Metody gradientowe poszukiwania ekstremum. , U Ŝądana wartość napięcia,
|
|
- Marian Dąbrowski
- 6 lat temu
- Przeglądów:
Transkrypt
1 Metody gradentowe... Metody gradentowe poszukwana ekstremum Korzystają z nformacj o wartośc funkcj oraz jej gradentu. Wykazując ch zbeŝność zakłada sę, Ŝe funkcja celu jest ogranczona od dołu funkcją wypukłą klasy C taką, Ŝe moŝna ją aproksymować formą kwadratową o postac : gdze: A - f() = c + b + / A oznacza macerz symetryczną dodatno określoną, której elementam są druge pochodne cząstkowe funkcj f(). Na przykład, dla funkcj celu zdefnowanej jako błąd średnokwadratowy dwóch napęć w układze: otrzymuje sę: czyl U f( ) = W( U U) + W( U U), =, U Ŝądana wartość napęca, U W U U f U U W U W U W U W U W U U () = {, } {, } + ( + ) W W U, A=, b=, c= W U + W U W W U Podana forma kwadratowa moŝe zostać zmnmalzowana poprzez rozwązane układu równań A - b=. JeŜel jest rozwązanem tego równana wprowadzmy odchyłkę e, to f ( + e) = ( + e) A( + e) + b ( + e) + c (z defncj formy kwadratowej), = A + e A + e Ae + b + b e + c (na podstawe symetr A), = A + b + c e b + e Ae + b e = f ( ) + e Ae. Gdy A jest dodatno określona, ostatn składnk jest dodatn dla e. Ogólny algorytm: " wyznaczene kerunku poszukwań, " określene mnmum w tym kerunku (np. nterpolacja kwadratowa lub sześcenna).. K.M.Gawrylczyk
2 Metody gradentowe... Metoda gradentu prostego Jak powyŝej, jednak zamast szukać mnmum wykonywany jest krok o długośc e. Informacje wejścowe : - arbtralne wybrany punkt startowy, e - początkowa długość kroku, β - współczynnk zmnejszena kroku, ε - wymagana dokładność oblczeń mnmum, n - lczba zmennych nezaleŝnych. Algorytm oblczeń : " oblcz w punkce startowym wartość funkcj celu F = f( ) oraz jej gradent g = g( ); " wyznacz kerunek poszukwań ξ = -g ; " wzdłuŝ kerunku ξ wykonaj krok o długośc e oraz określ współrzędne nowego punktu : + = + e ξ, przy czym dla perwszej teracj = ; 4 " oblcz w nowym punkce wartość funkcj F = f( + ) oraz gradentu g = g( + ). Jeśl krok był pomyślny F < F, to powtarzaj od ( " ) podstawając g w mejsce g. Inaczej : 5 " sprawdź, czy osągnęto mnmum. Jeśl ne, wróć do (4 " ) podstawając = + - eξ oraz zmnejsz krok o β. Przejdź do ( " ). K.M.Gawrylczyk
3 Metody gradentowe... Przebeg algorytmu gradentu prostego Przebeg algorytmu najszybszego spadku K.M.Gawrylczyk
4 Metody gradentowe... 4 Metoda najszybszego spadku Zastosowano tu dodatkowo mnmalzację funkcj wzdłuŝ wyznaczonego kerunku. ZbeŜność metody ZałóŜmy, Ŝe funkcja celu w poblŝu ekstremum wyraŝa sę przez : wtedy gradent funkcj : Przesunęce od do + moŝna zapsać jako + = - γ A lub ( γ ) f() = / A, Λf() = A. ( A) P() λ P = + A = =, gdyŝ: P( A) v = P( λ) v, P P () gdze: P (λ) = - γ λ, λ, v - wartość własna wektor własny macerzy A ( det(a - λi) = ). Utwórzmy weloman perwszego stopna macerzy A, Q (λ), tak, Ŝe: Q (λ ) = α + α λ = -, Q (λ n ) = α + α λ n =, gdze : λ λ n są najmnejszą najwększą wartoścą własną macerzy A. Dodatno określona macerz A ma dodatne wartośc własne. Rozwązując układ równań otrzymuje sę α α : - λn - λ α = oraz α = λn - λ λn - λ. Stąd λ - ( λ + λ Q n ) P Q ( λ) =, f ( ) = f A f A + λn - λ P(), Q() a rozkładając wzdłuŝ wektorów własnych v j odpowadających wartoścom wł. λ j dla j =,..., n n = a j j j= v Korzystając z formy kwadratowej (funkcj celu) : skąd Q Q Q f ( ) f A = A A + Q() Q() A, Q() f ( ) a Q a Q + j j j j j (). λ λ λ Q() j PonewaŜ z defncj Q (λ j ) #, j =,,..., n węc ostateczne: () + Q + n n f ( λ λ ) f( ) f λ λ. j. K.M.Gawrylczyk
5 Metody gradentowe... 5 Informacje wejścowe - arbtralne wybrany punkt startowy, e - początkowa długość kroku, ε j - wymagana dokładność oblczeń w aktualne występującym kerunku poszukwań, ε - wymagana dokładność oblczeń mnmum globalnego, n - lczba zmennych nezaleŝnych. Algorytm oblczeń : " oblcz w punkce startowym wartość funkcj celu F = f( ) oraz jej gradent g = g( ) ; " wyznacz kerunek poszukwań ξ = -g ; " wzdłuŝ kerunku ξ określ λ mnmalzujące f( - + λ ξ ) oraz współrzędne nowego punktu = - + λ ξ 4 " oblcz w nowym punkce wartość gradentu g = g( + ). 5 " sprawdź, czy osągnęto mnmum. Jeśl ne, wróć do ( " ) K.M.Gawrylczyk
6 Metody gradentowe... 6 Przykład Forma kwadratowa: f c, =, = = A b + A b, c=. 6 8 Gradent formy kwadratowej: grad f() = A b (reszta równana). Kerunek poszukwań ξ = grad f() Wyznaczane mnmum na kerunku: = + α ξ () () () W punkce mnmum na kerunku gradent mus być ortogonalny do tego kerunku: ξ () ξ () = ( b A () ) ξ() = ( b A ( () + α ξ ) ξ () = ξ ξ ξ = ( b A ) α( A ) () () ( b A ) α( A ) ξ = ξ ξ () () ξ ξ = α ξ A ξ () () () α= ξ ξ ξ () () () A ξ K.M.Gawrylczyk
