MODELE OPTYMALNEGO PRZETWARZANIA SYGNAŁÓW LOSOWYCH
|
|
- Lech Drozd
- 5 lat temu
- Przeglądów:
Transkrypt
1 Wesław Ctko, Wesław Seńko Akadema Morska w Gdyn MODELE OPYMALNEGO PRZEWARZANIA SYGNAŁÓW LOSOWYCH Estymacja sygnałów losowych jest stotnym zagadnenem matematycznym, mającym zastosowane w welu dzedznach nauk technk Celem nnejszego artykułu jest porównane procedur estymacj sygnałów losowych z wykorzystanem lnowych estymatorów MMSE (Mnmum Mean-Squared Error mnmum błędu średnokwadratowego) Słowa kluczowe: optymalne przetwarzane sygnałów, estymacja sygnałów losowych WSĘP Przez optymalne przetwarzane sygnałów losowych należy rozumeć wydobywane nformacj z danych dyskretnych (danych czasu dyskretnego), jak np z danych pomarowych skalarnych lub wektorowych welkośc fzycznych, w sposób optymalny, przy czym krytera optymalnośc mogą być różne Zakłada sę zatem, że modelem matematycznym takch sygnałów są dyskretne procesy stochastyczne Warto tutaj przypomneć, że tego typu procesy stochastyczne są zdefnowane przez rodzny {x(n)} zmennych losowych, generowane przez dyskretne momenty czasu lub jako zbory determnstycznych cągów lczbowych, stanowących tzw realzacje procesu stochastycznego Na ogół w praktyce ne dysponuje sę pełnym opsem procesu stochastycznego, a węc znajomoścą funkcj gęstośc prawdopodobeństwa każdej próbk-zmennej losowej, x(n) Co węcej, znajomość procesu ogranczona jest jedyne do M < próbek lub M punktów tylko jednej realzacj Jeżel przykładowo nformację stanow determnstyczny parametr Θ, to znajomość M próbek procesu pozwala na wyznaczene zmennej losowej Θ= ˆ ( x( n)), będącej estymatorem parametru Θ Każda szczególna wartość ˆΘ jest estymatą parametru Θ ( ) jest symbolem pewnego odwzorowana funkcjonalnego Obok estymacj momentów wdm procesów stochastycznych procedury estymacj są powszechne wykorzystywane do estymacj parametrów model sygnałów losowych w przetwarzanu, obejmującym wygładzane, fltrację predykcję Celem nnejszego artykułu jest przegląd porównane procedur estymacj sygnałów losowych z wykorzystanem lnowych estymatorów MMSE (Mnmum Mean-Squared Error mnmum błędu średnokwadratowego)
2 W Ctko, W Seńko, Modele optymalnego przetwarzana sygnałów losowych 5 PROBLEM ESYMACJI SYGNAŁU LOSOWEGO Problem estymacj sygnału losowego można sprowadzć do następującego zagadnena [3]: Zadany jest cąg x(n); n = 0,,, N- będący zborem próbek z obserwowanej (pomarowej) realzacj procesu stochastycznego Cąg d(n); n = 0,,, N- jest nformacją zawartą w cągu x(n), tzn stneje funkcjonalne odwzorowane ( ) take, że: dn ˆ( ) = xn ( ( )) () gdze dn ˆ( ) jest estymatorem sygnału d(n) Lnowy estymator MMSE określony jest przez zależność: N dn ˆ( ) = hx ( ), n = 0,,, N- () = 0 gdze h parametry estymatora Można pokazać, że estymator MMSE jest realzowalny z użycem fltrów lnowych (rozwązane klasyczne optymalna fltracja LS), a także sztucznych sec neuronowych (LS Least Squares) OPYMALNE FILRY NAJMNIEJSZYCH KWADRAÓW (LS LEAS SQUARES) Optymalna fltracja z zastosowanem lnowych fltrów LS jest jednym z podstawowych narzędz przetwarzana sygnałów losowych Podstawowy schemat takej fltracj przedstawono na rysunku [3] x(n) y(n) - h(n) Σ d(n) + e(n) Rys Blokowy schemat fltracj optymalnej Fg he block dagram of the optmal flterng
3 5 ZESZYY NAUKOWE AKADEMII MORSKIEJ W GDYNI, nr 90, grudzeń 05 Parametry fltru o odpowedz mpulsowej h(n) należy tak dobrać, aby odpowedź y(n) była blska zadanemu cągow d(n), y(n) d(n) Stąd, defnując funkcję kosztów (celu) jako: { ( )} w przypadku, gdy x(n) jest cągem losowym lub J = E e n (3) { } J e n n = (4) dla sygnałów determnstycznych, realzację zależnośc y(n) d(n) uzyskuje sę, wyznaczając Poneważ: mn J{ e( n )} (5) en ( ) = dn ( ) hxn ( ) ( ) (6) gdze wskaźnk sumowana przybera wartośc zależne od długośc odpowedz mpulsowej fltru, to warunk na mnmum funkcj celu: mn J{ e ( n) } mn J = d( n) h( ) x( n) (7) ze względu na wartośc odpowedz mpulsowej h() prowadzą do układu równań lnowych znanych jako równana normalne, o postac: R( n, n j) h( ) = g( n j, n) (8) gdze: Rn ( n, j) = E{ xn ( xn ) ( j) } funkcja autokorelacj cągu wejścowego, gn ( n, j) = E xn ( dn ) ( ) funkcja korelacj skrośnej x(n) oraz d(n) { } Zakres wartośc wskaźnka j zależy od długośc odpowedz mpulsowej Rozwązane równań normalnych ustala parametry h() fltru optymalnego Należy zwrócć uwagę na następujące cechy fltracj LS: funkcja J { en ( )} posada globalne mnmum; fltracja optymalna LS zapewna ortogonalność cągów e(n) y(n): E{ e( n), y( n )} = 0; (9) fltracja optymalna LS dostarcza estymatora zadanego cągu d(n): { } dn ˆ( ) = yn ( ) = xn ( ) (0)
4 W Ctko, W Seńko, Modele optymalnego przetwarzana sygnałów losowych 53 Ze względów praktycznych zakłada sę stacjonarność w szerokm sense cągów wejścowych x(n), co prowadz do zmany formy równań normalnych (8): R( j ) h( ) = g( j) () Drugm stotnym ze względów praktycznych założenem jest przyjęce skończonej długośc odpowedz mpulsowej hn ( ) = { h(0), h(),, hl ( ) } Odpowedź y(n) przyczynowego fltru LS można przedstawć w postac: y( n) = h ( n) x ( n) () gdze: h () n = [(0),(), h h,( h L )] odpowedź mpulsowa, x ( n) = [ x( n), x( n),, x( n( L))] wektor regresj Stąd równana normalne () otrzymują postać: gdze R macerz autokorelacj: jest macerzą oepltza R h= g (3) R(0) R() R() R( L) R() R(0) R() R = RL ( ) R(0) (4) g = [ g(0), g(),, g( L)] wektor korelacj skrośnej (5) Optymalne rozwązane równana (3) stneje dla neosoblwej macerzy autokorelacj, tzn: h= R g (6) Należy jednak zauważyć, że macerz oepltza jest w ogólnośc dodatno półokreślona (postve sem-defnte), co ne zapewna stnena R W przypadku cągów x(n) determnstycznych lub ergodycznych dane są jedyne cąg lczbowe x(n) oraz d(n) dla n = 0,,, M- Operację uśrednana po zborze E{ } należy zastąpć uśrednanem po czase Stąd: M R( ) = x( n) x( n+ ); = 0,,, L- (7) M n= 0 M g () = xndn ( ) ( + ); = 0,,, L- (8) M n= 0 { R() } R = (9)
