Modele rozmyte 1. Model Mamdaniego
|
|
- Krzysztof Madej
- 5 lat temu
- Przeglądów:
Transkrypt
1 Modele rozmte Cel torzena noch model: dążene do uzskana coraz ększej dokładnośc, maroośc lub uproszczena struktur. Model Mamdanego Np.: -^ + R: JEŻELI jest to jest B R: JEŻELI jest to jest B R: JEŻELI jest to jest B Gdze około, około, około B około, B około, B około należ do przedzału, Mamdan 97 zastosoał deę rozmtego modelu do steroana. - zbór reguł, z którch każda defnuje jeden rozmt punkt przestrzen locznu kartezjańskego XY - zbór punktó torz rozmt kres B B B model R R R sstem Model Mamdanego jest reprezentoan przez zbór reguł o postac: R: JEŻELI jest to jest B R: JEŻELI jest to jest B Modeloane za pomocą charakterstcznch ażnch punktó modelu - ustuoane na charakterstce modelu - nne ustuoane B B B R model R* sstem R* Wkład opracoano na podstae podręcznka ndrzeja Pegata Modeloane steroane rozmte, kademcka Ofcna Wdancza EXIT, Warszaa 999.
2 Lngstczne nelngstczne modele Mamadanego - lngstczne gd mała lość etket lngstcznch np. mał, sredn, duż. - nelngstczne, gd ększa lczba np. -9, ted około, td. Poerzchna sstemu Model Takag-Sugeno Różn sę od model Mamdanego postacą reguł. JEŻELI jest to f Czl konkluzja zaera ne zbór rozmt, a funkcję lnoą lub nelnoą. Baza reguł ma postać R: JEŻELI jest to f R: JEŻELI jest to f Wjśce modelu oblcza sę na podstae stopna aktacj poszczególnch konkluzj m m f
3 Przkład: Dan jest model TS z bazą reguł R: JEŻELI jest TO -+ R: JEŻELI jest TO -/ R: JEŻELI jest TO -+/ Funkcje prznależnośc mają postać / -+/ poerzchna sstemu odpoada dokładne konkluzjom reguł tlko ted gd,, pozostałch przpadkach jest przejśce od jednej form lnoej do nnej trapezoe funkcje prznależnośc
4 Krtera podobeństa sstemu jego modelu. Krterum podobnego odzoroana ektora ejść X S na jśce Prz dentcznch ektorach ejścoch sstemu modelu jśce modelu M ponno bć możle blske jśca sstemu S dla całej dzedzn. Krterum podobnego odzoroana zman X S ektora ejścoego na zmanę jśca Model sstem są podobne óczas, gd zmana X S zostaje odzoroana na podobne sobe zman S M Stosoane operatoró MIN do agregacj przesłanek składoch lub przeproadzane defuzfkacj metodą najększego maksmum proadza do modelu stref neczułośc, którch ne reaguje on na zman ejść krtera. Metod modeloana rozmtego. Torzene model rozmtch na baze edz eksperta. Torzene samonastrajającch sę model rozmtch na baze danch pomaroch e/ sstemu. Torzene samoorganzującch samonastrajającch sę model rozmtch na baze danch pomaroch ad.. na baze edz eksperta persz rodzaj modeloana rozmtego zastosoan praktce bazuje na edz dośadczenu eksperta sstemu doskonale znającego sstem szstke jego zachoana Jeżel pedał gazu mocno cśnęt to duże przspeszene edza eksperta co to znacz mocno duże 7 8
5 Problem: tak model ne zaera nejanej edz o ssteme czuce sstemu, ntucja ekspert ne jest stane przekazać edz o mechanzmach noskoana zachodzącch jego umśle, o rodzaju funkcj prznależnośc, o rodzaju operatoró logcznch Uag: modele tego samego sstemu dla różnch ekspertó mogą sę różnć model erbaln może bć perszm etapem, dalej strojene preczjne modele erbalne daje sę skonstruoać przpadku sstemó mechancznch elektrcznch, mnej dla termcznch chemcznch, a najmnej dla ekonomcznch socjologcznch model erbaln na baze edz eksperta umożla torzene tlko modelu Mamdanego Modele samonastrajające sę na baze danch pomaroch Struktura sstemu znana stała baza reguł zboró rozmtch ne podlega zmanom Strojene modelu określene takch parametró f. prznależnośc, które mnmalzują błąd modelu zgl. modeloanego sstemu zmana rodzaju operatoró agregacj, metod noskoana metod defuzfkacj, rodzaju f. prznależnośc odcnkoo-lnoe, gaussoske Metod strojena optmalzacj:. rozmte sec neuronoe przekształcene sstemu rozmtego seć neuronoą. algortm genetczne poszukane optmalnch parametró modelu rozmtego. metod oparte na klasterzacj. metod heurstczne 9
6 Rozmte sec neuronoe strojene parametró sstemu rozmtego Sec RBF neuron z radalnm funkcjam bazom aktacj f f c c ektor spółrzędnch centrum funkcj Dla układó eloejścoch: JEŻELI jest blsko c I jest blsko c TO jest blsko f e p c σ Gaussoska funkcja RBF dobrze sę nadaje do modeloana reguł rozmtch σ σ - c - c JEŻELI jest blsko c TO jest blsko f e c σ
