Laboratorium nr 2. Identyfikacja systemu i detekcja uszkodzeń na podstawie modelu
|
|
- Katarzyna Kaczor
- 5 lat temu
- Przeglądów:
Transkrypt
1 Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski Diagnostyka procesów i systemów Prowadzący: Marcel Luzar 1 Laboratorium nr 2 Identyfikacja systemu i detekcja uszkodzeń na podstawie modelu 1 Cel ćwiczenia Celem podstawowym jest zapoznanie się z przybornikiem ntstool środowiska Matlab, przy pomocy którego dokonywana jest identyfikacja systemu na podstawie danych wejściowych i wyjściowych. Dane pomiarowe zostały zebrane w firmie MAZEL i opisują działanie układu 2 zbiorników (Rys. 1). Rysunek 1: Schemat działania systemu 2 zbiorników 1 Marcel Luzar, Instytut Sterowania i Systemów Informatycznych, Uniwersytet Zielonogórski, ul. Podgórna 50, Zielona Góra, Poland. m.luzar@issi.uz.zgora.pl 1
2 2 Program ćwiczenia 1. Należy wczytać do przestrzeni roboczej dane z pomiarów pracy układu dwóch zbiorników, udostępnione przez prowadzącego. 2. Następnie wpisać w linię komend Matlaba polecenie ntstool, które uruchomi przybornik mogący służyć do identyfikacji dynamicznych systemów nieliniowych z wykorzystaniem sztucznych sieci neuronowych (Rys. 2). Rysunek 2: Przybornik do identyfikacji systemów przy pomocy SSN 3. Ponieważ opisywany system jest dynamiczny, należy wybrać strukturę sieci neuronowej ze sprzężeniem od stanu. W przyborniku jest ona przedstawiona jako sieć NARX. 4. W kolejnym oknie należy podać, które pomiary są pomiarami wejściowymi a które wyjściowymi. W pierwszej kolejności dokonamy identyfikacji pracy czujników pomiarowych. Zatem jako wejście podajemy pomiary z pracy pompy nr 1, tj. U1, a jako wyjście pomiar z pierwszego czujnika Y1. Ponieważ dane pomiarowe zostały zebrane w postaci kolumny, należy wybrać w polu Select the time series format opcję Matrix row. (Rys. 3). 5. W kolejnym oknie należy wybrać wartości próbek, które posłużą za dane uczące sieci neuronowej a które za dane testujące. W pierwszej próbie uczenia sieci należy pozostawić wartości domyślne, tj. Training 70%, Validation 15%, Testing 15%. W przypadku, gdy sieć neuronowa źle dobierze swoje parametry, należy przeprowadzić próbę ponownie zmieniając wyżej wymienione wartości (Rys. 4). 2
3 Rysunek 3: Okno wyboru danych Rysunek 4: Okno ustalenia wartości próbek uczących i testujących 3
4 6. Kolejne okno umożliwia dobór odpowiedniej struktury sieci neuronowej, tzn. ile neuronów będzie w poszczególnej warstwie sieci. Wartość Number of Hidden Neurons oznacza liczbę neuronów w warstwie ukrytej, natomiast Number of delays d: określa stopień opóźnienia sprzężenia, który jest równoznaczny z rzędem identyfikowanego systemu. W tym przypadku, rząd układu 2 zbiorników wynosi 2. Liczbę neuronów w warstwie ukrytej dobierz dowolnie, z przedziału (Rys. 5). Rysunek 5: Dobór struktury sieci 7. Po utworzeniu sieci i przejściu do kolejnego okna jest możliwość uczenia sieci. Przycisk Next nie jest dostępny. Należy wybrać przycisk Train, aby sieć modelowała proces na podstawie tylko danych wejściowych i wyjściowych (Rys. 6). 8. Po nauczeniu sieci wyświetli się okno pokazujące proces uczenia (Rys. 7). Wartości te mogą się różnić od pokazanych na rysunku w zależności od liczby użytych neuronów oraz podziału na próbki uczące i testujące. 9. Wracając do okna pokazanego na Rys. 6, po nauczeniu sieci, możemy wybrać opcję narysowania wykresu przedstawiającego dopasowanie odpowiedzi sieci neuronowej do oryginalnych danych wejściowych. W tym celu należy wybrać przycisk Plot response. Na rysunku (Rys. 8), oprócz porównania wyjść sieci i wyjść rzeczywistego systemu, możemy zaobserwować wartość błędu uczenia w poszczególnych chwilach czasu. 10. W kolejnym oknie (Rys. 9) można wybrać powtórzenie uczenia sieci w przypadku, gdy wynik nie jest zadowalający. Również w tym momencie można zwiększyć rozmiary sieci dodając 4
