PREDYKCJA ZMIAN TEMPERATURY DLA ZŁOŻA KOMPOSTU W ZALEŻNOŚCI OD STOPNIA NAPOWIETRZENIA PRZY POMOCY SZTUCZNYCH SIECI NEURONOWYCH
|
|
- Łukasz Owczarek
- 6 lat temu
- Przeglądów:
Transkrypt
1 Inżynera Rolncza 3(121)/2010 PREDYKCJA ZMIAN TEMPERATURY DLA ZŁOŻA KOMPOSTU W ZALEŻNOŚCI OD STOPNIA NAPOWIETRZENIA PRZY POMOCY SZTUCZNYCH SIECI NEURONOWYCH Macej Neugebauer, Janusz Pechock, Potr Sołowej Katedra Elektrotechnk Energetyk, Unwersytet Warmńsko-Mazursk w Olsztyne Streszczene. Efektywność procesu kompostowana zależy od welu czynnków. Jednym z nch jest ntensywność napowetrzana złoża kompostu. Równeż zmana temperatury procesu w czase jest ważnym czynnkem warunkującym jakość uzyskanego kompostu oraz wpływa równeż na czas trwana procesu kompostowana. W ramach przeprowadzonych badań kompostowano materał bologczny pochodzena rolnczego dla różnych wartośc ntensywnośc napowetrzana. W ramach badań merzono równeż zmany temperatury w złożu kompostu w czase kompostowana. Uzyskane dane zostały następne wykorzystane do uczena sztucznych sec neuronowych (SSN). Wybrane SSN (o najnższych wartoścach błędów) zostały następne wykorzystane do przewdywana zman temperatury w złożu kompostu czasu trwana procesu kompostowana dla nnych wartośc napowetrzana złoża. Słowa kluczowe: kompostowane, sztuczne sec neuronowe, napowetrzane Wstęp Proces kompostowana, jeżel ma być wykorzystywany w praktyce jako metoda utylzacj bomasy odpadowej, mus trwać jak najkrócej. Przebeg procesu kompostowana składa sę z trzech faz: mezoflnej, termoflnej oraz wychładzana dojrzewana. W faze termoflnej temperatura wewnątrz złoża może osągnąć wartość 80 o C [Guarda 2006], wzrost temperatury jest uzależnony od welu czynnków jednym z nch jest napowetrzane złoża [Bar nn 2000; Eknc nn 2004; Sołowej 2007]. Czas trwana procesu kompostowana jest funkcją welu czynnków, jednym z nch jest napowetrzane złoża. Przy optymalnej wartośc napowetrzana, można uzyskać najkrótszy czas kompostowana. Przy zbyt nskm napowetrzanu, czas kompostowana sę wydłuży a przy zbyt dużym, może w ogóle ne dojść do rozpoczęca procesu, z uwag na wyprowadzene zbyt dużej lośc cepła za złoża, co unemożlw rozpoczęce fazy termoflnej w konsekwencj procesu kompostowana. Właścwe dobrane ntensywnośc napowetrzana jest kluczowe dla całego przebegu procesu przy ustalonym składze wsadu [Dach 2007]. Badana empryczne w boreaktorach są czasochłonne, doprowadzene procesu do końca fazy termoflnej wymaga często dwóch tygodn czasu. Próbą rozwązana tego problemu 151
2 Macej Neugebauer, Janusz Pechock, Potr Sołowej może być modelowane neuronowe zman temperatury w złożu oraz czasu trwana procesu kompostowana. Sztuczne Sec Neuronowe (SSN) w śwetle badań lteraturowych wydają sę dobrym narzędzem do rozwązywana problemów klasyfkacj, regresj czy predykcj [Jack n. 2002; Lao n. 2004]. Budowa modelu neuronowego wymaga danych emprycznych na podstawe których, SSN będą uczone [Dach n. 2001; Neugebauer nn 2007; Partov n. 2002]. Modelowane neuronowe obejmuje wele różnych typów model: sec radalne, typu perceptron, kohonena nne. Budując modele neuronowe należy przebadać różne typy sec aby wybrać tę która w najlepszym stopnu rozwązuje dany problem, por. np. [Boneck 2002]. Cel zakres pracy Celem pracy było zbudowane modelu neuronowego procesu kompostowana bomasy pochodzena rolnczego umożlwającego przewdywane temperatury osąganej w złożu czasu trwana procesu kompostowana w zależnośc od ntensywnośc napowetrzana złoża przy ustalonym składze wsadu. Zakres pracy obejmował: budowę stanowska do kompostowana bomasy pochodzena rolnczego; przeprowadzene procesu kompostowana dla różnych ntensywnośc napowetrzana złoża; budowa modelu neuronowego, wykorzystującego SSN, umożlwającego przewdywane zman temperatury w złożu czasu trwana procesu kompostowana w zależnośc od ntensywnośc napowetrzana złoża; na podstawe uzyskanych danych z badań emprycznych uczene SSN, a następne przewdywane zman temperatury czasu trwana procesu dla nnych wartośc napowetrzana. Badana empryczne budowa modelu neuronowego Badana empryczne prowadzono na stanowsku zbudowanym w katedrze, pokazanym schematyczne na rys. 1 rys. 2. W ramach badań eksperymentalnych zbadano czas zmany temperatury w czase kompostowana dla czterech wartośc ntensywnośc napowetrzana dla takch samych wsadów boreaktora, którym była posekana śweża kapusta. Badana przeprowadzono dla czterech różnych wartośc napowetrzana wynoszących odpowedno: 5; 7; 7,5 oraz 10 l mn -1. Uzyskane wynk zostały następne użyte do symulacj neuronowej czasu temperatury procesu kompostowana. Do symulacj neuronowych wykorzystano program Statstca
3 Predykcja zman temperatury... Rys. 1. Fg. 1. Schemat stanowska pomarowego. 1 boreaktor, 2 pompa, 3 zawór, 4 przepływomerz, 5 zbornk na odcek,6 zbornk na skroplny,7 komputer, 8 źródło wody, 9 odpływ wody, 10 chłodnca, 11 odstojnk, 12 analzator gazu, 13 wylot gazu. [Przekop 2009] Measurement setup dagram. 1 boreactor, 2 pump, 3 valve, 4 flowmeter, 5 effluent tank, 6 condensate tank, 7 computer, 8 water source, 9 water outlet, 10 cooler, 11 sedmentaton tank, 12 gas analyser, 13 gas outlet [Przekop 2009] Rys. 2. Fg. 2. Budowa stanowska pomarowego [Przekop 2009] Measurement setup desgn [Przekop 2009] 153
