OPTYMALIZACJA NASTAW UKŁADU NAPĘDOWEGO STATKU ZE ŚRUBĄ NASTAWNĄ
|
|
- Mikołaj Jaworski
- 6 lat temu
- Przeglądów:
Transkrypt
1 Krzysztof Rudzki, Wiesław Tarełko 1 OPTYMALIZACJA NASTAW UKŁADU NAPĘDOWEGO STATKU ZE ŚRUBĄ NASTAWNĄ Wstęp Układy napędowe dużych statków żaglowych są najczęściej wyposażone w śruby nastawne. W przypadku ich żeglugi na silniku jako zasadniczym źródle napędu, podstawowymi problemami decyzyjnymi jest taki dobór parametrów układu napędowego, aby zapewnić założony czas dopłynięcia do wyznaczonego punktu oraz racjonalne zużycia paliwa. W obu przypadkach decydującymi czynnikami są nastawy prędkości obrotowej oraz skoku śruby nastawnej, zaś obszar rozwiązań dopuszczalnych jest ograniczony maksymalną prędkością możliwą do uzyskania dla danego układu napędowego oraz minimalną prędkością zapewniającą sterowność manewrową statku. Oczywistym jest, że zakres ten nie jest stały i zależy przede wszystkim od uwarunkowań meteorologicznych (np. wiatru), nautycznych (np. prądu morskiego) i eksploatacyjnych (np. stan załadowania). Przedstawione problemy decyzyjne są sobie przeciwstawne. Można zatem pokusić się o poszukanie rozwiązania kompromisowego, które pozwoli w sposób bardziej elastyczny zaplanować żeglugę. W tym celu został zbudowany system podejmowania decyzji wspomagający dobór nastaw układu napędowego statku żaglowego ze śrubą nastawną. Jego koncepcję ogólną w postaci schematu blokowego przedstawiono na (Rys.1.). Budowa systemu decyzyjnego wymagała m.in.: zbudowania modeli funkcjonalnych powiązujących zmienne modelu ogólnego, zbudowania modelu decyzyjnego umożliwiającego uzyskanie optymalnych wartości zmiennych decyzyjnych. 1 Dr inż. K. Rudzki, wykładowca, Akademia Morska w Gdyni, Wydział Mechaniczny, Katedra Podstaw Techniki Prof. dr hab. inż. W. Tarełko, prof. zw., Akademia Morska w Gdyni, Wydział Mechaniczny, Katedra Podstaw Techniki Podstawowe zagadnienia dotyczące budowy ogólnego modelu decyzyjnego, sposób wyznaczenia jego zmiennych, a także sposób przeprowadzenia eksperymentu dla pozyskania danych przedstawiono w [1]i [2]. Rys. 1. Schemat blokowy systemu decyzyjnego doboru nastaw układu napędowego statku Modele funkcjonalne zbudowane z wykorzystaniem sztucznych sieci neuronowych Do budowy modeli funkcjonalnych zastosowano sztuczne sieci neuronowe (SSN). Wykorzystano przy tym zmienne modelu ogólnego przedstawione w [2] oraz wartości zmiennych uzyskane podczas przeprowadzonego eksperymentu na statku żaglowym Pogo- Logistyka 6/
2 ria. Do modelownia SSN zastosowano bibliotekę Neural Network Toolbox pakietu Matlab. W pierwszym kroku przeprowadzono ocenę, jakości danych za pomocą analizy skupień, wykorzystując oprogramowanie Statistica. Zastosowano centralną procedurę aglomeracyjną oraz sześć metod kombinatorycznych, zaś obiektami uczyniono współrzędne wektora zmiennych wejściowych modelu ogólnego otrzymując wielowymiarową przestrzeń. Uzyskane dendrogramy miały podobną strukturę, zaś dane były rozdzielane przez każdą metodę i każdą metrykę. Na podstawie poprawnego grupowania uznano, że wybór zmiennych wejściowych jest odpowiedni dla zestawu danych rozpatrywanego zagadnienia. W drugim kroku przeprowadzono procedurę skalowania danych z zastosowaniem normalizacji liniowej z 10% zapasem w przedziale 0,1 do 0,9 dla danych z zakresu dodatnich wartości oraz w przedziale -0,9 do 0,9 dla danych z zakresu dodatnich i ujemnych wartości zmiennych. Umożliwiło to ekstrapolację danych, czyli wyjście poza zakres wartości obserwowanych, np. większe niż zaobserwowane wartości siły wiatru. Następnie przeprowadzono procedurę testowania SSN z wykorzystaniem pseudolosowego podziału danych wejściowych określonego funkcją dividerand na 3 oddzielne podzbiory danych: zbiór uczący - 70%, zbiór walidacyjny - 20% oraz zbiór testowy - 10%. W kolejnym kroku wybrano architekturę SSN. Rozpatrywany proces decyzyjny ma charakter nieliniowy, co stwierdzono podczas badań wstępnych [1]. Z tego względu do budowy modeli funkcjonalnych wybrano nieliniową SSN. Zdecydowano się na budowę dwóch oddzielnych sieci, otrzymując w ten sposób dwa modele funkcjonalne powiązujące zmienne wejściowe (decyzyjne XD oraz niesterowalne XN) z wyróżnionymi oddzielnie zmiennymi wyjściowymi Y. Do opisu struktury SSN wybrano sieć typu feedforward. Na