7 Cz można przedstać sstem rozmt postac sec neuronoej? Przekształcene rozmtego modelu Mamdanego seć neuronoą Przekształcene bloku FUZYFIKCJ W trakce nauczana sec strojenu podlegają parametr a funkcj prznależnośc. Stąd koneczne jest określene pochodnch jść bloku zględem tch parametró. Sstem M S D Sl Sp Fuz Baza reguł Inferencja Defuz a a a a Schemat sztucznego neuronu p p c Funkcja propagacj Funkcja aktacj p s + s a M a a D a a a Μ D Sl Sp S
8 M gd < a a gd a < a a a gd a a M a a a gd a poza tm < a a M a a a td. gd a poza tm < a Sec z neuronam GRBF są różnczkoalne sposób cągł, ale proadzają błąd transformacj trójkąt to ne kapelusz. Modele rozmte korzstują często nesmetrczne funkcje trójkątne, trzeba b zatem proadzć nesmetrczne funkcje GRBF, a to komplkuje problem. Przekształcene elementó bloku Baza Reguł Wjśce bloku fuzfkacja - stopne prznależnośc poszczególnch ejść do zboró rozmtch. W bloku baza reguł oblcza sę stopeń spełnena całej przesłank złożonej, któr aktzuje funkcję prznależnośc konkluzj. Tu operacje I oraz LUB konane są za pomocą t-norm s-norm. IF ND OR ND THEN B l Kłopot z MX MIN oraz negacją są neróżnczkoalne? Wjśce neuronu MX reaguje zmaną na zmanę ejśca tlko óczas, gd ma,, p mn,, p ma,, p negacja B B, B, 6
9 Przekształcene bloku defuzfkacja np. defuzfkacja sngletonoa zastąpene zboró jśca artoścą rzeczstą najższm punkce lub środku cężkośc B B Metod strojena q l q l Bl Bl Bl B q B q Zalet rozmtch sec neuronoch umożla optmalzację strojene parametró modelu rozmtego na baze danch pomaroch e/ sstemu rzeczstego umożla korektę nedokładnch model rozmtch sformułoanch przez ekspertó umożla uzupełnene model rozmtch sformułoanch przez ekspertó tch rejonach przestrzen ejść, którch brak jest edz eksperckej posada strukturę parametr zrozumałe dla człoeka rażena lngstczne reguł. Umożla to uogólnene edz zaartej zaszumonch danch pomaroch przedstaena jej zrozumałej dla człoeka forme słonch reguł ekstrakcja edz można łato proadzć stępną lub częścoą edzę o modeloanm ssteme można łato trafne określć strukturę sec lość neuronó każdej z arst. Strojene łączne parametró arst defuzfkacjnej szbke. Jednoczesne strojene szstkch parametró całej sec olnejsze, najlepsze rezultat. Przemenne strojene parametró szbsze, do nauczana można stosoać np. alg. gen. 7 8
Monitorowanie i Diagnostyka w Systemach Sterowania
Montoroane Dagnostka Sstemach Steroana Katedra Inżner Sstemó Steroana Dr nż. Mchał Grochosk Montoroane Dagnostka Sstemach Steroana na studach II stopna specjalnośc: Sstem Steroana Podejmoana Deczj Maszn
Bardziej szczegółowoELEMENTY TEORII ZBIORÓW ROZMYTYCH
ELEMENTY TEORII ZBIORÓW ROZMYTYCH OPRACOWAŁ: M. KWIESIELEWICZ POJĘCIA NIEPRECYZYJNE ODDZIAŁYWANIA CZŁOWIEK-OBIEKT TECHNICZNY OTOCZENIE (Hoang 990: człowieka na otoczenie, np.: ergonomiczna konstrukcja
Bardziej szczegółowoPattern Classification
Pattern Classfcaton All materals n these sldes ere taken from Pattern Classfcaton nd ed by R. O. Duda, P. E. Hart and D. G. Stork, John Wley & Sons, 000 th the permsson of the authors and the publsher
Bardziej szczegółowoWstęp do Sztucznej Inteligencji: Laboratorium Sterownik rozmyty
Wstęp do Sztucznej Inteligencji: Laboratorium Sterowni rozmt Zbior rozmte pozwalają w sposób usstematzowan modelować pojęcia niepreczjne, jaimi ludzie posługują się na co dzień. Przładem może bć wrażenie
Bardziej szczegółowotermodynamika fenomenologiczna p, VT V, teoria kinetyczno-molekularna <v 2 > termodynamika statystyczna n(v) to jest długi czas, zachodzi
fzka statstczna stan makroskopow układ - skończon obszar przestrzenn (w szczególnośc zolowan) termodnamka fenomenologczna p, VT V, teora knetczno-molekularna termodnamka statstczna n(v) stan makroskopow
Bardziej szczegółowoSterowanie rozmyte. mgr inż. Piotr Fiertek p. 544
Sterowanie rozmte mgr inż. Piotr iertek p. 544 Literatura do wkładu: D. Driankov H. Hellendoorn M. einfrank Wprowadzenie do sterowania ozmtego Wdawnictwo Naukowo-Techniczne Warszawa 996 Piegat A.: Modelowanie
Bardziej szczegółowoTeoria i praktyka. Wyższa Szkoła Turystyki i Ekologii. Fizyka. WSTiE Sucha Beskidzka Fizyka
Nepewośc pomarowe. Teora praktka. Prowadząc: Dr ż. Adrzej Skoczeń Wższa Szkoła Turstk Ekolog Wdzał Iformatk, rok I Fzka 014 03 30 WSTE Sucha Beskdzka Fzka 1 Iformacje teoretcze zameszczoe a slajdach tej
Bardziej szczegółowoRysunek 1-1. Przykładowy zbiór klasyczny (nierozmyty) oraz jego funkcja przynale żności.