4 Macej Neugebauer, Janusz Pechock, Potr Sołowej Testowano różne sec neuronowe typu Mult Layer Perceptron (MLP) dla trzech warstw różnej lczbe neuronów w warstwe ukrytej neuronów. Algorytm uczena BFGS (Droyden-Fletcher-Goldfarb-Shanno). Funkcje aktywacj wykładncza, lnowa, tanh, snh, logstyczna; - oraz radalne sec bazowe (RBF), aktywacją gaussowską warstwy ukrytej lnową warstwy wyjścowej. Funkcję błędu wylczano metodą (SOS - sum of squares) sumy kwadratów różnc (1) dla sec MLP dla sec RBF metodą SOS CE (Cross Entropy funkcja błędu w postac entrop wzajemnej) wzór nr 2. gdze: E E SOS CE = = n = 1 n = 1 2 ( y t ) (1) y t ln (2) t y przewdywane sec; t wartość rzeczywsta. Następne dla SSN o najnższym błędze (jakość uczena na pozome 0,85 wyżej uzyskano dla sec typu RBF uczena sec był mnejszy nż 0,1, dla sec MLP uzyskano bardzo duże błędy waldacj, węc ne wykorzystano ch do dalszych badań wybrane wynk pokazano w tabel 1) wykonano predykcję czasu trwana fazy termoflnej rozkładu temperatury w trakce procesu dla nnych (które ne były badane w rzeczywstośc) wartośc ntensywnośc napowetrzana. Na rysunku 3 pokazano predykcję czasu trwana procesy kompostowana godznach wykonaną dla różnych SSN wartośc rzeczywstych w zależnośc od wartośc napowetrzana złoża w l mn -1 czas trwana procesu lczono od momenty osągnęca przez złoże temperatury 18 C do chwl spadku temperatury ponżej 18 C. Dla porównana pokazano równeż czasy trwana dla procesów rzeczywstych Czas [h] RBF RBF RBF RBF RBF rzeczywste ,5 5,0 5,5 7,0 8,0 10,5 12,5 15,0 20,0 Napowerzane [l mn -1 ] Rys. 3. Fg. 3. Predykcja czasu trwana procesy kompostowana wykonana dla różnych SSN wartośc rzeczywstych w zależnośc od wartośc napowetrzana złoża, sec radalne Predcton of compostng process duraton carred out for dfferent ANN and actual values dependng on bed aeraton values, radal networks 154
5 Predykcja zman temperatury... Tabela 1. Wybrane wynk przewdywana czasu trwana procesu kompostowana dla sec regresyjnych radalnych MLP oraz wartośc rzeczywstych w zależnośc od ntensywnośc napowetrzana Table 1. Selected results of predctng compostng process duraton for regresson networks radal and MLP, and for actual values dependng on aeraton ntensty RBF RBF SSN MLP MLP wartość rzeczywsta ntensywność napowetrzana czas [h] [l mn -1 ] 264,24 264,71 256,13 267,96 2,5 269,00 269,00 269,00 269, ,0 268,71 268,68 269,84 268,88 5,5 263,00 263,00 263,00 263, ,0 258,59 0,08 258,60 0, ,67 0,45 252,96 0, ,0 259,82 259,85 264,57 264, ,5 259,84 260,17 280,13 274,29 12,5 260,10 260,79 290,24 276,22 15,0 260,18 260,97 295,73 276,87 20,0 Na rysunku 4 pokazano rozkłady temperatury [ C] w czase kompostowana rzeczywste (dla wartośc napowetrzana 5; 7; 7,5; 10 l mn -1 ) uzyskane za pomocą SSN dla wartośc napowetrzana 2; 4; 8; 10; 12; 16; 20 l mn Temperatura [ C] SSN 2 SSN 4 SSN 8 SSN 12 SSN 16 RZ 5 RZ 7 RZ 7,5 RZ Czas [h] Rys. 4. Fg. 4. Zmany temperatury w czase kompostowana rzeczywste uzyskane za pomocą SSN dla różnych wartośc napowetrzana złoża Temperature changes n tme durng compostng: actual and obtaned usng the ANN for dfferent bed aeraton values 155
6 Macej Neugebauer, Janusz Pechock, Potr Sołowej Wnosk 1. Sztuczne sec neuronowe typu RBF charakteryzowały sę dużo mnejszym błędam uczena w porównanu do sec typu MLP dla badanych model (RBF błędy uczena mnejsze 0,1, dla RBF , uczena wynosł 0,056, dla MLP najlepsza seć mała wartoścą błędu równą 0,49). 2. Dla przewdywana czasu trwana procesu kompostowana wdać, że żadna z wybranych sec ne określła właścwe czasu trwana dla wartośc napowetrzana 2,5 l mn -1. Czas ten pownen być dłuższy nż dla wartośc 5 l mn -1. Natomast pozostałe wartośc są przewdzane właścwe, szczególne sec , dobrze pokazały wzrost czasu kompostowana wraz ze wzrostem wartośc napowetrzana powyżej wartośc optymalnej (wg badań wynos ona dla tego boreaktora wsadu ok. 7 l mn -1 czas trwana procesu 258 h). 3. Przewdywana zman temperatury w czase procesu kompostowana SSN dla wartośc napowetrzana powyżej 14 l mn -1 są na wykrese dentyczne (różnce są newdoczne na wykrese) wykresy te wykazują dużą zmenność temperatury, szczególne powyżej 90 godzny. Śwadczy to o błędnym przewdywanu SSN. Przewdywana dla pozostałych wartośc napowetrzana są zgodne z oczekwanam. Przed wykorzystanem SSN do predykcj zman temperatury należy zweryfkować te rozkłady poprzez badana empryczne. 