SZTUCZNE SIECI NEURONOWE W OSZACOWANIU ZUŻYCIA TECHNICZNEGO PREFABRYKOWANYCH BUDYNKÓW MIESZKALNYCH
|
|
- Dorota Markowska
- 5 lat temu
- Przeglądów:
Transkrypt
1 Udostępnione na prawach rękopisu, r. Publikacja: Knyziak P., "Sztuczne sieci neuronowe w oszacowaniu zużycia technicznego prefabrykowanych budynków mieszkalnych" (Artificial Neuronal Networks In Estimation Of The Technical Deterioration For Prefabricated Residential Buildings), Theoretical foundations of civil engineering. Polish-Ukrainian-Lithuanian transactions, vol. 16, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2008, s , ISBN (artykuł konferencyjny - XVII Polish-Russian-Slovak Seminar "Theoretical Foundation of Civil Engineering" Warsaw-Wroclaw, Poland, June 2008) SZTUCZNE SIECI NEURONOWE W OSZACOWANIU ZUŻYCIA TECHNICZNEGO PREFABRYKOWANYCH BUDYNKÓW MIESZKALNYCH Piotr KNYZIAK Wydział Inżynierii Lądowej - Politechnika Warszawska 1. Wstęp Oceny zużycia technicznego budynku można dokonać jedną z kilku metod. Różnią się one szczegółowością podejścia, wymogami odnośnie nakładów pracy i czasu potrzebnego na ich wykonanie oraz wykorzystaniem ekspertyz. Istniejące metody oceny zużycia technicznego albo dają wyniki, pozwalające jedynie z grubsza oszacować zużycie budynków (metody czasowe) te nadają się właściwie wyłącznie do celów księgowania amortyzacji, albo pozwalają na bardzo szczegółową ocenę (metody wizualne) w celu precyzyjnego określenia stanu każdego elementu budynku (włącznie z prowadzeniem odkrywek i badań laboratoryjnych) i przygotowania harmonogramu remontów bieżących lub remontu generalnego. Brak jest metody zapewniającej możliwość szacowania zużycia technicznego, określania wartości odniesienia, wartości nominalnej. W związku z powyższym poszukiwane są nowe rozwiązania, które przy rozpatrywaniu zużycia technicznego wielu budynków pomogłyby w oszacowaniu ich bieżącej wartości i pozwoliłyby na prognozowanie zmian. Dodatkowym efektem wykorzystywania nowej metody powinno być również ułatwienie prowadzenia polityki remontowej w spółdzielniach mieszkaniowych. Jednym ze sposobów szacowania może być analiza danych za pomocą sztucznych sieci neuronowych (SSN). Zajmując się jakimś problemem zazwyczaj na początku staramy się zbudować algorytm, gdyż dążymy do rozwiązań precyzyjnych. Dopiero, jeśli ten sposób zawodzi szukamy innych rozwiązań. Sposób w jaki poznajemy zagadnienia zależny jest od ich złożoności, najprostsze są rozwiązywane algorytmiczne, przy dużej złożoności potrzebne jest wnioskowanie indukcyjne. W tej klasie mieszczą się sztuczne sieci neuronowe (zobacz rys. 1). Są one narzędziem, które pozwala na przetwarzanie dużej liczby danych i jest mało wrażliwe na błędy. Wśród tych danych mogą być te naprawdę istotne, ale i te które można pominąć. Szczegółowa ich analiza pozwala odpowiedzieć na pytanie, co należy badać dokładnie a co wystarczy jedynie oszacować na podstawie łatwo dostępnych informacji. Z natury SSN wynika uzyskiwanie przybliżonych wartości, lecz należy wziąć pod uwagę, że wszystkie metody cechują się określonym stopniem dokładności.