Podstaw logiki rozmtej i regulatorów rozmtch. Zbiór rozmt Pojęcie zbioru rozmtego zostało wprowadzone przez L. A. Zadeha w 965. Celem wprowadzenia tego pojęcia bła chęć modelowania procesów złożonch, w
Bardziej szczegółowoFUNKCJE DWÓCH ZMIENNYCH
FUNKCJE DWÓCH MIENNYCH De. JeŜel kaŝdemu puktow (, ) ze zoru E płaszczz XY przporządkujem pewą lczę rzeczwstą z, to mówm, Ŝe a zorze E określoa została ukcja z (, ). Gd zór E e jest wraźe poda, sprawdzam
Bardziej szczegółowof x f y f, jest 4, mianowicie f = f xx f xy f yx
Zestaw 14 Pochodne wŝszch rzędów Niech będzie dana funkcja x f określona w pewnm obszarze D Przpuśćm Ŝe f x istnieją pochodne cząstkowe tej funkcji x x Pochodne cząstkowe tch pochodnch jeŝeli istnieją
Bardziej szczegółowoPomiar bezpośredni przyrządem wskazówkowym elektromechanicznym
. Rodzaj poiaru.. Poiar bezpośredni (prost) W przpadku poiaru pojednczej wielkości przrząde wskalowan w jej jednostkach wartość niedokładności ± określa graniczn błąd przrządu analogowego lub cfrowego
Bardziej szczegółowoRachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej
Rachunek prawdopodobeństwa statstka W 11: Analz zależnoścpomędz zmennm losowm Model regresj welokrotnej Dr Anna ADRIAN Paw B5, pok 407 adan@agh.edu.pl Model regresj lnowej Model regresj lnowej prostej
Bardziej szczegółowoProgramowanie nieliniowe optymalizacja funkcji wielu zmiennych
Ekonomia matematczna II Ekonomia matematczna II Prowadząc ćwiczenia Programowanie nieliniowe optmalizacja unkcji wielu zmiennch Modele programowania liniowego często okazują się niewstarczające w modelowaniu
Bardziej szczegółowoPolitechnika Poznańska, Katedra Sterowania i Inżynierii Systemów Wykład 12, str. 1 C 1 C 2 C 3 1. * x 2. x 2. or max then (min)
Politechnika Poznańska, Katedra Sterowania i Inżnierii Sstemów Wkład, str. Implikacja rozmta A B A, B µ A (x, µ B ( x A, B µ A B (x, µ A B (x, = min(µ A (x, µ B ( lub µ A B (x, = µ A (x µ B ( 38. Wnioskowanie
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 szczegółowoZad 2 Dynamika zatrudnienia mierzona indeksami łańcuchowymi w ostatnich pięciu latach kształtowały się następująco: Lata Indeksy ( w %)
Analza dnamk Zad. 1 Indeks lczb studującch studentów w województwe śląskm w kolejnch pęcu latach przedstawał sę następująco: Lata 1 2 3 4 5 Indeks jednopodstawowe z roku t = 1 100,0 115,7 161,4 250,8 195,9
Bardziej szczegółowo; -1 x 1 spełnia powyższe warunki. Ale
Funkcje uwkłane Przkła.ozważm równane np. nech. Ptane Cz la owolneo [ ] stneje tak że? Nech. Wówczas unkcja - spełna powższe warunk. Ale spełna je także unkcja [ ] Q. Dokłaając warunek cąłośc unkcj [ ]
Bardziej szczegółowoWspółczynnik korelacji liniowej oraz funkcja regresji liniowej dwóch zmiennych
Współcznnk korelacj lnowej oraz funkcja regresj lnowej dwóch zmennch S S r, cov współcznnk determnacj R r Współcznnk ndetermnacj ϕ r Zarówno współcznnk determnacj jak ndetermnacj po przemnożenu przez 00
Bardziej szczegółowoPrzestrzenie liniowe w zadaniach
Przestrzenie linioe zadaniach Zadanie 1. Cz ektor [3, 4, 4 jest kombinacja linioa ektoró [1, 1, 1, [1, 0, 1, [1, 3, 5 przestrzeni R 3? Roziazanie. Szukam x,, z R takich, że [3, 4, 4 x [1, 1, 1 + [1, 0,
Bardziej szczegółowo; -1 x 1 spełnia powyższe warunki. Ale
AIB-Inormatka-Wkła - r Aam Ćmel cmel@.ah.eu.pl Funkcje uwkłane Przkła.ozważm równane np. nech. Ptane Cz la owolneo [] stneje tak że? Nech. Wówczas unkcja - spełna powższe warunk. Ale [ ] Q spełna je także
Bardziej szczegółowoKarta (sylabus) modułu/przedmiotu
Karta (sylabus) modułu/przedmotu Budoncto (Naza kerunku studó) Studa I Stopna Przedmot: Komputeroe spomagane Computer aded buldng desgn projektoana budolanego Rok: III Semestr: 5 MK_62 Rodzaje zajęć lczba
Bardziej szczegółowoZasady budowania prognoz ekonometrycznych
Zasad budowania prognoz ekonometrcznch Klasczne założenia teorii predkcji 1. Znajomość modelu kształtowania się zmiennej prognozowanej Znajomość postaci analitcznej wstępującch zależności międz zmiennmi
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 szczegółowoMetody prognozowania: Jakość prognoz Wprowadzenie (1) 6. Oszacowanie przypuszczalnej trafności prognozy
Metod prognozowania: Jakość prognoz Dr inż. Sebastian Skoczpiec ver. 03.2012 Wprowadzenie (1) 1. Sformułowanie zadania prognostcznego: 2. Określenie przesłanek prognostcznch: 3. Zebranie danch 4. Określenie
Bardziej szczegółowoLogika klasyczna i rozmyta. Rozmyte złożenie relacji (ang. fuzzy composition) Złożenie relacji (ang. composition)
Złożenie relacji ang. compoition) Niech X Y, Y Z. Ptanie: X Z? Cz można znaleźć taą relację, tóra wiąże te ame element z X, tóre zawiera z tmi ammi elementami z Z, tóre zawiera? Czli cz zuam X Z. Przład
Bardziej szczegółowoWyróżnić należy następujące sieci rekurencyjne: sieć Hopfielda, jej uogólnienie sieć BAM, sieć Hamminga oraz sieci rezonansowe.