4. Wykorzystane SSN umożlw zmnejszene lośc badań emprycznych (najbardzej czasochłonnych) symulacyjne dobrane najkorzystnejszej z punktu wdzena czasu trwana procesu kompostowana wartośc napowetrzana złoża. Bblografa Bar Q.H., Koeng A., Guhe T Knetc analyss of forced aeraton compostng. I. Reacton rates and temperature. Waste Manage. Res. Volume: 18. p Boneck P The Comparson of Multlayer Perceptron Networks and Radal Networks wth Regard to Ther Use as Predcton Instruments n Agrcultural Engneerng Problems Journal of Research and Applcatons n Agrcultural Engneerng 3. s Dach J Badana wpływu aeracj na dynamkę procesu kompostowana osadów ścekowych w boreaktorze. Journal of Research and Applcatons n Agrcultural Engneerng. Vol. 52/1. p Dach J., Nedbała G., Przybył J Zastosowane sec neuronowych w rolnctwe. Inżynera Rolncza. Nr 1 (21). s Eknc K., Keener H.M., Elwell D.L., Mchel F.C Effects of aeraton strateges on the compostng process. Part I. Expermental studes. Volume: 47. p Guarda A., Petot C., Rogeau D Influence of aeraton rate and bodegrablty fractonaton on compostng knetcs. Waste Management. Vol. 28. s Jack F. R., Steel G. M Modellng the sensory characterstcs of Scotch whsky usng neural networks a novel tool for generc protecton, Food Qualty and Preference 13. s Lao Y., Fang S. C. Nuttle H. L. W A neural network model wth bounded-weghts for pattern classfcaton, Computers & Operatons Research 31. s
7 Predykcja zman temperatury... Neugebauer M., Nalepa K., Sołowej P Sec neuronowe jako narzędze umożlwające prognozowane zapotrzebowana na wodę w uprawach rolnych. Inżynera Rolncza. Nr 2(90). Kraków s Partov F. Y., Anandarajan M Classfyng nventory usng an artfcal neural network approach, Computers & Industral Engneerng 41. s Przekop P Badane wpływu napowetrzana na dynamkę kompostowana wybranych rodzajów bomasy. Praca magsterska wykonana w Katedrze Elektrotechnk Energetyk UWM Olsztyn. Maszynops. Sołowej P Przykład wykorzystana pryzmy kompostu jako nskotemperaturowego źródła cepła. Inżynera Rolncza. Nr 8(96). Kraków. s PREDICTION OF TEMPERATURE CHANGES FOR COMPOST BED DEPENDING ON AERATION DEGREE, CARRIED OUT USING ARTIFICIAL NEURAL NETWORKS Abstract. Compostng process ntensty depends on many determnants. One of them s compost bed aeraton ntensty. Also, process temperature change n tme s an mportant factor determnng qualty of obtaned compost. Moreover, t affects compostng process duraton. The scope of carred out research nvolved compostng bologcal materal of agrcultural orgn for dfferent aeraton ntensty values. Moreover, completed tests covered measurng temperature changes n compost bed durng compostng. Then, obtaned data was used to teach artfcal neural networks (ANN). The selected ANN (wth lowest error values) were then used to predct temperature changes n compost bed and compostng process duraton for other bed aeraton values. Key words: compostng, artfcal neural networks, aeraton Adres do korespondencj: Macej Neugebauer e-mal: mak@uwm.edu.pl Katedra Elektrotechnk Energetyk Unwersytet Warmńsko-Mazursk w Olsztyne ul. Oczapowskego Olsztyn 157
OKREŚLENIE CZASU MIESZANIA WIELOSKŁADNIKOWEGO UKŁADU ZIARNISTEGO PODCZAS MIESZANIA Z RECYRKULACJĄ SKŁADNIKÓW
Inżynera Rolncza 8(96)/2007 OKREŚLENIE CZASU MIESZANIA WIELOSKŁADNIKOWEGO UKŁADU ZIARNISTEGO PODCZAS MIESZANIA Z RECYRKULACJĄ SKŁADNIKÓW Jolanta Królczyk, Marek Tukendorf Katedra Technk Rolnczej Leśnej,
Bardziej szczegółowoDOBÓR POMP CIEPŁA Z WYKORZYSTANIEM SZTUCZNYCH SIECI NEURONOWYCH DLA DOMÓW JEDNORODZINNYCH DLA PEŁNYCH I NIEPEŁNYCH ZBIORÓW DANYCH
Inżynieria Rolnicza 11(109)/2008 DOBÓR POMP CIEPŁA Z WYKORZYSTANIEM SZTUCZNYCH SIECI NEURONOWYCH DLA DOMÓW JEDNORODZINNYCH DLA PEŁNYCH I NIEPEŁNYCH ZBIORÓW DANYCH Maciej Neugebauer, Piotr Sołowiej, Tomasz
Bardziej szczegółowoZASTOSOWANIE AUTORSKIEJ METODY WYZNACZANIA WARTOŚCI PARAMETRÓW NOWOCZESNYCH SYSTEMÓW TECHNICZNYCH DO PŁUGÓW I OPRYSKIWACZY POLOWYCH
Inżynieria Rolnicza 9(118)/2009 ZASTOSOWANIE AUTORSKIEJ METODY WYZNACZANIA WARTOŚCI PARAMETRÓW NOWOCZESNYCH SYSTEMÓW TECHNICZNYCH DO PŁUGÓW I OPRYSKIWACZY POLOWYCH Sławomir Francik Katedra Inżynierii Mechanicznej
Bardziej szczegółowoPROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH
InŜynieria Rolnicza 14/2005 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH Streszczenie W
Bardziej szczegółowoZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 2(88)/2012
ZESZYTY NAUKOWE INSTYTUTU POJAZDÓW (88)/01 Hubert Sar, Potr Fundowcz 1 WYZNACZANIE ASOWEGO OENTU BEZWŁADNOŚCI WZGLĘDE OSI PIONOWEJ DLA SAOCHODU TYPU VAN NA PODSTAWIE WZORU EPIRYCZNEGO 1. Wstęp asowy moment
Bardziej szczegółowoZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 5(96)/2013
ZESZYTY NAUKOWE NSTYTUTU POJAZDÓW 5(96)/2013 Hubert Sar, Potr Fundowcz 1 WYZNACZANE MASOWEGO MOMENTU BEZWŁADNOŚC WZGLĘDEM OS PODŁUŻNEJ DLA SAMOCHODU TYPU VAN NA PODSTAWE WZORÓW DOŚWADCZALNYCH 1. Wstęp
Bardziej szczegółowoPAŃSTWOWA WYŻSZA SZKOŁA ZAWODOWA W PILE INSTYTUT POLITECHNICZNY. Zakład Budowy i Eksploatacji Maszyn PRACOWNIA TERMODYNAMIKI TECHNICZNEJ INSTRUKCJA
PAŃSTWOWA WYŻSZA SZKOŁA ZAWODOWA W PILE INSTYTUT POLITECHNICZNY Zakład Budowy Eksploatacj Maszyn PRACOWNIA TERMODYNAMIKI TECHNICZNEJ INSTRUKCJA Temat ćwczena: PRAKTYCZNA REALIZACJA PRZEMIANY ADIABATYCZNEJ.