7 Metody gradentowe... 7 Procedura programu Mathcad: S_D := for.. I r b A grad_f r α r r r A r + + α r Przebeg algorytmu: K.M.Gawrylczyk
8 Metody gradentowe... 8 IERACJE JACOBIEGO Metoda Jacobego słuŝy do rozwązywana zadań równowaŝnych do A = b. Polega ona na rozkładze macerzy A na macerz dagonalną D utworzoną z jej przekątnej głównej oraz na pozostałą część E: Wyprowadzene metody: A = b Wzór ten moŝna zapsać jako: D = E + b A = D + E = D E + D b = B + z B= D E z= D b, gdze:,. Macerz D jest dagonalna łatwa do odwrócena. MoŜna podać wzór teracyjny: Procedura Mathcad a: Jacob := D dag( dag( A) ) E A D B D E z D b for.. I + B + z B z = + + Przebeg algorytmu: Porównane zbeŝnośc metody najszybszego spadku metody Jacobego Error_S_D k Error_Jacob k k K.M.Gawrylczyk
9 Metody gradentowe... 9 MEODA NEWONA-RAPHSONA Wprowadzene W welu przypadkach równane opsujące obwód nelnowy jest jednorodne, tzn. ma postać (). Metoda Newtona-Raphsona, która naleŝy do klasy metod teracyjnych, pozwala rozwązać równane o postac () przekształcając je do postac () h( ) =, () = g( ) h( ). () Funkcje g() wybera sę tak, aby proces teracyjny był zbeŝny. Spośród welu moŝlwych postac funkcj g() najdogodnej jest wybrać ją jako odwrotność pochodnej funkcj h (), tzn. przyjąć: Wówczas równane () przyjmuje postać: a algorytm jego rozwązana ma postać g( ) =. () h' h =, (4) h' ( n) h = n+ n h'. (5) n Proces rozwązana dany algorytmem (5) moŝna prosto znterpretować grafczne. Przykład takej nterpretacj jest przedstawony na rys.. Rys. Metoda Newtona-Raphsona prowadz do procesu teracyjnego, który jest tym szybcej zbeŝny, m wartość początkowa poszukwanego rozwązana jest blŝsza wartośc rzeczywstej. ZaleŜne od postac funkcj h() proces przy określonej wartośc moŝe być rozbeŝny. JednakŜe podkreślć naleŝy, Ŝe przez odpowedn dobór wartośc początkowej zbeŝność procesu teracj według metody Newtona-Raphsona moŝna zawsze uzyskać. K.M.Gawrylczyk
10 Metody gradentowe... Przykład rozwązana równana W celu zlustrowana tej metody moŝna rozwązać równane o postac Stąd mamy a: / + 4= (6) / h = + 4 (7) h' = + (8) / Zatem algorytm oblczeń moŝna zapsać, zgodne z zaleŝnoścą (5), w następującej postac: n+ n + = n / + n / n 4 Przyjmując wartość początkową =7 otrzymujemy po ośmu krokach teracyjnych wartość: =.64. PonŜej przedstawone są wynk uzyskane za pomocą programu Mathcad: (9) = -6 h = ok postępowana w metodze Newtona-Raphsona moŝna usystematyzować:. Wybór w marę dobrej wartośc początkowej do rozwązana równana (). Jeśl h( )=, to przyjęta wartość stanow rozwązane, czyl =. JeŜel h( ) róŝne od, to przechodzmy do drugego kroku. h( n). Przyjmujemy następną wartość; zgodne z zaleŝnoścą : = n + n h' ( n). W przypadku, gdy h( ) jest róŝne od, proces powtarzamy n razy. W praktyce proces powtarzamy tak długo, aŝ wartość h( n ) będze dostateczne mała, tzn. aŝ do spełnena nerównośc: n+ n lub () n h ε. () K.M.Gawrylczyk
11 Metody gradentowe... Przykład rozwązana obwodu nelnowego Rozpatrzmy teraz przykład rozwązana metoda Newtona-Raphsona obwodu nelnowego przedstawonego na rys.: Nech: R=[Ω], I =[A], a charakterystyka opornka nelnowego jest dana wyraŝenem:, u = e. () Równana opsujące elementy obwodu oraz wyznaczone na podstawe praw Krchhoffa przyjmują postać: u = R, u = e = I = A =, u u =, u u =, Po podstawenu otrzymujemy równane dla poszukwanego napęca, które w postac dogodnej do zastosowana metody Newtona-Raphsona przedstawamy jako h(u)= :, u h( u) = ( e ) u =, (4), u h' ( u ) =, e. Ze względu na występowane funkcj wykładnczej w wyraŝenu h(u) moŝemy stwerdzć, Ŝe funkcja h(u) jest monotonczna, a zatem proces teracj jest zbeŝny. Przyjmujemy wartość początkową u =V Ŝądamy, by oblczena zakończyć dla wartośc bezwzględnej h(u) mnejszej od -8. Wynk jest następujący: () u = h = śądaną dokładność uzyskujemy po czterech teracjach. K.M.Gawrylczyk
12 Metody gradentowe... Układy równań nelnowych Metoda Newtona-Raphsona ma równeŝ zastosowane w przypadku algebracznych równań nelnowych, które opsują obwody z elementam welokońcówkowym źródłam sterowalnym. W przypadku układu n równań z n newadomym zapsanym w postac wektora [,,,..., ] = (5) n równane opsujące obwód przedstawamy w postac h( )= (6) gdze = h,h,h,...,h h n (7) Algorytm oblczena rozwązana równana (7) jest następujący gdze J() oznacza macerz Jacobego ma postać: = J h (8) n+ n h h h... n h h h... J (9) = n hn hn h n... n gdze: h n n oznaczają n-te elementy wektorów h. K.M.Gawrylczyk