zakończenie procedury wyboru architektury SSN: - sprawdzono obszar zmienności analizowanego szeregu, co umożliwiło określenie postać funkcji aktywacji, oceniono jakość dopasowania sieci do danych empirycznych za pomocą miary średni błąd kwadratowy, określono krok uczenia, wybrano algorytm wstecznej propagacji błędów uczenia sieci. Po wykonaniu przedstawionych działań przygotowano skrypty obliczeniowe, a następnie utworzono dwie oddzielne sieci różniące się jedynie liczbą neuronów w warstwach ukrytych. Zastosowano sieć typu MLP [3] o następującej strukturze (Rys. 2.): 8 neuronów w warstwie wejściowej reprezentujących zmienne wejściowe modelu, 2 warstwy ukryte o różnej liczbie neuronów, 1 neuron w warstwie wyjściowej reprezentujący zmienne wyjściowe modelu. Rys. 2. Struktura SSN z jednym neuronem wyjściowym i dwiema warstwami ukrytymi o dobieranej indywidualnie liczbie neuronów warstw ukrytych W procesie uczenia sieci modyfikowano liczbę neuronów warstw ukrytych oraz funkcje aktywacji dla neuronów. Po przeprowadzeniu wielu eksperymentów, wybrano funkcję aktywacji tansig dla neuronów obu warstw ukrytych, zaś do uczenia sieci wybrano funkcję traingdm wykorzystującą metodę propagacji wstecznej z momentem. Przyjęto następujące parametry procesu uczenia sieci: wyświetlanie wyników co 1 epokę, maksymalna liczba epok uczenia , wartość średniego błędu kwadratowego oraz liczba rosnących błędów uczenia sprawdzanych na zbiorze walidacyjnym Strukturę zbudowanej SSN do wyznaczania zużycia paliwa wraz z informacjami dotyczącymi podstawowych jej parametrów przedstawiono na (Rys. 3.) 1104 Logistyka 6/2014
3 Tabela. 1. Nastawy układu napędowego oraz wybrane warunki meteorologiczne i eksploatacyjne modelu decyzyjnego Nazwa zmiennej Zmienna Wartość Jednostka prędkość obrotowa silnika napędowego X D (skok 100) [obr/min] nastawa skoku śruby nastawnej X D (skok 2) [działka] kierunek wiatru w stosunku do osi statku X N3-90 [ o ] prędkość wiatru X N4 10 [w] stan morza X N5 2 [ o ] kierunek prądu morskiego w stosunku do osi statku X N6 20 [ o ] prędkość prądu morskiego X N7 0,8 [w] czas od ostatniego dokowania X N8 10 [miesiące] Rys. 3. Struktura SSN do wyznaczania zużycia paliwa Jakość dopasowania zbudowanej SSN dla zbioru danych niezbędnych do wyznaczenia wartości zmiennej wyjściowej Y 2 określono m.in. z wykorzystaniem współczynników korelacji R pomiędzy danymi uzyskanymi z eksperymentu a danymi wyliczonymi za pomocą SSN. W poszczególnych przypadkach (uczenie, test, walidacja) uzyskiwały one wartości, powyżej 0,95 co potwierdziło słuszność zastosowanego podejścia. Rys. 4. Zużycie paliwa wyliczone przez SSN w funkcji nastaw prędkości obrotowej silnika i skoku śruby nastawnej Na rysunkach 4, 5 i 6 pokazano zależności zmiennych wyjściowych Y od zmiennych decyzyjnych X D (prędkość obrotowa silnika napędowego oraz nastawa skoku śruby) oraz przykładowych wartości zmiennych niesterowalnych X N przedstawionych w (Tabela 1.). Rys. 5. Zużycie paliwa wyliczone przez SSN w funkcji nastaw skoku śruby nastawnej dla różnych prędkości obrotowych silnika napędowego Logistyka 6/
4 Jak już wzmiankowano, budowa systemu podejmowania decyzji wspomagających dobór nastaw układu napędowego statku żaglowego ze śrubą nastawną wymagała również zbudowania modelu decyzyjnego. Zgodnie z przyjętym złożeniem, istnieje możliwość wyznaczenia takich wartości zmiennych wejściowych decyzyjnych X D, aby spełniały one cel zawarty w problemie decyzyjnym, tj. zapewniły racjonalne zużycie paliwa oraz pożądaną prędkość podczas ruchu statku. Przedstawione cele stanowią dwa kryteria problemu optymalizacji wielokryterialnej, a zatem cały problem ten sprowadza się do zagadnienia optymalizacji dwukryterialnej. Wartość pierwszego z kryteriów powinna być jak najmniejsza, bowiem związane ono jest ze zużyciem zasobów materiałowych. Wartość drugiego z wybranych kryteriów powinna być jak największa, ponieważ związane ono jest z zużyciem zasobów. Jako funkcję celu przyjęto sumą ważoną kryteriów optymalizacji dwukryterialnej o następującej postaci: gdzie: (1) Rys. 6. Prędkość statku względem dna morskiego wyliczona przez SSN w funkcji prędkości obrotowej silnika napędowego dla różnych wartości skoku śruby nastawnej W uzyskanych modelach funkcjonalnych zbudowanych za