5 54 ZESZYY NAUKOWE AKADEMII MORSKIEJ W GDYNI, nr 90, grudzeń 05 Warto zwrócć uwagę, że lczba operacj dla rozwązana równana (6) może być numeryczne znaczne zredukowana przez zastosowane algorytmu Levnsona Pewną modyfkację struktury optymalnej fltracj z rysunku można wprowadzć w przypadku, gdy sygnał wejścowy x(n) zawera addytywny szum, w szczególnośc bały, w(n) Schemat takej struktury przedstawono na rysunku w(n) d(n) Σ x(n) Fltr h parametry fltru ^ d(n) Σ + e(n) Rys Blokowy schemat fltracj optymalnej sygnał zawera addytywny szum bały Fg he block dagram of the optmal flterng sgnal contans addtve whte nose Funkcja celu struktury dana jest poprzez błąd średnokwadratowy ( MSE), jako: { } { } ( ˆ ) { } { } { } { ˆ } J e n E e n E d n d n E w n E d n w n E d n w n () = () = () () + () + () () () () (0) Zakładając, że cąg dn ( ), dn ˆ( ) w(n), a węc sygnał zadany szum są statystyczne nezależne, tzn E{ d( n) w( n )} = 0, { } E d ˆ( n) w( n ) = 0 () wartość funkcj celu może być zmnejszona przez odpowedn dobór (adaptację) parametrów fltru Mnmum tej funkcj osąga sę, spełnając warunk: dn ˆ( ) = dn ( ) en ( ) = wn ( ) () Stąd dn ˆ( ) jest estymatorem MSE sygnału d(n) Przy spełnenu warunków () funkcja celu (0) ma postać: { } { } { } { } ( ˆ ) J e( n) = E e ( n) = E d( n) d( n) + E w ( n) (3) Poneważ zwązek sygnału wyjścowego ˆ( ) dn oraz wejścowego x(n) fltru dyskretnego można zapsać w postac równana różncowego:
6 W Ctko, W Seńko, Modele optymalnego przetwarzana sygnałów losowych 55 lub dn ˆ( ) + cdn ˆ( ) + cdn ˆ( ) + + cdˆ ( n N) = 0 = bxn ( ) + bxn ( ) + + b xn ( M), N M M N N (4) ˆ( ) dn= x ( n ) h (5) gdze x ( n) = dˆ( n) dˆ( n),, dˆ( n), x( n), x( n), x( nm) jest wektorem regresj (regresor), natomast h = [ c, c, cn, b0, b,, bm] wektor parametrów, to funkcja celu (3) jest funkcją wektora h (welu zmennych): { ( )} = ( h) = { ( )} + h { x( ) x ( )} h { ( ) x ( )} h + { ( )} J en J E d n E n n E dn n E w n (6) Spełnene warunku konecznego na mnmum funkcj J(h), tzn J { h} = 0, ( gradent) (7) prowadz do zboru równań lnowych: R h= R (8) xx znanych jako równana Wenera-Hopfa R = E x( n) x ( n) jest macerzą autokorelacj wektora regresj, Macerz xx { } natomast = { ( ) ( )} Rx d E x n d n jest wektorem korelacj skrośnej wektora regresj oraz zadanego sygnału Rozwązane równana (8) stneje dla macerzy neosoblwej R xx : = xx x d xd h R R (9) Co węcej h jest punktem mnmum h * funkcj J(h), gdy R xx jest dodatno określona (R xx hessan funkcj J(h)) Jeśl ponadto R xx ne zależy od h, tzn R xx jest macerzą lczbową, rozwązane (9) jest punktem mnmum globalnego h ** funkcj J(h) Mnmum globalne h ** można otrzymać dla kwadratowej funkcj J(h), a węc dla wektora parametrów spełnających c = 0, =,, N W przypadku ergodycznych wektorów regresj operator uśrednana po zborze E{ } zastępuje sę uśrednanem po czase Stąd równane Wenera-Hopfa upraszcza sę do postac: = xx xd = k = = k k { } { d } h R R lm x( ) x ( ) x ( ) ( ) (30)
7 56 ZESZYY NAUKOWE AKADEMII MORSKIEJ W GDYNI, nr 90, grudzeń 05 3 MODELE LINIOWYCH OBSERWAORÓW Problem lnowej obserwacj dany jest przez zbór równań algebracznych o postac []: y = Dx + w (3) gdze: x neznany wektor, x R n, y zawera znane dane pomarowe (obserwacje), y R r, D R rxn dana macerz lczbowa, w R r wektor zawerający neznane błędy pomarowe lub składowe szumu o różnych właścwoścach wdmowych (np szum bały) Wadomo, że rozwązane równana (3) można otrzymać metodą najmnejszych kwadratów (LS), wyznaczając mnmum funkcj kwadratowej: węc: x ˆ LS estymator LS rozwązana równana obserwacj (3) F ( x) = ydx (3) xˆ LS = arg mn F( x) = ydx, (33) n x R Warto zwrócć uwagę, że jeden z model generujących welke zbory danych (Bg Data) [] ma formę równana (3) W przypadku r > n, pomjając właścwośc szumu, analtyczne rozwązane równana (33) dane jest przez znany estymator Gaussa: xˆ = D D D y (34) ( ) Macerz D D znana jest jako macerz normalna Gaussa Estymator ˆx uwzględnający właścwośc szumu, można uzyskać za pomocą algorytmu MMSE, przy czym r n w równanu (3) raktując wektory x w jako próbk (zmenne losowe) procesu stochastycznego o następujących właścwoścach: E { }, E{ } x = 0 x x = P (35) gdze P macerz kowarancj zmennej losowej x oraz E w = 0, E w w = N (36) { } { } gdze N macerz kowarancj zmennej losowej w (szumu),
8 W Ctko, W Seńko, Modele optymalnego przetwarzana sygnałów losowych 57 zmenne losowe x w spełnają z założena: { } E xw = 0 (37) a węc są neskorelowane Funkcja celu J{ }, pozwalająca na znalezene struktury lnowego obserwatora, ma postać: Poneważ błąd estymacj: oraz macerz wag obserwatora J n r xˆ = Gy, G R (38) { } = E{ ˆ } e x x (39) [ ] e= x x ˆ = ( x x ˆ ),,( x x ˆ ) n n (40) { } G = g,, gn (4) to mnmum funkcj celu w równanu (39) oznacza spełnene: { x ˆ } mn E ( x ), =,, n (4) g gdze g oznacza -ty wersz macerzy wag G Spełnene warunków konecznych dla równań (4) prowadz do równana macerzowego: E { } E{ } xy G yy = 0 (43) ak węc warunek wystarczający dla stnena mnmum funkcj J{ }: E { yy } > 0 tzn macerz (Hessa) E{ yy } mus być dodatno określona Poneważ zachodz: oraz: { } E = xy P D (44) { }, to rozwązane równana (43) otrzymuje sę jako: E yy = D P D + N (45) ( ) G = PD DPD + N (46)
9 58 ZESZYY NAUKOWE AKADEMII MORSKIEJ W GDYNI, nr 90, grudzeń 05 Stąd zależność (38) określa perwszą formę estymatora MMSE wektora x: gdze ( ) r r DPD + N R ( ) xˆ = PD DPD + N y (47) MSE aka forma estymatora jest szczególne korzystna dla r < n (lczba obserwacj r mnejsza nż lczba neznanych zmennych x, =,, n) W przypadku, gdy macerze kowarancj: P oraz N są neosoblwe, proste przekształcena macerzowe prowadzą do tzw drugej formy estymatora: gdze ( DN D P ) n n ˆ + R ( ) xmse = D N D+ P D N y (48) a forma estymatora jest zatem korzystna dla r >> n Co węcej, przy założenu P = 0, tzn przy braku jakejkolwek wedzy a pror o mocy średnej zmennych x, oraz przy warunku rząd D = n, estymator ˆx równana (48) przyjmuje postać: ˆ ( ) x= D N D D N y (49) znaną jako estymator Gaussa-Markowa Netrudno zauważyć, że estymator Gaussa-Markowa jest uogólnoną postacą estymatora Gaussa (estymator Gaussa estymator Gaussa-Markowa dla N = ) Rozwązane problemów obserwacj dane przez estymator (47) oraz (48) wymaga macerzowych operacj, takch jak mnożene odwracane Według nektórych autorów są zatem neodpowedne dla rozwązywana problemów obserwacj w przypadku welkch zborów danych (Bg Data) [] Powyżej opsane procesy rozwązywana problemów obserwacj można bezpośredno wykorzystywać do uzyskana struktur optymalnych lnowych fltrów Kalmana Warto zauważyć, że w lteraturze przedmotu można znaleźć modyfkacje form estymatorów opsanych powyżej W szczególnośc estymator określony zależnoścą (49) z uwzględnenem regularyzatora chonowa przyjmuje postać [5]: ˆ ( δ ) xr = D N D+ D N y (50) gdze > 0 (macerz dodatno określona) oraz δ parametr regularyzacyjny (określa normę operatora x ˆ R ) akże skalowalna wersja estymatora (49) o postac: ˆ ˆ s χ χ ( ) x = x= D N D D N y (5) zawera parametr regularyzacyjny χ Założene χ χ( ) estymatora James-Stena [5] = y prowadz do znanego