Bardziej szczegółowoWYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN
Inżynieria Rolnicza 2(9)/7 WYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN Sławomir Francik Katedra Inżynierii Mechanicznej i Agrofizyki, Akademia
Bardziej szczegółowoMODEL NEURONOWY ZMIAN TEMPERATURY PODCZAS KONWEKCYJNEGO SUSZENIA ZRĘBKÓW WIERZBY ENERGETYCZNEJ
Inżynieria Rolnicza 11(109)/2008 MODEL NEURONOWY ZMIAN TEMPERATURY PODCZAS KONWEKCYJNEGO SUSZENIA ZRĘBKÓW WIERZBY ENERGETYCZNEJ Bogusława Łapczyńska-Kordon, Sławomir Francik, Zbigniew Ślipek Katedra Inżynierii
Bardziej szczegółowoRozwiązywanie 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 szczegółowoStreszczenie. Słowa kluczowe: modele neuronowe, parametry ciągników rolniczych
InŜynieria Rolnicza 11/2006 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie METODA PROGNOZOWANIA WARTOŚCI PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH MASZYN ROLNICZYCH
Bardziej 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 szczegółowoMETODA PROGNOZOWANIA SZEREGÓW CZASOWYCH PRZY UŻYCIU SZTUCZNYCH SIECI NEURONOWYCH
Inżynieria Rolnicza 6(115)/2009 METODA PROGNOZOWANIA SZEREGÓW CZASOWYCH PRZY UŻYCIU SZTUCZNYCH SIECI NEURONOWYCH Sławomir Francik Katedra Inżynierii Mechanicznej i Agrofizyki, Uniwersytet Rolniczy w Krakowie
Bardziej szczegółowoSystemy Ochrony Powietrza Ćwiczenia Laboratoryjne
ś POLITECHNIKA POZNAŃSKA INSTYTUT INŻYNIERII ŚRODOWISKA PROWADZĄCY: mgr nż. Łukasz Amanowcz Systemy Ochrony Powetrza Ćwczena Laboratoryjne 2 TEMAT ĆWICZENIA: Oznaczane lczbowego rozkładu lnowych projekcyjnych
Bardziej szczegółowoPRÓBA OKREŚLENIA ROZKŁADU CIŚNIEŃ W NAPOWIETRZANYM ZŁOŻU KOMPOSTU
Inżynieria Rolnicza 6(115)/29 PRÓBA OKREŚLENIA ROZKŁADU CIŚNIEŃ W NAPOWIETRZANYM ZŁOŻU KOMPOSTU Katedra Elektrotechniki i Energetyki, Uniwersytet Warmińsko-Mazurski w Olsztynie Streszczenie. W pracy przedstawiono
Bardziej szczegółowoOPTYMALIZACJA STEROWANIA MIKROKLIMATEM W PIECZARKARNI
Inżynieria Rolnicza 6(131)/2011 OPTYMALIZACJA STEROWANIA MIKROKLIMATEM W PIECZARKARNI Leonard Woroncow, Ewa Wachowicz Katedra Automatyki, Politechnika Koszalińska Streszczenie. W pracy przedstawiono wyniki
Bardziej szczegółowoWikiWS For Business Sharks
WkWS For Busness Sharks Ops zadana konkursowego Zadane Opracowane algorytmu automatyczne przetwarzającego zdjęce odręczne narysowanego dagramu na tablcy lub kartce do postac wektorowej zapsanej w formace
Bardziej szczegółowoAnaliza i diagnoza sytuacji finansowej wybranych branż notowanych na Warszawskiej Giełdzie Papierów Wartościowych w latach
Jacek Batóg Unwersytet Szczecńsk Analza dagnoza sytuacj fnansowej wybranych branż notowanych na Warszawskej Gełdze Paperów Wartoścowych w latach 997-998 W artykule podjęta została próba analzy dagnozy
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 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 szczegółowoAnaliza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)
Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz
Bardziej szczegółowoProjekt Sieci neuronowe
Projekt Sieci neuronowe Chmielecka Katarzyna Gr. 9 IiE 1. Problem i dane Sieć neuronowa miała za zadanie nauczyć się klasyfikować wnioski kredytowe. W projekcie wykorzystano dane pochodzące z 110 wniosków
Bardziej 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 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 szczegółowoInżynieria Rolnicza 3(121)/2010
Inżynieria Rolnicza 3(121)/2010 METODA OCENY NOWOCZESNOŚCI TECHNICZNO- -KONSTRUKCYJNEJ CIĄGNIKÓW ROLNICZYCH WYKORZYSTUJĄCA SZTUCZNE SIECI NEURONOWE. CZ. III: PRZYKŁADY ZASTOSOWANIA METODY Sławomir Francik
Bardziej szczegółowoRegulamin promocji 14 wiosna
promocja_14_wosna strona 1/5 Regulamn promocj 14 wosna 1. Organzatorem promocj 14 wosna, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 lutego 2014 do 30