5 Rysunek 6: Uczenie sieci neuronowej Rysunek 7: Wyświetlenie postępu uczenia sieci neuronowej 5
6 Rysunek 8: Odpowiedzi sieci i rzeczywistego systemu oraz błąd stanowiący różnicę między jednym a drugim nowe neurony oraz załadować większą ilość danych pomiarowych. Natomiast jeżeli błąd uczenia pokazany na Rys. 8 oscyluje blisko wartości zerowej, należy przejść do następnego okna klikając przycisk Next. 11. Kolejne okno służy do zapisu danych otrzymanych przy pomocy przybornika ntstool. Do detekcji uszkodzeń czujnika pomiarowego potrzebne są tylko odpowiedzi sieci. Należy zatem odznaczyć wszystkie pola z wyjątkiem Save outputs to MATLAB matrix named: i podać nazwę wyjścia. Nazwiemy je nety1. (Rys. 10). Wciskamy przycisk Save Results i kończymy pracę z przybornikiem przyciskiem Finish. 12. W przestrzeni roboczej pojawiła się nowa zmienna nety1, która ma odzwierciedlać odczyty z czujnika poziomu cieczy nr 1. Należy narysować jej przebieg. Ponieważ jest ona typu komórkowego Cell, należy ją najpierw przekonwertować na typ macierzowy. Do tego celu służy polecenie cell2mat. Należy napisać poniższy skrypt : nety1=cell2mat(nety1); nety1=[nety1, 0, 0]; Pokazane polecenia zamieniają wartości z typu cell na typ double, który może być wyrysowany metodą plot. Dodanie dwóch wartości zerowych na końcu powoduje, że zmienna nety1 będzie zawierać taką samą ilość próbek jak zmienna Y1 i będzie można je wyrysować 6
7 Rysunek 9: Ponowne uczenie sieci Rysunek 10: Zapisywanie rezultatów pracy przybornika ntstool 7
8 na jednym wykresie. Dlaczego wyjścia sieci dały nam zmienną, której długość jest pomniejszona o 2 w odniesieniu do zmiennej oryginalnej? Ponieważ do sieci neuronowej są podawane 2 opóźnienia. Jeżeli więc jest np. 500 próbek, nie ma informacji o próbce 501 i 502. Dlatego ostatnią estymowaną próbką jest próbka 498, do obliczenia której pobierana jest informacja z próbki 499 i Aby porównać odpowiedz sieci z oryginalnym wyjściem, należy skorzystać z polecenia plot. Generowanie wykresu przedstawia kolejny skrypt: figure(1) plot(y1, Linewidth, 1); hold on plot(nety1, r, Linewidth, 1); legend( System output 1, Model output 1, Location, Southeast ); 14. Na narysowanym wykresie (Rys. 11) można zaobserwować różnice pomiędzy wyjściem z systemu a wyjściem z modelu. Rysunek 11: Porównanie wyjść z systemu oraz z modelu 15. Aby wyrysować sygnał residuum na wykresie, czyli różnicę pomiędzy wyjściem z systemu a wyjściem z modelu, należy zaimplementować poniższy skrypt, który najpierw tę różnicę obliczy, a następnie przedstawi ją na wykresie. figure(2) 8
9 res=y1 -nety1; plot(res) 16. Wyrysowany wykres (Rys. 12) przedstawia sygnał residuum, który w idealnym przypadku powinien być równy 0. Niestety, w związku z istniejącą tzw. niepewnością modelu, sygnał ten nigdy tej wartości nie osiągnie. Jednak wartości bliskie zeru oznaczają dobre dopasowanie modelu do rzeczywistego systemu. Rysunek 12: Sygnał residuum 17. W tym momencie należy zdecydować, w jaki sposób na podstawie sygnału residuum wykryć uszkodzenie. Przyjmijmy w tym celu, jako metodę detekcji uszkodzeń, metodę stałego progu decyzyjnego. Polega ona na wyznaczeniu górnego i dolnego progu, pomiędzy którymi powinien się mieścić sygnał residuum. Przekroczenie któregokolwiek z tych progów, oznacza wystąpienie uszkodzenia. 