10 W Ctko, W Seńko, Modele optymalnego przetwarzana sygnałów losowych 59 4 MODEL PRZEWARZANIA SYGNAŁÓW W UCZENIU MASZYNOWYM (MACHINE LEARNING) Uczene maszynowe jest jednym z ważnych zagadneń teoretycznych praktycznych, rozważanych w ramach ntelgencj oblczenowej [9] Danym N wejścowym w uczenu maszynowym są tzw zbory trenngowe = { x, d } =, par (x, d ), gdze zadane wektory x są punktam pewnej przestrzen X (x X), natomast d zadanym welkoścam skalarnym (d R) Zbory trenngowe są źródłam danych dla konstrukcj model przetwarzana sygnałów występujących mn w zagadnenach rozpoznawana wzorców, klasyfkacj, fltracj, predykcj korekcj Netrudno zauważyć, że wyżej wspomnane modele można sformułować jako aproksymację funkcj f ( ) welu zmennych, spełnających warunk zgodnośc z danym pomarowym d, tzn f: X R, f(x ) d Ważną cechą takej aproksymacj opartych na nej model jest cecha predykcyjnośc Jak wadomo, aproksymacja funkcj jest stotnym zagadnenem rozważanym w analze matematycznej Ze względu na przedmot nnejszego artykułu, ponżej rozważa sę taką aproksymację jako problem estymacj sygnałów losowych 4 Aproksymacja funkcj lnowej jako estymacja LS Zakładając, że punkty x = [x, x,, x M ] są wektoram regresj (próbkam) N wymuszającym odpowedz d, zbór trenngowy = { x, d } = jako wynk pewnego dośwadczena losowego, generowany jest przez lnowe odwzorowana [7]: d = wx + e, =,,, N (5) gdze w = [w, w,, w M ] wektor parametrów W analog do fltracj LS zlustrowanej na rysunku, schemat prezentujący zależność (5) przedstawono na rysunku 3 x w e x regresory x w w M Σ d =,,N x M Rys 3 Estymator sygnałów losowych Fg 3 he random sgnals estmator
11 60 ZESZYY NAUKOWE AKADEMII MORSKIEJ W GDYNI, nr 90, grudzeń 05 Parametry w estymatora z rysunku 3 można otrzymać przez mnmalzację funkcj kosztów: N ( ) J w e w d w x (53) 0( ) = ( ) = = J 0 (w) jest funkcją kwadratową jej mnmalzacja prowadz do równań normalnych (por zależność (8)): gdze: N N xx( N) = j = j= R x x, w = R ( N) r ( N) (54) LS xx dx dm R xx (N) = M M macerz autokorelacj wektorów regresj, N rdx ( N) = x d wektor korelacj skrośnej = Należy pamętać, że w rozwązanu (54) zakłada sę neosoblwość macerzy R xx (N) Neosoblwość takej symetrycznej macerzy dla dowolnych wektorów regresj realzuje sę poprzez tzw strukturalną regularyzację W przypadku macerzy R xx (N) zmena sę jej przekątną dagonalną stąd równana normalne otrzymują postać: ( N γ ) w = R ( ) + I r ( N) (55) RLS xx dx gdze: γ parametr regularyzacj, I macerz jednostkowa, w RLS regularyzowane rozwązane najmnejszych kwadratów Warto zwrócć uwagę, że tego typu regularyzację stosuje sę także w problemach optymalzacyjnych przy oblczanu odwrotnej macerzy Hessa 4 Aproksymacja funkcj nelnowej jako problem nelnowej regresj N Jak wspomnano powyżej, zbór trenngowy = x, d =, generowany przez pewen fzyczny proces, może być reprezentowany przez następujący model regresj [9]: d = f( x ) + e, =,,, N (56) gdze: x wektor regresj (wymuszene), d odpowedź { }
12 W Ctko, W Seńko, Modele optymalnego przetwarzana sygnałów losowych 6 Strukturę takego modelu można otrzymać przez mnmalzację następującej funkcj kosztów: N ( ) ( ) = ( x ) λ (57) J e = d f + f gdze: λ > 0 parametr regularyzacyjny, norma (w przestrzen Hlberta) Poneważ zdefnowana powyżej funkcja kosztów ma postać regularyzowanego funkcjonału kwadratowego, mnmalzację funkcjonału J( ) można przeprowadzć, wykorzystując klasyczną teorę regularyzacj chonowa Można węc pokazać, że funkcja f(x) mnmalzująca funkcjonał J( ) ma postać: N f( x) = wk ( x, x ) (58) gdze: w = [w, w,, w M ] wektor parametrów, współczynnk superpozycj, K( xx, ) funkcja jądra (RKHS Reproducng Kernel Hlbert Space) = Należy zauważyć, że aproksymacja funkcj f(x) w równanu (58) zadana jest przez superpozycję symetrycznych dodatno określonych funkcj K( xx, ), cągłych w przestrzen X X Mnmalzacja funkcjonału (57) prowadz do zboru równań lnowych, których rozwązane ustala wektor współczynnków w, mnmalzujących błędy danych trenngowych: ( λ ) K+ I w = d (59) gdze: K symetryczna macerz kwadratowa ( N N ) (tzw macerz jąder lub Gram), I macerz jednostkowa, d [d, d,,d N ] K = K( x, x ) = K (60) j j j Netrudno zauważyć, że zawsze można znaleźć taką wartość λ > 0, dla której stneje stablne rozwązane równana (6): w = ( K+λI) d (6) Dobór odpowednch funkcj jąder oraz wartośc parametru λ do zadanego zboru trenngowego może być przedmotem osobnych badań Warto jednak zauważyć, że jednym z stotnych form takch funkcj są funkcje Gaussa:
13 6 ZESZYY NAUKOWE AKADEMII MORSKIEJ W GDYNI, nr 90, grudzeń 05 x x /σ K( xx, ) = e (6) W tym przypadku zależność (58) prowadz do struktury sec RBF (Radal Bass Functons) 43 Aproksymacja z zastosowanem przekształceń ortogonalnych Jak wykazano powyżej, dobór odpowednch funkcj jąder oraz wartośc parametru regularyzującego λ jest przedmotem badań Jedna z możlwośc doboru funkcj K( xx, ) polega na wykorzystanu przekształceń ortogonalnych, co prowadz do możlwośc mplementacj aproksymatora z zastosowanem struktur sztucznych sec neuronowych Defncja takej funkcj dana jest jako [0]: ( ) K ( x, x) =Θ x H x (63) M gdze: x = [x, x,, x M ], x R M wektor regresj, H M macerz skośne-symetryczna, Θ( ) funkcja neparzysta Poneważ oraz to macerz = { Kj} = { K(, j )} Θ ( ) 0, Θ xh x = x (64) M ( M j) =Θ( j M ) xh x xh x (65) K x x jest skośne-symetryczna Neosoblwość macerzy K można uzyskać poprzez następującą zmanę funkcj Θ( ): gdze δ () jest funkcją Kroneckera Stąd równane (59) przybera postać: gdze: K macerz skośne-symetryczna, I macerz jednostkowa Θ () Θ () + λδ () (66) ( λ ) K+ I w = d (67) Przekształcene (66) można znterpretować jako formę regularyzacj zadana aproksymacj z zastosowanem macerzy H M, której cechą jest ortogonalzacja przekształcanych wektorów x, tzn: y = H x, x, y = 0, x M