Bardziej szczegółowoWPŁYW NAPOWIETRZANIA ZŁOŻA NA PRZEBIEG PIERWSZEJ FAZY PROCESU KOMPOSTOWANIA
Inżynieria Rolnicza 3(121)/2010 WPŁYW NAPOWIETRZANIA ZŁOŻA NA PRZEBIEG PIERWSZEJ FAZY PROCESU KOMPOSTOWANIA Piotr Sołowiej, Janusz Piechocki, Maciej Neugebauer Katedra Elektrotechniki i Energetyki, Uniwersytet
Bardziej szczegółowoWYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU
WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU THE USE OF ARTIFICIAL NEURAL NETWORKS IN FORECASTING Konrad BAJDA, Sebastian PIRÓG Resume Artykuł opisuje wykorzystanie sztucznych sieci neuronowych
Bardziej szczegółowoPOLITECHNIKA POZNAŃSKA ZAKŁAD CHEMII FIZYCZNEJ ĆWICZENIA PRACOWNI CHEMII FIZYCZNEJ
WPŁYW SIŁY JONOWEJ ROZTWORU N STŁĄ SZYKOŚI REKJI WSTĘP Rozpatrzmy reakcję przebegającą w roztworze mędzy jonam oraz : k + D (1) Gdy reakcja ta zachodz przez równowagę wstępną, w układze występuje produkt
Bardziej szczegółowoZASTOSOWANIE PROGRAMÓW PC-CRASH I V-SIM DO SYMULACJI RAJDOWEJ JAZDY SAMOCHODEM
Potr Śwder Krzysztof Wach ZASTOSOWANIE PROGRAMÓW PC-CRASH I V-SIM DO SYMULACJI RAJDOWEJ JAZDY SAMOCHODEM Streszczene Podczas wypadku drogowego samochód bardzo często porusza sę ruchem odbegającym od ruchu
Bardziej szczegółowoAUTOMATYKA I STEROWANIE W CHŁODNICTWIE, KLIMATYZACJI I OGRZEWNICTWIE L3 STEROWANIE INWERTEROWYM URZĄDZENIEM CHŁODNICZYM W TRYBIE PD ORAZ PID
ĆWICZENIE LABORAORYJNE AUOMAYKA I SEROWANIE W CHŁODNICWIE, KLIMAYZACJI I OGRZEWNICWIE L3 SEROWANIE INWEREROWYM URZĄDZENIEM CHŁODNICZYM W RYBIE PD ORAZ PID Wersja: 03-09-30 -- 3.. Cel ćwczena Celem ćwczena
Bardziej szczegółowoSystem M/M/1/L. λ = H 0 µ 1 λ 0 H 1 µ 2 λ 1 H 2 µ 3 λ 2 µ L+1 λ L H L+1. Jeli załoymy, e λ. i dla i = 1, 2,, L+1 oraz
System M/M// System ten w odrónenu do wczenej omawanych systemów osada kolejk. Jednak jest ona ogranczona, jej maksymalna ojemno jest wartoc skoczon
Bardziej szczegółowoRegulamin promocji zimowa piętnastka
zmowa pętnastka strona 1/5 Regulamn promocj zmowa pętnastka 1. Organzatorem promocj zmowa pętnastka, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 grudna
Bardziej szczegółowoWSPOMAGANE KOMPUTEROWO POMIARY CZĘSTOTLIWOŚCI CHWILOWEJ SYGNAŁÓW IMPULSOWYCH
Metrologa Wspomagana Komputerowo - Zegrze, 9-22 05.997 WSPOMAGANE KOMPUTEROWO POMIARY CZĘSTOTLIWOŚCI CHWILOWEJ SYGNAŁÓW IMPULSOWYCH dr nż. Jan Ryszard Jask, dr nż. Elgusz Pawłowsk POLITECHNIKA lubelska
Bardziej szczegółowoWPŁYW PARAMETRÓW DYSKRETYZACJI NA NIEPEWNOŚĆ WYNIKÓW POMIARU OBIEKTÓW OBRAZU CYFROWEGO
Walenty OWIECZKO WPŁYW PARAMETRÓW DYSKRETYZACJI A IEPEWOŚĆ WYIKÓW POMIARU OBIEKTÓW OBRAZU CYFROWEGO STRESZCZEIE W artykule przedstaono ynk analzy nepenośc pomaru ybranych cech obektu obrazu cyfroego. Wyznaczono
Bardziej szczegółowoWielokategorialne systemy uczące się i ich zastosowanie w bioinformatyce. Rafał Grodzicki
Welokategoralne systemy uząe sę h zastosowane w bonformatye Rafał Grodzk Welokategoralny system uząy sę (multlabel learnng system) Zbór danyh weśowyh: d X = R Zbór klas (kategor): { 2 } =...Q Zbór uząy:
Bardziej szczegółowoKomórkowy model sterowania ruchem pojazdów w sieci ulic.
Komórkowy model sterowana ruchem pojazdów w sec ulc. Autor: Macej Krysztofak Promotor: dr n ż. Marusz Kaczmarek 1 Plan prezentacj: 1. Wprowadzene 2. Cel pracy 3. Podsumowane 2 Wprowadzene Sygnalzacja śwetlna
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 szczegółowoMATLAB 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 szczegółowoModelowanie sił skrawania występujących przy obróbce gniazd zaworowych
Scentfc Journls Mrtme Unversty of Szczecn Zeszyty ukowe Akdem Morsk w Szczecne 29, 7(89) pp. 63 67 29, 7(89) s. 63 67 Modelowne sł skrwn występujących przy obróbce gnzd zworowych Cuttng forces modelng
Bardziej szczegółowoNeural networks. Krótka historia 2004-05-30. - rozpoznawanie znaków alfanumerycznych.