pomocą SSN klasy MLP nie występują tzw. urwiska sigmoidalne (Rys. 4.), co świadczy o dobrym ich dopasowaniu do danych rzeczywistych. Ponadto, uzyskane wykresy charakteryzuje duże wygładzenie krzywych (Rys. 5 i 6), co również świadczy o dobrym dopasowaniu poszczególnych modeli funkcjonalnych do danych rzeczywistych. W podsumowaniu należy stwierdzić, że utworzone SSN tworzące modele funkcjonalne systemu decyzyjnego mogą być wykorzystane do budowy modelu decyzyjnego optymalizacji wielokryterialnej doboru nastaw układu napędowego statku żaglowego ze śrubą nastawną Model decyzyjny optymalizacji dwukryterialnej doboru nastaw układu napędowego statku Logistyka 6/2014 Z funkcja celu optymalizacji dwukryterialnej, Y 1 kryterium 1 (zużycie paliwa), Y 2 kryterium 2 (chwilowa prędkość statku), w q1 współczynnik wagi kryterium 1, w q2 współczynnik wagi kryterium 2. W kolejnym etapie budowy modelu optymalizacyjnego określono zbiór rozwiązań dopuszczalnych. W rozpatrywanym modelu, na wyróżnione zmienne decyzyjne X D zostały nałożone ograniczenia wynikające bezpośrednio z charakteru pracy mechanizmów przesterowania nastaw prędkości obrotowej silnika napędowego oraz śruby nastawnej. Zakres możliwych ich nastaw stanowią dwa pierwsze nierównościowe ograniczenie modelu optymalizacyjnego. W obu przypadkach operator dokonuje doboru nastaw za pomocą dźwigni sprawdzając uzyskane wartości odpowiednio na wskaźnikach obrotów oraz podziałce kreskowej. W celu weryfikacji prawidłowości doboru tych nastaw zapewniającego pracę silnika napędowego w dopuszczalnym zakresie obciążeń, wprowadzono dodatkowo pomiar momentu skręcającego na wale napędowym. Wyznaczenia jego wartości dla zadanych wartości zmiennych wejściowych (zmiennych decyzyjnych X D oraz przykładowych wartości zmiennych niesterowalnych X N ) dokonywano za pomocą zbudowanego oddzielnie modelu z wykorzystaniem SSN, przy czym wykorzystano te same obserwacje, jakie zostały wykorzystane do budowy modeli funkcjonalnych. Wartość największego momentu skręcającego wyznaczono podczas przeprowadzania eksperymentu, podczas którego statek żaglowy Pogoria był na uwięzi. Taki sposób postepowania zapewniał najbardziej niekorzystne warunki pracy, tzn. układ napędowy pracował z największym obciążeniem odpowiadającym najgorszym warunkom meteorologicznym, nautycznym i eksplo-
5 atacyjnym. Uzyskane wyniki pokazały, że przekroczenie dopuszczalnej temperatury przekładani przy długotrwałej pracy następuje powyżej wartości 95% momentu nominalnego. Moment o tej wartości przyjęto jako trzecie z ograniczeń nierównościowych modelu optymalizacyjnego. Kolejnym istotnym ograniczeniem była minimalna prędkość manewrowa statku, przy czym na podstawie wieloletnich doświadczeń uznano, że wynosi ona 2 węzły. Do wyznaczenia wartości optymalnych nastaw układu napędowego statku zastosowano metodę przeglądu zupełnego. Dla każdej kombinacji nastaw wyznaczano minimum funkcji celu wykorzystując modele funkcjonalne zbudowane z wykorzystaniem SSN. Ponieważ uzyskiwane wykresy mają zgodne nachylenia (rys. 6 i 7), zmodyfikowano funkcję celu poprzez wprowadzenie nowej zmiennej wyjściowej Y op : (2) Rys. 7. Wykresy funkcji celu modelu optymalizacji dwukryterialnej dla stosunku współczynników wagi 0,3/0,7 oraz różnych nastaw skoku śruby nastawnej gdzie: Y op zmienna wyjściowa odwzorowująca utratę prędkości przez statek, Y 2max największa zaobserwowana wartość chwilowej prędkości statku. Wówczas funkcja celu (1) przyjmie postać: (3) W danym przypadku, funkcja kryterialna odwzorowująca utratę prędkości przez statek ma nachylenie przeciwne do funkcji kryterialnej wyznaczającej zużycie paliwa, co pozwala znaleźć minimum funkcji celu. Jest to podejście czysto techniczne, które w żaden sposób nie zmienia wyników procedury optymalizacji. Przeprowadzone obliczenia optymalizacyjne dla różnych warunków meteorologicznych, nautycznych i eksploatacyjnych pozwoliły uzyskać przebiegi funkcji celu dla wybranych współczynników wagi z przedziału 0 1, dla całego zakresu nastaw układu napędowego. Wykresy funkcji celu uzyskane dla przykładowych warunków meteorologicznych i eksploatacyjnych przedstawionych w tabeli 2 przestawiono na rysunkach 7 oraz 8. Pokazują one przebiegi funkcji celu dla kilku wybranych nastaw skoku śruby nastawnej z zaznaczonymi punktami minimalnej wartości tej funkcji. Rys. 8. Wykresy funkcji celu modelu optymalizacji dwukryterialnej dla stosunku współczynników wagi 0,7/0,3 oraz różnych nastaw skoku śruby nastawnej W tabeli 2 przedstawiono prognozowane wartości zmiennych wyjściowych Y z wykorzystaniem zbudowanego modelu optymalizacyjnego. Wartości te były obliczane dla optymalnych nastaw układu napędowego (zmiennych decyzyjnych X D ) ze skokiem współczynnika wagi 0,1 oraz wartości zmiennych niesterowalnych X N w tabeli 1. Logistyka 6/
