Zastosowanie sztucznych sieci neuronowych do modelowania procesów azotowania próżniowego stali narzędziowych
|
|
- Izabela Drozd
- 5 lat temu
- Przeglądów:
Transkrypt
1 Zastosowanie sztucznych sieci neuronowych do modelowania procesów azotowania próżniowego stali narzędziowych Emilia Wołowiec-Korecka Politechnika Łódzka Zastosowania statystyki i data mining w badaniach naukowych Warszawa, 12 października 2016
2 Wprowadzenie Dla wielu zjawisk ze współczesnej nauki, techniki, ekonomii, biologii nieznane są fenomenologiczne modele matematyczne. Dla wielu istniejących modeli, rozwiązanie interesujące użytkownika jest nieznane lub jego wyznaczenie z trudem poddaje się procesowi algorytmizacji. Problem ten pojawia się m.in. w zagadnieniach klasyfikacji, rozpoznawania, aproksymacji, optymalizacji.
3 Narzędzia dla produkcji masowej Narzędzia do formowania (metali, plastiku, proszków...) Formy, matryce Stemple, sztance Narzędzia tnące (cięcie, wiercenie, frezowanie; metale, stały...) Noże, piły Wiertła, frezy
4 Typy narzędzi Narzędzia do formowania (metali, plastiku, proszków...) Formy, matryce Stemple, sztance Narzędzia tnące (cięcie, wiercenie, frezowanie; metale, stały...) Noże, piły Wiertła, frezy
5 4 WPROWADZENIE Azotowanie pod obniżonym ciśnieniem
6 5 Azotowanie pod obniżonym ciśnieniem Azotowanie pod obniżonym ciśnieniem Zakres temp o C Ciśnienie amoniaku: 30 hpa Materiał badawczy EN X153CrMoV12 EN HS EN 55NiCrMoV7 EN X37CrMoV5-1
7 6 Azotowanie pod obniżonym ciśnieniem Uniwersalny piec próżniowy 15.0 VPT-4022/24N Przestrzeń robocza: 400x400x600 mm Temperatura pracy: C Równomierność temperatury: +/- 5 C Ciśnienie gazu chłodzącego: MPa Próżnia robocza: 10-2 hpa
8 Model matematyczno-fizyczny Na potrzeby badań własnych przyjęto następujące założenia dotyczące zjawisk zachodzących w trakcie procesu azotowania, a które wynikają z modelu fenomenologicznego tego procesu: 1. Proces azotowania jest podzielony organizacyjnie na naprzemiennie następujące po sobie etapy nasycania i wytrzymania; 2. Atmosfera azotująca w fazie nasycania jest dostarczana do powierzchni próbki w sposób ciągły, ze stałym natężeniem przepływu; 3. Skład i ciśnienie atmosfery azotującej pozostają niezmienne podczas faz nasycania; 4. W fazie wytrzymania gaz azotujący nie jest dostarczany, ani nie zalega w przestrzeni azotowania; 5. Atomy azotu są pozyskiwane w wyniku desorpcji produktów dysocjacji amoniaku; 6. Azot jest transportowany do środka materiału w wyniku dyfuzji zgodnie z równaniami Ficka; 7. Współczynnik dyfuzji azotu w materiale zależy od temperatury, stężenia azotu i obecności dodatków stopowych.
9 Sztuczna inteligencja Sztuczna inteligencja dział informatyki zajmujący się rozwiązywaniem problemów wymagających zdolności do samouczenia się i wnioskowania oraz problemów, dla których nie istnieje algorytm rozwiązania lub jest on trudny do zbudowania. Kierunki badań nad sztuczną inteligencją: - pragmatyczny (systemy ekspertowe) - bioniczny (sieci neuronowe)
10 Perceptron model sztucznego neuronu Pojedyncza komórka nerwowa Neuron model matematyczny Sieć neuronowa może aproksymować dowolną funkcję wielu zmiennych z dowolną dokładnością zakładając, że składa się z odpowiedniej liczby neuronów. Sztuczne sieci neuronowe: Interesująca i nowoczesna metoda rozwiązywania zagadnień. Koncepcja sieci oparta na biologicznym modelu mózgu. Podstawową komórka SSN - neuron, nawiązujący do budowy żywej komórki nerwowej.
11 Metodyka badań sieci neuronowych Gromadzenie przypadków uczących Za istotne uznano następujące parametry: temperaturę procesu [K], długość segmentów nasycania azotem [h] oraz segmentów dyfuzji [h], skład chemiczny oraz obróbka wstępna materiału, wielkość powierzchni azotowanej [m2], rodzaj oraz natężenie gazu azotującego [l/min], grubość poszczególnych faz w warstwie azotowanej [µm], Twardość powierzchniowa warstwy azotowanej [HV]. Na podstawie badań eksperymentalnych opracowano wzorce uczące, które podzielono w sposób losowy na zbiory: uczący, testujący i walidacyjny w stosunku: 70% / 15% / 15%. Normalizację sygnałów przeprowadzono w programie Statistica Neural Network.