18. Aby odpowiednio dobrać wartości górnego i dolnego progu decyzyjnego, można skorzystać z reguł statystycznych, a konkretnie z metody trzech sigm. Reguła trzech sigm (odchyleń standardowych) mówi, że dla rozkładu normalnego 68,3% wartości cechy leży w odległości jednego odchylenia standardowego od średniej arytmetycznej; 95,5% wartości cechy leży w odległości dwóch odchyleń od średniej; a 99,7% wartości cechy leży w odległości trzech odchyleń standardowych od średniej arytmetycznej (Rys. 13), gdzie: x- średnia arytmetyczna, S - odchylenie standardowe. 9
10 Rysunek 13: Ilustracja reguły trzech sigm 19. Aby obliczyć wartość górnego i dolnego progu w Matlabie, należy zaimplementować poniższy skrypt: prog dol=ones(1,800)*mean(res)-3*std(res); prog gora=ones(1,800)*mean(res)+3*std(res); plot(prog gora, --r ) plot(prog dol, --r ) Powyższy skrypt, po uruchomieniu, powinien wygenerować wykres przedstawiony na Rys W Rys. 14 możemy odnaleźć momenty, w których sygnał residuum przekracza progi decyzyjne, a więc mówimy, że wtedy wystąpiło uszkodzenie. Nasuwa się jednak pytanie, dlaczego w naszym przykładzie wykryto uszkodzenie, mimo tego, że jeszcze go nie zasymulowaliśmy? Jest to związane z wcześniej wspomnianą niepewnością modelu. Stałe progi decyzyjne nie są odporne na to zjawisko, przez co mogą występować fałszywe alarmy, które właśnie zaobserwować można na Rys. 14. Istnieją metody, które są odporne na to zjawisko, np. adaptacyjne progi decyzyjne, jednak ta metoda jest bardziej skomplikowana i jest pominięta w niniejszej instrukcji. 21. W tym kroku celowo zasymulujemy wystąpienie uszkodzenia czujnika pomiarowego. Załóżmy, że czujnik uległ całkowitemu uszkodzeniu, także każdy odczyt z czujnika będzie wska- 10
11 Rysunek 14: Sygnał residuum ograniczony przez górny i dolny próg decyzyjny zywał wartość 0. Aby zasymulować takie uszkodzenie w czujniku, właściwe wartości wyjść z systemu należy podmienić na wartości zerowe. W tym celu należy wykonać poniższy skrypt: uszkodzenie=zeros(100,1); Y1 uszkodzenie=[y1(1:500); uszkodzenie; Y1(601:800)]; figure(3) plot(y1, Linewidth, 2); hold on plot(y1 uszkodzenie, r, Linewidth, 1); 22. Dzięki temu uzyskamy wykres przedstawiony na Rys. 15, który przedstawia sygnał wyjściowy bez uszkodzenia i z uszkodzeniem. Widać wyraźnie, że w momencie próbkowania równym 500 czujnik wskazuje wartość 0. W punkcie próbkowania równym 600 czujnik powraca do prawidłowego działania. 23. Po wprowadzeniu uszkodzenia, należy wygenerować sygnał residuum, porównując wyjście z modelu z wyjściem uszkodzonego systemu. W tym celu należy napisać następujący skrypt: residuum uszkodzenie=nety1-y1 uszkodzenie ; plot(residuum uszkodzenie, Linewidth, 1); hold on 11
12 Rysunek 15: Sygnał wyjściowy bez uszkodzenia (niebieski) i z uszkodzeniem (czerwony) plot(prog gora, --r ) plot(prog dol, --r ) 24. Wykonanie skryptu spowoduje przedstawienie graficzne sygnału residuum oraz progi decyzyjne. Analizując Rys. 16, widać wyraźnie moment, w którym sygnał residuum znacznie przekracza wartość progu decyzyjnego i pozostaje poza tym obszarem przez dłuższy czas, niż to ma miejsce w przypadku fałszywych alarmów. Dzięki temu, możemy jednoznacznie określić, czy mamy do czynienia z uszkodzeniem czy z fałszywym alarmem. 3 Podsumowanie Przeprowadzone ćwiczenie jednoznacznie przedstawia sposób wykorzystania modelu systemu do diagnostyki uszkodzenia urządzeń wykonawczych. Dzięki sygnałowi residuum uzyskanym jako różnicę pomiędzy wyjściem systemu a wyjściem modelu można jednoznacznie stwierdzić, czy wystąpiło uszkodzenie. 4 Sprawozdanie Sprawozdanie należy przygotować w postaci pliku.pdf oraz dołączyć skrypt Matlaba (rozszerzenie *.m) wraz z niezbędnymi zmiennymi potrzebnymi do jego wykonania. Wszystkie pliki, skompre- 12