6 Tabela 2. Prognozowane wartości zmiennych wyjściowych wyznaczone z wykorzystaniem modelu optymalizacji dwukryterialnej Współcz ynnik wagi w 1108 Optymalna nastawa prędkości obrotowej silnika XD1 Optymalna nastawa skoku śruby nastawnej XD2 Logistyka 6/2014 Prędkość statku uzyskiwana przy nastawach optymalnych Y 2 Zużycie paliwa dla nastaw optymalny ch Y1 [-] [obr/min] [działka] [węzeł] [dm 3 /godz ] 0, ,1 11,6 0, ,06 0, ,3 12,62 0, ,6 12,99 0, ,1 13,95 0, ,6 15,54 0, ,1 17,98 0, ,2 25,48 0, ,8 57,42 0, ,8 57,42 1, ,8 57,42 W podsumowaniu należy stwierdzić, że w zbudowanym modelu optymalizacji dwukryterialnej doboru nastaw układu napędowego statku żaglowego ze śrubą nastawną pływającym na silniku, jako zasadniczym źródłem napędu, dla zdecydowanej większości zakresu zmiennych decyzyjnych występują wartości minimalne funkcji celu. W przypadku doboru krańcowych wartości współczynnika wagi, tj. bliskich 0 lub bliskich 1, wartości minimalne funkcji celu występują na ograniczeniach. Przy współczynniku wagi równym 0 lub równym 1 zagadnienie sprowadza się do zadania optymalizacji jednokryterialnej. Wnioski Na podstawie wyników uzyskanych w toku przeprowadzonych badań, można sformułować następujące wnioski: wykorzystanie SSN do budowy modeli funkcjonalnych systemu decyzyjnego doboru nastaw układu napędowego statku jest jak najbardziej zasadne, ponieważ są one dobrze dopasowane do danych rzeczywistych, o czym świadczy stosunkowo duży współczynnik korelacji R oraz brak występowania w nich tzw. urwisk sigmoidalnych, zbudowany model optymalizacji dwukryterialnej systemu decyzyjnego doboru nastaw układu napędowego statku dla zdecydowanej większości zakresu nastaw prędkości obrotowej silnika napędowego oraz skoku śruby nastawnej posiada wartości minimalne funkcji celu, co umożliwia optymalny dobór tych nastaw. Opracowana metodyka budowy wspomaganego komputerowo systemu doboru nastaw układu napędowego statku ze śrubą nastawną może być zastosowana również na innych typach jednostek pływających o podobnym rozwiązaniu konstrukcyjnym ich układów napędowych. Oczywistym jest, że budowa takiego systemu wymaga przeprowadzenia eksperymentu w celu pozyskania nowych danych, specyficznych dla danej jednostki. Streszczenie W artykule przedstawiono metodę budowania wspomaganego komputerowo systemu doboru nastaw układu napędowego statku ze śrubą nastawną. Jego głównymi elementami są modele funkcjonalne powiązujące zmienne wyróżnionego procesu decyzyjnego oraz model decyzyjny wyboru optymalnych nastaw. Do budowy modeli funkcjonalnych wykorzystano metodę sztucznych sieci neuronowych. Model te zostały wykorzystane, jako funkcje kryterialne do budowy modelu optymalizacji dwukryterialnej z ograniczeniami. Abstract This paper deals with a method of building the computer aided-system for settings of en-gine ship propulsion with the controllable pitch propeller. The main system components are functional models connecting model variables of the distinguished decisionmaking process and a decision-making model of selecting the optimal propulsion settings. To build the functional models, the method of artificial neural networks has been selected. These models have been taken as objective functions for building of the two-objective optimization model with limitations. Literatura 1. Rudzki K.: Dwukryterialna optymalizacja nastaw silnikowego układu napędowego statku ze śrubą nastawną z wykorzystaniem sztucznych sieci neuronowych'. Rozprawa doktorska, Akademia Morska w Gdyni, Gdynia Rudzki K. Tarełko W.: System podejmowania decyzji wspomagający dobór nastaw układu napędowego statku ze śrubą nastawną. Logistyka (w przygotowaniu). 3. Tadeusiewicz R.: Notatki z wykładów, Sieci neuronowe, Kurs StatSoft Polska, Kraków 2007.
