1 marca 2012 Funkcja trójkątna: Funkcja trójkątna: Funkcja przynależności γ (gamma): Rysunek:
Bardziej szczegółowoAlgorytm Genetyczny. zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych
Algorytm Genetyczny zastosowanie do procesów rozmieszczenia stacji raportujących w sieciach komórkowych Dlaczego Algorytmy Inspirowane Naturą? Rozwój nowych technologii: złożone problemy obliczeniowe w
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 szczegółowoUczenie sieci radialnych (RBF)
Uczenie sieci radialnych (RBF) Budowa sieci radialnej Lokalne odwzorowanie przestrzeni wokół neuronu MLP RBF Budowa sieci radialnych Zawsze jedna warstwa ukryta Budowa neuronu Neuron radialny powinien
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 2012-10-10 Projekt pn. Wzmocnienie
Bardziej szczegółowoStandardowy algorytm genetyczny
Standardowy algorytm genetyczny 1 Szybki przegląd 2 Opracowany w USA w latach 70. Wcześni badacze: John H. Holland. Autor monografii Adaptation in Natural and Artificial Systems, wydanej w 1975 r., (teoria
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 szczegółowoAlgorytmy genetyczne. Dariusz Banasiak. Katedra Informatyki Technicznej Wydział Elektroniki
Dariusz Banasiak Katedra Informatyki Technicznej Wydział Elektroniki Obliczenia ewolucyjne (EC evolutionary computing) lub algorytmy ewolucyjne (EA evolutionary algorithms) to ogólne określenia używane
Bardziej szczegółowoTemat: Model TS + ANFIS. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Model TS + ANFIS Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Pierwszym rodzajem modelowania
Bardziej szczegółowoSztuczna inteligencja: zbiory rozmyte
Instytut Informatyki Uniwersytetu Śląskiego lab 1 1 Klasyczna teoria zbiorów 2 Teoria zbiorów rozmytych 3 Zmienne lingwistyczne i funkcje przynależności 4 System rozmyty 5 Preprocesing danych Każdy element
Bardziej szczegółowoAlgorytmy genetyczne. Paweł Cieśla. 8 stycznia 2009
Algorytmy genetyczne Paweł Cieśla 8 stycznia 2009 Genetyka - nauka o dziedziczeniu cech pomiędzy pokoleniami. Geny są czynnikami, które decydują o wyglądzie, zachowaniu, rozmnażaniu każdego żywego organizmu.
Bardziej szczegółowoPROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH**
Górnictwo i Geoinżynieria Rok 31 Zeszyt 3 2007 Dorota Pawluś* PROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH** 1. Wstęp Eksploatacja górnicza złóż ma niekorzystny wpływ na powierzchnię
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 szczegółowoSieci neuronowe w Statistica
http://usnet.us.edu.pl/uslugi-sieciowe/oprogramowanie-w-usk-usnet/oprogramowaniestatystyczne/ Sieci neuronowe w Statistica Agnieszka Nowak - Brzezińska Podstawowym elementem składowym sztucznej sieci neuronowej
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 04. Skierowane sieci neuronowe. Algorytmy konstrukcyjne dla sieci skierowanych
Wstęp do sieci neuronowych, wykład 04. Skierowane sieci neuronowe. dla sieci skierowanych Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-10-25 1 Motywacja
Bardziej szczegółowoObrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego
IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,
Bardziej szczegółowoTemat: Sztuczne Sieci Neuronowe. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Sztuczne Sieci Neuronowe Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sztuczne sieci neuronowe
Bardziej szczegółowo8. Neuron z ciągłą funkcją aktywacji.