14 W Ctko, W Seńko, Modele optymalnego przetwarzana sygnałów losowych 63 Należy zauważyć, że regularyzacja wykorzystywana w równanu (57) z zastosowanem funkcj jąder jest neskuteczna dla funkcj (63), poneważ m m m m f = (, ), c (, ) ( (, ), (, )) K c K x jk x j = cc j K x K x j = = j= = j= m m = cc ( K( x, x ) = c Kc= 0 j j = j= (68) jest semnormą ym nemnej rozwązane równana (67) jest numeryczne stablne dla λ 0: w = ( K+λI) d (69) a formule aproksymacj (58) można nadać formę schematu jak na rysunku 4 Perceptronowy moduł pamęc w x x x M H M u u u M x x N + + p p N Θ ( ) Θ N ( ) w w N + d=f(x) Rys 4 Układowa realzacja formuły aproksymacj Fg 4 he mplementaton of approxmaton formulas W układowej realzacj aproksymatora z rysunku 4 zastosowano N perceptronów jako elementów pamęc zadanych wektorów x ; =, N 5 REALIZACJA UCZENIA MASZYNOWEGO PRZEZ ZASOSOWANIE ALGEBRY MACIERZY HURWIZA-RADONA Jak wspomnano powyżej, uczene maszynowe jest jedynym z unwersalnych model wykorzystywanym w obszarze ntelgencj oblczenowej Celem przedstawonych rozważań jest pokazane możlwośc rozwązywana zagadneń uczena maszynowego poprzez zastosowane algebry macerzy Hurwtza-Radona (HR) [8, 0] Co węcej, rodznę macerzy HR można wykorzystać do tworzena baz
15 64 ZESZYY NAUKOWE AKADEMII MORSKIEJ W GDYNI, nr 90, grudzeń 05 ortogonalnych najlepej dopasowanych do zadanych zborów sygnałów występujących w różnych zagadnenach systemów przetwarzana sygnałów Warto zauważyć, że problemy projektowana takch baz mogą prowadzć do dzedzny, zwanej kwantowym przetwarzanem sygnałów (QSP Quantum Sgnal Processng algorytmczna emulacja zasad mechank kwantowej) [5, 6] Zbór rzeczywstych N Nmacerzy A j spełnających następujące równane macerzowe: dla k j, k =,, s A, AA j k + AA k j = 0 (70) j = tworzy węc rodznę HR Macerze A j są ortogonalne skośne-symetryczne, węc: A j =A j, A j = A j; j =,, s Maksymalna lczba macerzy s max w rodzne (70) określona jest przez lczbę Radona ρ(n) Można pokazać, że s max = ρ(n) - (7) gdze ρ(n) N jedyne dla N =, 4, 8 stąd s max = N -; N =, 4, 8 ρ(n) = N (7) Nech A,, A s będze rodzną HR macerzy {-, 0, } o wymarze N N Wtedy macerz: gdze s = a = s Aa ( ) = aa (73) jest macerzą ortogonalną zależność (73) można traktować jako odwzorowane kul S s na grupę ortogonalną O (N) = Rodzna HR macerzy o wymarze 8 (dm N = 8) zawera 7 macerzy Wszystke macerze ortogonalne skośne-symetryczne dla N = 8 mają zgodne z zależnoścą (73) postać:
16 W Ctko, W Seńko, Modele optymalnego przetwarzana sygnałów losowych 65 H 0 h h h3 h4 h5 h6 h7 h 0 h3 h h5 h4 h7 h 6 h h3 0 h h6 h7 h4 h 5 h h h 0 h h h h 7 = h A = = h4 h5 h6 h7 0 h h h 3 h5 h4 h7 h6 h 0 h3 h h6 h7 h4 h5 h h3 0 h h7 h6 h5 h4 h3 h h 0 (74) gdze h R, =,, 7 Podobne dla N = 6 stneje 8 macerzy (s max = 8) w rodzne HR Stąd H h8 0 H8 0 h H H = = + h8 h8 8 H 8 0 h 8 (75) gdze h R, =,, 7 Dla wymaru N = 3, ρ(n) = 0, stąd s max = 9 W zwązku z tym H H 0 0 = + h 0 H (76) Rodzna macerzy HR o wymarach N = k, k = 6,7, generuje macerz ortogonalną o strukturze: H k H k 0 0 = + hk 0 H k (77) gdze h K R
17 66 ZESZYY NAUKOWE AKADEMII MORSKIEJ W GDYNI, nr 90, grudzeń 05 Warto zauważyć, że macerze H k są szczególne nteresujące dla zastosowań w przetwarzanu sygnałów, poneważ ch struktura jest kompatyblnym złożenem macerzy H 8 Wykorzystując struktury macerzy H k, można stworzyć rodznę analzatorów wdma Haara: y = ( H + h 0) x (78) + h k 0 gdze h 0 0, macerz jednostkowa Rzeczywśce, jeżel x oznacza wektor danych wejścowych, to rezultatem transformacj (78) jest wdmo y wektora x w baze ortogonalnej, tworzonej przez kolumny macerzy (H k + h 0 ) Szczególne nteresująca jest możlwość zaprojektowana bazy H 8 tak, aby dany wektor wejścowy x posadał zadane wdmo y, tzn: gdze x = [x, x,,x 8 ] y = [y, y,,y 8 ] są ustalone y = ( H8 + h 0) x (79) + h 0 Struktura macerzy H 8, tworzącej taką bazę dla zależnośc (79), jest następująca: h0 y y y3 y4 y5 y6 y7 y8 x h y y y4 y3 y6 y5 y8 y 7 x h y3 y4 y y y7 y8 y5 y 6 x 3 h3 y4 y3 y y y8 y7 y6 y = 5 x4 8 h 4 y5 y6 y7 y8 y y y3 y 4 x 5 y h 5 = y6 y5 y8 y7 y y y4 y3 x6 h 6 y7 y8 y5 y6 y3 y4 y y x 7 h7 y8 y7 y6 y5 y4 y3 y y x 8 (80) Wykorzystując zależność (79) (80), można podać struktury perceptronu lub korelatora, jak pokazano na rysunku 5 x m m 8 + y = Θ(m x) x Fltr ortogonalny (m y ) + y = Θ(m x) y = [,,] Rys 5 Struktura perceptronu/korelatora Fg 5 he structure of perceptron/correlator
18 W Ctko, W Seńko, Modele optymalnego przetwarzana sygnałów losowych 67 Należy zauważyć, że wektory kerunkowe m perceptronu/korelatora z rysunku 5 posadają płaske wdmo w dopasowanej baze, tzn z równana (8) [0]: gdze y = [,,,] y = ( H + h ) m (8) h0 Jako przykład zastosowana algorytmów przetwarzana sygnałów wykorzystujących macerze rodzny HR rozważono model pewnego odwzorowana nelnowego d = F(x), generowanego przez zbór trenngowy {, } = = x d tzn d ( ) n = F x Model tak posada strukturę pokazaną na rysunku 6, gdze wykorzystano analzę wdmową opartą na macerzach z rodzny = HR n u x 0 - m x d = F(x) Rys 6 Model odwzorowana nelnowego danego przez zbór trenngowy Fg 6 he model of the nonlnear mappng gven by tranng set Oznaczając wektor trenngowy jako: x u =, =,, n (8) d otrzymuje sę wdmo Haara wektorów u : m = H + u, (83) k gdze H k macerz skośne-symetryczna, ortonormalna oraz macerz wdmową: ransformacja : m = (u) dana jako: { } H = k M = m, m,, mn (84) ( ) s k m= M H u (85)
19 68 ZESZYY NAUKOWE AKADEMII MORSKIEJ W GDYNI, nr 90, grudzeń 05 gdze: ( ) Ms = M M M M (86) ( MM) M macerz pseudoodwrotna macerzy M oraz transformacja odwrotna : u = (m): x u= = ( H + ) m d k Należy zauważyć, że z równana (85) otrzymuje sę: (87) oraz ˆ x m = estymator wdma m, =,,, n (88) 0 dˆ = F( x ) estymator odpowedz d W procese rekurencyjnym (zamknęta pętla sprzężena zwrotnego) dostaje sę: dˆ d = F( x ) (89) PODSUMOWANIE W artykule dokonano przeglądu wybranych metod estymacj sygnałów losowych z wykorzystanem estymatorów MMSE Oprócz klasycznych metod zwązanych z estymatorem Gaussa oraz metodam Wenera, omówono także nowsze metody, wynkające z zastosowana metod uczena maszynowego (machne learnng), które prowadzą do struktur sztucznych sec neuronowych Na szczególną uwagę zasługują tutaj struktury, oparte na wykorzystanu rodzny macerzy Hurwtza-Radona Struktury take można traktować jako mplementację metod kwantowego przetwarzana sygnałów (Quantum Sgnal Processng) Warto zwrócć uwagę, że ze względu na charakter artykułu ne poruszono tutaj szeregu aktualnych zagadneń z dzedzny przetwarzana optymalnego sygnałów, takch jak metody tensorowe, ślepe (blnd) oraz przetwarzane welkch zborów danych (Bg Data)