12 11 Dobór metod obliczeniowych Metoda wstecznej propagacji błędów z członem momentum: y i k t = f s i k t, s i k t = Q i (k) (t) = ቐ N k+1 k+1 δm m=0 N k 1 w ij j=0 d i L t y i L t, dla k = L, (k) (t)xj (k) (t) t w k+1 mi t, dla k = 1,, L 1, δ i k (t) = ε i (k) (t)f si (k) (t) Metoda Broydena-Fletchera-Goldfarba -Shanno gdzie V t = V t rt T V t 1 r t s t T r t st r t T V t 1 + V t 1 r t s s t T r t r t = E w t E w t 1 s t s t T t T s t = w t w t 1 w t = w t 1 ηv t E w t 1 s T r t w ij k t + 1 (k) (k) (k) (k) = w ij t + 2ηδi xj t + α wij t k wij (t 1) gdzie: k numer warstwy, L liczba warstw sieci, y wyjścia sieci, d sygnały wzorcowe, s pobudzenie neuronu, α współczynnik uczenia (tzw. momentum), ε błąd, w wagi neuronów, η współczynnik bezwładności, x sygnał wejściowy, N liczba neuronów w warstwie, Q błąd na wyjściu sieci
13 Model do przewidywania właściwości materiału po procesie azotowania w obniżonym ciśnieniu
14 Przebieg obliczeń w modelu azotowania niskociśnieniowego
15 14 Algorytm obliczeniowy tanh βs = Uczenie: metoda BFGS exp(βs) exp( βs) exp βs + β( βs) FUNKCJE AKTYWACJI: Warstwa ukryta: funkcje aktywacji typu tanh Warstwa wyjściowa: funkcje liniowe FUNKCJA BŁĘDU: wartość entropii krzyżowejh Funkcje błędu: FUNKCJE AKTYWACJI: Warstwa ukryta: funkcje aktywacji wykładnicze Warstwa wyjściowa: funkcja liniowa FUNKCJA BŁĘDU: suma kwadratów różnic E H = σ N i=1 p i log 1, y i k E = i=1 d i y i 2
16 Wyniki badań W Kategoria Kategoria Kategoria Kategoria C Si Mn Cr Mo Ni V TH TO Kategoria [% LO Wyjście Wyjście [%] [%] [%] [%] [%] [%] [%] [C] [C] Wyjście Trafność ] Zm.zal Zespół Zespół 3 1,38 0,28 0,38 0,55 0,00 0,00 0,00 0, do pracy na do pracy na do pracy na do pracy na zimno zimno zimno zimno Poprawne 4 1,18 0,28 0,30 0,00 0,00 0,00 1,30 0, do pracy na do pracy na do pracy na do pracy na zimno zimno zimno zimno Poprawne 11 0,45 0,90 0,30 1,05 0,00 0,00 0,23 1, do pracy na do pracy na do pracy na do pracy na zimno zimno zimno zimno Poprawne 12 0,55 0,90 0,30 1,05 0,00 0,00 0,23 1, do pracy na do pracy na do pracy na do pracy na zimno zimno zimno zimno Poprawne 13 0,50 0,28 0,55 1,35 0,00 3,05 0,50 0, do pracy na do pracy na do pracy na do pracy na zimno zimno zimno zimno Poprawne 14 0,90 0,50 0,30 0,40 0,00 0,00 1,90 9, do pracy na zimno szybkotnąca szybkotnąca szybkotnąca Niepoprawne 15 1,95 0,28 0,30 12,00 0,00 0,00 0,00 0, do pracy na do pracy na do pracy na do pracy na zimno zimno zimno zimno Poprawne 16 0,37 0,28 1,45 2,45 0,40 0,00 0,00 0, do pracy na do pracy na do pracy na do pracy na gorąco gorąco gorąco gorąco Poprawne 17 0,55 0,28 0,65 0,65 0,20 1,60 0,00 0, do pracy na do pracy na do pracy na do pracy na gorąco gorąco gorąco gorąco Poprawne 28 1,38 0,25 0,20 4,30 1,00 0,00 1,50 12, szybkotnąca szybkotnąca szybkotnąca szybkotnąca Poprawne 29 0,92 0,25 0,20 4,30 4,70 0,00 1,90 6, szybkotnąca szybkotnąca szybkotnąca szybkotnąca Poprawne 30 1,13 0,35 0,20 4,00 9,50 0,00 1,15 1, szybkotnąca szybkotnąca szybkotnąca szybkotnąca Poprawne ,37 0,98 0,34 5,57 1,27 0,24 0,29 0, do pracy na do pracy na do pracy na do pracy na gorąco gorąco gorąco gorąco Poprawne Arkusz predykcji grup materiałów