8. Neuron z ciągłą funkcją aktywacji. W tym ćwiczeniu zapoznamy się z modelem sztucznego neuronu oraz przykładem jego wykorzystania do rozwiązywanie prostego zadania klasyfikacji. Neuron biologiczny i
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 szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2011, Oeconomica 285 (62), 45 50
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin. 2011, Oeconomica 285 (62), 45 50 Anna Landowska KLASYCZNY ALGORYTM GENETYCZNY W DYNAMICZNEJ OPTYMALIZACJI MODELU
Bardziej szczegółowo6. Klasyczny algorytm genetyczny. 1
6. Klasyczny algorytm genetyczny. 1 Idea algorytmu genetycznego została zaczerpnięta z nauk przyrodniczych opisujących zjawiska doboru naturalnego i dziedziczenia. Mechanizmy te polegają na przetrwaniu
Bardziej szczegółowoNiezawodność diagnostyka systemów laboratorium. Ćwiczenie 2
dr inż. Jacek Jarnicki doc. PWr Niezawodność diagnostyka systemów laboratorium Ćwiczenie 2 1. Treść ćwiczenia Generowanie realizacji zmiennych losowych i prezentacja graficzna wyników losowania. Symulacja
Bardziej szczegółowoSieci neuronowe jako sposób na optymalizacje podejmowanych decyzji. Tomasz Karczyoski Wydział W-08 IZ
optymalizacje podejmowanych decyzji Tomasz Karczyoski Wydział W-08 IZ Czym są sieci neuronowe Struktura matematycznych oraz programowy lub sprzętowy model, realizujących obliczenia lub przetwarzanie sygnałów
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 szczegółowoLABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania i mutacji na skuteczność poszukiwań AE
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE LABORATORIUM 4: Algorytmy ewolucyjne cz. 2 wpływ operatorów krzyżowania
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 szczegółowoSieci neuronowe do przetwarzania informacji / Stanisław Osowski. wyd. 3. Warszawa, Spis treści
Sieci neuronowe do przetwarzania informacji / Stanisław Osowski. wyd. 3. Warszawa, 2013 Spis treści Przedmowa 7 1. Wstęp 9 1.1. Podstawy biologiczne działania neuronu 9 1.2. Pierwsze modele sieci neuronowej
Bardziej szczegółowoTworzenie rozmytego systemu wnioskowania
Tworzenie rozmytego systemu wnioskowania Wstęp W odróżnieniu od klasycznych systemów regałowych modele rozmyte pozwalają budowad modele wnioskujące oparte o język naturalny, dzieki czemu inżynierom wiedzy
Bardziej szczegółowoInstytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów
Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa Diagnostyka i niezawodność robotów Laboratorium nr 3 Generacja realizacji zmiennych losowych Prowadzący: mgr inż. Marcel Luzar Cele ćwiczenia: Generowanie
Bardziej szczegółowoPodstawy Sztucznej Inteligencji
Politechnika Łódzka Katedra Informatyki Stosowanej Podstawy Sztucznej Inteligencji Laboratorium Ćwiczenie 2 Wykorzystanie środowiska Matlab do modelowania sztucznych sieci neuronowych Opracowali: Dr hab
Bardziej szczegółowoSztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 335
Sztuczne sieci neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 335 Wykład 10 Mapa cech Kohonena i jej modyfikacje - uczenie sieci samoorganizujących się - kwantowanie wektorowe
Bardziej szczegółowoObliczenia ewolucyjne - plan wykładu
Obliczenia ewolucyjne - plan wykładu Wprowadzenie Algorytmy genetyczne Programowanie genetyczne Programowanie ewolucyjne Strategie ewolucyjne Inne modele obliczeń ewolucyjnych Podsumowanie Ewolucja Ewolucja
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 szczegółowoStrefa pokrycia radiowego wokół stacji bazowych. Zasięg stacji bazowych Zazębianie się komórek
Problem zapożyczania kanałów z wykorzystaniem narzędzi optymalizacji Wprowadzenie Rozwiązanie problemu przydziału częstotliwości prowadzi do stanu, w którym każdej stacji bazowej przydzielono żądaną liczbę
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka Adaline.
Wstęp do sieci neuronowych, wykład 3 Warstwy, jednostka Adaline. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 211-1-18 1 Pomysł Przykłady Zastosowanie 2
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 szczegółowoWstęp do Programowania Lista 1
Wstęp do Programowania Lista 1 1 Wprowadzenie do środowiska MATLAB Zad. 1 Zapoznaj się z podstawowymi oknami dostępnymi w środowisku MATLAB: Command Window, Current Folder, Workspace i Command History.