13 Metody gradentowe... Przykład rozwązana układu równań nelnowych Jako lustrację zastosowana metody Newtona-Raphsona w przypadku wyznaczana welu newadomych moŝna podać ponŝszy przykład: Dane: E = V, E = V, R=Ω, I = (e.u - )[A], I =,5U [A]. Na podstawe drugego perwszego prawa Krchhoffa otrzymujemy równana: U+ U= E, U+ U= E, (,U ) U= R I= R I+ I= R e,5 U +. Stąd otrzymuje sę dwa równana: () (,U ) U+ R e,5 U + = E, (,U ) U+ R e,5 U + = E oraz (,U ) U R e,5u E h + + U= (,U U ) + R e +,5U E Zatem macerz Jacobego dla danego układu ma postać:,u + R e U J U = (),U R e + U Korzystając z równana () pszemy:,u (,U ) U, n U, n R e U U R e,5 U E =,U. () U (, ),, U n+ U n R e U + U+ R e +,5 U E Przy uŝycu programu Mathcad uzyskujemy następujące wynk:. czyl przyblŝonym wartoścam prądów są: I =5,A oraz I =,599A. K.M.Gawrylczyk
14 Metody gradentowe... 4 Metoda gradentów sprzęŝonych Opracowana przez Hestensa Stefela w 95 do rozwązywana układów równań lnowych. Kerunk poszukwań tworzone są tak, aby kaŝdy kolejny był sprzęŝony do wszystkch poprzednch. Dwa kerunk ξ oraz ξ j są wzajemne sprzęŝone względem dodatno określonej macerzy Α, jeśl ξαξ j = dla j. Kerunk wzajemne sprzęŝone są lnowo nezaleŝne. Lemat: Jeśl punkt + został osągnęty w rezultace mnmalzacj funkcj f ( ) = a + b + A wzdłuŝ wzajemne sprzęŝonych kerunków ξ, ξ,...,ξ to Dowód ξs f + =, dla s =,,.... gdyŝ: f ( + ) = Α + + b = Α s+ + λ j j + ξ b j= s+ ( ) s+ j=s+ = f + λ Αξ dla s =,,,..., - ale s f( + ) s f( s+ ) λ j s j j ξ = ξ + ξ Αξ = c.n.d. j j= s+ ( ) ξs f + = z warunku mnmalzacj funkcj wzdłuŝ kerunku ξs, ( ) λ jξsαξ j = z warunku sprzęŝena kerunków. j= s+ Po n teracjach f( n+ ) będze ortogonalny do n lnowo nezaleŝnych wektorów, mus węc sę równać zeru. K.M.Gawrylczyk
15 Metody gradentowe... 5 worzene kerunków sprzęŝonych perwszy kerunek - mnus gradent : ξ = f( ) = Α b, mnmalzacja f() wzdłuŝ tego kerunku : ξ [Α ( + λ ξ ) + b] =, daje wartość λ moŝna określć punkt : = + λ ξ. W drugm kroku nowy kerunek w punkce jest wyznaczany wg reguły: ξ = f( ) + β ξ, a współczynnk β jest tak doberany, aby kerunk ξ, ξ były sprzęŝone : [ β ] [ f β ] = ξ Αξ = ξ Α f ( ) + β ξ Αξ = ξ Α ( ) ξ = = Α f ( ) ξ = [ f ( ) f ( ) [ f ( ) βξ ], ] β f ( ) f ( ) =, gdyŝ : f ( ) f ( ) f ( ) Podobne w -tym kroku : ξ = f( ) + β ξ -, a : Informacje wejścowe : f f β =. f f ( ) ( ) - - f ( ) =. e ε j ε n - punkt startowy, - początkowa długość kroku, - dokładność oblczeń w aktualnym kerunku poszukwań - dokładność oblczeń mnmum globalnego - lczba zmennych nezaleŝnych. Algorytm : () oblczyć f( ) oraz f( ), () wyznaczyć kerunek ξ = f, () wzdłuŝ ξ określć λ mnmalzujące f( - + λ ξ ) oraz = - + λ ξ ; (4) oblczyć f( ), (5) zbadać, czy jest to mnmum, jeŝel tak to SOP. (6) f ( ) f ( ) β =, ξ = f ( ) + βξ f ( -) f ( -) (7) podstawć w mejsce - oraz sprawdzene, czy wykonano n teracj. Jeśl ne, to powrót do kroku () zwększene o. JeŜel wykonano n teracj, podstawć f( ) w mejsce f( ) wrócć do (). Kryterum zbeŝnośc Punkt jest ekstremum, gdy f() f() = (z błędem zaokrągleń). K.M.Gawrylczyk
Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB
Rozwązywane zadań optymalzacj w środowsku programu MATLAB Zagadnene optymalzacj polega na znajdowanu najlepszego, względem ustalonego kryterum, rozwązana należącego do zboru rozwązań dopuszczalnych. Standardowe
Bardziej szczegółowoProjekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE
Inormatyka Podstawy Programowana 06/07 Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE 6. Równana algebraczne. Poszukujemy rozwązana, czyl chcemy określć perwastk rzeczywste równana:
Bardziej szczegółowoMetody obliczeniowe. wykład nr 2. metody rozwiązywania równań nieliniowych zadanie optymalizacji. Nr: 1
Nr: Metody oblczenowe - Budownctwo semestr - wykład nr Metody oblczenowe wykład nr metody rozwązywana równań nelnowych zadane optymalzacj Nr: Metody oblczenowe - Budownctwo semestr - wykład nr Postać równana
Bardziej szczegółowoMetody obliczeniowe. wykład nr 2. metody rozwiązywania równań nieliniowych zadanie optymalizacji. Nr: 1
Nr: Metody oblczenowe - Budownctwo semestr - wykład nr Metody oblczenowe wykład nr metody rozwązywana równań nelnowych zadane optymalzacj Nr: Metody oblczenowe - Budownctwo semestr - wykład nr Postać równana
Bardziej szczegółowoZaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,
Bardziej szczegółowoDiagonalizacja macierzy kwadratowej
Dagonalzacja macerzy kwadratowej Dana jest macerz A nân. Jej wartośc własne wektory własne spełnają równane Ax x dla,..., n Każde z równań własnych osobno można zapsać w postac: a a an x x a a an x x an
Bardziej szczegółowoZaawansowane metody numeryczne