17 Wyniki badań Nazwa sieci MLP MLP MLP Jakość (uczenie) Jakość (test) Jakość (walidacja) Algorytm uczenia Funkcja błędu Aktywacja (ukryte) Aktywacja (wyjściowe) 96,15 100,00 100,00 BFGS 11 SOS Tanh Wykładnicza 100,00 80,00 100,00 BFGS 13 SOS Tanh Wykładnicza 96,15 100,00 100,00 BFGS 12 SOS Wykładnicza Liniowa Podsumowanie procesu uczenia sieci klasyfikujących stal do grupy stali
18 Wejścia sieci neuronowej Wyniki badań Mater iał 1 Mater iał 2 Mater iał 3 Mater iał 4 C 0,55 0,90 0,52 0,37 Si 0,25 0,25 0,23 0,98 Mn 0,81 0,17 0,30 0,34 Cr 0,98 3,45 12,58 5,57 Mo 0,46 4,67 0,72 1,27 Ni 1,51 0,09 0,23 0,24 V 0,07 1,65 1,02 0,29 W 0,00 0,00 0,00 0,00 B 0,00 0,00 0,00 0,00 Co 0,00 0,00 0,00 0,00 TH TO LO Materiał EN 35CrMo8 EN HS6-5-2 EN X153CrMoV12 EN X37CrMoV51 Zbiór weryfikacyjny dla sieci klasyfikującej materiał. TH temperatura hartowania [C], TO temperatura odpuszczania [C], LO liczba zabiegów odpuszczania. Zawartość pierwiastków podano w % wag.
19 Wyniki badań Lp. Temp. [ C] Czas procesu [h] Segmentacja [h] Etap wytrzymania Grubość warstwy dyfuzyjnej [µm] g HV+50 g HV+100 g HV+150 Grubość warstwy azotków [µm] N , N , N 2D w próżni , N 2D w azocie , N 1D w próżni , N 1D w azocie , N 1D 1N 1D w próżni , N 1D 1N 1D w azocie ,0 Wyniki badań grubości warstw dla stali HSS 6-5-2
20 Wyniki badań Temp [C] Wejście Boost [h] Wejście Diffusion [h] Wejście Last diffusion [h] Wejście Gas Wejście Hardness max [HV] Zm.zal Hardness max [HV] Wyjście MLP Hardness max [HV] Reszty ,0 0,0 0, ,0 1177,1-27, ,0 0,0 0, ,0 977,2-27, ,0 2,0 1, ,0 1235,8-48, ,0 2,0 2, ,0 1333,8-45, ,0 2,0 2, ,0 1177,1 9, ,0 1,0 1, ,0 1177,1 2, ,0 0,0 0, ,0 1230,4-43, ,5 2,5 0, ,0 1177,1 97, ,0 2,0 1, ,0 1177,1-7, ,5 2,5 0, ,0 1177,1-7,1 Arkusz predykcji twardości maksymalnej [HV] dla grupy stali warstw azotowanych dla stali o tendencjach do azotowania typowych dla stali do pracy na zimno
21 Wyniki badań Temp [C] Wejście Boost [h] Wejście Diffusion [h] Wejście Last diffusion [h] Wejście Gas Wejście ECD (R+50) [um] Zm.zal ECD (R+50) [um] Wyjście MLP ECD (R+50) [um] Reszty ,0 0,0 0, ,0 121,7 8, ,0 0,0 0,0 0 80,0 79,6 0, ,0 2,0 2,0 1 90,0 90,3-0, ,0 2,0 1, ,0 97,7 2, ,0 1,0 1, ,0 148,8 1, ,0 2,0 2, ,0 120,3-0, ,0 2,0 1, ,0 109,2-9, ,5 2,5 0,5 1 80,0 79,3 0, ,0 2,0 1, ,0 121,1 8, ,5 2,5 0, ,0 119,8 0,2 Arkusz predykcji grubości warstwy dyfuzyjnej [um] (kryterium rdzeń+50hv) dla grupy stali warstw azotowanych dla stali o tendencjach do azotowania typowych dla stali do pracy na zimno
22 21 Wyniki badań Temp [C] Wejście Boost [h] Wejście Diffusion [h] Wejście Last diffusion [h] Wejście Gas Wejście Nitrides network Zm.zal Nitrides network Wyjście MLP Nitrides network Reszty ,0 0,0 0,0 0 5,00 5,03-0, ,0 0,0 0,0 0 4,00 4,15-0, ,0 2,0 2,0 1 4,00 3,95 0, ,0 2,0 2,0 2 4,00 3,95 0, ,0 1,0 1,0 1 4,00 3,95 0, ,0 1,0 1,0 2 4,00 3,95 0, ,0 2,0 1,0 1 3,00 3,95-0, ,5 2,5 0,5 1 1,00 1,09-0, ,0 2,0 1,0 2 4,00 3,95 0, ,5 2,5 0,5 2 4,00 3,95 0,05 Arkusz predykcji grubości warstwy azotków [um] dla grupy stali warstw azotowanych dla stali o tendencjach do azotowania typowych dla stali do pracy na zimno.