20 W Ctko, W Seńko, Modele optymalnego przetwarzana sygnałów losowych 69 LIERAURA Brammer K, Sfflng G, Kalman-Bucy-Flter, R Oldenbourg Verlag, 975 Cevher V, Becker S, Schmdt N, Convex Optmzaton for Bg Data, Sgnal Processng Magazne, September 04, vol 3, no 5 3 Clarkson PM, Optmal and Adaptve Sgnal Processng, CRC Press, Inc, Eckmann B, opology, Algebra, Analyss-Relatons and Mssng Lnks, Notces of the AMS, 999, vol 46, no 5 5 Eldar YC, Quantum Sgnal Processng, Ph D Dssertaton, MI, 00 6 Eldar YC, Oppenhem AV, Quantum Sgnal Processng, IEEE Sgnal Proc Magazne, 00, vol 9, no 6 7 Haykn S, Neural Networks and Learnng Machnes, Pearson Educaton, Inc, Jakóbczak D, Zastosowane dyskretnego operatora Hurwtza-Radona, rozprawa doktorska, Polsko-Japońska Wyższa Szkoła echnk Komputerowych, Warszawa Poggo, Smale S, he Mathematcs of Learnng: Dealng wth Data, Notces of the AMS, 003, vol 50, no 5, s Seńko W, Ctko W, Hamltonan Neural Networks Based Networks for Learnng, [w:] Machne Learnng, red A Mellouk, A Chebra, I-ech, Venna 009, s 75 9 MODELS OF RANDOM SIGNALS OPIMAL PROCESSING Summary Estmaton of random sgnals s a very mportant tool for desgn of dfferent systems he goal of ths artcle s a revew of Classcal methods and newer, eg machne learnng, structures of MMSE estmators Keywords: optmal sgnal processng, estmaton of random sgnals
Zaawansowane 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 szczegółowoZaawansowane metody numeryczne
Wykład 9. jej modyfkacje. Oznaczena Będzemy rozpatrywać zagadnene rozwązana następującego układu n równań lnowych z n newadomym x 1... x n : a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 21 x 1 + a 22 x
Bardziej szczegółowoDiagonalizacja macierzy kwadratowej
Dagonalzacja macerzy kwadratowej Dana jest macerz A nân. Jej wartośc własne wektory własne spełnają równane Ax x dla,..., n Każde z równań własnych osobno można zapsać w postac: a a an x x a a an x x an
Bardziej szczegółowoKlasyfkator lnowy Wstęp Klasyfkator lnowy jest najprostszym możlwym klasyfkatorem. Zakłada on lnową separację lnowy podzał dwóch klas mędzy sobą. Przedstawa to ponższy rysunek: 5 4 3 1 0-1 - -3-4 -5-5
Bardziej szczegółowoSZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW
SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.
Bardziej szczegółowo) będą niezależnymi zmiennymi losowymi o tym samym rozkładzie normalnym z następującymi parametrami: nieznaną wartością 1 4
Zadane. Nech ( X, Y ),( X, Y ), K,( X, Y n n ) będą nezależnym zmennym losowym o tym samym rozkładze normalnym z następującym parametram: neznaną wartoścą oczekwaną EX = EY = m, warancją VarX = VarY =
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 szczegółowoNatalia Nehrebecka. Wykład 2
Natala Nehrebecka Wykład . Model lnowy Postad modelu lnowego Zaps macerzowy modelu lnowego. Estymacja modelu Wartośd teoretyczna (dopasowana) Reszty 3. MNK przypadek jednej zmennej . Model lnowy Postad
Bardziej szczegółowoWeryfikacja hipotez dla wielu populacji
Weryfkacja hpotez dla welu populacj Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Parametryczne testy stotnośc w
Bardziej szczegółowoWstęp do metod numerycznych Faktoryzacja SVD Metody iteracyjne. P. F. Góra
Wstęp do metod numerycznych Faktoryzacja SVD Metody teracyjne P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ 2013 Sngular Value Decomposton Twerdzene 1. Dla każdej macerzy A R M N, M N, stneje rozkład
Bardziej szczegółowoPokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem
Zestaw zadań : Przestrzene wektorowe. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar : C C C, (z, v) z v := z v jest przestrzeną lnową nad całem lczb zespolonych
Bardziej szczegółowoLaboratorium ochrony danych
Laboratorum ochrony danych Ćwczene nr Temat ćwczena: Cała skończone rozszerzone Cel dydaktyczny: Opanowane programowej metody konstruowana cał skończonych rozszerzonych GF(pm), poznane ch własnośc oraz
Bardziej szczegółowo( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X
Prawdopodobeństwo statystyka.. r. Zadane. Zakładamy, że,,,,, 5 są nezależnym zmennym losowym o rozkładach normalnych, przy czym E = μ Var = σ dla =,,, oraz E = μ Var = 3σ dla =,, 5. Parametry μ, μ σ są
Bardziej szczegółowoMATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5
MATEMATYKA POZIOM ROZSZERZONY Krytera ocenana odpowedz Arkusz A II Strona 1 z 5 Odpowedz Pytane 1 2 3 4 5 6 7 8 9 Odpowedź D C C A B 153 135 232 333 Zad. 10. (0-3) Dana jest funkcja postac. Korzystając
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 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 szczegółowoModelowanie i obliczenia techniczne. Metody numeryczne w modelowaniu: Optymalizacja
Modelowane oblczena technczne Metody numeryczne w modelowanu: Optymalzacja Zadane optymalzacj Optymalzacja to ulepszane lub poprawa jakośc danego rozwązana, projektu, opracowana. Celem optymalzacj jest
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 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 szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych 1. Zastosowane
Bardziej szczegółowoMetody gradientowe poszukiwania ekstremum. , U Ŝądana wartość napięcia,
Metody gradentowe... Metody gradentowe poszukwana ekstremum Korzystają z nformacj o wartośc funkcj oraz jej gradentu. Wykazując ch zbeŝność zakłada sę, Ŝe funkcja celu jest ogranczona od dołu funkcją wypukłą
Bardziej szczegółowoAPROKSYMACJA QUASIJEDNOSTAJNA
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 73 Electrcal Engneerng 213 Jan PURCZYŃSKI* APROKSYMACJA QUASIJEDNOSTAJNA W pracy wykorzystano metodę aproksymacj średnokwadratowej welomanowej, przy
Bardziej szczegółowoWykład 5 12/15/2013. Problemy algebry liniowej w Matlabie
Wykład 5. Problemy algebry lnowej w Matlabe. Analza sygnałów a) w dzedzne częstotlwośc b) w dzedzne czasu c) częstotlwoścowo-czasowa d) nagrywane analza dźwęku e) Sgnal Processng Toolbox Problemy algebry
Bardziej szczegółowoEvaluation of estimation accuracy of correlation functions with use of virtual correlator model
Jadwga LAL-JADZIAK Unwersytet Zelonogórsk Instytut etrolog Elektrycznej Elżbeta KAWECKA Unwersytet Zelonogórsk Instytut Informatyk Elektronk Ocena dokładnośc estymacj funkcj korelacyjnych z użycem modelu
Bardziej 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 szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobeństwo statystya.05.00 r. Zadane Zmenna losowa X ma rozład wyładnczy o wartośc oczewanej, a zmenna losowa Y rozład wyładnczy o wartośc oczewanej. Obe zmenne są nezależne. Oblcz E( Y X + Y =
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 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 szczegółowoZestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.