Wykład 9. jej modyfkacje. Oznaczena Będzemy rozpatrywać zagadnene rozwązana następującego układu n równań lnowych z n newadomym x 1... x n : a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x
Bardziej szczegółowoMetody obliczeniowe. wykład nr 2. metody rozwiązywania równań nieliniowych zadanie optymalizacji. Nr: 1
Nr: Metody oblczenowe wykład nr metody rozwązywana równań nelnowych zadane optymalzacj Nr: Postać równana nelnowego Równane nelnowe jednej zmennej o ogólnej postac: rozwązane analtyczne : znalezene takej
Bardziej szczegółowoMATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5
MATEMATYKA POZIOM ROZSZERZONY Krytera ocenana odpowedz Arkusz A II Strona 1 z 5 Odpowedz Pytane 1 2 3 4 5 6 7 8 9 Odpowedź D C C A B 153 135 232 333 Zad. 10. (0-3) Dana jest funkcja postac. Korzystając
Bardziej szczegółowoNieliniowe zadanie optymalizacji bez ograniczeń numeryczne metody iteracyjne optymalizacji
Nelnowe zadane optymalzacj bez ogranczeń numeryczne metody teracyjne optymalzacj mn R n f ( ) = f Algorytmy poszuwana mnmum loalnego zadana programowana nelnowego: Bez ogranczeń Z ogranczenam Algorytmy
Bardziej szczegółowoModelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Optymalizacja
Modelowane oblczena technczne Metody numeryczne w modelowanu: Optymalzacja Zadane optymalzacj Optymalzacja to ulepszane lub poprawa jakośc danego rozwązana, projektu, opracowana. Celem optymalzacj jest
Bardziej szczegółowoKomputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2007/08 Podstawowe fakty Równane Ax = b, x, b R N, A R N N (1) ma jednoznaczne
Bardziej szczegółowoWstęp do metod numerycznych Faktoryzacja SVD Metody iteracyjne. P. F. Góra
Wstęp do metod numerycznych Faktoryzacja SVD Metody teracyjne P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ 2013 Sngular Value Decomposton Twerdzene 1. Dla każdej macerzy A R M N, M N, stneje rozkład
Bardziej szczegółowoBADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda
BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp
Bardziej szczegółowoLaboratorium ochrony danych
Laboratorum ochrony danych Ćwczene nr Temat ćwczena: Cała skończone rozszerzone Cel dydaktyczny: Opanowane programowej metody konstruowana cał skończonych rozszerzonych GF(pm), poznane ch własnośc oraz
Bardziej szczegółowoKlasyfkator lnowy Wstęp Klasyfkator lnowy jest najprostszym możlwym klasyfkatorem. Zakłada on lnową separację lnowy podzał dwóch klas mędzy sobą. Przedstawa to ponższy rysunek: 5 4 3 1 0-1 - -3-4 -5-5
Bardziej szczegółowoPrzykład 4.1. Belka dwukrotnie statycznie niewyznaczalna o stałej sztywności zginania
Przykład.. Beka dwukrotne statyczne newyznaczana o stałej sztywnośc zgnana Poecene: korzystając z metody sł sporządzć wykresy sł przekrojowych da ponŝszej bek. Wyznaczyć ugęce oraz wzgędną zmanę kąta w
Bardziej szczegółowoKwantowa natura promieniowania elektromagnetycznego
Efekt Comptona. Kwantowa natura promenowana elektromagnetycznego Zadane 1. Foton jest rozpraszany na swobodnym elektrone. Wyznaczyć zmanę długośc fal fotonu w wynku rozproszena. Poneważ układ foton swobodny
Bardziej szczegółowoSztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311
Sztuczne sec neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyk, p. 311 Wykład 6 PLAN: - Repetto (brevs) - Sec neuronowe z radalnym funkcjam bazowym Repetto W aspekce archtektury: zajmowalśmy
Bardziej szczegółowoOptymalizacja belki wspornikowej
Leszek MIKULSKI Katedra Podstaw Mechank Ośrodków Cągłych, Instytut Mechank Budowl, Poltechnka Krakowska e mal: ps@pk.edu.pl Optymalzacja belk wspornkowej 1. Wprowadzene RozwaŜamy zadane optymalnego kształtowana
Bardziej szczegółowoWykład IX Optymalizacja i minimalizacja funkcji
Wykład IX Optymalzacja mnmalzacja funkcj Postawene zadana podstawowe dee jego rozwązana Proste metody mnmalzacj Metody teracj z wykorzystanem perwszej pochodnej Metody teracj z wykorzystanem drugej pochodnej
Bardziej szczegółowoMetody Numeryczne 2017/2018
Metody Numeryczne 7/8 Inormatya Stosowana II ro Inżynera Oblczenowa II ro Wyład 7 Równana nelnowe Problemy z analtycznym rozwązanem równań typu: cos ln 3 lub uładów równań ja na przyład: y yz. 3z y y.
Bardziej szczegółowoDiagnostyka układów kombinacyjnych
Dagnostyka układów kombnacyjnych 1. Wprowadzene Dagnostyka obejmuje: stwerdzene stanu układu, systemu lub ogólne sec logcznej. Jest to tzw. kontrola stanu wykrywająca czy dzałane sec ne jest zakłócane
Bardziej szczegółowo) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4
Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =
Bardziej szczegółowoliniowym w przeciwnym przypadku mówimy o programowaniu nieliniowym.