SYSTEM PODEJMOWANIA DECYZJI WSPOMAGAJĄCY DOBÓR NASTAW UKŁADU NAPĘDOWEGO STATKU ZE ŚRUBĄ NASTAWNĄ
Krzysztof Rudzki, Wiesław Tarełko 1 SYSTEM PODEJMOWANIA DECYZJI WSPOMAGAJĄCY DOBÓR NASTAW UKŁADU NAPĘDOWEGO STATKU ZE ŚRUBĄ NASTAWNĄ Wstęp Armatorzy statków są zainteresowani jak najmniejszymi kosztami
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 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 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 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 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 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 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 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 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 szczegółowoProjekt Sieci neuronowe
Projekt Sieci neuronowe Chmielecka Katarzyna Gr. 9 IiE 1. Problem i dane Sieć neuronowa miała za zadanie nauczyć się klasyfikować wnioski kredytowe. W projekcie wykorzystano dane pochodzące z 110 wniosków
Bardziej szczegółowoAlgorytm 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 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 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 szczegółowoInteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe
Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe Trening jednokierunkowych sieci neuronowych wykład 2. dr inż. PawełŻwan Katedra Systemów Multimedialnych Politechnika Gdańska
Bardziej 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 szczegółowoWielokryteriowa optymalizacja liniowa
Wielokryteriowa optymalizacja liniowa 1. Przy decyzjach złożonych kierujemy się zwykle więcej niż jednym kryterium. Postępowanie w takich sytuacjach nie jest jednoznaczne. Pojawiło się wiele sposobów dochodzenia
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 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 szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowoINSTRUKCJA DO ĆWICZENIA NR 1
L01 ---2014/10/17 ---10:52---page1---#1 KATEDRA MECHANIKI STOSOWANEJ Wydział Mechaniczny POLITECHNIKA LUBELSKA INSTRUKCJA DO ĆWICZENIA NR 1 PRZEDMIOT TEMAT Wybrane zagadnienia z optymalizacji elementów
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 szczegółowoZESZYTY NAUKOWE NR 1(73) AKADEMII MORSKIEJ W SZCZECINIE
ISSN 0209-2069 ZESZYTY NAUKOWE NR 1(73) AKADEMII MORSKIEJ W SZCZECINIE EXPLO-SHIP 2004 Tadeusz Szelangiewicz, Katarzyna Żelazny Prognozowanie charakterystyk napędowych statku ze śrubą stałą podczas pływania
Bardziej szczegółowoDEKOMPOZYCJA HIERARCHICZNEJ STRUKTURY SZTUCZNEJ SIECI NEURONOWEJ I ALGORYTM KOORDYNACJI
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 80 Electrical Engineering 2014 Stanisław PŁACZEK* DEKOMPOZYCJA HIERARCHICZNEJ STRUKTURY SZTUCZNEJ SIECI NEURONOWEJ I ALGORYTM KOORDYNACJI W artykule
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 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 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 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 szczegółowoWprowadzenie do analizy korelacji i regresji
Statystyka dla jakości produktów i usług Six sigma i inne strategie Wprowadzenie do analizy korelacji i regresji StatSoft Polska Wybrane zagadnienia analizy korelacji Przy analizie zjawisk i procesów stanowiących
Bardziej szczegółowoPROGRAMOWANIE DYNAMICZNE W ROZMYTYM OTOCZENIU DO STEROWANIA STATKIEM
Mostefa Mohamed-Seghir Akademia Morska w Gdyni PROGRAMOWANIE DYNAMICZNE W ROZMYTYM OTOCZENIU DO STEROWANIA STATKIEM W artykule przedstawiono propozycję zastosowania programowania dynamicznego do rozwiązywania
Bardziej szczegółowoMetody 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 szczegółowoZastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym
Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym Jan Karwowski Wydział Matematyki i Nauk Informacyjnych PW 17 XII 2013 Jan Karwowski
Bardziej szczegółowoZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE
ZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE INSTYTUT TECHNOLOGII MECHANICZNEJ Metody Sztucznej Inteligencji Sztuczne Sieci Neuronowe Wstęp Sieci neuronowe są sztucznymi strukturami, których
Bardziej szczegółowoSIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU)
SIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU) 1. Opis problemu - ocena końcowa projektu Projekt jako nowe, nietypowe przedsięwzięcie wymaga właściwego zarządzania. Podjęcie się realizacji