1. Seć Hopfelda 1.1 Sec ze sprzężene zrotn Sec ze sprzężene zrotn torzą odrębną grupę sec neuronoch, stępuącą róneż pod nazą sec rekurencnch bądź asocacnch. Zaknęce pętl sprzężena zrotnego poodue, ż seć
Bardziej szczegółowoBADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda
BADANIA OPERACYJNE Podejmowane decyzj w warunkach nepewnośc dr Adam Sojda Teora podejmowana decyzj gry z naturą Wynk dzałana zależy ne tylko od tego, jaką podejmujemy decyzję, ale równeż od tego, jak wystąp
Bardziej szczegółowoaij - wygrana gracza I bij - wygrana gracza II
M.Mszczsk KBO UŁ, Badana operacjne I (cz.) (wkład B 7) GRY KONFLIKTOWE GRY -OSOBOWE O SUMIE WYPŁT ZERO I. DEFINICJE TWIERDZENI Konflktowe gr dwuosobowe opsuje macerz wpłat ( a ) [ ] mxn j,b j gdze: aj
Bardziej szczegółowoNp.:
INTELIGENTNE TECHNIKI KOMPUTEROWE wkład STEROWNIKI ROZMYTE TAKAGISUGENO aza reguł sterownika ma charakter rozmt tlko w części IF. W części THEN wstępują zależności funkcjne. Np.: R () : IF prędkość is
Bardziej szczegółowoRESULTATIVE PRODUCT INNOVATIVENESS AND SALES PROFITABILITY BASED ON THE EXAMPLE OF IT COMPANIES QUOTED ON THE WARSAW STOCK EXCHANGE
Tomaz NAWROCK oltechnka Śląka Wdzał Organzacj Zarządzana nttut Ekonom nformatk Wżza Szkoła Bankoośc Fnanó Belku-Bałej REZULTATYWNA NNOWACYJNOŚĆ RODUKTOWA A RENTOWNOŚĆ SRZEDAŻY NA RZYKŁADZE SÓŁEK NFORMATYCZNYCH
Bardziej szczegółowoSELEKCJA: JAK JEDNA POPULACJA (STRATEGIA) WYPIERA INNĄ
W stronę bolog: dnama oulacj Martn. owa Evolutonar Dnamcs elna Press 6 SELEKCJ: JK JED POPULCJ (STRTEGI) WYPIER IĄ Model determnstczn ( a ) ( b ) : Dodając stronam mam a b czl średne dostosowane (ftness).
Bardziej szczegółowoZESTAW ZADAŃ Z INFORMATYKI
(Wpsue zdaąc przed rozpoczęcem prac) KOD ZDAJĄCEGO ZESTAW ZADAŃ Z INFORMATYKI CZĘŚĆ II (dla pozomu rozszerzonego) GRUDZIEŃ ROK 004 Czas prac 50 mnut Instrukca dla zdaącego. Proszę sprawdzć, cz zestaw zadań
Bardziej szczegółowox 1 x 2 x 3 x n w 1 w 2 Σ w 3 w n x 1 x 2 x 1 XOR x (x A, y A ) y A x A
Sieci neuronowe model konekcjonistczn Plan wkładu Perceptron - przpomnienie Uczenie nienadzorowane Sieci Hopfielda Perceptron w 3 Σ w n A Liniowo separowaln problem klasfikacji ( A, A ) Problem XOR 0 0
Bardziej szczegółowoEkstrema funkcji dwóch zmiennych
Wkład z matematki inżnierskiej Ekstrema funkcji dwóch zmiennch JJ, IMiF UTP 18 JJ (JJ, IMiF UTP) EKSTREMA 18 1 / 47 Ekstrema lokalne DEFINICJA. Załóżm, że funkcja f (, ) jest określona w pewnm otoczeniu
Bardziej szczegółowoAnaliza danych. Analiza danych wielowymiarowych. Regresja liniowa. Dyskryminacja liniowa. PARA ZMIENNYCH LOSOWYCH
Analza danych Analza danych welowymarowych. Regresja lnowa. Dyskrymnacja lnowa. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ PARA ZMIENNYCH LOSOWYCH Parę zmennych losowych X, Y możemy
Bardziej szczegółowoCiepło topnienia lodu
Cepło topnena lodu CELE SPIS TREŚCI Obseracja procesu ymany energ toarzyszącego zmane stanu skupena - topnenu. Pomary zman temperatury ody trakce topnena proadzonej do nej znanej masy lodu. Uzyskane dane
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA. Wkład wstępn. Teora prawdopodobeństwa element kombnatork. Zmenne losowe ch rozkład 3. Populacje prób danch, estmacja parametrów 4. Testowane hpotez statstcznch 5. Test parametrczne
Bardziej szczegółowoStatystyka. Zmienne losowe
Statystyka Zmenne losowe Zmenna losowa Zmenna losowa jest funkcją, w której każdej wartośc R odpowada pewen podzbór zboru będący zdarzenem losowym. Zmenna losowa powstaje poprzez przyporządkowane każdemu
Bardziej szczegółowoPodstawy teorii falek (Wavelets)
Podstawy teor falek (Wavelets) Ψ(). Transformaca Haara (97).. Przykład pewne metody zapsu obrazu Transformaca Haara Przykład zapsu obrazu -D Podstawy matematyczne transformac Algorytmy rozkładana funkc
Bardziej szczegółowoWektory. P. F. Góra. rok akademicki
Wektor P. F. Góra rok akademicki 009-0 Wektor zwiazan. Wektorem zwiazanm nazwam parę punktów. Jeżeli parę tę stanowią punkt,, wektor przez nie utworzon oznaczm. Graficznie koniec wektora oznaczam strzałką.