=DGDQLHSROHJDMFHQDSRV]XNLZDQLXPDNV\PDOQHMOXEPLQLPDOQHMZDUWRFLIXQNFMLZLHOX ]PLHQQ\FKSU]\MHGQRF]HVQ\PVSHáQLHQLXSHZQHMLORFLQDáR*RQ\FKZDUXQNyZ UyZQDOXE QLHUyZQRFLQRVLQD]Z]DGDQLDRSW\PDOL]DF\MQHJROXE]DGDQLDSURJUDPRZDQLD
Bardziej szczegółowoDefinicja pochodnej cząstkowej
1 z 8 gdzie punkt wewnętrzny Definicja pochodnej cząstkowej JeŜeli iloraz ma granicę dla to granicę tę nazywamy pochodną cząstkową funkcji względem w punkcie. Oznaczenia: Pochodną cząstkową funkcji względem
Bardziej szczegółowoXXX OLIMPIADA FIZYCZNA ETAP III Zadanie doświadczalne
XXX OLIMPIADA FIZYCZNA ETAP III Zadane dośwadczalne ZADANIE D Nazwa zadana: Maszyna analogowa. Dane są:. doda półprzewodnkowa (krzemowa) 2. opornk dekadowy (- 5 Ω ), 3. woltomerz cyfrowy, 4. źródło napęca
Bardziej szczegółowoELEKTROCHEMIA. ( i = i ) Wykład II b. Nadnapięcie Równanie Buttlera-Volmera Równania Tafela. Wykład II. Równowaga dynamiczna i prąd wymiany
Wykład II ELEKTROCHEMIA Wykład II b Nadnapęce Równane Buttlera-Volmera Równana Tafela Równowaga dynamczna prąd wymany Jeśl układ jest rozwarty przez elektrolzer ne płyne prąd, to ne oznacza wcale, że na
Bardziej szczegółowoMatematyka obliczeniowa, II rok Matematyki (2015/2016) Metody numeryczne, III rok Informatyki, (2013/2014)
Matematyka oblczenowa, II rok Matematyk (2015/2016) Metody numeryczne, III rok Informatyk, (2013/2014) 1. Rozwązywane równań nelnowych 2. Arytmetyka zmennopozycyjna 3. Błędy w oblczenach. Uwarunkowane
Bardziej szczegółowoNatalia Nehrebecka. Wykład 2
Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad
Bardziej szczegółowoSZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.
Bardziej szczegółowoMetody numeryczne, III rok Informatyki, 2013/2014
Metody numeryczne, III rok Informatyk, 2013/2014 1. Rozwązywane równań nelnowych 2. Arytmetyka zmennopozycyjna 3. Błędy w oblczenach. Uwarunkowane zadana. Numeryczna poprawność stablność algorytmu 4. Rozwązywane
Bardziej szczegółowoMetody analizy obwodów
Metody analzy obwodów Metoda praw Krchhoffa, która jest podstawą dla pozostałych metod Metoda transfguracj, oparte na przekształcenach analzowanego obwodu na obwód równoważny Metoda superpozycj Metoda
Bardziej szczegółowoZestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.
Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :
Bardziej szczegółowo5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim
5. Pocodna funkcj Defncja 5.1 Nec f: (a, b) R nec c (a, b). Jeśl stneje granca lm x c x c to nazywamy ją pocodną funkcj f w punkce c oznaczamy symbolem f (c) Twerdzene 5.1 Jeśl funkcja f: (a, b) R ma pocodną
Bardziej szczegółowoPokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem
Zestaw zadań : Przestrzene wektorowe. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar : C C C, (z, v) z v := z v jest przestrzeną lnową nad całem lczb zespolonych
Bardziej szczegółowo( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X
Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są
Bardziej szczegółowo2012-10-11. Definicje ogólne
0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj
Bardziej szczegółowo11/22/2014. Jeśli stała c jest równa zero to takie gry nazywamy grami o sumie zerowej.
/22/24 Dwuosobowe gry o sume zero DO NAUCZENIA I ZAPAMIĘTANIA: Defnca zaps ger o sume zero, adaptaca ogólnych defnc. Punkt sodłowy Twerdzena o zwązkach punktu sodłowego z koncepcam rozwązań PRZYPOMNIENIE:
Bardziej szczegółowoEUROELEKTRA. Ogólnopolska Olimpiada Wiedzy Elektrycznej i Elektronicznej. Rok szkolny 2013/2014
EUROELEKTRA Ogólnopolska Olmpada Wedzy Elektrycznej Elektroncznej Rok szkolny 232 Zadana z elektronk na zawody III stopna (grupa elektronczna) Zadane. Oblczyć wzmocnene napęcowe, rezystancję wejścową rezystancję
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 4
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających
Bardziej szczegółowoTwierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że
Twerdzene Bezouta lczby zespolone Javer de Lucas Ćwczene 1 Ustal dla których a, b R można podzelć f 1 X) = X 4 3X 2 + ax b przez f 2 X) = X 2 3X+2 Oblcz a b Z 5 jeżel zak ladamy, że f 1 f 2 s a welomanam
Bardziej szczegółowoEgzamin poprawkowy z Analizy II 11 września 2013
Egzamn poprawkowy z nalzy II 11 wrześna 13 Uwag organzacyjne: każde zadane rozwązujemy na osobnej kartce Każde zadane należy podpsać menem nazwskem własnym oraz prowadzącego ćwczena Na wszelk wypadek prosmy
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej
Bardziej szczegółowo5. CHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWE
5. CHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWE Oprócz transmtancj operatorowej, do opsu członów układów automatyk stosuje sę tzw. transmtancję wdmową. Transmtancję wdmową G(j wyznaczyć moŝna dzęk podstawenu do wzoru