Neural networks Lecture Notes n Pattern Recognton by W.Dzwnel Krótka hstora McCulloch Ptts (1943) - perwszy matematyczny ops dzalana neuronu przetwarzana przez nego danych. Proste neurony, które mogly
Bardziej szczegółowoAnaliza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych sieci neuronowych 4
Wojciech Sikora 1 AGH w Krakowie Grzegorz Wiązania 2 AGH w Krakowie Maksymilian Smolnik 3 AGH w Krakowie Analiza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych
Bardziej szczegółowoANALIZA TWARDOŚCI SELERA W CZASIE SUSZENIA
Inżynieria Rolnicza 13/2006 Katedra Inżynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie ANALIZA TWARDOŚCI SELERA W CZASIE SUSZENIA Wstęp Streszczenie W pracy przedstawiono próbę zastosowania
Bardziej szczegółowoMODELOWANIE PRZEPŁYWU POWIETRZA W KANAŁACH WENTYLACYJNYCH PIECZARKARNI
Inżynera Rolncza 10(108)/2008 MODELOWANIE PRZEPŁYWU POWIETRZA W KANAŁACH WENTYLACYJNYCH PIECZARKARNI Leonard Vorontsov, Ewa Wachowcz Katedra Automatyk, Poltechnka Koszalńska Streszczene: W pracy przedstawono
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 szczegółowoSIECI NEURONOWE JAKO NARZĘDZIE UMOŻLIWIAJĄCE PROGNOZOWANIE ZAPOTRZEBOWANIA NA WODĘ W UPRAWACH ROLNYCH
Inżynieria Rolnicza 2(90)/2007 SIECI NEURONOWE JAKO NARZĘDZIE UMOŻLIWIAJĄCE PROGNOZOWANIE ZAPOTRZEBOWANIA NA WODĘ W UPRAWACH ROLNYCH Maciej Neugebauer, Krzysztof Nalepa, Piotr Sołowiej Katedra Elektrotechniki
Bardziej szczegółowoUczenie sieci neuronowych i bayesowskich
Wstęp do metod sztucznej inteligencji www.mat.uni.torun.pl/~piersaj 2009-01-22 Co to jest neuron? Komputer, a mózg komputer mózg Jednostki obliczeniowe 1-4 CPU 10 11 neuronów Pojemność 10 9 b RAM, 10 10
Bardziej szczegółowoSYMULACJA KRZEPNIĘCIA OBJĘTOŚCIOWEGO METALI Z UWZGLĘDNIENIEM PRZECHŁODZENIA TEMPERATUROWEGO
49/14 Archves of Foundry, Year 2004, Volume 4, 14 Archwum O dlewnctwa, Rok 2004, Rocznk 4, Nr 14 PAN Katowce PL ISSN 1642-5308 SYMULACJA KRZEPNIĘCIA OBJĘTOŚCIOWEGO METALI Z UWZGLĘDNIENIEM PRZECHŁODZENIA
Bardziej szczegółowoBadanie symulacyjne obciążenia stanowiska obsługowego za pomocą teorii kolejek
GLINKA Marek 1 Badane symulacyjne obcążena stanowska obsługowego za pomocą teor kolejek WSTĘP Teora kolejek nazywana naczej teorą masowej obsług należy do badań operacyjnych będących częścą matematyk stosowanej.
Bardziej szczegółowoEvaluation of estimation accuracy of correlation functions with use of virtual correlator model
Jadwga LAL-JADZIAK Unwersytet Zelonogórsk Instytut etrolog Elektrycznej Elżbeta KAWECKA Unwersytet Zelonogórsk Instytut Informatyk Elektronk Ocena dokładnośc estymacj funkcj korelacyjnych z użycem modelu
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
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 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 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 szczegółowoANALIZA WPŁYWU OBSERWACJI NIETYPOWYCH NA WYNIKI MODELOWANIA REGIONALNEJ WYDAJNOŚCI PRACY
STUDIA I PRACE WYDZIAŁU NAUK EKONOMICZNYCH I ZARZĄDZANIA NR 36, T. 1 Barbara Batóg *, Jacek Batóg ** Unwersytet Szczecńsk ANALIZA WPŁYWU OBSERWACJI NIETYPOWYCH NA WYNIKI MODELOWANIA REGIONALNEJ WYDAJNOŚCI
Bardziej szczegółowoPORÓWNANIE METOD OKREŚLANIA FUNKCJI CELU PRZY DOBORZE ROZSIEWACZY NAWOZÓW MINERALNYCH
Inżynera Rolncza (90)/007 PORÓWNANIE METOD OKREŚLANIA FUNKCJI CELU PRZY DOBORZE ROZSIEWACZY NAWOZÓW MINERALNYCH Zofa Hanusz Katedra Zastosowań Matematyk, Akadema Rolncza w Lublne Magdalena Ćwklńska Katedra
Bardziej szczegółowoKRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA
KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA Krzysztof Serżęga Wyższa Szkoła Informatyk Zarządzana w Rzeszowe Streszczene Artykuł porusza temat zwązany
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 szczegółowoNatalia Nehrebecka. Zajęcia 3
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 3 1. Dobroć dopasowana równana regresj. Współczynnk determnacj R Dk Dekompozycja warancj zmennej zależnej ż Współczynnk determnacj R. Zmenne cągłe a
Bardziej szczegółowoZASTOSOWANIE ANALIZY HARMONICZNEJ DO OKREŚLENIA SIŁY I DŁUGOŚCI CYKLI GIEŁDOWYCH
Grzegorz PRZEKOTA ZESZYTY NAUKOWE WYDZIAŁU NAUK EKONOMICZNYCH ZASTOSOWANIE ANALIZY HARMONICZNEJ DO OKREŚLENIA SIŁY I DŁUGOŚCI CYKLI GIEŁDOWYCH Zarys treśc: W pracy podjęto problem dentyfkacj cykl gełdowych.
Bardziej szczegółowoSTATECZNOŚĆ SKARP. α - kąt nachylenia skarpy [ o ], φ - kąt tarcia wewnętrznego gruntu [ o ],
STATECZNOŚĆ SKARP W przypadku obektu wykonanego z gruntów nespostych zaprojektowane bezpecznego nachylena skarp sprowadza sę do przekształcena wzoru na współczynnk statecznośc do postac: tgφ tgα = n gdze:
Bardziej szczegółowoSPRĘŻYSTOŚĆ PŁYT PILŚNIOWYCH WYTWORZONYCH Z DREWNA ORAZ SŁOMY ŻYTNIEJ
Inżynera Rolncza 1(119)/2010 SPRĘŻYSTOŚĆ PŁYT PILŚNIOWYCH WYTWORZONYCH Z DREWNA ORAZ SŁOMY ŻYTNIEJ Gabrel Czachor, Jerzy Bohdzewcz Instytut Inżyner Rolnczej, Unwersytet Przyrodnczy we Wrocławu Streszczene.
Bardziej szczegółowoW PROGNOZOWANIU ZAPOTRZEBOWANIA
ANALIZA RYZYKA NA GAZ ZIEMNY W PROGNOZOWANIU ZAPOTRZEBOWANIA Autorzy: Jolanta Szoplik, Michał Oszczyk ("Rynek Energii" - czerwiec 215) Słowa kluczowe: prognozowanie zapotrzebowania na gaz, ryzyko prognozy,
Bardziej szczegółowoProblemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA
Problemy jednoczesnego testowana welu hpotez statystycznych ch zastosowana w analze mkromacerzy DNA Konrad Furmańczyk Katedra Zastosowań Matematyk SGGW Plan referatu Testowane w analze mkromacerzy DNA
Bardziej szczegółowoZastosowanie sztucznych sieci neuronowych do modelowania procesów azotowania próżniowego stali narzędziowych
Zastosowanie sztucznych sieci neuronowych do modelowania procesów azotowania próżniowego stali narzędziowych Emilia Wołowiec-Korecka Politechnika Łódzka Zastosowania statystyki i data mining w badaniach
Bardziej szczegółowoWYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII
WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII Autor: Katarzyna Halicka ( Rynek Energii nr 1/2010) Słowa kluczowe: giełda energii, prognozowanie cen energii elektrycznej,
Bardziej szczegółowoNEURAL NETWORK ) FANN jest biblioteką implementującą SSN, którą moŝna wykorzystać. w C, C++, PHP, Pythonie, Delphi a nawet w środowisku. Mathematica.