Bardziej szczegółowoJózef Beluch Akademia Górniczo-Hutnicza w Krakowie. Wpływ wag współrzędnych na wyniki transformacji Helmerta
Józef Beluch Akadema Górczo-Hutcza w Krakowe płw wag współrzędch a wk trasformacj Helmerta . zór a trasformację współrzędch sposobem Helmerta: = c + b = d + a + a b () 2 2. Dwa modele wzaczea parametrów
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 szczegółowo11. CZWÓRNIKI KLASYFIKACJA, RÓWNANIA
OBWODY SYGNAŁY Wkład : Czwórniki klasfikacja, równania. CZWÓRNK KLASYFKACJA, RÓWNANA.. WELOBEGNNK A WELOWROTNK CZWÓRNK Definicja. Jeśli: wielobiegunnik posiada parzstą liczbę zacisków (tzn. mn) zgrupowanch
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZA ITELIGECJA WYKŁAD. SYSTEMY EUROOWO-ROZMYTE Częstocow 4 Dr b. ż. Grzegorz Dude Wdzł Eletrcz Poltec Częstocows SIECI EUROOWO-ROZMYTE Sec euroowo-rozmte pozwlją utomtcze tworzee reguł podstwe przłdów
Bardziej szczegółowoMotto. Czy to nie zabawne, że ci sami ludzie, którzy śmieją się z science fiction, słuchają prognoz pogody oraz ekonomistów? (K.
Motto Cz to nie zabawne, że ci sami ludzie, którz śmieją się z science fiction, słuchają prognoz pogod oraz ekonomistów? (K. Throop III) 1 Specfika szeregów czasowch Modele szeregów czasowch są alternatwą
Bardziej szczegółowoWielowymiarowe bazy danych
Wielowmiarowe baz danch Wielowmiarowe baz danch Dziedzin zastosowań Multimedialne baz danch dane medialne przechowwane jako wielowmiarowe wektor danch Sstem geograficzne, sstem wspomagania projektowania
Bardziej szczegółowoŃ Ż Ó Ó Ó Ż Ę Ó Ś Ó Ę Ś Ś Ó ż Ó Ó Ż Ś Ś Ó Ó Ś Ś Ś Ó Ść Ó ż Ść Ę Ó Ń Ś Ó Ś Ó Ż Ż Ż ć Ż Ó Ó Ż Ś Ó Ś ć Ń ć Ó Ó Ś ż Ś Ż Ż Ść Ó Ś ż ćż ć Ó Ż Ś Ć Ó Ż Ó Ó Ż Ś Ó Ó Ś Ó ż Ó Ż Ź Ś ż Ń Ó Ó Ś ż Ś Ó Ó Ś ż Ś Ś Ś Ć Ż
Bardziej szczegółowoTemat: Operacje elementarne na wierszach macierzy
Temat: Operacje elementarne na erszach macerzy Anna Rajfura Anna Rajfura Operacje elementarne na erszach macerzy n j m n A Typy operacj elementarnych. Zamana mejscam erszy oraz j, ozn.: j. Mnożene ersza
Bardziej szczegółowoRÓWNANIA RÓŻNICZKOWE WYKŁAD 3
RÓWNANIA RÓŻNICZKOWE WYKŁAD 3 Równania różniczkowe liniowe Metoda przewidwań Metoda przewidwań całkowania równania niejednorodnego ' p( x) opiera się na następującm twierdzeniu. Twierdzenie f ( x) Suma
Bardziej szczegółowoKonstrukcja gier sprawiedliwych i niesprawiedliwych poprzez. określanie prawdopodobieństwa.
Fundacja Centrum Edukacj Obyatelskej, ul. Noakoskego 10, 00-666 Warszaa, e-mal: ceo@ceo.org.l; Akadema ucznoska, Tel. 22 825 04 96, e-mal: au@ceo.org.l; ęcej nformacj:.akademaucznoska.l 1 Konstrukcja ger
Bardziej szczegółowoKlucz odpowiedzi i schemat punktowania do próbnego zestawu egzaminacyjnego z zakresu przedmiotów matematyczno-przyrodniczych
Klucz odpowiedzi i schemat punktowania do próbnego zestawu egzaminacjnego z zakresu przedmiotów matematczno-przrodniczch Z a d a n i a z a m k n i ę t e Numer zadania 3 4 5 6 7 8 9 0 3 4 5 6 7 8 9 0 3
Bardziej szczegółowo5. OPTYMALIZACJA GRAFOWO-SIECIOWA
. OPTYMALIZACJA GRAFOWO-SIECIOWA Defncja grafu Pod pojęcem grafu G rozumemy następującą dwójkę uporządkowaną (defncja grafu Berge a): (.) G W,U gdze: W zbór werzchołków grafu, U zbór łuków grafu, U W W,
Bardziej szczegółowoZ funkcji zdaniowej x + 3 = 7 można otrzymać zdania w dwojaki sposób:
Z funkcji zdaniowej + 3 = 7 można otrzmać zdania w dwojaki sposób: podstawiając w tej funkcji zdaniowej za stałe będące nazwami liczb np. 4 2 itp. poprzedzając tę funkcję zdaniową zwrotami: dla każdego
Bardziej szczegółowoMETODY KOMPUTEROWE 1
MTODY KOMPUTROW WIADOMOŚCI WSTĘPN MTODA ULRA Mcał PŁOTKOWIAK Adam ŁODYGOWSKI Kosultacje aukowe dr z. Wtold Kąkol Pozań 00/00 MTODY KOMPUTROW WIADOMOŚCI WSTĘPN Metod umercze MN pozwalają a ormułowae matematczc
Bardziej szczegółowoScenariusz lekcji matematyki z wykorzystaniem komputera
Scenariusz lekcji matematki z wkorzstaniem komputera Temat: Wpłw współcznników a i b na położenie wkresu funkcji liniowej. (Rsowanie wkresów prz użciu arkusza kalkulacjnego EXCEL.) Czas zajęć: 9 min Cele:
Bardziej szczegółowoRachunek różniczkowy funkcji jednej zmiennej
Rachunek różniczkow funkcji jednej zmiennej wkład z MATEMATYKI Budownictwo, studia niestacjonarne sem. I, rok ak. 2008/2009 Katedra Matematki Wdział Informatki Politechnika Białostocka 1 Iloraz różnicow
Bardziej szczegółowoRealizacja funkcji przełączających
Realizacja funkcji przełączającch. Wprowadzenie teoretczne.. Podstawowe funkcje logiczne Funkcja logiczna NOT AND OR Zapis = x x = = x NAND NOR.2. Metoda minimalizacji funkcji metodą tablic Karnaugha Metoda
Bardziej szczegółowoSTANDARDOWE FUNKCJE PRZYNALEŻNOŚCI. METODY HEURYSTYCZNE wykład 6. (alternatywa dla s) (zdef. poprzez klasę s) GAUSSOWSKA F.