Zestaw zadań : Przestrzene wektorowe podprzestrzene. Lnowa nezależność. Sumy sumy proste podprzestrzen. () Wykazać, że V = C ze zwykłym dodawanem jako dodawanem wektorów operacją mnożena przez skalar :
Bardziej szczegółowoZAJĘCIA X. Zasada największej wiarygodności
ZAJĘCIA X Zasada najwększej warygodnośc Funkcja warygodnośc Estymacja wg zasady maksymalzacj warygodnośc Rodzna estymatorów ML Przypadk szczególne WPROWADZEIE Komputerowa dentyfkacja obektów Przyjęce na
Bardziej szczegółowoProblemy jednoczesnego testowania wielu hipotez statystycznych i ich zastosowania w analizie mikromacierzy DNA
Problemy jednoczesnego testowana welu hpotez statystycznych ch zastosowana w analze mkromacerzy DNA Konrad Furmańczyk Katedra Zastosowań Matematyk SGGW Plan referatu Testowane w analze mkromacerzy DNA
Bardziej szczegółowoBadanie współzależności dwóch cech ilościowych X i Y. Analiza korelacji prostej
Badane współzależnośc dwóch cech loścowych X Y. Analza korelacj prostej Kody znaków: żółte wyróżnene nowe pojęce czerwony uwaga kursywa komentarz 1 Zagadnena 1. Zwązek determnstyczny (funkcyjny) a korelacyjny.
Bardziej szczegółowoMETODA ELEMENTU SKOŃCZONEGO. Termokinetyka
METODA ELEMENTU SKOŃCZONEGO Termoknetyka Matematyczny ops ruchu cepła (1) Zasada zachowana energ W a Cepło akumulowane, [J] P we Moc wejścowa, [W] P wy Moc wyjścowa, [W] t przedzał czasu, [s] V q S(V)
Bardziej szczegółowo65120/ / / /200
. W celu zbadana zależnośc pomędzy płcą klentów ch preferencjam, wylosowano kobet mężczyzn zadano m pytane: uważasz za lepszy produkt frmy A czy B? Wynk były następujące: Odpowedź Kobety Mężczyźn Wolę
Bardziej szczegółowoI. Elementy analizy matematycznej
WSTAWKA MATEMATYCZNA I. Elementy analzy matematycznej Pochodna funkcj f(x) Pochodna funkcj podaje nam prędkość zman funkcj: df f (x + x) f (x) f '(x) = = lm x 0 (1) dx x Pochodna funkcj podaje nam zarazem
Bardziej szczegółowoNatalia Nehrebecka. Dariusz Szymański
Natala Nehrebecka Darusz Szymańsk . Sprawy organzacyjne Zasady zalczena Ćwczena Lteratura. Czym zajmuje sę ekonometra? Model ekonometryczny 3. Model lnowy Postać modelu lnowego Zaps macerzowy modelu dl
Bardziej szczegółowoStanisław Cichocki Natalia Nehrebecka. Zajęcia 4
Stansław Cchock Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0-1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających Interpretacja
Bardziej szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Laboratorium Python Zadanie nr 1 Regresja liniowa autorzy: A. Gonczarek, J.M. Tomczak, S. Zaręba, M. Zięba, J. Kaczmar Cel zadania Celem zadania jest implementacja liniowego zadania
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Zastosowane modelu potęgowego Model potęgowy Przekształcene Boxa-Coxa 2. Zmenne cągłe za zmenne dyskretne 3. Interpretacja parametrów przy zmennych dyskretnych
Bardziej szczegółowoNatalia Nehrebecka. Zajęcia 4
St ł Cchock Stansław C h k Natala Nehrebecka Zajęca 4 1. Interpretacja parametrów przy zmennych zerojedynkowych Zmenne 0 1 Interpretacja przy zmennej 0 1 w modelu lnowym względem zmennych objaśnających
Bardziej szczegółowoNeural networks. Krótka historia 2004-05-30. - rozpoznawanie znaków alfanumerycznych.
Neural networks Lecture Notes n Pattern Recognton by W.Dzwnel Krótka hstora McCulloch Ptts (1943) - perwszy matematyczny ops dzalana neuronu przetwarzana przez nego danych. Proste neurony, które mogly
Bardziej szczegółowoNeuron liniowy. Najprostsza sieć warstwa elementów liniowych
Najprostsza jest jednostka lnowa: Neuron lnowy potraf ona rozpoznawać wektor wejścowy X = (x 1, x 2,..., x n ) T zapamętany we współczynnkach wagowych W = (w 1, w 2,..., w n ), Zauważmy, że y = W X Załóżmy,
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 7. KLASYFIKATORY BAYESA Częstochowa 4 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TWIERDZENIE BAYESA Wedza pozyskwana przez metody probablstyczne ma
Bardziej szczegółowoWykład IX Optymalizacja i minimalizacja funkcji
Wykład IX Optymalzacja mnmalzacja funkcj Postawene zadana podstawowe dee jego rozwązana Proste metody mnmalzacj Metody teracj z wykorzystanem perwszej pochodnej Metody teracj z wykorzystanem drugej pochodnej
Bardziej szczegółowoSprawozdanie powinno zawierać:
Sprawozdane pownno zawerać: 1. wypełnoną stronę tytułową (gotowa do ćw. nr 0 na strone drugej, do pozostałych ćwczeń zameszczona na strone 3), 2. krótk ops celu dośwadczena, 3. krótk ops metody pomaru,
Bardziej szczegółowoKwantowa natura promieniowania elektromagnetycznego
Efekt Comptona. Kwantowa natura promenowana elektromagnetycznego Zadane 1. Foton jest rozpraszany na swobodnym elektrone. Wyznaczyć zmanę długośc fal fotonu w wynku rozproszena. Poneważ układ foton swobodny
Bardziej szczegółowo5. Maszyna Turinga. q 1 Q. Konfiguracja: (q,α β) q stan αβ niepusta część taśmy wskazanie położenia głowicy
5. Maszyna Turnga = T Q skończony zór stanów q 0 stan początkowy F zór stanów końcowych Γ skończony zór symol taśmy T Γ alfaet wejścowy T Γ symol pusty (lank) δ: Q Γ! 2 Q Γ {L,R} funkcja
Bardziej szczegółowou u u( x) u, x METODA RÓŻNIC SKOŃCZONYCH, METODA ELEMENTÓW BRZEGOWYCH i METODA ELEMENTÓW SKOŃCZONYCH
METODA RÓŻNIC SKOŃCZONYCH, METODA ELEMENTÓW BRZEGOWYCH METODA ELEMENTÓW SKOŃCZONYCH Szkc rozwązana równana Possona w przestrzen dwuwymarowe. Równane Possona to równae różnczkowe cząstkowe opsuące wele
Bardziej szczegółowoModelowanie przepływu cieczy przez ośrodki porowate Wykład IX
Modelowane przepływu ceczy przez ośrodk porowate Wykład IX Metody rozwązywana metodam analtycznym równań hydrodynamk wód podzemnych płaskch zagadneń fltracj. 9.1 Funkcja potencjału zespolonego. Rozważana
Bardziej szczegółowoKURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1
KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej
Bardziej szczegółowoAnaliza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)
Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz
Bardziej szczegółowo2012-10-11. Definicje ogólne
0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj
Bardziej szczegółowoModele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.