2 Rys. 1. Sieci neuronowe a wnioskowanie [1] W poniższej pracy przedstawiono metodę określania zużycia technicznego budynków prefabrykowanych za pomocą sztucznych sieci neuronowych. Prace polegały na analizie różnych zakresów danych za pomocą różnych typów SSN. Wybrany został optymalny typ sieci oraz topologia. Przeprowadzona została analiza wrażliwości sieci na dobór parametrów z bazy danych. Zostały porównanie wyniki otrzymane metodą tradycyjną z wynikami otrzymywanymi za pomocą sztucznych sieci neuronowych. Prace mające na celu wykorzystanie metod sztucznej inteligencji do określania zużycia technicznego budynków długo użytkowanych (wybudowanych do 1918r.) były już w pewnym zakresie prowadzane. Analizowano jednak budynki wykonane z elementów drobnowymiarowych, najczęściej o drewnianej konstrukcji stropów międzypiętrowych i drewnianej konstrukcji dachu. Budynki prefabrykowane są użytkowane od niecałych pięćdziesięciu lat, mają inne cechy i wymagają odrębnej analizy. Prawie w całości nadzorowane są przez spółdzielnie mieszkaniowe lub w ostatnich latach przez zrzeszenia mieszkańców, więc można przyjąć, że ciągle jest nad nimi sprawowany specjalistyczny nadzór. Niniejsza praca bazuje na wnikliwej analizie historii remontów budynków, ich stanu technicznego oraz analizie skuteczności zastosowania różnych typów i topologii sztucznych sieci neuronowych. 2. Dane i wstępne przetwarzane Dane zbierano od stycznia 2005 roku do marca 2006 roku w 15 osiedlach 11 spółdzielni mieszkaniowych w Warszawie. W bazie danych zawarto informacje o 95 budynkach, w tym 33 budynkach wielkoblokowych i 62 wielkopłytowych. W każdym osiedlu wybrano kilka reprezentatywnych budynków. Zbierano dane w trakcie przeglądów oraz informacje o przeglądach i remontach z istniejącej dokumentacji budynków. Wykonano dokumentację fotograficzną. Przeglądy przeprowadzono w większości w okresie zimowo-wiosennym, gdy uwidacznia się najwięcej usterek. W szczególny sposób położono nacisk na uzyskanie zarówno szczegółowych danych o obecnym stanie jednostkowych obiektów jak i całych osiedli budynków mieszkalnych. Stworzona na podstawie zebranych osobiście przez autora danych baza pozwoliła nie tylko na całościową ocenę budynków, ale również na analizę stanu elementów składowych (wykonano zestawienie danych oraz zdjęcia wad i uszkodzeń).
3 Analizowane budynki, w trakcie wykonanych oględzin, były w dobrym ogólnym stanie technicznym. Nie wykazywały widocznych oznak, które świadczyłyby o jakimkolwiek niebezpieczeństwie, które mogłoby grozić ich mieszkańcom. Rysunek 1 przedstawia wyniki oceny zużycia budynków z bazy danych wykonanej metodą wizualną [3][7]. Rys. 2. Zużycie budynków z bazy danych [1] W początkowej fazie prac wykonano wstępne przetwarzanie danych. W wyniku analizy danych wyodrębniono 3 grupy parametrów do przetwarzania za pomocą SSN. Grupę I stanowiły dane bezpośrednio związane z oceną stanu technicznego elementów budynku. Wykorzystując tą grupę jako dane wejściowe uzyskano najlepsze efekty uczenia sieci. W tej grupie znalazły się parametry: rok budowy, stan balkonów i loggii, stan tynków zewnętrznych, stan stolarki okiennej mieszkań, stan przewodów instalacji c.o., stan przewodów inst. wody zimnej i ciepłej, stan pokrycia dachu, stan izol. termicznej ścian osłonowych, stan izol. termicznej ścian szczytowych, stan izol. termicznej dachu. II grupę stanowił zbiór 10 parametrów zawierających informacje o uszkodzeniach i koniecznych remontach elementów budynku. III grupę stanowił zbiór 5 parametrów zawierających informacje związane z oddziaływaniem otoczenia na budynek. Wyodrębnione parametry w większości wykazywały, co najwyżej średnią korelację z danymi odnośnie zużycia wg metody wizualnej. Wartości korelacji mogły wynikać z ograniczonego zakresu ocen, jaki był stosowany do oceny stanu elementów. Skalowanie i normalizacja przeprowadzana była w zależności od przyjętej funkcji aktywacji neuronów. Wstępne przeskalowanie polegało na podzieleniu wartości przez różnicę pomiędzy wartością maksymalną i minimalną. Wartości powyższe mogły być pobrane z danych lub przyjęte przez autora. Np. dla danych typu rok budowy przyjęto, iż minimalna wartość czasu użytkowania to 10 lat, gdyż w 1995r. oddano w Warszawie ostatnie budynki