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 Wykład 7 PLAN: - Repetitio (brevis) -Algorytmy miękkiej selekcji: algorytmy ewolucyjne symulowane wyżarzanie
Bardziej szczegółowoINŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Podstawowe pojęcia z logiki rozmytej Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sterowanie
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 szczegółowoInteligencja obliczeniowa
Ćwiczenie nr 3 Zbiory rozmyte logika rozmyta Sterowniki wielowejściowe i wielowyjściowe, relacje rozmyte, sposoby zapisu reguł, aproksymacja funkcji przy użyciu reguł rozmytych, charakterystyki przejściowe
Bardziej szczegółowoOptymalizacja systemów
Optymalizacja systemów Laboratorium - problem detekcji twarzy autorzy: A. Gonczarek, J.M. Tomczak, S. Zaręba, P. Klukowski Cel zadania Celem zadania jest zapoznanie się z gradientowymi algorytmami optymalizacji
Bardziej szczegółowoAlgorytmy 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 szczegółowoStrategie ewolucyjne. Gnypowicz Damian Staniszczak Łukasz Woźniak Marek
Strategie ewolucyjne Gnypowicz Damian Staniszczak Łukasz Woźniak Marek Strategie ewolucyjne, a algorytmy genetyczne Podobieństwa: Oba działają na populacjach rozwiązań Korzystają z zasad selecji i przetwarzania
Bardziej szczegółowoAlgorytmy genetyczne. Materiały do laboratorium PSI. Studia niestacjonarne
Algorytmy genetyczne Materiały do laboratorium PSI Studia niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki, pojęć
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 szczegółowoAlgorytmy genetyczne
Algorytmy genetyczne Motto: Zamiast pracowicie poszukiwać najlepszego rozwiązania problemu informatycznego lepiej pozwolić, żeby komputer sam sobie to rozwiązanie wyhodował! Algorytmy genetyczne służą
Bardziej szczegółowoSztuczna inteligencja : Zbiory rozmyte cz. III
Instytut Informatyki Uniwersytetu Śląskiego lab 3 Notacja Zadeha: symboliczny zapis zbioru rozmytego dla przestrzeni dyskretnej. Dla X jest przestrzenią o skończonej liczbie elementów X = {x 1, x 2,...,
Bardziej szczegółowoKlasyfikator liniowy Wstęp Klasyfikator liniowy jest najprostszym możliwym klasyfikatorem. Zakłada on liniową separację liniowy podział dwóch klas między sobą. Przedstawia to poniższy rysunek: 5 4 3 2
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 szczegółowoMetody eksploracji danych Laboratorium 2. Weka + Python + regresja
Metody eksploracji danych Laboratorium 2 Weka + Python + regresja KnowledgeFlow KnowledgeFlow pozwala na zdefiniowanie procesu przetwarzania danych Komponenty realizujące poszczególne czynności można konfigurować,
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 szczegółowoSieci neuronowe w Statistica. Agnieszka Nowak - Brzezioska
Sieci neuronowe w Statistica Agnieszka Nowak - Brzezioska Podstawowym elementem składowym sztucznej sieci neuronowej jest element przetwarzający neuron. Schemat działania neuronu: x1 x2 w1 w2 Dendrites
Bardziej szczegółowoAlgorytmy ewolucyjne. Łukasz Przybyłek Studenckie Koło Naukowe BRAINS
Algorytmy ewolucyjne Łukasz Przybyłek Studenckie Koło Naukowe BRAINS 1 Wprowadzenie Algorytmy ewolucyjne ogólne algorytmy optymalizacji operujące na populacji rozwiązań, inspirowane biologicznymi zjawiskami,
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 szczegółowoZASTOSOWANIE PROGRAMOWANIA LINIOWEGO W ZAGADNIENIACH WSPOMAGANIA PROCESU PODEJMOWANIA DECYZJI
Wstęp ZASTOSOWANIE PROGRAMOWANIA LINIOWEGO W ZAGADNIENIACH WSPOMAGANIA PROCESU PODEJMOWANIA DECYZJI Problem podejmowania decyzji jest jednym z zagadnień sterowania nadrzędnego. Proces podejmowania decyzji
Bardziej szczegółowoAlgorytmy genetyczne. Materiały do laboratorium PSI. Studia stacjonarne i niestacjonarne
Algorytmy genetyczne Materiały do laboratorium PSI Studia stacjonarne i niestacjonarne Podstawowy algorytm genetyczny (PAG) Schemat blokowy algorytmu genetycznego Znaczenia, pochodzących z biologii i genetyki,
Bardziej szczegółowoWYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO. Stanisław Kowalik (Poland, Gliwice)
WYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO Stanisław Kowalik (Poland, Gliwice) 1. Wprowadzenie Wstrząsy podziemne i tąpania występujące w kopalniach
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 szczegółowoRozmyte systemy doradcze
Systemy ekspertowe Rozmyte systemy doradcze Plan. Co to jest myślenie rozmyte? 2. Teoria zbiorów rozmytych. 3. Zmienne lingwistyczne. 4. Reguły rozmyte. 5. Wnioskowanie rozmyte (systemy doradcze). typu
Bardziej szczegółowoPiotr Sobolewski Krzysztof Skorupski
Plan prezentacji Logika rodzaje Logika klasyczna Logika wielowartościowa Logika rozmyta Historia powstania Definicje Zbiory rozmyte Relacje rozmyte Systemy rozmyte Modele Zastosowanie w optymalizacji przykłady
Bardziej szczegółowoZMODYFIKOWANY Szczegółowy opis przedmiotu zamówienia
ZP/ITS/11/2012 Załącznik nr 1a do SIWZ ZMODYFIKOWANY Szczegółowy opis przedmiotu zamówienia Przedmiotem zamówienia jest: Przygotowanie zajęć dydaktycznych w postaci kursów e-learningowych przeznaczonych
Bardziej szczegółowosynaptycznych wszystko to waży 1.5 kg i zajmuje objętość około 1.5 litra. A zużywa mniej energii niż lampka nocna.