Modele weloczynnkowe Analza Zarządzane Portfelem cz. 4 Ogólne model weloczynnkowy można zapsać jako: (,...,,..., ) P f F F F = n Dr Katarzyna Kuzak lub (,...,,..., ) f F F F = n Modele weloczynnkowe Można
Bardziej szczegółowoWykład 1 Zagadnienie brzegowe liniowej teorii sprężystości. Metody rozwiązywania, metody wytrzymałości materiałów. Zestawienie wzorów i określeń.
Wykład Zagadnene brzegowe lnowe teor sprężystośc. Metody rozwązywana, metody wytrzymałośc materałów. Zestawene wzorów określeń. Układ współrzędnych Kartezańsk, prostokątny. Ose x y z oznaczono odpowedno
Bardziej szczegółowoKomputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych
Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2007/08 Podstawowe fakty Równane Ax = b, x, b R N, A R N N (1) ma jednoznaczne
Bardziej szczegółowo-Macierz gęstości: stany czyste i mieszane (przykłady) -równanie ruchu dla macierzy gęstości -granica klasyczna rozkładów kwantowych
WYKŁAD 4 dla zanteresowanych -Macerz gęstośc: stany czyste meszane (przykłady) -równane ruchu dla macerzy gęstośc -granca klasyczna rozkładów kwantowych Macerz gęstośc (przypomnene z poprzednch wykładów)
Bardziej szczegółowoALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO
ALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO NA PODSTAWIE REFERATU JUSTYNY KOSAKOWSKIEJ. Moduły prnjektywne posety skończonego typu prnjektywnego Nech I będze skończonym posetem. Przez max
Bardziej szczegółowo± Δ. Podstawowe pojęcia procesu pomiarowego. x rzeczywiste. Określenie jakości poznania rzeczywistości
Podstawowe pojęca procesu pomarowego kreślene jakośc poznana rzeczywstośc Δ zmerzone rzeczywste 17 9 Zalety stosowana elektrycznych przyrządów 1/ 1. możlwość budowy czujnków zamenających werne każdą welkość
Bardziej szczegółowoW praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.
Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas
Bardziej szczegółowoMikroekonometria 5. Mikołaj Czajkowski Wiktor Budziński
Mkroekonometra 5 Mkołaj Czajkowsk Wktor Budzńsk Uogólnone modele lnowe Uogólnone modele lnowe (ang. Generalzed Lnear Models GLM) Różną sę od standardowego MNK na dwa sposoby: Rozkład zmennej objaśnanej
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH
STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj
Bardziej szczegółowoOptymalizacja belki wspornikowej
Leszek MIKULSKI Katedra Podstaw Mechank Ośrodków Cągłych, Instytut Mechank Budowl, Poltechnka Krakowska e mal: ps@pk.edu.pl Optymalzacja belk wspornkowej 1. Wprowadzene RozwaŜamy zadane optymalnego kształtowana
Bardziej szczegółowoKier. MTR Programowanie w MATLABie Laboratorium Ćw. 12
Ker. MTR Programowane w MATLABe Laboratorum Ćw. Analza statystyczna grafczna danych pomarowych. Wprowadzene MATLAB dysponuje weloma funcjam umożlwającym przeprowadzene analzy statystycznej pomarów, czy
Bardziej szczegółowoBadanie współzaleŝności dwóch cech ilościowych X i Y. Analiza korelacji prostej. Badanie zaleŝności dwóch cech ilościowych. Analiza regresji prostej
Badane współzaleŝnośc dwóch cech loścowych X Y. Analza korelacj prostej Badane zaleŝnośc dwóch cech loścowych. Analza regresj prostej Kody znaków: Ŝółte wyróŝnene nowe pojęce czerwony uwaga kursywa komentarz
Bardziej szczegółowoWikiWS For Business Sharks
WkWS For Busness Sharks Ops zadana konkursowego Zadane Opracowane algorytmu automatyczne przetwarzającego zdjęce odręczne narysowanego dagramu na tablcy lub kartce do postac wektorowej zapsanej w formace
Bardziej szczegółowoNowoczesne technk nformatyczne - Ćwczene 2: PERCEPTRON str. 2 Potencjał membranowy u wyznaczany jest klasyczne: gdze: w waga -tego wejśca neuronu b ba
Nowoczesne technk nformatyczne - Ćwczene 2: PERCEPTRON str. 1 Ćwczene 2: Perceptron WYMAGANIA 1. Sztuczne sec neuronowe budowa oraz ops matematyczny perceptronu (funkcje przejśca perceptronu), uczene perceptronu
Bardziej szczegółowoProcedura normalizacji
Metody Badań w Geograf Społeczno Ekonomcznej Procedura normalzacj Budowane macerzy danych geografcznych mgr Marcn Semczuk Zakład Przedsęborczośc Gospodark Przestrzennej Instytut Geograf Unwersytet Pedagogczny
Bardziej szczegółowoProces narodzin i śmierci
Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 7
Stansław Cchock Natala Nehrebecka Wykład 7 1 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy zmennych dyskretnych 1. Zmenne cągłe a zmenne dyskretne 2. Interpretacja parametrów przy
Bardziej szczegółowoWykład 2: Uczenie nadzorowane sieci neuronowych - I
Wykład 2: Uczene nadzorowane sec neuronowych - I Algorytmy uczena sec neuronowych Na sposób dzałana sec ma wpływ e topologa oraz funkconowane poszczególnych neuronów. Z reguły topologę sec uznae sę za
Bardziej szczegółowoMETODY PLANOWANIA EKSPERYMENTÓW. dr hab. inż. Mariusz B. Bogacki
Metody Planowana Eksperymentów Rozdzał 1. Strona 1 z 14 METODY PLANOWANIA EKSPERYMENTÓW dr hab. nż. Marusz B. Bogack Marusz.Bogack@put.poznan.pl www.fct.put.poznan.pl/cv23.htm Marusz B. Bogack 1 Metody
Bardziej szczegółowoMetody analizy obwodów
Metody analzy obwodów Metoda praw Krchhoffa, która jest podstawą dla pozostałych metod Metoda transfguracj, oparte na przekształcenach analzowanego obwodu na obwód równoważny Metoda superpozycj Metoda
Bardziej szczegółowoSYMULACJA KOMPUTEROWA NAPRĘŻEŃ DYNAMICZNYCH WE WRĘGACH MASOWCA NA FALI NIEREGULARNEJ
Jan JANKOWSKI *), Maran BOGDANIUK *),**) SYMULACJA KOMPUTEROWA NAPRĘŻEŃ DYNAMICZNYCH WE WRĘGACH MASOWCA NA FALI NIEREGULARNEJ W referace przedstawono równana ruchu statku w warunkach falowana morza oraz
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium MATLAB Zadanie nr 1 Regresja liniowa autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się z liniowym zadaniem najmniejszych
Bardziej szczegółowoStanisław Cichocki. Natalia Nehrebecka. Wykład 6
Stansław Cchock Natala Nehrebecka Wykład 6 1 1. Interpretacja parametrów przy zmennych objaśnających cągłych Semelastyczność 2. Zastosowane modelu potęgowego Model potęgowy 3. Zmenne cągłe za zmenne dyskretne
Bardziej szczegółowoProgramowanie Równoległe i Rozproszone
Programowane Równoległe Rozproszone Wykład Programowane Równoległe Rozproszone Lucjan Stapp Wydzał Matematyk Nauk Informacyjnych Poltechnka Warszawska (l.stapp@mn.pw.edu.pl) /38 PRR Wykład Chcemy rozwązać
Bardziej szczegółowoSZTUCZNA INTELIGENCJA
SZTUCZNA INTELIGENCJA WYKŁAD 18. ALGORYTMY EWOLUCYJNE - ZASTOSOWANIA Częstochowa 2014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska ZADANIE ZAŁADUNKU Zadane załadunku plecakowe
Bardziej szczegółowoZadanie na wykonanie Projektu Zespołowego
Zadane na wykonane Projektu Zespołowego Celem projektu jest uzyskane następującego szeregu umejętnośc praktycznych: umejętnośc opracowana równoległych wersj algorytmów (na przykładze algorytmów algebry
Bardziej szczegółowoKONSPEKT WYKŁADU. nt. METODA ELEMENTÓW SKOŃCZONYCH TEORIA I ZASTOSOWANIA. Piotr Konderla
Studa doktorancke Wydzał Budownctwa Lądowego Wodnego Poltechnk Wrocławskej KONSPEKT WYKŁADU nt. METODA ELEMENTÓW SKOŃCZONYCH TEORIA I ZASTOSOWANIA Potr Konderla maj 2007 Kurs na Studach Doktoranckch Poltechnk
Bardziej szczegółowoXXX OLIMPIADA FIZYCZNA ETAP III Zadanie doświadczalne
XXX OLIMPIADA FIZYCZNA ETAP III Zadane dośwadczalne ZADANIE D Nazwa zadana: Maszyna analogowa. Dane są:. doda półprzewodnkowa (krzemowa) 2. opornk dekadowy (- 5 Ω ), 3. woltomerz cyfrowy, 4. źródło napęca
Bardziej szczegółowomgr inż. Wojciech Artichowicz MODELOWANIE PRZEPŁYWU USTALONEGO NIEJEDNOSTAJNEGO W KANAŁACH OTWARTYCH
Poltechnka Gdańska Wydzał Inżyner Lądowej Środowska Katedra ydrotechnk mgr nż. Wojcech Artchowcz MODELOWANIE PRZEPŁYWU USTALONEGO NIEJEDNOSTAJNEGO W KANAŁAC OTWARTYC PRACA DOKTORSKA Promotor: prof. dr
Bardziej szczegółowoPlan wykładu: Typowe dane. Jednoczynnikowa Analiza wariancji. Zasada: porównać zmienność pomiędzy i wewnątrz grup
Jednoczynnkowa Analza Waranc (ANOVA) Wykład 11 Przypomnene: wykłady zadana kursu były zaczerpnęte z podręcznków: Statystyka dla studentów kerunków techncznych przyrodnczych, J. Koronack, J. Melnczuk, WNT
Bardziej szczegółowoZapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie.