4 prefabrykowane a wartość maksymalna to 55, gdyż w 1957 roku oddano pierwsze budynki (zbieranie danych odbywało się od r. do r.) 3. Uczenie i testowanie różnych typów sztucznych sieci neuronowych W celu usystematyzowania prac przyjęto następującą metodykę analizy stanu technicznego budynków za pomocą sztucznych sieci neuronowych: przygotowanie bazy danych dla budynków wykonanych z elementów prefabrykowanych, wstępne przetworzenie danych z bazy, dobór sygnałów wejściowych, dobór typu i architektury sieci, analiza wrażliwości, ograniczenie liczby sygnałów wejściowych, wykorzystanie nauczonej sieci do określania stanu technicznego budynków nie należących do bazy danych. Podstawą metody jest uczenie sieci neuronowej na podstawie znanych wartości. Problemami do rozwiązania były: określenie jak najmniejszego zbioru parametrów (na podstawie którego dokładność wyników jest wystarczająca) - w ramach wcześniejszych prac wyznaczone zostały zawężone zbiory parametrów, dobór typu sieci, dobór topologii sieci, dobór metody i parametrów uczenia sieci. Sztuczne sieci neuronowe były uczone z wykorzystaniem danych o zużyciu budynków uzyskanych wg metody wizualnej (wartości przedstawia rys. 1). Zużycie może przyjmować różnorodne wartości dla poszczególnych lat użytkowania budynków. Zbiór danych do analizy przy wykorzystaniu I, II i III grupy parametrów posortowano ze względu na wartości kolumn: rok budowy i zużycie wg metody wizualnej. Następnie dokonano podziału zbioru danych na 7 części. Każda z części zawierała rekordów. Sprawdzono czy dane do poszczególnych grup dobrane zostały z całego przedziału wartości i czy nie tworzą skupisk. Następnie przyjęto podział na podzbiory: zbiór uczący 5 części, zbiór weryfikujący 1 część, zbiór testujący 1 część. W procesie testowania i testowania różnych rodzajów sieci wykorzystano sieci typu: MLP - Multilayer Perceptron, RBF - Radial Basis Function, SVM - Support Vector Machine. Przyjęto klasyczny algorytm doboru typu i topologii sztucznej sieci neuronowej: 1. przygotowanie bazy danych zawierającej przykłady, 2. przetwarzanie danych - skalowanie, normalizacja, standaryzacja, zmniejszanie wymiarowości problemu, 3. dobór elementów z rekordów danych, 4. podział danych na grupy: danych uczących, danych weryfikujących, danych testujących, 5. wybór typu i topologii sztucznej sieci neuronowej, 6. wybór algorytmu uczenia i ustalenie jego parametrów, 7. uczenie sieci, 8. weryfikacja jakości otrzymywanych wyników,
5 9. powtarzanie kroków (5, 6, 7) w celu optymalizacji architektury sieci neuronowej, 10. analiza danych niewykorzystywanych w procesie uczenia z wykorzystaniem optymalnej sieci. W procesie modelowania sieci doświadczalnie dobierano topologie i parametry sieci starając się uzyskać najlepszy rezultat. Przyjmowano za wyznaczniki dobrej jakości sieci następujące przesłanki: współczynnik korelacji wyników - bliski 1, wartości błędów uczenia i weryfikacji - niskie i podobnej wartości. W procesie uczenia sieci wykorzystywano następujące kryteria zakończenia, tzw. kryteria stopu: osiągnięcie założonej maksymalnej liczby epok zawsze wykorzystywane ze względu na konieczność ograniczenia procesów nie spełniających innych warunków, błąd walidacji zaczyna się zwiększać (z możliwością zatrzymania po określonej dodatkowo liczbie epok). 4. Wybór najlepszego modelu sieci Zestawienie najlepszych wyników dla poszczególnych grup parametrów i typów sieci przedstawia Tabela. 1. Spośród wszystkich wyników najlepszy osiągnęła sieć typu MLP o architekturze (1 warstwa ukryta z 4 neuronami, sigmoidalna funkcja aktywacji TanhAxon, gradientowa metoda uczenia z momentem o wartości 0.8) wykorzystująca jako sygnały wejściowe do sieci I grupę parametrów. Tabela. 1. Zestawienie wyników dla różnych grup parametrów i różnych typów SSN Grupa parametrów Typ i numer sieci Min. MSE - uczenie Min. MSE - weryfikacja MSE - testowanie NMSE - testowanie x 10-3 MAE - testowanie Min Abs Error - testowanie Max Abs Error - testowanie r- współczynnik korelacji I MLP-05 2,63 1,99 0,30 34,4 13,6 0,74 30,4 0,9873 RBF-14 9,43 4,74 0,51 58,7 19,8 1,59 35,6 0,9852 SVM-01 24,51 35,20 3,48 403,2 50,5 3,89 111,9 0,8946 II MLP-03 27,14 25,03 6,53 490,4 68,8 5,53 143,5 0,7755 RBF-02 30,17 24,57 5,50 413,2 60,5 3,62 180,5 0,7712 SVM-01 60,79 32,40 16, ,1 99,3 2,24 323,0 0,4106 III MLP-03 45,97 55,02 6,53 491,0 70,0 2,71 159,9 0,7879 RBF-14 50,25 64,78 6,97 524,1 67,0 0,29 174,4 0,7773 SVM ,99 109,12 11,52 865,9 93,9 18,66 179,7 0,4556 MSE - pierwiastek błędu średniokwadratowego, NMSE - MSE/wariancja), MAE - średni błąd absolutny, Min/Max Abs Error najmniejszy/największy błąd absolutny, wartość r -współczynnik korelacji. Analizując wyniki otrzymane przy użyciu I grupy parametrów można dojść do wniosku, iż pozwala ona stosunkowo dobrze oszacować wartość zużycia budynku. Szczególnie wyniki