METODY HEURYSTYCZNE wykład 6 STANDARDOWE FUNKCJE PRZYNALEŻNOŚCI 2 GAUSSOWSKA F. PRZYNALEŻNOŚCI F. PRZYNALEŻNOŚCI KLASY s środek; a określa szerokość krzywej 3 4 F. PRZYNALEŻNOŚCI KLASY π F. PRZYNALEŻNOŚCI
Bardziej szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 6 SYSTEMY ROZMYTE TYPU MAMDANIEGO
Bardziej szczegółowoUCHWAŁA NR 279/XVIII/2011 Rady Miasta Płocka z dnia 29 grudnia 2011 roku
UCHWAŁA NR 279/XVIII/2011 Rady Masta Płocka z dna 29 grudna 2011 roku sprae ustalena Regulamnu przyznaana przekazyana stypendó mejskch dla ucznó szkół proadzonych lub dotoanych przez Masto Płock zameldoanych
Bardziej szczegółowoPrzedziały ufności i testy parametrów. Przedziały ufności dla średniej odpowiedzi. Interwały prognoz (dla przyszłych obserwacji)
Wkład 1: Prosta regresja liniowa Statstczn model regresji liniowej Dane dla prostej regresji liniowej Przedział ufności i test parametrów Przedział ufności dla średniej odpowiedzi Interwał prognoz (dla
Bardziej szczegółowoWydział Elektryczny. Katedra Automatyki i Elektroniki. Instrukcja do ćwiczeń laboratoryjnych z przedmiotu: TECHNIKA CYFROWA 2 TS1C300 020
Politechnika Białostocka Wdział lektrczn Katedra Automatki i lektroniki Instrukcja do ćwiczeń laboratorjnch z przedmiotu TCHNIKA CFROWA TSC Ćwiczenie Nr CFROW UKŁAD KOMUTACJN Opracował dr inż. Walent Owieczko
Bardziej szczegółowo(M2) Dynamika 1. ŚRODEK MASY. T. Środek ciężkości i środek masy
(MD) MECHANIKA - Dynamka T. Środek cężkośc środek masy (M) Dynamka T: Środek cężkośc środek masy robert.szczotka(at)gmal.com Fzyka astronoma, Lceum 01/014 1 (MD) MECHANIKA - Dynamka T. Środek cężkośc środek
Bardziej szczegółowoŚ Ł Ą Ś Ś ź Ś ń ż ż Ó ż ż Ś Ł ż ń ń ń ż ń Ś ń ć ŚĘ Ó Ł Ę Ł Ś Ę Ę ń ń ń ń ń Ź ń ń ń ń ń ż ń ń ń ń ń Ę ż ż ć Ść ń ń ż Ń ż ż ń ń Ś Ą ń Ś ń ń ż Ó ż Ź ń ż ń Ś Ń Ó ż Ł ż Ą ź ź Ś Ł ć Ś ć ż ź ż ć ć Ę Ó Ś Ó ż ż
Bardziej szczegółowoŁ Ł Ś Ę ź ń ź ź Ś Ę Ę Ś Ą Ś Ę Ż Ł ń Ę Ś ć ć ń ć ń ń ń ź ń Ę ź ń ń ń ź ź Ś ź ź ć ń ń ń ń Ś ć Ś ń ń Ś ź ń Ę ń Ś ź ź ź ź ź Ę Ę Ę Ś ń Ś ć ń ń ń ń ń ń Ę ń ń ń ń ć ń ń ń ń ć ń Ś ć Ł ń ń ń ć ń ć ź ń ź ć ń ń ć
Bardziej szczegółowoŻ ż Ł ż ż ż Ż Ś ż ż ż Ł Ż Ż ć ż Ż Ż Ż Ń Ż Ź ż Ź Ź ż Ż ż ż Ż Ł Ż Ł Ż ż Ż ż Ż Ż Ń Ą Ż Ń Ż Ń ć ż Ż ź Ś ć Ł Ł Ź Ż Ż ż Ł ż Ż Ł Ż Ł ź ć ż Ż Ż ż ż Ó ż Ł Ż ć Ż Ż Ę Ż Ż Ż ż Ż ż ż Ś ż Ż ż ż ź Ż Ń ć Ż ż Ż Ż ż ż ż
Bardziej szczegółowoŁ Ł Ś ź ń ź ź ź Ś Ł Ę Ę Ś ż Ś ń Ą Ś Ą Ł ż ż ń ż ć ż ż ż ź ż ć ź Ę Ę ń ć ż Ł ń ż ż ż Ś ż Ś ż ż ż ż ż ż ż ń ń ż ż ż ć ż ń ż ń ź ż ć ż ż ć ń ż Ę Ę ć ń Ę ż ż ń ń ź Ę ź ż ń ż ń ź ż ż ż ń ż ż ż ż ż ż ż ż ń ń
Bardziej szczegółowof(x, y) = arctg x y. f(u) = arctg(u), u(x, y) = x y. x = 1 1 y = y y = 1 1 +
Różnczkowalność pocodne Ćwczene. Znaleźć pocodne cz astkowe funkcj f(x, y) = arctg x y. Rozw azane: Wdać, że funkcj f można napsać jako f(u(x, y)) gdze f(u) = arctg(u), u(x, y) = x y. Korzystaj ac z reg