23 22 Symulator azotowania niskociśnieniowego
24 23 Weryfikacja doświadczalna Form a Dysze Twardość powierzchni [HV] Grubość warstwy dyfuzyjnej [µm] Grubość warstwy γ +ε [µm] Siatka azotków Model brak 1% 2% Pomiar cienka Model cienka 4% 10% Pomiar cienka
25 24 Podsumowanie i wnioski Modele oparte na metodzie sztucznych sieci neuronowych mogą być stosowane z dużym prawdopodobieństwem sukcesu wszędzie tam, gdzie pojawiają się problemy związane z tworzeniem modeli fenomenologicznych (m.in. zjawisk mało poznanych). Odwzorowują nawet bardzo złożone funkcje a sama metoda SSN jest łatwa w użyciu (w praktyce sama konstruuje potrzebny model, opierając się na podanych przykładach). Zaproponowany model azotowania przy obniżonym ciśnieniu umożliwia projektowanie, przewidywanie i optymalizację w/w procesów. W modelu zapewniono przebieg obliczeń w czasie rzeczywistym. Zgodność wyników obliczeń modelu numerycznego z wynikami doświadczalnymi potwierdza realizację zasadniczego celu pracy.
ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO MODELOWANIA PROCESÓW AZOTOWANIA PRÓŻNIOWEGO STALI NARZĘDZIOWYCH
ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO MODELOWANIA PROCESÓW AZOTOWANIA PRÓŻNIOWEGO STALI NARZĘDZIOWYCH Emilia Wołowiec-Korecka, Instytut Inżynierii Materiałowej, Politechnika Łódzka Narzędzia skrawające
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 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 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 szczegółowoIMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ
IMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ Celem ćwiczenia jest zapoznanie się ze sposobem działania sieci neuronowych typu MLP (multi-layer perceptron) uczonych nadzorowaną (z nauczycielem,
Bardziej 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 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 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 szczegółowoSTAL NARZĘDZIOWA DO PRACY NA GORĄCO
STAL NARZĘDZIOWA DO PRACY NA GORĄCO Stal BÖHLER W360 ISOBLOC jest stalą narzędziową na matryce i stemple do kucia na zimno i na gorąco. Stal ta może mieć szerokie zastosowanie, gdzie wymagane są wysoka
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 szczegółowoSztuczne sieci neuronowe
www.math.uni.lodz.pl/ radmat Cel wykładu Celem wykładu jest prezentacja różnych rodzajów sztucznych sieci neuronowych. Biologiczny model neuronu Mózg człowieka składa się z około 10 11 komórek nerwowych,
Bardziej szczegółowoSTAL NARZĘDZIOWA DO PRACY NA ZIMNO
STAL NARZĘDZIOWA DO PRACY NA ZIMNO Jakościowe porównanie głównych własności stali Tabela daje jedynie wskazówki, by ułatwić dobór stali. Nie uwzględniono tu charakteru obciążenia narzędzia wynikającego
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 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 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 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 szczegółowoWprowadzenie do teorii systemów ekspertowych
Myślące komputery przyszłość czy utopia? Wprowadzenie do teorii systemów ekspertowych Roman Simiński siminski@us.edu.pl Wizja inteligentnych maszyn jest od wielu lat obecna w literaturze oraz filmach z
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 szczegółowoSTAL NARZĘDZIOWA DO PRACY NA ZIMNO
STAL NARZĘDZIOWA DO PRACY NA ZIMNO Jakościowe porównanie głównych własności stali Tabela daje jedynie wskazówki, by ułatwić dobór stali. Nie uwzględniono tu charakteru obciążenia narzędzia wynikającego
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 szczegółowoKatedra Zarządzania i Informatyki Politechnika Śląska
prof. dr hab. Tadeusz Wieczorek mgr inż. Krystian Mączka Katedra Zarządzania i Informatyki Politechnika Śląska Charakterystyka procesu topienia złomu w piecu łukowym Problemy do rozwiązania Prezentacja
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 szczegółowoZastosowanie metod eksploracji danych Data Mining w badaniach ekonomicznych SAS Enterprise Miner. rok akademicki 2013/2014
Zastosowanie metod eksploracji danych Data Mining w badaniach ekonomicznych SAS Enterprise Miner rok akademicki 2013/2014 Sieci neuronowe Sieci neuronowe W XIX wieku sformułowano teorię opisującą podstawowe
Bardziej szczegółowoPOLITECHNIKA CZĘSTOCHOWSKA
POLITECHNIKA CZĘSTOCHOWSKA Instytut Inżynierii Materiałowej Stale narzędziowe do pracy na zimno CEL ĆWICZENIA Celem ćwiczenia jest zapoznanie się ze składem chemicznym, mikrostrukturą, właściwościami mechanicznymi
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 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 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 szczegółowoWstęp do teorii sztucznej inteligencji Wykład II. Uczenie sztucznych neuronów.