6 otrzymane z wykorzystaniem sieci typu MLP cechują się niskimi wartościami wszystkich typów błędów. Parametry należące do II grupy pozwalają uzyskać wyniki o znacznym rozrzucie w stosunku do wartości porównawczych. Współczynnik korelacji dla sieci typu MLP i RBF pozostaje dla tych przykładów na stosunkowo wysokim poziomie (do 0,7755), dla sieci typu SVM przyjmuje już niskie wartości (do 0,4106). Parametry należące do III grupy w najmniejszym stopniu nadają się do szacowania wartości zużycia budynków. Otrzymywane wyniki przyjmują spłaszczone wartości, tzn. dla różnych wartości danych oryginalnych uzyskiwane są jednakowe lub podobne wartości wyjściowe z sieci. Mimo, iż współczynnik korelacji dla sieci typu MLP i RBF pozostaje wysoki to pozostałe typy błędów przyjmują znacząco większe wartości. Rys. 3. Porównanie wartości zużycia budynków z bazy danych i obliczonych przez najlepszą sieć Otrzymywane wyniki w poszczególnych próbach (po symulacji w każdej), dla danych typów sieci i grup parametrów, co do wartości nie odbiegały od siebie w znaczącym stopniu. W wyniku poszukiwania optymalnych parametrów uczenia sieci uzyskiwano wyniki w niewielkim stopniu lepsze od wcześniejszych. Uzyskanie wyniku lepszego lub gorszego od innych w dużym stopniu uzależnione było od początkowego doboru wag i tego czy w procesie uczenia udało się osiągnąć minimum jak najbardziej zbliżone do minimum globalnego. 5. Analiza wrażliwości W kolejnym kroku prac dokonano analizy wrażliwości sieci na dobór parametrów z bazy danych. Do analizy wykorzystano I grupę parametrów i najlepszą topologię sieci uzyskaną w trakcie wcześniejszych prac. Przyjęto klasyczny algorytm analizy wrażliwości sieci na dobór parametrów z bazy danych: 1. przyjęcie dużej sieci wg wcześniej wytypowanego typu i architektury, uczenie, testowanie, określenie błędu wyników, 2. zmniejszanie sieci o 1 element, kolejno dla wszystkich i elementów, uczenie, testowanie, określenie błędu,
7 3. odrzucenie najmniej istotnych elementów poniżej pewnego progu, 4. odrzucanie kolejnych elementów (powtarzanie kroków 2 i 3) aż do uzyskania niewielkiego wektora wejść, 5. ustalenie parametrów dla których uzyskano zadowalające odpowiedzi sieci neuronowej. Przeprowadzone kolejne symulacje polegające na ograniczaniu liczby parametrów doprowadziły do uzyskania pięciu parametrów w najistotniejszy sposób wpływających na wynik oszacowania wartości zużycia technicznego budynku: stolarka okienna mieszkań, przewody inst. wody zimnej i ciepłej, pokrycie dachu, izolacja termiczna ścian osłonowych, izolacja termiczna ścian szczytowych Analizując wszystkie wyniki uznano, że sieć działająca na bazie pieciu parametrów może spełniać stawiane wymagania. Uzyskiwane wyniki w dużej mierze uzyskują dokładność 10% a nieliczne przekraczają 20%. Wyniki działania tej sieci w porównaniu do wyników otrzymanych metodą tradycyjną przedstawia rysunek 2. Rys. 4. Wyniki dla sieci bazującej na pięciu parametrach 6. Podsumowanie i wnioski Zaproponowana metoda szacowania wartości zużycia technicznego prefabrykowanych budynków mieszkalnych za pomocą sztucznych sieci neuronowych mogłaby być wykorzystywana efektywnie w zasadzie dla dużych zespołów budynków. Poważne awarie i uszkodzenia mogą być odkrywane jedynie bezpośrednio, w trakcie corocznych kontroli budynków i żadne metody teoretyczne ich nie zastąpią. Jednak dla uzyskania orientacyjnego poziomu odniesienia i przybliżonego oszacowania dla wielu zastosowań mogłaby to być metoda bardzo użyteczna. Należy w tym miejscu zauważyć, że obecnie wykonywane oszacowania zużycia budynków dla celów ubezpieczeniowych opierają się zazwyczaj na