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: Sieci neuronowe oraz technologia CUDA
Elbląg, 27.03.2010 Temat: Sieci neuronowe oraz technologia CUDA Przygotował: Mateusz Górny VIII semestr ASiSK Wstęp Sieci neuronowe są to specyficzne struktury danych odzwierciedlające sieć neuronów w
Bardziej szczegółowoZESZYTY NAUKOWE WSOWL. Nr 4 (162) 2011 ISSN NAUKI EKONOMICZNE
ZESZYTY NAUKOWE WSOWL Nr 4 (162) 2011 ISSN 1731-8157 NAUKI EKONOMICZNE Artur DUCHACZEK Dariusz SKORUPKA ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH W SYSTEMACH WSPOMAGANIA DECYZJI Z OBSZARU ZARZĄDZANIA LOGISTYKĄ
Bardziej szczegółowoSIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU)
SIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU) 1. Opis problemu - ocena końcowa projektu Projekt jako nowe, nietypowe przedsięwzięcie wymaga właściwego zarządzania. Podjęcie się realizacji
Bardziej szczegółowoZastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań
Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań Jan Karwowski Wydział Matematyki i Nauk Informacyjnych PW
Bardziej szczegółowoPRÓBA ZASTOSOWANIA SIECI NEURONOWYCH DO PROGNOZOWANIA OSIADAŃ POWIERZCHNI TERENU POWSTAŁYCH NA SKUTEK EKSPLOATACJI GÓRNICZEJ**
Górnictwo i Geoinżynieria Rok 30 Zeszyt 4 2006 Dorota Pawluś* PRÓBA ZASTOSOWANIA SIECI NEURONOWYCH DO PROGNOZOWANIA OSIADAŃ POWIERZCHNI TERENU POWSTAŁYCH NA SKUTEK EKSPLOATACJI GÓRNICZEJ** 1. Wstęp Na
Bardziej szczegółowoZastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)
Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2) Ewa Wołoszko Praca pisana pod kierunkiem Pani dr hab. Małgorzaty Doman Plan tego wystąpienia Teoria Narzędzia
Bardziej szczegółowoZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2014 Seria: TRANSPORT z. 82 Nr kol. 1903
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2014 Seria: TRANSPORT z. 82 Nr kol. 1903 Piotr FOLĘGA 1 DOBÓR ZĘBATYCH PRZEKŁADNI FALOWYCH Streszczenie. Różnorodność typów oraz rozmiarów obecnie produkowanych zębatych
Bardziej szczegółowoOptymalizacja konstrukcji
Optymalizacja konstrukcji Kształtowanie konstrukcyjne: nadanie właściwych cech konstrukcyjnych przeszłej maszynie określenie z jakiego punktu widzenia (wg jakiego kryterium oceny) będą oceniane alternatywne
Bardziej szczegółowoMetoda określania pozycji wodnicy statków na podstawie pomiarów odległości statku od głowic laserowych
inż. Marek Duczkowski Metoda określania pozycji wodnicy statków na podstawie pomiarów odległości statku od głowic laserowych słowa kluczowe: algorytm gradientowy, optymalizacja, określanie wodnicy W artykule
Bardziej szczegółowoĆWICZENIE 5: Sztuczne sieci neuronowe
Instytut Mechaniki i Inżynierii Obliczeniowej Wydział Mechaniczny Technologiczny, Politechnika Śląska www.imio.polsl.pl METODY HEURYSTYCZNE ĆWICZENIE 5: Sztuczne sieci neuronowe opracował: dr inż. Witold
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 szczegółowoPodstawy sztucznej inteligencji
wykład 5 Sztuczne sieci neuronowe (SSN) 8 grudnia 2011 Plan wykładu 1 Biologiczne wzorce sztucznej sieci neuronowej 2 3 4 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką,
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 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 szczegółowoPRACA PRZEJŚCIOWA SYMULACYJNA. Zadania projektowe
Katedra Mechaniki i Podstaw Konstrukcji Maszyn POLITECHNIKA OPOLSKA PRACA PRZEJŚCIOWA SYMULACYJNA Zadania projektowe dr inż. Roland PAWLICZEK Praca przejściowa symulacyjna 1 Układ pracy 1. Strona tytułowa
Bardziej szczegółowoMODELOWANIE KOSZTÓW USŁUG ZDROWOTNYCH PRZY
MODELOWANIE KOSZTÓW USŁUG ZDROWOTNYCH PRZY WYKORZYSTANIU METOD STATYSTYCZNYCH mgr Małgorzata Pelczar 6 Wprowadzenie Reforma służby zdrowia uwypukliła problem optymalnego ustalania kosztów usług zdrowotnych.
Bardziej szczegółowoNajprostsze modele sieci z rekurencją. sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga;
Sieci Hopfielda Najprostsze modele sieci z rekurencją sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga; Modele bardziej złoŝone: RTRN (Real Time Recurrent Network), przetwarzająca sygnały w czasie
Bardziej 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 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 szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej 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 szczegółowoPrognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych.