Wstęp do teorii sztucznej inteligencji Wykład II Uczenie sztucznych neuronów. 1 - powtórzyć o klasyfikacji: Sieci liniowe I nieliniowe Sieci rekurencyjne Uczenie z nauczycielem lub bez Jednowarstwowe I
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 szczegółowoWstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3
Wstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3 Andrzej Rutkowski, Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-11-05 Projekt
Bardziej szczegółowo1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda
Sieci neuropodobne 1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN Agenda Trochę neurobiologii System nerwowy w organizmach żywych tworzą trzy
Bardziej 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 szczegółowoInteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe
Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe wykład 1. Właściwości sieci neuronowych Model matematyczny sztucznego neuronu Rodzaje sieci neuronowych Przegląd d głównych g
Bardziej 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 szczegółowosynaptycznych wszystko to waży 1.5 kg i zajmuje objętość około 1.5 litra. A zużywa mniej energii niż lampka nocna.
Sieci neuronowe model konekcjonistyczny Plan wykładu Mózg ludzki a komputer Modele konekcjonistycze Perceptron Sieć neuronowa Uczenie sieci Sieci Hopfielda Mózg ludzki a komputer Twój mózg to 00 000 000
Bardziej szczegółowo6. Perceptron Rosenblatta
6. Perceptron Rosenblatta 6-1 Krótka historia perceptronu Rosenblatta 6-2 Binarne klasyfikatory liniowe 6-3 Struktura perceptronu Rosenblatta 6-4 Perceptron Rosenblatta a klasyfikacja 6-5 Perceptron jednowarstwowy:
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 szczegółowoMetody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści
Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, 2012 Spis treści Przedmowa do wydania drugiego Przedmowa IX X 1. Wstęp 1 2. Wybrane zagadnienia sztucznej inteligencji
Bardziej 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 szczegółowoSTAL NARZĘDZIOWA DO PRACY NA GORĄCO
STAL NARZĘDZIOWA DO PRACY NA GORĄCO Jakościowe porównanie najważniejszych własności stali 1) Stal Maraging (temperatura maraging ok. 480 C); w tym stanie nie porównywalna ze stalami do ulepszania cieplnego.
Bardziej szczegółowoZastosowania sieci neuronowych - automatyka identyfikacja sterowanie
Zastosowania sieci neuronowych - automatyka identyfikacja sterowanie LABORKA Piotr Ciskowski ZASTOSOWANIA SIECI NEURONOWYCH IDENTYFIKACJA zastosowania przegląd zastosowania sieci neuronowych: o identyfikacja
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 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 szczegółowoElementy inteligencji obliczeniowej
Elementy inteligencji obliczeniowej Paweł Liskowski Institute of Computing Science, Poznań University of Technology 9 October 2018 1 / 19 Perceptron Perceptron (Rosenblatt, 1957) to najprostsza forma sztucznego
Bardziej szczegółowoMetody otrzymywania warstw powierzchniowych
mechaniczne: Nagniatanie, obróbka plastyczna na zimno Fizyczne: Osadzanie z fazy gazowej, implantowanie jonów (stopowanie jonowe) cieplno-mechaniczne: natryskiwanie, natapianie natryskowe, platerowanie,
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 szczegółowoSystemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład III 2016/2017
Systemy pomiarowo-diagnostyczne Metody uczenia maszynowego wykład III bogumil.konopka@pwr.edu.pl 2016/2017 Wykład III - plan Regresja logistyczna Ocena skuteczności klasyfikacji Macierze pomyłek Krzywe
Bardziej szczegółowoSztuczne Sieci Neuronowe. Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW
Sztuczne Sieci Neuronowe Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW SN są częścią dziedziny Sztucznej Inteligencji Sztuczna Inteligencja (SI) zajmuje się
Bardziej 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 szczegółowoInnowacyjne warstwy azotowane nowej generacji o podwyższonej odporności korozyjnej wytwarzane na elementach maszyn
Tytuł projektu: Innowacyjne warstwy azotowane nowej generacji o podwyższonej odporności korozyjnej wytwarzane na elementach maszyn Umowa nr: TANGO1/268920/NCBR/15 Akronim: NITROCOR Planowany okres realizacji
Bardziej szczegółowowiedzy Sieci neuronowe (c.d.)