Bardziej szczegółowoRóżniczkowalność, pochodne, ekstremum funkcji. x 2 1 x x 2 k
Różnczkowalność, pochodne, ekstremum funkcj Ćwczene 1 Polczyć pochodn a kerunkow a funkcj: 1 1 1 x 1 x 2 x k ϕ(x 1,, x k ) x 2 1 x 2 2 x 2 k x k 1 1 x k 1 2 x k 1 w dowolnym punkce p [x 1, x 2,, x k T
Bardziej szczegółowoOkreślanie mocy cylindra C w zaleŝności od ostrości wzroku V 0 Ostrość wzroku V 0 7/5 6/5 5/5 4/5 3/5 2/5 Moc cylindra C 0,5 0,75 1,0 1,25 1,5 > 2
T A R C Z A Z E G A R O W A ASTYGMATYZM 1.Pojęca ogólne a) astygmatyzm prosty (najbardzej zgodny z pozomem) - najbardzej płask połudnk tzn. o najmnejszej mocy jest pozomy b) astygmatyzm odwrotny (najbardzej
Bardziej szczegółowoProgramowanie Równoległe i Rozproszone
Programowane Równoległe Rozproszone Wykład Programowane Równoległe Rozproszone Lucjan Stapp Wydzał Matematyk Nauk Informacyjnych Poltechnka Warszawska (l.stapp@mn.pw.edu.pl) /38 PRR Wykład Chcemy rozwązać
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 4
Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja
Bardziej szczegółowomin h = x x Algorytmy optymalizacji lokalnej Nieliniowe zadanie optymalizacji bez ograniczeń numeryczne metody iteracyjne optymalizacji x x
Nelnowe zaane optymalzacj bez ogranczeń numeryczne metoy teracyjne optymalzacj mn n x R ) = f x Algorytmy poszuwana mnmum loalnego la: f zaana programowana nelnowego bez ogranczeń zaana programowana nelnowego
Bardziej szczegółowo(M2) Dynamika 1. ŚRODEK MASY. T. Środek ciężkości i środek masy
(MD) MECHANIKA - Dynamka T. Środek cężkośc środek masy (M) Dynamka T: Środek cężkośc środek masy robert.szczotka(at)gmal.com Fzyka astronoma, Lceum 01/014 1 (MD) MECHANIKA - Dynamka T. Środek cężkośc środek
Bardziej szczegółowo7. Wykład VII: Warunki Kuhna-Tuckera
Wocech Grega, Metody Optymalzac 7 Wykład VII: Warunk Kuhna-Tuckera 7 Warunk koneczne stnena ekstremum Rozważane est zadane z ogranczenam nerównoścowym w postac: mn F( x ) x X X o F( x ), o { R x : h n
Bardziej szczegółowoWyznaczanie współczynnika sztywności zastępczej układu sprężyn
Wyznaczane zastępczej sprężyn Ćwczene nr 10 Wprowadzene W przypadku klku sprężyn ze sobą połączonych, można mu przypsać tzw. współczynnk zastępczej k z. W skrajnych przypadkach sprężyny mogą być ze sobą
Bardziej szczegółowou u u( x) u, x METODA RÓŻNIC SKOŃCZONYCH, METODA ELEMENTÓW BRZEGOWYCH i METODA ELEMENTÓW SKOŃCZONYCH
METODA RÓŻNIC SKOŃCZONYCH, METODA ELEMENTÓW BRZEGOWYCH METODA ELEMENTÓW SKOŃCZONYCH Szkc rozwązana równana Possona w przestrzen dwuwymarowe. Równane Possona to równae różnczkowe cząstkowe opsuące wele
Bardziej szczegółowoCAŁKOWANIE NUMERYCZNE całki pojedyncze
CAŁKOWANIE NUMERYCZNE całk pojedyncze Kwadratury nterpolacyjne Kwadratury nterpolacyjne Rozpatrujemy funkcję f() cągłą ogranczoną w przedzale domknętym [a, b]. Przedzał [a, b] dzelmy na skończoną lczbę
Bardziej szczegółowo5. Rezonans napięć i prądów
ezonans napęć prądów W-9 el ćwczena: 5 ezonans napęć prądów Dr hab nŝ Dorota Nowak-Woźny Wyznaczene krzywej rezonansowej dla szeregowego równoległego obwodu Zagadnena: Fzyczne podstawy zjawska rezonansu
Bardziej szczegółowoKolokwium poprawkowe z Optymalizacji II (Ściśle tajne przed godz. 16 : stycznia 2016.)
Kolokwum z Optymalzacj II Ścśle tajne przed godz 4 : 00 8 grudna 05) Proszę uważne przeczytać treść zadań Na ocenę bardzo duży wpływ będze mała czytelność rozwązań poprawność uzasadnena każdej odpowedz
Bardziej szczegółowoW praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.
Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas
Bardziej szczegółowoV. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH
Krs na Stdach Doktoranckch Poltechnk Wrocławskej wersja: lty 007 34 V. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH. Zbór np. lczb rzeczywstych a, b elementy zbor A a A b A, podzbór B zbor A : B A, sma zborów
Bardziej szczegółowody dx stąd w przybliżeniu: y
Przykłady do funkcj nelnowych funkcj Törnqusta Proszę sprawdzć uzasadnć, które z podanych zdań są prawdzwe, a które fałszywe: Przykład 1. Mesęczne wydatk na warzywa (y, w jednostkach penężnych, jp) w zależnośc
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane
Bardziej szczegółowoZastosowanie technik sztucznej inteligencji w analizie odwrotnej
Zastosowane technk sztucznej ntelgencj w analze odwrotnej Ł. Sztangret, D. Szelga, J. Kusak, M. Petrzyk Katedra Informatyk Stosowanej Modelowana Akadema Górnczo-Hutncza, Kraków Motywacja Dokładność symulacj
Bardziej szczegółowoWykład 5 12/15/2013. Problemy algebry liniowej w Matlabie
Wykład 5. Problemy algebry lnowej w Matlabe. Analza sygnałów a) w dzedzne częstotlwośc b) w dzedzne czasu c) częstotlwoścowo-czasowa d) nagrywane analza dźwęku e) Sgnal Processng Toolbox Problemy algebry
Bardziej szczegółowoMinimalizacja globalna. Algorytmy genetyczne i ewolucyjne.