8 metodach czasowych, które są znacznie mniej precyzyjne. Jedną z ważnych zalet metody jest obiektywizm, wyniki w małym stopniu zależą od subiektywnych ocen osób wykonujących przeglądy. Do komercyjnego wykorzystania metoda ta powinna zostać przystosowana głównie poprzez rozszerzenie typów budynków, rozszerzenie bazy danych, stworzenie komputerowych programów obsługi ułatwiających pracę. Analizując otrzymane wyniki można sformułować następujące wnioski: Sztuczne sieci neuronowe są efektywnym narzędziem szacowania zużycia technicznego prefabrykowanych budynków mieszkalnych. Najlepszy wynik oszacowania osiągnięto dla sieci typu Multilayer Perceptron o architekturze Osiągnięty współczynnik korelacji równy należy uznać za wysoki a wartości błędów (np. MSE = , MAE = ) za niskie. Przeprowadzone symulacje doboru różnych typów i topologii sieci dla trzech grup parametrów pozwoliły na wyłonienie grupy 10 parametrów na podstawie których możliwe jest szacowanie wartości zużycia budynków z dobrą dokładnością. Większość oszacowań zużycia wykonanych jest z dokładnością nieprzekraczającą 10%. Przeprowadzona analiza wrażliwości sieci na dobór parametrów z bazy danych pozwoliła dokonać wyboru grupy parametrów w najistotniejszy sposób wpływających na dokładność oszacowania. Zaproponowana metoda może znaleźć zastosowanie w praktyce inżynierskiej. 7. Literatura [1] Knyziak P.: Analiza stanu technicznego prefabrykowanych budynków mieszkalnych za pomocą sztucznych sieci neuronowych. Rozprawa doktorska. Wydział Inżynierii Lądowej, Politechnika Warszawska [2] Knyziak P., Witkowski M.: Ocena stanu technicznego prefabrykowanych budynków mieszkalnych w Warszawie. Inżynieria i Budownictwo, 12/2007, s [3] Lewicki B.: Metodyka oceny stanu technicznego konstrukcji budynków wielkopłytowych. Instytut Techniki Budowlanej, Warszawa [4] Runkiewicz L., Szymański J.: Uszkodzenia i zagrożenia występujące w budynkach mieszkalnych wielkopłytowych. V Konferencja Warsztat Pracy Rzeczoznawcy Budowlanego. Kielce [5] Thierry J.: Remonty budynków i wzmacnianie konstrukcji. Arkady. Warszawa [6] Waszczyszyn Z., Urbański P.: Neuronowa predykcja stopnia zużycia technicznego budynków mieszkalnych, XLVIII Konf. Naukowa KILiW PAN i KN PZITB, Opole- Krynica, , [7] Zużycie obiektów budowlanych. WACETOB, Warszawa ARTIFICIAL NEURONAL NETWORKS IN ESTIMATION OF THE TECHNICAL DETERIORATION FOR PREFABRICATED RESIDENTIAL BUILDINGS This paper presents the method of analysis of the technical deterioration of prefabricated buildings using artificial neural networks. The data ware analyzed using several different types and many topologies of the ANN. Optimal type and topology of the net ware chosen.
9 Analyze of sensitivity for data ware performed. Results received from traditional method and from ANN were compared.
Sztuczna 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
Uczenie 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
ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH
ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY STOPNIA ZUŻYCIA TECHNICZNEGO WYBRANEJ GRUPY BUDYNKÓW MIESZKALNYCH Paweł Urbański Uniwersytet Zielonogórski, Instytut Budownictwa, Zakład Technologii i
WYKORZYSTANIE 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
WYZNACZANIE 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
PROGNOZOWANIE 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
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Zastosowania 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
ZASTOSOWANIE 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
Algorytm 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
Projekt 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
ZASTOSOWANIE 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
SIEĆ 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
Optymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Budowa 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
1. 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
PROGNOZOWANIE 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
Zastosowanie 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
WYKORZYSTANIE 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
Inteligentne 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
Metody 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
KONCEPCJA WYKORZYSTANIA SZTUCZNYCH SIECI NEURONOWYCH W DIAGNOSTYCE PRZEKŁADNI ZĘBATYCH
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2009 Seria: TRANSPORT z. 65 Nr kol. 1807 Piotr CZECH, Bogusław ŁAZARZ KONCEPCJA WYKORZYSTANIA SZTUCZNYCH SIECI NEURONOWYCH W DIAGNOSTYCE PRZEKŁADNI ZĘBATYCH Streszczenie.