Wykorzystanie sztucznych sieci neuronowych do rozpoznawania języków: polskiego, angielskiego i francuskiego Tworzenie i nauczanie sieci przy pomocy języka C++ i biblioteki FANN (Fast Artificial Neural
Bardziej szczegółowoAPLIKACJA METODY BADAŃ WŁASNOŚCI DYNAMICZNYCH ZAWIESZEŃ POJAZDÓW SAMOCHODOWYCH O DMC POWYŻEJ 3,5 TONY W PROGRAMIE LABVIEW
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 015 Sera: TRANSPORT z. 86 Nr kol. 196 Jan WARCZEK, Kaml BRONCEL APLIKACJA METODY BADAŃ WŁASNOŚCI DYNAMICZNYCH ZAWIESZEŃ POJAZDÓW SAMOCHODOWYCH O DMC POWYŻEJ 3,5 TONY
Bardziej szczegółowoPROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE
PROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE Janusz Wątroba, StatSoft Polska Sp. z o.o. W nemal wszystkch dzedznach badań emprycznych mamy do czynena ze złożonoścą zjawsk procesów.
Bardziej szczegółowoWYKORZYSTANIE SHIFT SHARE ANALYSIS W OPISIE ZMIAN STRUKTURY HONOROWYCH DAWCÓW KRWI W POLSCE
Grażyna Trzpot Anna Ojrzyńska Jacek Szołtysek Sebastan Twaróg Unwersytet Ekonomczny w Katowcach WYKORZYSTANIE SHIFT SHARE ANALYSIS W OPISIE ZMIAN STRUKTURY HONOROWYCH DAWCÓW KRWI W POLSCE Wprowadzene Zapewnene
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 szczegółowoOPTYMALNE STRATEGIE INWESTYCYJNE PODEJŚCIE FUNDAMENTALNE OPTIMAL INVESTMENT STRATEGY FUNDAMENTAL ANALYSIS
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2014 Sera: ORGANIZACJA I ZARZĄDZANIE z. 68 Nr kol. 1905 Adranna MASTALERZ-KODZIS Unwersytet Ekonomczny w Katowcach OPTYMALNE STRATEGIE INWESTYCYJNE PODEJŚCIE FUNDAMENTALNE
Bardziej szczegółowoGrzegorz Janik. Instytut Kształtowania i Ochrony Środowiska, Akademia Rolnicza Pl. Grunwaldzki 24, 50-363 Wrocław e-mail: janik@miks.ar.wroc.
Acta Agrophysca, 26, 8(), 3-7 DYNAMIKA WILGOTNOŚCI WIERZCHNIEJ WARSTWY GLEBY JAKO INFORMACJA O INTENSYWNOŚCI AROWANIA * Grzegorz Jank Instytut Kształtowana Ochrony Środowska, Akadema Rolncza l. Grunwaldzk
Bardziej szczegółowoSTARE A NOWE KRAJE UE KONKURENCYJNOŚĆ POLSKIEGO EKSPORTU
Ewa Szymank Katedra Teor Ekonom Akadema Ekonomczna w Krakowe ul. Rakowcka 27, 31-510 Kraków STARE A NOWE KRAJE UE KONKURENCYJNOŚĆ POLSKIEGO EKSPORTU Abstrakt Artykuł przedstawa wynk badań konkurencyjnośc
Bardziej szczegółowoANALIZA PRZESIEWANIA NASION MARCHWI PRZEZ SITA PRZESIEWACZA WIBRACYJNEGO
Inżynera Rolncza 4(122)/2010 ANALIZA PRZESIEWANIA NASION MARCHWI PRZEZ SITA PRZESIEWACZA WIBRACYJNEGO Wojcech Poćwardowsk, Wojcech Korpal Katedra Technolog Aparatury Przemysłu Chemcznego Spożywczego Unwersytet
Bardziej szczegółowoPROGNOZOWANIE ZMIAN MIKROKLIMATU SZKLARNI W OKRESIE LETNIM
PROGNOZOWANIE ZMIAN MIKROKLIMATU SZKLARNI W OKRESIE LETNIM GRABARCZYK Sławomir Zakład Instalacji Budowlanych i Fizyki Budowli, Politechnika Warszawska PREDICTION OF VARIABILITY GREENHOUSE MICROCLIMATE
Bardziej szczegółowoZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al
LESZEK A. DOBRZAŃSKI, TOMASZ TAŃSKI ZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al APPLICATION OF NEURAL NETWORKS FOR OPTIMISATION OF Mg-Al ALLOYS HEAT TREATMENT
Bardziej szczegółowoPREDYKCJA WŁASNOŚCI ODLEWNICZYCH STOPÓW Mg NA PODSTAWIE WYNIKÓW ANALIZY TERMICZNO-DERYWACYJNEJ
LESZEK A. DOBRZAŃSKI, MARIUSZ KRÓL PREDYKCJA WŁASNOŚCI ODLEWNICZYCH STOPÓW Mg NA PODSTAWIE WYNIKÓW ANALIZY TERMICZNO-DERYWACYJNEJ PREDICTION OF PROPERTIES MAGNESIUM ALLOYS BASED ON THERMAL DERIVATIVE ANALYSIS
Bardziej szczegółowoRegulamin promocji upalne lato 2014 2.0
upalne lato 2014 2.0 strona 1/5 Regulamn promocj upalne lato 2014 2.0 1. Organzatorem promocj upalne lato 2014 2.0, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa
Bardziej szczegółowoZnaczenie instrukcji w uczeniu się na podstawie wzmocnień w schizofrenii
Znaczene nstrukcj w uczenu sę na podstawe wzmocneń w schzofren Dorota Frydecka Katedra Psychatr Unwersytetu Medycznego m. Pastów Śląskch we Wrocławu Jarosław Drapała Katedra Informatyk Poltechnk Wrocławskej
Bardziej szczegółowoZapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie.