Metody Sztucznej Inteligencji 2 Projekt Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Autorzy: Robert Wojciechowski Michał Denkiewicz Mateusz Gągol Wstęp Celem projektu
Bardziej szczegółowoZadania i funkcje skrzyń biegów. Opracował: Robert Urbanik Zespół Szkół Mechanicznych w Opolu
Zadania i funkcje skrzyń biegów Opracował: Robert Urbanik Zespół Szkół Mechanicznych w Opolu Zadania skrzyni biegów Skrzynia biegów umożliwia optymalne wykorzystanie mocy silnika. Każdy silnik ma pewien
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 szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania Metody optymalizacji Metody bezgradientowe optymalizacji bez ograniczeń Materiały pomocnicze do ćwiczeń
Bardziej szczegółowoTEMAT: PARAMETRY PRACY I CHARAKTERYSTYKI SILNIKA TŁOKOWEGO
TEMAT: PARAMETRY PRACY I CHARAKTERYSTYKI SILNIKA TŁOKOWEGO Wielkościami liczbowymi charakteryzującymi pracę silnika są parametry pracy silnika do których zalicza się: 1. Średnie ciśnienia obiegu 2. Prędkości
Bardziej szczegółowoSterowanie wielkością zamówienia w Excelu - cz. 3
Sterowanie wielkością zamówienia w Excelu - cz. 3 21.06.2005 r. 4. Planowanie eksperymentów symulacyjnych Podczas tego etapu ważne jest określenie typu rozkładu badanej charakterystyki. Dzięki tej informacji
Bardziej szczegółowoInteligentne systemy przeciw atakom sieciowym
Inteligentne systemy przeciw atakom sieciowym wykład Sztuczne sieci neuronowe (SSN) Joanna Kołodziejczyk 2016 Joanna Kołodziejczyk Inteligentne systemy przeciw atakom sieciowym 2016 1 / 36 Biologiczne
Bardziej szczegółowowiedzy Sieci neuronowe
Metody detekcji uszkodzeń oparte na wiedzy Sieci neuronowe Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 7 Wprowadzenie Okres kształtowania się teorii sztucznych sieci
Bardziej szczegółowoPrzykładowa analiza danych
Przykładowa analiza danych W analizie wykorzystano dane pochodzące z publicznego repozytorium ArrayExpress udostępnionego na stronach Europejskiego Instytutu Bioinformatyki (http://www.ebi.ac.uk/). Zbiór
Bardziej szczegółowoUczenie się pojedynczego neuronu. Jeśli zastosowana zostanie funkcja bipolarna s y: y=-1 gdy z<0 y=1 gdy z>=0. Wówczas: W 1 x 1 + w 2 x 2 + = 0
Uczenie się pojedynczego neuronu W0 X0=1 W1 x1 W2 s f y x2 Wp xp p x i w i=x w+wo i=0 Jeśli zastosowana zostanie funkcja bipolarna s y: y=-1 gdy z=0 Wówczas: W 1 x 1 + w 2 x 2 + = 0 Algorytm
Bardziej szczegółowoZmienne zależne i niezależne
Analiza kanoniczna Motywacja (1) 2 Często w badaniach spotykamy problemy badawcze, w których szukamy zakresu i kierunku zależności pomiędzy zbiorami zmiennych: { X i Jak oceniać takie 1, X 2,..., X p }
Bardziej szczegółowoSIECI RBF (RADIAL BASIS FUNCTIONS)
SIECI RBF (RADIAL BASIS FUNCTIONS) Wybrane slajdy z prezentacji prof. Tadeusiewicza Wykład Andrzeja Burdy S. Osowski, Sieci Neuronowe w ujęciu algorytmicznym, Rozdz. 5, PWNT, Warszawa 1996. opr. P.Lula,
Bardziej szczegółowoWYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI
WYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskiego 8, 04-703 Warszawa tel. (0)
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 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 szczegółowoA Zadanie
where a, b, and c are binary (boolean) attributes. A Zadanie 1 2 3 4 5 6 7 8 9 10 Punkty a (maks) (2) (2) (2) (2) (4) F(6) (8) T (8) (12) (12) (40) Nazwisko i Imiȩ: c Uwaga: ta część zostanie wypełniona
Bardziej szczegółowoPrzykładowe funkcje przejścia używane przy budowie sztucznych neuronów
Przykładowe funkcje przejścia używane przy budowie sztucznych neuronów Funkcja Wzór funkcji Wzór pochodnej Sigmoida f(s)=1/(1+e -(β*s) ) f (s)=β*(1- f(s))* f(s) Funkcje przejścia neuronu powinno się rozpatrywać
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 szczegółowoDocument: Exercise*02*-*manual /11/ :31---page1of8 INSTRUKCJA DO ĆWICZENIA NR 2
Document: Exercise*02*-*manual ---2014/11/12 ---8:31---page1of8 PRZEDMIOT TEMAT KATEDRA MECHANIKI STOSOWANEJ Wydział Mechaniczny POLITECHNIKA LUBELSKA INSTRUKCJA DO ĆWICZENIA NR 2 Wybrane zagadnienia z
Bardziej szczegółowoWidzenie komputerowe
Widzenie komputerowe Uczenie maszynowe na przykładzie sieci neuronowych (3) źródła informacji: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym, WNT 1996 Zdolność uogólniania sieci neuronowej R oznaczenie
Bardziej szczegółowoPROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2
PROGNOZOWANIE PORÓWNAWCZE ENERGII PROCESOWEJ ZESTAWÓW MASZYN DO ROBÓT ZIEMNYCH JAKO CZYNNIKA RYZYKA EMISYJNOŚCI CO2 Celem opracowania algorytmu obliczeń jest umożliwienie doboru zestawu maszyn do robót
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin., Oeconomica 2018, 347(93)4, 57 68
DOI: 1.215/oe218.93.4.5 FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin., Oeconomica 218, 347(93)4, 57 68 Joanna PERZYŃSKA ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH
Bardziej szczegółowoModelowanie jako sposób opisu rzeczywistości. Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka
Modelowanie jako sposób opisu rzeczywistości Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka 2015 Wprowadzenie: Modelowanie i symulacja PROBLEM: Podstawowy problem z opisem otaczającej
Bardziej szczegółowoPorównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych
dr Piotr Sulewski POMORSKA AKADEMIA PEDAGOGICZNA W SŁUPSKU KATEDRA INFORMATYKI I STATYSTYKI Porównanie generatorów liczb losowych wykorzystywanych w arkuszach kalkulacyjnych Wprowadzenie Obecnie bardzo
Bardziej szczegółowoAgnieszka Nowak Brzezińska
Agnieszka Nowak Brzezińska jeden z algorytmów regresji nieparametrycznej używanych w statystyce do prognozowania wartości pewnej zmiennej losowej. Może również byd używany do klasyfikacji. - Założenia
Bardziej szczegółowoOPTYMALIZACJA HARMONOGRAMOWANIA MONTAŻU SAMOCHODÓW Z ZASTOSOWANIEM PROGRAMOWANIA W LOGICE Z OGRANICZENIAMI
Autoreferat do rozprawy doktorskiej OPTYMALIZACJA HARMONOGRAMOWANIA MONTAŻU SAMOCHODÓW Z ZASTOSOWANIEM PROGRAMOWANIA W LOGICE Z OGRANICZENIAMI Michał Mazur Gliwice 2016 1 2 Montaż samochodów na linii w
Bardziej szczegółowoTestowanie modeli predykcyjnych
Testowanie modeli predykcyjnych Wstęp Podczas budowy modelu, którego celem jest przewidywanie pewnych wartości na podstawie zbioru danych uczących poważnym problemem jest ocena jakości uczenia i zdolności
Bardziej szczegółowoAutomatyczna predykcja. Materiały/konsultacje. Co to jest uczenie maszynowe? Przykład 6/10/2013. Google Prediction API, maj 2010
Materiały/konsultacje Automatyczna predykcja http://www.ibp.pwr.wroc.pl/kotulskalab Konsultacje wtorek, piątek 9-11 (uprzedzić) D1-115 malgorzata.kotulska@pwr.wroc.pl Co to jest uczenie maszynowe? Uczenie
Bardziej 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 szczegółowoALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ
ALGORYTMY EWOLUCYJNE W OPTYMALIZACJI JEDNOKRYTERIALNEJ Zalety: nie wprowadzają żadnych ograniczeń na sformułowanie problemu optymalizacyjnego. Funkcja celu może być wielowartościowa i nieciągła, obszar
Bardziej szczegółowoHAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM
ZASTOSOWANIE SIECI NEURONOWYCH W SYSTEMACH AKTYWNEJ REDUKCJI HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM WPROWADZENIE Zwalczanie hałasu przy pomocy metod aktywnych redukcji hałasu polega
Bardziej szczegółowoMODELOWANIE PROCESÓW PRZETWÓRCZYCH Z UŻYCIEM SZTUCZNYCH SIECI NEURONOWYCH
Inżynieria Rolnicza 7(125)/2010 MODELOWANIE PROCESÓW PRZETWÓRCZYCH Z UŻYCIEM SZTUCZNYCH SIECI NEURONOWYCH Jerzy Langman, Norbert Pedryc Katedra Inżynierii Mechanicznej i Agrofizyki, Uniwersytet Rolniczy
Bardziej szczegółowoInformacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów
Eksploracja danych Piotr Lipiński Informacje ogólne Informacje i materiały dotyczące wykładu będą publikowane na stronie internetowej wykładowcy, m.in. prezentacje z wykładów UWAGA: prezentacja to nie
Bardziej szczegółowoWielokryteriowa optymalizacja liniowa cz.2
Wielokryteriowa optymalizacja liniowa cz.2 Metody poszukiwania końcowych rozwiązań sprawnych: 1. Metoda satysfakcjonujących poziomów kryteriów dokonuje się wyboru jednego z kryteriów zadania wielokryterialnego
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 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 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 szczegółowoModele optymalizacyjne wspomagania decyzji wytwórców na rynku energii elektrycznej
Modele optymalizacyjne wspomagania decyzji wytwórców na rynku energii elektrycznej mgr inż. Izabela Żółtowska Promotor: prof. dr hab. inż. Eugeniusz Toczyłowski Obrona rozprawy doktorskiej 5 grudnia 2006
Bardziej szczegółowoModelowanie glikemii w procesie insulinoterapii
Dawid Kaliszewski Modelowanie glikemii w procesie insulinoterapii Promotor dr hab. inż. Zenon Gniazdowski Cel pracy Zbudowanie modelu predykcyjnego przyszłych wartości glikemii diabetyka leczonego za pomocą
Bardziej szczegółowoKodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11,
1 Kwantyzacja skalarna Kodowanie i kompresja Streszczenie Studia Licencjackie Wykład 11, 10.05.005 Kwantyzacja polega na reprezentowaniu dużego zbioru wartości (być może nieskończonego) za pomocą wartości
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 szczegółowoKLASYFIKACJA. Słownik języka polskiego
KLASYFIKACJA KLASYFIKACJA Słownik języka polskiego Klasyfikacja systematyczny podział przedmiotów lub zjawisk na klasy, działy, poddziały, wykonywany według określonej zasady Klasyfikacja polega na przyporządkowaniu
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 szczegółowoOPTYMALIZACJA ZBIORNIKA NA GAZ PŁYNNY LPG
Leon KUKIEŁKA, Krzysztof KUKIEŁKA, Katarzyna GELETA, Łukasz CĄKAŁA OPTYMALIZACJA ZBIORNIKA NA GAZ PŁYNNY LPG Streszczenie Praca dotyczy optymalizacji kształtu zbiornika toroidalnego na gaz LPG. Kryterium
Bardziej szczegółowo