wiedzy 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
SIEĆ 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
Temat: 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
Uczenie 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
Ontogeniczne sieci neuronowe. O sieciach zmieniających swoją strukturę
Norbert Jankowski Ontogeniczne sieci neuronowe O sieciach zmieniających swoją strukturę Warszawa 2003 Opracowanie książki było wspierane stypendium Uniwersytetu Mikołaja Kopernika Spis treści Wprowadzenie
DEKOMPOZYCJA 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
Aproksymacja 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
I 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
Sieci 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
Przykładowe 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
Podstawy 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,
METODA 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
4.1. 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
Wstęp 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
Oprogramowanie 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,
Testowanie 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
Sieci neuronowe - dokumentacja projektu
Sieci neuronowe - dokumentacja projektu Predykcja finansowa, modelowanie wskaźnika kursu spółki KGHM. Piotr Jakubas Artur Kosztyła Marcin Krzych Kraków 2009 1. Sieci neuronowe - dokumentacja projektu...
Modelowanie 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
MODELOWANIE NEURONALNE ROZWOJU SYSTEMU ELEKTROENERGETYCZNEGO. CZĘŚĆ 2. MODELE SYSTEMU IEEE RTS
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 82 Electrical Engineering 2015 Jerzy TCHÓRZEWSKI* Maciej PYTEL ** MODELOWANIE NEURONALNE ROZWOJU SYSTEMU ELEKTROENERGETYCZNEGO. CZĘŚĆ 2. MODELE SYSTEMU
Analiza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych sieci neuronowych 4
Wojciech Sikora 1 AGH w Krakowie Grzegorz Wiązania 2 AGH w Krakowie Maksymilian Smolnik 3 AGH w Krakowie Analiza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych
Inteligentne 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
MATLAB 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
Streszczenie. 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
w analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych.
Aproksymacja funkcji a regresja symboliczna Problem aproksymacji funkcji polega na tym, że funkcję F(), znaną lub określoną tablicą wartości, należy zastąpić inną funkcją, f(), zwaną funkcją aproksymującą
Zastosowania sieci neuronowych
Zastosowania sieci neuronowych klasyfikacja LABORKA Piotr Ciskowski zadanie 1. klasyfikacja zwierząt sieć jednowarstwowa żródło: Tadeusiewicz. Odkrywanie własności sieci neuronowych, str. 159 Przykład
Dariusz Brzeziński Instytut Informatyki, Politechnika Poznańska
Dariusz Brzeziński Instytut Informatyki, Politechnika Poznańska Podstawowe architektury sieci neuronowych Generowanie sztucznych danych Jak się nie przemęczyć Korzystanie z istniejących wag Zamrażanie
ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH W PROCESIE ROZLICZEŃ MIESZKAŃCÓW BUDYNKÓW WIELOLOKATOROWYCH
sieci neuronowe, rozliczenie mediów, zdalny odczyt Grzegorz BARTNICKI, Agnieszka CHMIELEWSKA* ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH W PROCESIE ROZLICZEŃ MIESZKAŃCÓW BUDYNKÓW WIELOLOKATOROWYCH W pracy
Podstawy Sztucznej Inteligencji
Politechnika Łódzka Katedra Informatyki Stosowanej Podstawy Sztucznej Inteligencji Laboratorium Ćwiczenie 2 Wykorzystanie środowiska Matlab do modelowania sztucznych sieci neuronowych Opracowali: Dr hab
Kombinacja jądrowych estymatorów gęstości w klasyfikacji - zastosowanie na sztucznym zbiorze danych
Kombinacja jądrowych estymatorów gęstości w klasyfikacji - zastosowanie na sztucznym zbiorze danych Mateusz Kobos, 07.04.2010 Seminarium Metody Inteligencji Obliczeniowej Spis treści Opis algorytmu i zbioru
ALGORYTMY 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.