Metody detekci uszkodzeń oparte na wiedzy Sieci neuronowe (c.d.) Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 8 Metody detekci uszkodzeń oparte na wiedzy Wprowadzenie
Bardziej szczegółowoZachodniopomorski Uniwersytet Technologiczny INSTYTUT INŻYNIERII MATERIAŁOWEJ Zakład Metaloznawstwa i Odlewnictwa
Zachodniopomorski Uniwersytet Technologiczny INSTYTUT INŻYNIERII MATERIAŁOWEJ Zakład Metaloznawstwa i Odlewnictwa Przedmiot: Inżynieria Powierzchni / Powłoki Ochronne / Powłoki Metaliczne i Kompozytowe
Bardziej szczegółowoALGORYTMY SZTUCZNEJ INTELIGENCJI W LOGISTYCE
PRACE NAUKOWE POLITECHNIKI WARSZAWSKIEJ z. 117 Transport 2017 Arkadiusz Jóźwiak Wojskowa Akademia Techniczna, Wydział Logistyki, Instytut Logistyki Andrzej Świderski Instytut Transportu Samochodowego ALGORYTMY
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 szczegółowoLiteratura. Sztuczne sieci neuronowe. Przepływ informacji w systemie nerwowym. Budowa i działanie mózgu
Literatura Wykład : Wprowadzenie do sztucznych sieci neuronowych Małgorzata Krętowska Wydział Informatyki Politechnika Białostocka Tadeusiewicz R: Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa
Bardziej szczegółowoWYNIKI REALIZOWANYCH PROJEKTÓW BADAWCZYCH
PROPONOWANA TEMATYKA WSPÓŁPRACY prof. dr hab. inż. WOJCIECH KACALAK WYNIKI REALIZOWANYCH PROJEKTÓW BADAWCZYCH 00:00:00 --:-- --.--.---- 1 111 PROPOZYCJE PROPOZYCJE DO WSPÓŁPRACY Z PRZEMYSŁEM W ZAKRESIE
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 szczegółowoSieć przesyłająca żetony CP (counter propagation)
Sieci neuropodobne IX, specyficzne architektury 1 Sieć przesyłająca żetony CP (counter propagation) warstwa Kohonena: wektory wejściowe są unormowane jednostki mają unormowane wektory wag jednostki są
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 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 szczegółowoSTAL NARZĘDZIOWA DO PRACY NA GORĄCO
STAL NARZĘDZIOWA DO PRACY NA GORĄCO Żywotność narzędzi wzrasta wraz ze wzrostem twardości roboczej Najważniejszymi czynnikami, pomiędzy innymi, które mogą skutkować zmniejszeniem kosztów produkcji są długi
Bardziej szczegółowoPolitechnika Koszalińska
Politechnika Dotacje na innowacje PROJEKT WSPÓŁFINANSOWANY PRZEZ UNIĘ EUROPEJSKĄ Z EUROPEJSKIEGO FUNDUSZU ROZWOJU REGIONALNEGO W RAMACH PROGRAMU INNOWACYJNA GOSPODARKA, 2007-2013 Instytut Mechatroniki,
Bardziej szczegółowoELEMENTY SZTUCZNEJ INTELIGENCJI. Sztuczne sieci neuronowe
ELEMENTY SZTUCZNEJ INTELIGENCJI Sztuczne sieci neuronowe Plan 2 Wzorce biologiczne. Idea SSN - model sztucznego neuronu. Perceptron prosty i jego uczenie regułą delta Perceptron wielowarstwowy i jego uczenie
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 szczegółowoSztuczne sieci neuronowe
Wydział Zarządzania AGH Katedra Informatyki Stosowanej Sztuczne sieci neuronowe Sztuczne sieci neuronowe Wprowadzenie Trochę historii Podstawy działania Funkcja aktywacji Typy sieci 2 Wprowadzenie Zainteresowanie
Bardziej szczegółowoDeep Learning na przykładzie Deep Belief Networks
Deep Learning na przykładzie Deep Belief Networks Jan Karwowski Zakład Sztucznej Inteligencji i Metod Obliczeniowych Wydział Matematyki i Nauk Informacyjnych PW 20 V 2014 Jan Karwowski (MiNI) Deep Learning
Bardziej szczegółowoBIOCYBERNETYKA SIECI NEURONOWE. Akademia Górniczo-Hutnicza. Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej.