Mnmalzacja globalna Algorytmy genetyczne ewolucyjne. Lnearyzacja nelnowego operatora g prowadz do przyblżonych metod rozwązywana zagadnena odwrotnego. Wynk takej nwersj jest slne uzależnony od wyboru modelu
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 4. Metody kierunków poprawy (metoda spadku wzdłuż gradientu) Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 21.03.2019 1 / 41 Plan wykładu Minimalizacja
Bardziej szczegółowo2. STOPIEŃ KINEMATYCZNEJ NIEWYZNACZALNOŚCI
Część. STOPIEŃ KINEMATYCZNEJ NIEWYZNACZALNOŚCI.. STOPIEŃ KINEMATYCZNEJ NIEWYZNACZALNOŚCI W metodze sł w celu przyjęca układu podstawowego należało odrzucć węzy nadlczbowe. O lczbe odrzuconych węzów decydował
Bardziej szczegółowoBadanie współzaleŝności dwóch cech ilościowych X i Y. Analiza korelacji prostej. Badanie zaleŝności dwóch cech ilościowych. Analiza regresji prostej
Badane współzaleŝnośc dwóch cech loścowych X Y. Analza korelacj prostej Badane zaleŝnośc dwóch cech loścowych. Analza regresj prostej Kody znaków: Ŝółte wyróŝnene nowe pojęce czerwony uwaga kursywa komentarz
Bardziej szczegółowo± Δ. Podstawowe pojęcia procesu pomiarowego. x rzeczywiste. Określenie jakości poznania rzeczywistości
Podstawowe pojęca procesu pomarowego kreślene jakośc poznana rzeczywstośc Δ zmerzone rzeczywste 17 9 Zalety stosowana elektrycznych przyrządów 1/ 1. możlwość budowy czujnków zamenających werne każdą welkość
Bardziej szczegółowoZASTOSOWANIE MODELU MOTAD DO TWORZENIA PORTFELA AKCJI KLASYFIKACJA WARUNKÓW PODEJMOWANIA DECYZJI
Krzysztof Wsńsk Katedra Statystyk Matematycznej, AR w Szczecne e-mal: kwsnsk@e-ar.pl ZASTOSOWANIE MODELU MOTAD DO TWORZENIA PORTFELA AKCJI Streszczene: W artykule omówono metodologę modelu MOTAD pod kątem
Bardziej szczegółowoEKONOMETRIA I Spotkanie 1, dn. 05.10.2010
EKONOMETRIA I Spotkane, dn. 5..2 Dr Katarzyna Beń Program ramowy: http://www.sgh.waw.pl/nstytuty/e/oferta_dydaktyczna/ekonometra_stacjonarne_nest acjonarne/ Zadana, dane do zadań, ważne nformacje: http://www.e-sgh.pl/ben/ekonometra
Bardziej szczegółowoPrąd elektryczny U R I =
Prąd elektryczny porządkowany ruch ładunków elektrycznych (nośnków prądu). Do scharakteryzowana welkośc prądu służy natężene prądu określające welkość ładunku przepływającego przez poprzeczny przekrój
Bardziej szczegółowoPROBLEM ODWROTNY DLA RÓWNANIA PARABOLICZNEGO W PRZESTRZENI NIESKOŃCZENIE WYMIAROWEJ THE INVERSE PARABOLIC PROBLEM IN THE INFINITE DIMENSIONAL SPACE
JAN KOOŃSKI POBLEM ODWOTNY DLA ÓWNANIA PAABOLICZNEGO W PZESTZENI NIESKOŃCZENIE WYMIAOWEJ THE INVESE PAABOLIC POBLEM IN THE INFINITE DIMENSIONAL SPACE S r e s z c z e n e A b s r a c W arykule skonsruowano
Bardziej szczegółowoMarkowa. ZałoŜenia schematu Gaussa-
ZałoŜena scheatu Gaussa- Markowa I. Model jest nezennczy ze względu na obserwacje: f f f3... fl f, czyl y f (x, ε) II. Model jest lnowy względe paraetrów. y βo + β x +ε Funkcja a być lnowa względe paraetrów
Bardziej szczegółowoM eto dy o p ty m a liza cji
M eto dy o p ty m a liza cji M e to d y d et erm i ni s ty cz n e M et od y st oc h a sty cz n e b e z o gr an ic z eń z o gra n ic z en ia m i m e to d a M o nt e-c ar lo b ezg r ad ie n to w e g r ad
Bardziej szczegółowoMinimalizacja globalna, algorytmy genetyczne i zastosowanie w geotechnice
Mnmalzacja globalna, algorytmy genetyczne zastosowane w geotechnce Metoda sejsmczna Metoda geoelektryczna Podstawowy podzał ZAGADNIENIE PROSTE (ang. forward problem) model + parametry modelu dane (ośrodek,
Bardziej szczegółowoSPIS TREŚCI 1. WSTĘP... 4
SPIS TREŚCI. WSTĘP... 4.. WAśNOŚĆ PROBLEMATYKI BĘDĄCEJ PRZEDMIOTEM PRACY....4.. CELE PRACY....4.3. ZAKRES PRACY...4.4. WYKORZYSTANE ŹRÓDŁA....5. OBLICZENIA DYNAMICZNE KONSTRUKCJI BUDOWLANYCH... 6.. MACIERZOWE
Bardziej szczegółowoDIAGNOSTYKA WYMIENNIKÓW CIEPŁA Z UWIARYGODNIENIEM WYNIKÓW POMIARÓW EKPLOATACYJNYCH
RYNEK CIEŁA 03 DIANOSYKA YMIENNIKÓ CIEŁA Z UIARYODNIENIEM YNIKÓ OMIARÓ EKLOAACYJNYCH Autorzy: rof. dr hab. nż. Henryk Rusnowsk Dr nż. Adam Mlejsk Mgr nż. Marcn ls Nałęczów, 6-8 paźdzernka 03 SĘ Elementam
Bardziej szczegółowoPattern Classification
attern Classfcaton All materals n these sldes were taken from attern Classfcaton nd ed by R. O. Duda,. E. Hart and D. G. Stork, John Wley & Sons, 000 wth the permsson of the authors and the publsher Chapter
Bardziej szczegółowo- opór właściwy miedzi (patrz tabela 9.1), l długość nawiniętego na cewkę drutu miedzianego,
Zadana do rozdzału 9. Zad. 9.. Oblcz opór elektryczny cewk, składającej sę z n = 900 zwojów zolowanego drutu medzanego o średncy d = mm (w zolacj, mm) w temperaturze t = 60 o C. Wymary cewk przedstawono
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =
Bardziej szczegółowoIle wynosi suma miar kątów wewnętrznych w pięciokącie?