Zastosowanie 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
Sztuczne 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
Temat: 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
Sieci 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
Algorytmy decyzyjne będące alternatywą dla sieci neuronowych
Algorytmy decyzyjne będące alternatywą dla sieci neuronowych Piotr Dalka Przykładowe algorytmy decyzyjne Sztuczne sieci neuronowe Algorytm k najbliższych sąsiadów Kaskada klasyfikatorów AdaBoost Naiwny
MODELOWANIE 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
8. 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
Widzenie 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
Systemy uczące się wykład 2
Systemy uczące się wykład 2 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 19 X 2018 Podstawowe definicje Fakt; Przesłanka; Konkluzja; Reguła; Wnioskowanie. Typy wnioskowania
MODELOWANIE KOSZTÓW REALIZACJI BUDYNKÓW MIESZKALNYCH Z ZASTOSOWANIEM ZESPOŁÓW SZTUCZNYCH SIECI NEURONOWYCH
167 MICHAŁ JUSZCZYK MODELOWANIE KOSZTÓW REALIZACJI BUDYNKÓW MIESZKALNYCH Z ZASTOSOWANIEM ZESPOŁÓW SZTUCZNYCH SIECI NEURONOWYCH THE COST MODELLING OF RESIDENTIAL BUILDINGS REALIZATION WITH NEURAL NETWORK
WYKORZYSTANIE SIECI NEURONOWYCH DO ODWZOROWANIA DEFORMACJI POWIERZCHNI NA TERENACH GÓRNICZYCH
IZABELA SKRZYPCZAK, DAWID ZIENTEK WYKORZYSTANIE SIECI NEURONOWYCH DO ODWZOROWANIA DEFORMACJI POWIERZCHNI NA TERENACH GÓRNICZYCH THE APPLICATION OF NEURAL NETWORKS FOR PROJECTION OF SURFACES DEFORMATIONS
Sieci 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
Zagadnienia 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
Optymalizacja optymalizacji
7 maja 2008 Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Optymalizacja
WPŁYW ODDZIAŁYWAŃ GÓRNICZYCH NA STAN TECHNICZNY BUDYNKÓW O KONSTRUKCJI WIELKOPŁYTOWEJ
KAROL FIREK, JACEK DĘBOWSKI WPŁYW ODDZIAŁYWAŃ GÓRNICZYCH NA STAN TECHNICZNY BUDYNKÓW O KONSTRUKCJI WIELKOPŁYTOWEJ INFLUENCE OF THE MINING EFFECTS ON THE TECHNICAL STATE OF THE PANEL HOUSING Streszczenie
Prof. Stanisław Jankowski
Prof. Stanisław Jankowski Zakład Sztucznej Inteligencji Zespół Statystycznych Systemów Uczących się p. 228 sjank@ise.pw.edu.pl Zakres badań: Sztuczne sieci neuronowe Maszyny wektorów nośnych SVM Maszyny
WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO ANALIZY WPŁYWU WYBRANYCH PARAMETRÓW NA ŚREDNICE KOLUMN INIEKCYJNYCH
Maciej OCHMAŃSKI * Politechnika Śląska WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO ANALIZY WPŁYWU WYBRANYCH PARAMETRÓW NA ŚREDNICE KOLUMN INIEKCYJNYCH 1. Wprowadzenie Kolumny iniekcyjne jet grouting
Deep 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
Inżynieria 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
ZACHODNIOPOMORSKI 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
Sieci neuronowe i algorytmy uczenia Czyli co i jak andrzej.rusiecki.staff.iiar.pwr.wroc.pl s.
Sieci neuronowe i algorytmy uczenia Czyli co i jak 2016 andrzej.rusiecki@pwr.edu.pl andrzej.rusiecki.staff.iiar.pwr.wroc.pl s. 230/C-3 O co chodzi? Celem przedmiotu jest ogólne zapoznanie się z podstawowymi
Algorytm do rozpoznawania człowieka na podstawie dynamiki użycia klawiatury. Paweł Kobojek, prof. dr hab. inż. Khalid Saeed
Algorytm do rozpoznawania człowieka na podstawie dynamiki użycia klawiatury Paweł Kobojek, prof. dr hab. inż. Khalid Saeed Zakres pracy Przegląd stanu wiedzy w dziedzinie biometrii, ze szczególnym naciskiem
KARTA PRZEDMIOTU. Dyscyplina:
KARTA PRZEDMIOTU Jednostka: WIPiE Dyscyplina: Poziom studiów: 3 Semestr: 3 lub 4 Forma studiów: stacjonarne Język wykładowy: Nazwa przedmiotu: Metody sztucznej inteligencji Symbol przedmiotu: MSI Liczba
ĆWICZENIE 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
EGZAMIN MATURALNY W ROKU SZKOLNYM 2017/2018 INFORMATYKA