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej BIOCYBERNETYKA Adrian Horzyk SIECI NEURONOWE www.agh.edu.pl Mózg inspiruje nas od wieków Co takiego
Bardziej szczegółowoSieci neuronowe jako sposób na optymalizacje podejmowanych decyzji. Tomasz Karczyoski Wydział W-08 IZ
optymalizacje podejmowanych decyzji Tomasz Karczyoski Wydział W-08 IZ Czym są sieci neuronowe Struktura matematycznych oraz programowy lub sprzętowy model, realizujących obliczenia lub przetwarzanie sygnałów
Bardziej szczegółowoZastosowanie programu DICTRA do symulacji numerycznej przemian fazowych w stopach technicznych kontrolowanych procesem dyfuzji" Roman Kuziak
Zastosowanie programu DICTRA do symulacji numerycznej przemian fazowych w stopach technicznych kontrolowanych procesem dyfuzji" Roman Kuziak Instytut Metalurgii Żelaza DICTRA jest pakietem komputerowym
Bardziej szczegółowoPodstawy Sztucznej Inteligencji Sztuczne Sieci Neuronowe. Krzysztof Regulski, WIMiIP, KISiM, B5, pok. 408
Podstawy Sztucznej Inteligencji Sztuczne Sieci Neuronowe Krzysztof Regulski, WIMiIP, KISiM, regulski@aghedupl B5, pok 408 Inteligencja Czy inteligencja jest jakąś jedną dziedziną, czy też jest to nazwa
Bardziej szczegółowoWstęp do sztucznych sieci neuronowych
Wstęp do sztucznych sieci neuronowych Michał Garbowski Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Wydział Informatyki 15 grudnia 2011 Plan wykładu I 1 Wprowadzenie Inspiracja biologiczna
Bardziej szczegółowoRecenzja rozprawy doktorskiej mgr inż. Joanny Wróbel
Prof. dr hab. inż. Tadeusz BURCZYŃSKI, czł. koresp. PAN Instytut Podstawowych Problemów Techniki PAN ul. A. Pawińskiego 5B 02-106 Warszawa e-mail: tburczynski@ippt.pan.pl Warszawa, 15.09.2017 Recenzja
Bardziej szczegółowoSztuczna inteligencja
Sztuczna inteligencja Wykład 7. Architektury sztucznych sieci neuronowych. Metody uczenia sieci. źródła informacji: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym, WNT 1996 Podstawowe architektury
Bardziej szczegółowoSIEĆ NEURONOWA JAKO NARZĘDZIE APROKSYMACJI I KLASYFIKACJI DANYCH. Jakub Karbowski Gimnazjum nr 17 w Krakowie
SIEĆ NEURONOWA JAKO NARZĘDZIE APROKSYMACJI I KLASYFIKACJI DANYCH Jakub Karbowski Gimnazjum nr 17 w Krakowie KRAKÓW 2017 1. Spis treści 2. WSTĘP 2 3. SIECI NEURONOWE 2 3.1. Co to są sieci neuronowe... 2
Bardziej szczegółowoMETODY INŻYNIERII WIEDZY
METODY INŻYNIERII WIEDZY SZTUCZNE SIECI NEURONOWE MLP Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii
Bardziej szczegółowoSztuczne sieci neuronowe (SNN)
Sztuczne sieci neuronowe (SNN) Pozyskanie informacji (danych) Wstępne przetwarzanie danych przygotowanie ich do dalszej analizy Selekcja informacji Ostateczny model decyzyjny SSN - podstawy Sieci neuronowe
Bardziej szczegółowoStal Niskowęglowa: Cynowane
Stal Niskowęglowa: Cynowane Skład chemiczny Skład chemiczny nie jest określany w normach. Element % wagi (maksymalna, chyba, że zostanie ustanowiona inna wartość) (Typ A) (Typ B) C 0,04-0,08 0,09-0,12
Bardziej szczegółowoSystemy agentowe. Sieci neuronowe. Jędrzej Potoniec
Systemy agentowe Sieci neuronowe Jędrzej Potoniec Perceptron (Rossenblat, 1957) A. Géron, Hands-On Machine Learning with Scikit-Learn and TensorFlow 2017 Perceptron { 1 z 0 step(z) = 0 w przeciwnym przypadku
Bardziej szczegółowoBadacze zbudowali wiele systemów technicznych, naśladujących w komputerze ludzki mózg. Najbardziej pożyteczne okazały się sieci neuronowe.