Sieci neuronowe model konekcjonistyczny Plan wykładu Mózg ludzki a komputer Modele konekcjonistycze Perceptron Sieć neuronowa Uczenie sieci Sieci Hopfielda Mózg ludzki a komputer Twój mózg to 00 000 000
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 8. SZTUCZNE SIECI NEURONOWE INNE ARCHITEKTURY Częstochowa 24 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska SIEĆ O RADIALNYCH FUNKCJACH BAZOWYCH
Bardziej szczegółowoAlgorytmy genetyczne
9 listopada 2010 y ewolucyjne - zbiór metod optymalizacji inspirowanych analogiami biologicznymi (ewolucja naturalna). Pojęcia odwzorowujące naturalne zjawiska: Osobnik Populacja Genotyp Fenotyp Gen Chromosom
Bardziej szczegółowoSztuczne sieci neuronowe
Wydział Zarządzania AGH Katedra Informatyki Stosowanej Sztuczne sieci neuronowe Sztuczne sieci neuronowe Wprowadzenie Trochę historii Podstawy działania Funkcja aktywacji Typy sieci 2 Wprowadzenie Zainteresowanie
Bardziej szczegółowo//warunki początkowe m=500; T=30; c=0.4; t=linspace(0,t,m); y0=[-2.5;2.5];
4.3. Przykłady wykorzystania funkcji bibliotecznych 73 MATLAB % definiowanie funkcji function [dx]=vderpol(t,y) global c; dx=[y(2); c*(1-y(1)^2)*y(2)-y(1)]; SCILAB // definiowanie układu function [f]=vderpol(t,y,c)
Bardziej szczegółowoZadanie 0 gdy nie mamy logiki rozmytej. Zadanie 1- gdy już mamy logikę rozmytą
Zadanie 0 gdy nie mamy logiki rozmytej Wyobraźmy sobie, że chcemy oceniad czy dana temperatura świadczy o tym, że jest gorąco czy raczej zimno. A więc znając wartośd liczbową temperatury chcemy oceniad
Bardziej szczegółowoKOMPUTERY W STEROWANIU. Ćwiczenie 6 Projektowanie układu regulacji rozmytej
Wydział Elektryczny Zespół Automatyki (ZTMAiPC) KOMPUTERY W STEROWANIU Ćwiczenie 6 Projektowanie układu regulacji rozmytej 1. Cel ćwiczenia Celem ćwiczenia jest zapoznanie się z procedurą projektowania
Bardziej szczegółowoPolitechnika Warszawska
Politechnika Warszawska Programowa realizacja sieci neuronowych Zbigniew Szymański, Stanisław Jankowski grudzień 03 Instytut Informatyki Nowowiejska 5 / 9, 00-665 Warszawa Programowa realizacja sieci neuronowych
Bardziej szczegółowoMetody przeszukiwania
Metody przeszukiwania Co to jest przeszukiwanie Przeszukiwanie polega na odnajdywaniu rozwiązania w dyskretnej przestrzeni rozwiązao. Zwykle przeszukiwanie polega na znalezieniu określonego rozwiązania
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 szczegółowo