Bardziej szczegółowoZASADA ZACHOWANIA MOMENTU PĘDU: PODSTAWY DYNAMIKI BRYŁY SZTYWNEJ
ZASADA ZACHOWANIA MOMENTU PĘDU: PODSTAWY DYNAMIKI BYŁY SZTYWNEJ 1. Welkośc w uchu obotowym. Moment pędu moment sły 3. Zasada zachowana momentu pędu 4. uch obotowy były sztywnej względem ustalonej os -II
Bardziej szczegółowoProjekt 2 2. Wielomiany interpolujące
Proekt Weloma terpoluące Rodzae welomaów terpoluącc uma edomaów Nec w przedzale a, b określoa będze fukca f: ec będze ustaloc m wartośc argumetu :,,, m, m L prz czm: < < L < < m m Pukt o tc odcztac azwa
Bardziej szczegółowo19. Wybrane układy regulacji Korekcja nieliniowa układów. Przykład K s 2. Rys Schemat blokowy układu oryginalnego
19. Wbrane układ regulacji Przkład 19.1 19.1. Korekcja nieliniowa układów w K s 2 Rs. 19.1. Schemat blokow układu orginalnego 1 Zbadać możliwość stabilizacji układu za pomocą nieliniowego prędkościowego
Bardziej szczegółowoSłużą opisowi oraz przewidywaniu przyszłego kształtowania się zależności gospodarczych.
MODEL EOOMERYCZY MODEL EOOMERYCZY DEFIICJA Modl konomtrczn jst równanm matmatcznm (lub układm równao), któr przdstawa zasadncz powązana loścow pomędz rozpatrwanm zjawskam konomcznm., uwzględnającm tlko
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 szczegółowoSTANDARDOWE FUNKCJE PRZYNALEŻNOŚCI
INTELIGENTNE TECHNIKI KOMPUTEROWE wkłd STNDRDOWE FUNKCJE PRZYNLEŻNOŚCI GUSSOWSK F. PRZYNLEŻNOŚCI ' μ ( ; ', ) ep μ().5 ' środek; określ szerokość krzwej.5 3 F. PRZYNLEŻNOŚCI KLSY s dl - dl c- sc ( ;,,
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej
Bardziej szczegółowo1.11. RÓWNANIE RÓŻNICZKOWE OSI UGIĘTEJ
.. RÓWNANIE RÓŻNICZKOWE OSI UGIĘTEJ od płem obciążenia prostolinioa oś podłużna belki staje się krzolinioa. Zakrzioną oś belki nazam linią ugięcia (osią ugiętą), przemieszczenie pionoe ( x) tej osi nazam
Bardziej szczegółowoWPŁYW AKCESJI POLSKI DO UNII EUROPEJSKIEJ NA ROZWÓJ ROLNICTWA EKOLOGICZNEGO. Lidia Luty
74 LIDIA LUTY ROCZNIKI NAUKOWE EKONOMII ROLNICTWA I ROZWOJU OBSZARÓW WIEJSKICH, T. 11, z. 1, 214 WPŁYW AKCESJI POLSKI DO UNII EUROPEJSKIEJ NA ROZWÓJ ROLNICTWA EKOLOGICZNEGO Lda Lut Katedra Statstk Matematcznej
Bardziej szczegółowoRACHUNEK NIEPEWNOŚCI POMIARU
Mędznarodowa Norma Ocen Nepewnośc Pomaru(Gude to Epresson of Uncertant n Measurements - Mędznarodowa Organzacja Normalzacjna ISO) RACHUNEK NIEPEWNOŚCI http://phscs.nst./gov/uncertant POMIARU Wrażane Nepewnośc
Bardziej szczegółowo14. Grupy, pierścienie i ciała.
4. Grup, pierścienie i ciała. Definicja : Zbiór A nazwam grupą jeśli jest wposaŝon w działanie wewnętrzne łączne, jeśli to działanie posiada element neutraln i kaŝd element zbioru A posiada element odwrotn.