Naśladując w komputerze ludzki mózg staramy się połączyć zalety komputera (dostępność i szybkość działania) z zaletami mózgu (zdolność do uczenia się) informatyka + 2 Badacze zbudowali wiele systemów technicznych,
Bardziej szczegółowoWIELOCZUJNIKOWE NADZOROWANIE STANU NARZĘDZI
Posiedzenie Sekcji Podstaw Technologii Komitetu Budowy Maszyn Polskiej Akademii Nauk 20 kwietnia 2004 WIELOCZUJNIKOWE NADZOROWANIE STANU NARZĘDZI prof. dr hab. inż. Krzysztof Jemieniak Plan prezentacji
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 szczegółowo1. OZNACZANIE STALI WEDŁUG NORM EUROPEJSKICH
1. OZNACZANIE STALI WEDŁUG NORM EUROPEJSKICH Zgodnie z Normami Europejskimi obowiązują dwa systemy oznaczania stali: znakowy (według PN-EN 10027-1: 1994); znak stali składa się z symboli literowych i cyfr;
Bardziej szczegółowoSystemy agentowe. Sieci neuronowe. Jędrzej Potoniec
Systemy agentowe Sieci neuronowe Jędrzej Potoniec Złe wieści o teście To jest slajd, przy którym wygłaszam złe wieści. Perceptron (Rossenblat, 1957) A. Géron, Hands-On Machine Learning with Scikit-Learn
Bardziej szczegółowoBudowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego
Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne
Bardziej szczegółowoOpis efektów kształcenia dla modułu zajęć
Nazwa modułu: Podstawy obróbki cieplnej Rok akademicki: 2013/2014 Kod: MIM-1-505-s Punkty ECTS: 4 Wydział: Inżynierii Metali i Informatyki Przemysłowej Kierunek: Inżynieria Materiałowa Specjalność: Poziom
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 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 szczegółowoLABORATORIUM NAUKI O MATERIAŁACH
Politechnika Łódzka Wydział Mechaniczny Instytut Inżynierii Materiałowej LABORATORIUM NAUKI O MATERIAŁACH Ćwiczenie nr 5 Temat: Stale stopowe, konstrukcyjne, narzędziowe i specjalne. Łódź 2010 1 S t r
Bardziej szczegółowoWYKŁAD 4 PLAN WYKŁADU. Sieci neuronowe: Algorytmy uczenia & Dalsze zastosowania. Metody uczenia sieci: Zastosowania
WYKŁAD 4 Sieci neuronowe: Algorytmy uczenia & Dalsze zastosowania PLAN WYKŁADU Metody uczenia sieci: Uczenie perceptronu Propagacja wsteczna Zastosowania Sterowanie (powtórzenie) Kompresja obrazu Rozpoznawanie
Bardziej szczegółowoNawęglanie Niskociśnieniowe ( Nawęglanie Próżniowe) Dlaczego stosowane?
Nawęglanie Niskociśnieniowe ( Nawęglanie Próżniowe) Dlaczego stosowane? Historia Lata sześćdziesiąte, prace laboratoryjne. Wydział Metalurgii i Materiałów Uniwersytetu w Birmingham. Początek lat siedemdziesiątych.
Bardziej szczegółowoObróbka cieplna stali
Obróbka cieplna stali Obróbka cieplna stopów: zabiegi cieplne, które mają na celu nadanie im pożądanych cech mechanicznych, fizycznych lub chemicznych przez zmianę struktury stopu. Podstawowe etapy obróbki
Bardziej szczegółowoSłowa kluczowe: sztuczna sieć neuronowa; system wspomagania decyzji; kucie matrycowe; trwałość narzędzi kuźniczych; zużycie i mechanizmy niszczące;
Dr hab. inż. Marek Hawryluk Katedra Obróbki Plastycznej i Metrologii Wydział Mechaniczny Politechnika Wrocławska Wybrzeże Wyspiańskiego 25, 50-370 Wrocław, Polska E-mail: marek.hawryluk@pwr.edu.pl Dr inż.
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 szczegółowoPodstawy sztucznej inteligencji
wykład 5 Sztuczne sieci neuronowe (SSN) 28 listopad 2012 Plan wykładu 1 Biologiczne wzorce sztucznej sieci neuronowej 2 3 4 5 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest
Bardziej szczegółowoSztuczne sieci neuronowe w zastosowaniu do modelowania fazy wznoszenia samolotu
Paulina Stańczyk 1, Anna Stelmach 2 Wydział Transportu Politechniki Warszawskiej Sztuczne sieci neuronowe w zastosowaniu do modelowania fazy wznoszenia samolotu 1. WPROWADZENIE W ostatnich latach na świecie,
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 szczegółowo43 edycja SIM Paulina Koszla
43 edycja SIM 2015 Paulina Koszla Plan prezentacji O konferencji Zaprezentowane artykuły Inne artykuły Do udziału w konferencji zaprasza się młodych doktorów, asystentów i doktorantów z kierunków: Inżynieria
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 szczegółowoSeminarium magisterskie. Dyskusja nad tematem pracy magisterskiej pisanej pod kierunkiem pani Dr hab. Małgorzaty Doman
Seminarium magisterskie Dyskusja nad tematem pracy magisterskiej pisanej pod kierunkiem pani Dr hab. Małgorzaty Doman Plan wystąpienia Ogólnie o sztucznych sieciach neuronowych Temat pracy magisterskiej
Bardziej szczegółowo