1 Ile wynos suma mar kątów wewnętrznych w pęcokące? 1 Narysuj pęcokąt foremny 2 Połącz środek okręgu opsanego na tym pęcokące ze wszystkm werzchołkam pęcokąta 3 Oblcz kąty każdego z otrzymanych trójkątów
Bardziej szczegółowoZAJĘCIA X. Zasada największej wiarygodności
ZAJĘCIA X Zasada najwększej warygodnośc Funkcja warygodnośc Estymacja wg zasady maksymalzacj warygodnośc Rodzna estymatorów ML Przypadk szczególne WPROWADZEIE Komputerowa dentyfkacja obektów Przyjęce na
Bardziej szczegółowoSystem Przeciwdziałania Powstawaniu Bezrobocia na Terenach Słabo Zurbanizowanych SPRAWOZDANIE Z BADAŃ Autor: Joanna Wójcik
Opracowane w ramach projektu System Przecwdzałana Powstawanu Bezroboca na Terenach Słabo Zurbanzowanych ze środków Europejskego Funduszu Społecznego w ramach Incjatywy Wspólnotowej EQUAL PARTNERSTWO NA
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej
Bardziej szczegółowoDla dzielnej X (dividend) i dzielnika D 0 (divisor) liczby Q oraz R takie, Ŝe
zelene ekwencyjne zelene la dzelnej X (dvdend) dzelnka (dvor) lczby Q oraz R take, Ŝe X=Q R, R < nazywa ę lorazem Q (uotent) reztą R (remander) z dzelena X rzez. Równane dzelena moŝe meć rozwązana ełnające
Bardziej szczegółowoPrzez n-wymiarowy wektor kolumnowy (rzeczywisty), będziemy rozumieć układ n liczb rzeczywistych x 1, x 2,..., x n ustawionych w kolumnę:
1.1 Wektory, przestrzeń wektorowa. Przez n-wymarowy wektor kolumnowy (rzeczywsty), będzemy rozumeć układ n lczb rzeczywstych x 1, x 2,..., x n ustawonych w kolumnę: x1 x2 x = M x n Lczby x nazywamy składowym
Bardziej szczegółowo1 Metody rozwiązywania równań nieliniowych. Postawienie problemu
1 Metody rozwiązywania równań nieliniowych. Postawienie problemu Dla danej funkcji ciągłej f znaleźć wartości x, dla których f(x) = 0. (1) 2 Przedział izolacji pierwiastka Będziemy zakładać, że równanie
Bardziej szczegółowoPodstawy teorii falek (Wavelets)
Podstawy teor falek (Wavelets) Ψ(). Transformaca Haara (97).. Przykład pewne metody zapsu obrazu Transformaca Haara Przykład zapsu obrazu -D Podstawy matematyczne transformac Algorytmy rozkładana funkc
Bardziej szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metody kierunków poparwy (metoda Newtona-Raphsona, metoda gradientów sprzężonych) Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 28.03.2019 1
Bardziej szczegółowoAPROKSYMACJA QUASIJEDNOSTAJNA
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 73 Electrcal Engneerng 213 Jan PURCZYŃSKI* APROKSYMACJA QUASIJEDNOSTAJNA W pracy wykorzystano metodę aproksymacj średnokwadratowej welomanowej, przy
Bardziej szczegółowoRozkład dwupunktowy. Rozkład dwupunktowy. Rozkład dwupunktowy x i p i 0 1-p 1 p suma 1
Rozkład dwupunktowy Zmenna losowa przyjmuje tylko dwe wartośc: wartość 1 z prawdopodobeństwem p wartość 0 z prawdopodobeństwem 1- p x p 0 1-p 1 p suma 1 Rozkład dwupunktowy Funkcja rozkładu prawdopodobeństwa
Bardziej szczegółowoKier. MTR Programowanie w MATLABie Laboratorium
Ker. MTR Programowane w MATLABe Laboraorum Ćw. Zasosowane bbloecznych funkcj MATLABa do numerycznego rozwązywana równań różnczkowych. Wprowadzene Układy równań różnczkowych zwyczajnych perwszego rzędu
Bardziej szczegółowoHipotezy o istotności oszacowao parametrów zmiennych objaśniających ˆ ) ˆ
WERYFIKACJA HIPOTEZY O ISTOTNOŚCI OCEN PARAMETRÓW STRUKTURALNYCH MODELU Hpoezy o sonośc oszacowao paramerów zmennych objaśnających Tesowane sonośc paramerów zmennych objaśnających sprowadza sę do nasępującego
Bardziej szczegółowoWykład 2: Uczenie nadzorowane sieci neuronowych - I
Wykład 2: Uczene nadzorowane sec neuronowych - I Algorytmy uczena sec neuronowych Na sposób dzałana sec ma wpływ e topologa oraz funkconowane poszczególnych neuronów. Z reguły topologę sec uznae sę za
Bardziej szczegółowoI. Elementy analizy matematycznej
WSTAWKA MATEMATYCZNA I. Elementy analzy matematycznej Pochodna funkcj f(x) Pochodna funkcj podaje nam prędkość zman funkcj: df f (x + x) f (x) f '(x) = = lm x 0 (1) dx x Pochodna funkcj podaje nam zarazem
Bardziej szczegółowoMECHANIKA 2 MOMENT BEZWŁADNOŚCI. Wykład Nr 10. Prowadzący: dr Krzysztof Polko
MECHANIKA Wykład Nr 10 MOMENT BEZWŁADNOŚCI Prowadzący: dr Krzysztof Polko Defncja momentu bezwładnośc Momentem bezwładnośc punktu materalnego względem płaszczyzny, os lub beguna nazywamy loczyn masy punktu
Bardziej szczegółowoAnaliza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa. PARA ZMIENNYCH LOSOWYCH
Analza danych Analza danych welowymarowych. Regresja lnowa. Dyskrymnacja lnowa. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ PARA ZMIENNYCH LOSOWYCH Parę zmennych losowych X, Y możemy
Bardziej szczegółowoKONSPEKT WYKŁADU. nt. METODA ELEMENTÓW SKOŃCZONYCH TEORIA I ZASTOSOWANIA. Piotr Konderla
Studa doktorancke Wydzał Budownctwa Lądowego Wodnego Poltechnk Wrocławskej KONSPEKT WYKŁADU nt. METODA ELEMENTÓW SKOŃCZONYCH TEORIA I ZASTOSOWANIA Potr Konderla maj 2007 Kurs na Studach Doktoranckch Poltechnk
Bardziej szczegółowomgr inż. Wojciech Artichowicz MODELOWANIE PRZEPŁYWU USTALONEGO NIEJEDNOSTAJNEGO W KANAŁACH OTWARTYCH
Poltechnka Gdańska Wydzał Inżyner Lądowej Środowska Katedra ydrotechnk mgr nż. Wojcech Artchowcz MODELOWANIE PRZEPŁYWU USTALONEGO NIEJEDNOSTAJNEGO W KANAŁAC OTWARTYC PRACA DOKTORSKA Promotor: prof. dr
Bardziej szczegółowoZAJĘCIA VI. Estymator LS - własności i implementacje
Komputerowa dentyfkacja obektów ZAJĘCIA VI Estymator LS - własnośc mplementacje Dokładność wynków dentyfkacj (jakość estymatora) Dokładność estymatora LS Iteracyjne oblczena estymat LS Oblczena dla obektów
Bardziej szczegółowo