Bardziej szczegółowoLABORATORIUM PODSTAW AUTOMATYKI
LABORATORIUM PODSTAW AUTOMATYKI INSTRUKCJA DO ĆWICZENIA 4.Wstęp - DOBÓR NASTAW REGULATORÓW opr. dr inż Krzsztof Kula Dobór nastaw regulatorów uwzględnia dnamikę obiektu jak i wmagania stawiane zamkniętemu
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA SYSTEMY ROZMYTE Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej Katedra Automatyki i Inżynierii Biomedycznej Laboratorium
Bardziej szczegółowoV. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH
Krs na Stdach Doktoranckch Poltechnk Wrocławskej wersja: lty 007 34 V. WPROWADZENIE DO PRZESTRZENI FUNKCYJNYCH. Zbór np. lczb rzeczywstych a, b elementy zbor A a A b A, podzbór B zbor A : B A, sma zborów
Bardziej szczegółowoXXX OLIMPIADA FIZYCZNA ETAP I Zadania teoretyczne
XXX OLIPIADA FIZYCZNA TAP I Zadana teoretczne Nazwa zadana ZADANI T1 Na odstawe wsółczesnch badań wadomo że jądro atomowe może znajdować sę tlo w stanach o oreślonch energach odobne ja dobrze znan atom
Bardziej szczegółowoTRANZYSTOR BIPOLARNY CHARAKTERYSTYKI STATYCZNE
POLITHNIKA RZSZOWSKA Katedra Podstaw lektronk Instrkcja Nr4 F 00/003 sem. letn TRANZYSTOR IPOLARNY HARAKTRYSTYKI STATYZN elem ćwczena jest pomar charakterystyk statycznych tranzystora bpolarnego npn lb
Bardziej szczegółowoZastosowanie symulatora ChemCad do modelowania złożonych układów reakcyjnych procesów petrochemicznych
NAFTA-GAZ styczeń 2011 ROK LXVII Anna Rembesa-Śmszek Instytut Nafty Gazu, Kraków Andrzej Wyczesany Poltechnka Krakowska, Kraków Zastosowane symulatora ChemCad do modelowana złożonych układów reakcyjnych
Bardziej szczegółowoPattern Classification
attern Classfcaton All materals n these sldes were taken from attern Classfcaton nd ed by R. O. Duda,. E. Hart and D. G. Stork, John Wley & Sons, 000 wth the permsson of the authors and the publsher Chapter
Bardziej szczegółowoROZLICZANIE KOSZTÓW DZIAŁAŃ W SYSTEMIE ZAPEWNIENIA JAKOŚCI
ROZLICZANIE KOSZTÓW DZIAŁAŃ W SYSTEMIE ZAPEWNIENIA JAKOŚCI Mariusz KOŁOSOWSKI, Piotr CHWASTYK Streszczenie: W artkule podjęto problematkę rozliczania kosztó działań sstemie zapenienia jakości procesu tarzania
Bardziej szczegółowoPODSTAWOWE POJĘCIA OPTYMALIZACJI [M. Ostwald: Podstawy optymalizacji konstrukcji, Wyd. Politechniki Poznańskiej, 2005]
PODSTAWOWE POJĘCIA OPTYMALIZACJI [M. Ostwald: Podstaw optmalizacji konstrukcji, Wd. Politechniki Poznańskiej, 2005] POW Problem optmalnego wboru PWOW Problem wielokrterialnego wboru OW Optmalizacja wielokrterialna
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 5. SZTUCZNE SIECI NEURONOWE REGRESJA Częstochowa 4 Dr hab. nż. Grzegorz Dudek Wdzał Elektrczn Poltechnka Częstochowska PROBLEM APROKSYMACJI FUNKCJI Aproksmaca funkc przblżane
Bardziej szczegółowoINŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Podstawowe pojęcia z logiki rozmytej Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sterowanie
Bardziej szczegółowoMATURA PRÓBNA 2 KLASA I LO
IMIE I NAZWISKO MATURA PRÓBNA KLASA I LO CZAS PRACY: 90 MIN. SUMA PUNKTÓW: 60 ZADANIE (5 PKT) Znajdź wszstkie funkcje liniowe określone na zbiorze ;, którch zbiorem wartości jest przedział ; 0. ZADANIE
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 szczegółowoSztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311
Sztuczne sec neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyk, p. 311 Wykład 6 PLAN: - Repetto (brevs) - Sec neuronowe z radalnym funkcjam bazowym Repetto W aspekce archtektury: zajmowalśmy
Bardziej szczegółowoZBIORY ROZMYTE I WNIOSKOWANIE PRZYBLIŻONE
SYSTEMY ROZMYTE ZBIORY ROZMYTE I WNIOSKOWANIE PRZYBLIŻONE 2 965 Lotfi A. Zadeh: Fuzzy sets Metoda reprezentacji wiedzy wyrażonej w języku naturalnym: Temperatura wynosi 29 o C informacja liczbowa - naturalna
Bardziej szczegółowoRównania różniczkowe cząstkowe
Równania różniczkowe cząstkowe Definicja: Równaniem różniczkowm cząstkowm nazwam takie równanie różniczkowe w którm wstępuje co najmniej jedna pochodna cząstkowa niewiadomej funkcji dwóch lub więcej zmiennch
Bardziej szczegółowoWarsztat pracy matematyka
Warsztat prac matematka Izabela Bondecka-Krzkowska Marcin Borkowski Jęzk matematki Teoria Jednm z podstawowch pojęc matematki jest pojęcie zbioru. Teorię opisującą zbior nazwa sie teorią mnogości. Definicja
Bardziej szczegółowoopisać wielowymiarową funkcją rozkładu gęstości prawdopodobieństwa f(x 1 , x xn
ROZKŁAD PRAWDOPODBIEŃSTWA WIELU ZMIENNYCH LOSOWYCH W przpadku gd mam do czea z zmem losowm możem prawdopodobeństwo, ż przjmą oe wartośc,,, opsać welowmarową fukcją rozkładu gęstośc prawdopodobeństwa f(,,,.
Bardziej szczegółowoElementy algebry i analizy matematycznej II
Element algebr i analiz matematcznej II Wkład 1. Ekstrema unkcji dwóch zmiennch Deinicja 1 Funkcja dwóch zmiennch, z = (, ), ma w punkcie z = (, ), maksimum lokalne, jeżeli istnieje takie otoczenie punktu
Bardziej szczegółowo