Zaps nformacj, systemy pozycyjne 1 Lteratura Jerzy Grębosz, Symfona C++ standard. Harvey M. Detl, Paul J. Detl, Arkana C++. Programowane. Zaps nformacj w komputerach Wszystke elementy danych przetwarzane
Bardziej szczegółowoWPŁYW PARAMETRÓW DYSKRETYZACJI NA NIEPEWNOŚĆ WYNIKÓW POMIARU OBIEKTÓW OBRAZU CYFROWEGO
Walenty OWIECZKO WPŁYW PARAMETRÓW DYSKRETYZACJI A IEPEWOŚĆ WYIKÓW POMIARU OBIEKTÓW OBRAZU CYFROWEGO STRESZCZEIE W artykule przedstaono ynk analzy nepenośc pomaru ybranych cech obektu obrazu cyfroego. Wyznaczono
Bardziej 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 szczegółowoWykład 2: Uczenie nadzorowane sieci neuronowych - I
Wykład 2: Uczene nadzorowane sec neuronowych - I Algorytmy uczena sec neuronowych Na sposób dzałana sec ma wpływ e topologa oraz funkconowane poszczególnych neuronów. Z reguły topologę sec uznae sę za
Bardziej szczegółowoWSPOMAGANE KOMPUTEROWO POMIARY CZĘSTOTLIWOŚCI CHWILOWEJ SYGNAŁÓW IMPULSOWYCH
Metrologa Wspomagana Komputerowo - Zegrze, 9-22 05.997 WSPOMAGANE KOMPUTEROWO POMIARY CZĘSTOTLIWOŚCI CHWILOWEJ SYGNAŁÓW IMPULSOWYCH dr nż. Jan Ryszard Jask, dr nż. Elgusz Pawłowsk POLITECHNIKA lubelska
Bardziej szczegółowo2 1 3 c c1. e 1, e 2,..., e n A= e 1 e 2...e n [ ] M. Przybycień Matematyczne Metody Fizyki I
Liniowa niezależno ność wektorów Przykład: Sprawdzić czy następujące wektory z przestrzeni 3 tworzą bazę: e e e3 3 Sprawdzamy czy te wektory są liniowo niezależne: 3 c + c + c3 0 c 0 c iei 0 c + c + 3c3
Bardziej szczegółowoFunkcje i charakterystyki zmiennych losowych
Funkcje charakterystyk zmennych losowych Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Intelgencj Metod Matematycznych Wydzał Informatyk Poltechnk Szczecńskej 5. Funkcje zmennych losowych
Bardziej szczegółowoWprowadzenie do teorii ekonometrii. Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe
Wprowadzenie do teorii ekonometrii Wykład 1 Warunkowa wartość oczekiwana i odwzorowanie liniowe Zajęcia Wykład Laboratorium komputerowe 2 Zaliczenie EGZAMIN (50%) Na egzaminie obowiązują wszystkie informacje
Bardziej szczegółowoMetody predykcji analiza regresji
Metody predykcj analza regresj TPD 008/009 JERZY STEFANOWSKI Instytut Informatyk Poltechnka Poznańska Przebeg wykładu. Predykcja z wykorzystanem analzy regresj.. Przypomnene wadomośc z poprzednch przedmotów..
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 szczegółowoPROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE
PROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE Janusz Wątroba, StatSoft Polska Sp. z o.o. W nemal wszystkch dzedznach badań emprycznych mamy do czynena ze złożonoścą zjawsk procesów.
Bardziej szczegółowo5. Pochodna funkcji. lim. x c x c. (x c) = lim. g(c + h) g(c) = lim
5. Pocodna funkcj Defncja 5.1 Nec f: (a, b) R nec c (a, b). Jeśl stneje granca lm x c x c to nazywamy ją pocodną funkcj f w punkce c oznaczamy symbolem f (c) Twerdzene 5.1 Jeśl funkcja f: (a, b) R ma pocodną
Bardziej szczegółowoAutomatyzacja Statku
Poltechnka Gdańska ydzał Oceanotechnk Okrętownctwa St. nż. I stopna, sem. IV, kerunek: TRANSPORT Automatyzacja Statku ZAKŁÓCENIA RUCHU STATKU M. H. Ghaem Marzec 7 Automatyzacja statku. Zakłócena ruchu
Bardziej szczegółowoEKONOMETRIA I Spotkanie 1, dn. 05.10.2010
EKONOMETRIA I Spotkane, dn. 5..2 Dr Katarzyna Beń Program ramowy: http://www.sgh.waw.pl/nstytuty/e/oferta_dydaktyczna/ekonometra_stacjonarne_nest acjonarne/ Zadana, dane do zadań, ważne nformacje: http://www.e-sgh.pl/ben/ekonometra
Bardziej szczegółowoFiltracja adaptacyjna - podstawy
Fltracja adaptacyjna - podstawy Współczynn fltrów adaptacyjnych są zmennym w czase w celu optymalzacje zadanego ryterum Powszechnym algorytmem dla fltrów adaptacyjnych jest algorytm LMS Least Mean Square)
Bardziej szczegółowoDiagnostyka układów kombinacyjnych
Dagnostyka układów kombnacyjnych 1. Wprowadzene Dagnostyka obejmuje: stwerdzene stanu układu, systemu lub ogólne sec logcznej. Jest to tzw. kontrola stanu wykrywająca czy dzałane sec ne jest zakłócane
Bardziej szczegółowoFiltr Kalmana. Struktury i Algorytmy Sterowania Wykład 1-2. prof. dr hab. inż. Mieczysław A. Brdyś mgr inż. Tomasz Zubowicz
Filtr Kalmana Struktury i Algorytmy Sterowania Wykład 1-2 prof. dr hab. inż. Mieczysław A. Brdyś mgr inż. Tomasz Zubowicz Politechnika Gdańska, Wydział Elektortechniki i Automatyki 2013-10-09, Gdańsk Założenia
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Zadae. W ure zajduje sę 5 kul, z których 5 jest bałych czarych. Losujemy bez zwracaa kolejo po jedej kul. Kończymy losowae w momece, kedy wycągęte zostaą wszystke czare kule. Oblcz wartość oczekwaą lczby
Bardziej szczegółowo