EGZAMIN MATURALNY W ROKU SZKOLNYM 2017/2018 INFORMATYKA POZIOM ROZSZERZONY FORMUŁA OD 2015 ( NOWA MATURA ) ZASADY OCENIANIA ROZWIĄZAŃ ZADAŃ ARKUSZ MIN-R1,R2 MAJ 2018 Uwaga: Akceptowane są wszystkie odpowiedzi
PRÓBA 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
OPTYMALIZACJA 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
Jakość uczenia i generalizacja
Jakość uczenia i generalizacja Dokładność uczenia Jest koncepcją miary w jakim stopniu nasza sieć nauczyła się rozwiązywać określone zadanie Dokładność mówi na ile nauczyliśmy się rozwiązywać zadania które
Przykładowa 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
OFERTA PRACY DYPLOMOWEJ
Poszukiwanie optymalnych rozwiązań zastosowania w systemie ciepłowniczym źródeł odnawialnych wspomagających lokalnie pracę sieci. Celem pracy dyplomowej jest poszukiwanie miejsc systemu ciepłowniczego,
BADANIA SYMULACYJNE PROCESU HAMOWANIA SAMOCHODU OSOBOWEGO W PROGRAMIE PC-CRASH
BADANIA SYMULACYJNE PROCESU HAMOWANIA SAMOCHODU OSOBOWEGO W PROGRAMIE PC-CRASH Dr inż. Artur JAWORSKI, Dr inż. Hubert KUSZEWSKI, Dr inż. Adam USTRZYCKI W artykule przedstawiono wyniki analizy symulacyjnej
PROTOKÓŁ z okresowej pięcioletniej kontroli stanu technicznego budynku
Załącznik nr 3 PROTOKÓŁ z okresowej pięcioletniej kontroli budynku Podstawa prawna Art. 62 ust. 1 pkt 2 ustawy z dnia 7 lipca 1994 roku Prawo budowlane (Dz. U. z 2006 roku Nr 156, poz. 1118 z p. zm.) ZAKRES
Sztuczne 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
Modelowanie 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
WYZNACZANIE 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)
Prognozowanie zanieczyszczeń atmosferycznych przy użyciu sieci neuronowych
Prognozowanie zanieczyszczeń atmosferycznych przy użyciu sieci neuronowych prof. zw. dr hab. inż. Stanisław Osowski dr inż. Krzysztof Siwek Politechnika Warszawska Kontynuacja prac Prace prowadzone w roku
Systemy uczące się Lab 4
Systemy uczące się Lab 4 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 26 X 2018 Projekt zaliczeniowy Podstawą zaliczenia ćwiczeń jest indywidualne wykonanie projektu uwzględniającego
Sieci 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
Wstęp 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
wiedzy 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
Rozdział 1 PROGRAMOWANIE LINIOWE
Wprowadzenie do badań operacyjnych z komputerem Opisy programów, ćwiczenia komputerowe i zadania. T. Trzaskalik (red.) Rozdział 1 PROGRAMOWANIE LINIOWE 1.2 Ćwiczenia komputerowe Ćwiczenie 1.1 Wykorzystując
Metody klasyfikacji i rozpoznawania wzorców. Najważniejsze rodzaje klasyfikatorów
Metody klasyfikacji i rozpoznawania wzorców www.michalbereta.pl Najważniejsze rodzaje klasyfikatorów Dla określonego problemu klasyfikacyjnego (tzn. dla danego zestawu danych) należy przetestować jak najwięcej
Podstawy 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
SIECI 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,
PRZEWIDYWANIE RODZAJU USZKODZEŃ PRZEWODÓW WODOCIĄGOWYCH ZA POMOCĄ KLASYFIKUJĄCYCH SIECI NEURONOWYCH
Przewody wodociągowe, sieci neuronowe, uszkodzenia Małgorzata KUTYŁOWSKA* PRZEWIDYWANIE RODZAJU USZKODZEŃ PRZEWODÓW WODOCIĄGOWYCH ZA POMOCĄ KLASYFIKUJĄCYCH SIECI NEURONOWYCH Celem pracy jest analiza i
NAPRĘŻENIA ŚCISKAJĄCE PRZY 10% ODKSZTAŁCENIU WZGLĘDNYM PRÓBEK NORMOWYCH POBRANYCH Z PŁYT EPS O RÓŻNEJ GRUBOŚCI
PRACE INSTYTUTU TECHNIKI BUDOWLANEJ - KWARTALNIK 1 (145) 2008 BUILDING RESEARCH INSTITUTE - QUARTERLY No 1 (145) 2008 Zbigniew Owczarek* NAPRĘŻENIA ŚCISKAJĄCE PRZY 10% ODKSZTAŁCENIU WZGLĘDNYM PRÓBEK NORMOWYCH
INFORMATYKA POZIOM ROZSZERZONY
EGZAMIN MATURALNY W ROKU SZKOLNYM 2015/2016 FORMUŁA DO 2014 ( STARA MATURA ) INFORMATYKA POZIOM ROZSZERZONY ZASADY OCENIANIA ROZWIĄZAŃ ZADAŃ ARKUSZ MIN-R1, R2 MAJ 2016 Uwaga: Akceptowane są wszystkie odpowiedzi
Metody 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