Zaps nformacj, systemy pozycyjne 1 Lteratura Jerzy Grębosz, Symfona C++ standard. Harvey M. Detl, Paul J. Detl, Arkana C++. Programowane. Zaps nformacj w komputerach Wszystke elementy danych przetwarzane
Bardziej szczegółowoMikroekonometria 13. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 13 Mkołaj Czajkowsk Wktor Budzńsk Symulacje Analogczne jak w przypadku cągłej zmennej zależnej można wykorzystać metody Monte Carlo do analzy różnego rodzaju problemów w modelach gdze zmenna
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 szczegółowoZASTOSOWANIE METOD WAP DO OCENY POZIOMU PRZESTRZENNEGO ZRÓŻNICOWANIA ROZWOJU ROLNICTWA W POLSCE
Inżynera Rolncza 1(126)/2011 ZASTOSOWANIE METOD WAP DO OCENY POZIOMU PRZESTRZENNEGO ZRÓŻNICOWANIA ROZWOJU ROLNICTWA W POLSCE Katedra Zastosowań Matematyk Informatyk, Unwersytet Przyrodnczy w Lublne w Lublne
Bardziej szczegółowoZASTOSOWANIE REGULATORÓW NEURONOWEGO I ROZMYTEGO DO STEROWANIA POZIOMEM WODY W UKŁ ADZIE KASKADOWYM DWÓCH ZBIORNIKÓW
ZESZYTY NAUKOWE AKADEMII MARYNARKI WOJENNEJ ROK LIII NR 3 (190) 2012 Mrosł aw Tomera Andrzej Kasprowcz Akadema Morska w Gdyn ZASTOSOWANIE REGULATORÓW NEURONOWEGO I ROZMYTEGO DO STEROWANIA POZIOMEM WODY
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 szczegółowoMPEC wydaje warunki techniczne KONIEC
1 2 3 1 2 2 1 3 MPEC wydaje warunk technczne 4 5 6 10 9 8 7 11 12 13 14 15 KONIEC 17 16 4 5 Chcesz wedzeć, czy masz możlwość przyłączena budynku Możlwośc dofnansowana wymany peców węglowych do sec mejskej?
Bardziej szczegółowoALGORYTMY SZTUCZNEJ INTELIGENCJI
ALGORYTMY SZTUCZNEJ INTELIGENCJI Sieci neuronowe 06.12.2014 Krzysztof Salamon 1 Wstęp Sprawozdanie to dotyczy ćwiczeń z zakresu sieci neuronowych realizowanym na przedmiocie: Algorytmy Sztucznej Inteligencji.
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 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 szczegółowoZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OPISU PRZENIKALNOŚCI ELEKTRYCZNEJ MĄKI
Inżynieria Rolnicza 2(120)/2010 ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OPISU PRZENIKALNOŚCI ELEKTRYCZNEJ MĄKI Deta Łuczycka Instytut Inżynierii Rolniczej, Uniwersytet Przyrodniczy we Wrocławiu Katarzyna
Bardziej szczegółowoPRACE NAUKOWO-PRZEGLĄDOWE
PRACE NAUKOWO-PRZEGLĄDOWE Przegląd Naukowy Inżynieria i Kształtowanie Środowiska nr 55, 2012: 55 64 (Prz. Nauk. Inż. Kszt. Środ. 55, 2012) Scientific Review Engineering and Environmental Sciences No 55,
Bardziej szczegółowoProces narodzin i śmierci
Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do
Bardziej szczegółowoPRZEWIDYWANIE RODZAJU USZKODZEŃ PRZEWODÓW WODOCIĄGOWYCH ZA POMOCĄ KLASYFIKUJĄCYCH SIECI NEURONOWYCH
Przewody wodociągowe, sieci neuronowe, uszkodzenia Małgorzata KUTYŁOWSKA* PRZEWIDYWANIE RODZAJU USZKODZEŃ PRZEWODÓW WODOCIĄGOWYCH ZA POMOCĄ KLASYFIKUJĄCYCH SIECI NEURONOWYCH Celem pracy jest analiza i
Bardziej szczegółowoOkreślanie zapasu wody pod stępką w porcie Ystad na podstawie badań symulacyjnych
Scentfc Journals Martme Unversty of Szczecn Zeszyty Naukowe Akadema Morska w Szczecne 2008, 13(85) pp. 22 28 2008, 13(85) s. 22 28 Określane zapasu wody pod stępką w porce Ystad na podstawe badań symulacyjnych
Bardziej szczegółowoInżynieria Rolnicza 5(114)/2009
Inżynieria Rolnicza 5(114)/2009 MODELE ROZMYTE ZAPOTRZEBOWANIA NA MOC DLA POTRZEB KRÓTKOTERMINOWEGO PROGNOZOWANIA ZUŻYCIA ENERGII ELEKTRYCZNEJ NA WSI CZĘŚĆ I. ALGORYTMY WYZNACZANIA MODELI ROZMYTYCH Jerzy
Bardziej szczegółowoWERYFIKACJA EKONOMETRYCZNA MODELU CAPM II RODZAJU DLA RÓŻNYCH HORYZONTÓW STÓP ZWROTU I PORTFELI RYNKOWYCH
SCRIPTA COMENIANA LESNENSIA PWSZ m. J. A. Komeńskego w Leszne R o k 0 0 8, n r 6 TOMASZ ŚWIST* WERYFIKACJA EKONOMETRYCZNA MODELU CAPM II RODZAJU DLA RÓŻNYCH HORYZONTÓW STÓP ZWROTU I PORTFELI RYNKOWYCH
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 szczegółowoKształtowanie się firm informatycznych jako nowych elementów struktury przestrzennej przemysłu
PRACE KOMISJI GEOGRAFII PRZEMY SŁU Nr 7 WARSZAWA KRAKÓW 2004 Akadema Pedagogczna, Kraków Kształtowane sę frm nformatycznych jako nowych elementów struktury przestrzennej przemysłu Postępujący proces rozwoju
Bardziej szczegółowoWykład Turbina parowa kondensacyjna
Wykład 9 Maszyny ceplne turbna parowa Entropa Równane Claususa-Clapeyrona granca równowag az Dośwadczena W. Domnk Wydzał Fzyk UW ermodynamka 08/09 /5 urbna parowa kondensacyjna W. Domnk Wydzał Fzyk UW
Bardziej szczegółowo