13 Rysunek 16: Sygnał residuum uszkodzonego czujnika sowane w archiwum WinRar, należy wysłać drogą mailową na adres prowadzącego zajęcia. Zadanie: Przeprowadzić analizę uszkodzenia czujnika pomiarowego nr 2 oraz urządzenia wykonawczego w sposób podobny, jak to było robione w zadaniach na laboratorium, tj. utworzyć model neuronowy systemu, zasymulować uszkodzenie, obliczyć progi decyzyjne metodą 3 sigm, dokonać detekcji uszkodzenia. 13
Algorytmy sztucznej inteligencji
Algorytmy sztucznej inteligencji Dynamiczne sieci neuronowe 1 Zapis macierzowy sieci neuronowych Poniżej omówione zostaną części składowe sieci neuronowych i metoda ich zapisu za pomocą macierzy. Obliczenia
Bardziej szczegółowoDokumentacja Końcowa
Metody Sztucznej Inteligencji 2 Projekt Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Dokumentacja Końcowa Autorzy: Robert Wojciechowski Michał Denkiewicz Wstęp Celem
Bardziej szczegółowoSztuczna Inteligencja Tematy projektów Sieci Neuronowe
PB, 2009 2010 Sztuczna Inteligencja Tematy projektów Sieci Neuronowe Projekt 1 Stwórz projekt implementujący jednokierunkową sztuczną neuronową złożoną z neuronów typu sigmoidalnego z algorytmem uczenia
Bardziej szczegółowoWYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO. Stanisław Kowalik (Poland, Gliwice)
WYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO Stanisław Kowalik (Poland, Gliwice) 1. Wprowadzenie Wstrząsy podziemne i tąpania występujące w kopalniach
Bardziej szczegółowoZastosowania sieci neuronowych
Zastosowania sieci neuronowych aproksymacja LABORKA Piotr Ciskowski zadanie 1. aproksymacja funkcji odległość punktów źródło: Żurada i in. Sztuczne sieci neuronowe, przykład 4.4, str. 137 Naucz sieć taką
Bardziej szczegółowoInstytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów
Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa Diagnostyka i niezawodność robotów Laboratorium nr 3 Generacja realizacji zmiennych losowych Prowadzący: mgr inż. Marcel Luzar Cele ćwiczenia: Generowanie
Bardziej szczegółowoWprowadzenie do analizy dyskryminacyjnej
Wprowadzenie do analizy dyskryminacyjnej Analiza dyskryminacyjna to zespół metod statystycznych używanych w celu znalezienia funkcji dyskryminacyjnej, która możliwie najlepiej charakteryzuje bądź rozdziela
Bardziej szczegółowoIdentyfikacja obiektów dynamicznych za pomocą sieci neuronowych
Metody Sztucznej Inteligencji w Sterowaniu Ćwiczenie 3 Identyfikacja obiektów dynamicznych za pomocą sieci neuronowych Przygotował: mgr inż. Marcin Pelic Instytut Technologii Mechanicznej Politechnika
Bardziej szczegółowoTemat: ANFIS + TS w zadaniach. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: ANFIS + TS w zadaniach Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1. Systemy neuronowo - rozmyte Systemy
Bardziej szczegółowoStochastyczne Metody Analizy Danych. PROJEKT: Analiza kluczowych parametrów turbin wiatrowych
PROJEKT: Analiza kluczowych parametrów turbin wiatrowych Projekt jest wykonywany z wykorzystaniem pakietu statystycznego STATISTICA. Praca odbywa się w grupach 2-3 osobowych. Aby zaliczyć projekt, należy
Bardziej szczegółowoSieci neuronowe w Statistica
http://usnet.us.edu.pl/uslugi-sieciowe/oprogramowanie-w-usk-usnet/oprogramowaniestatystyczne/ Sieci neuronowe w Statistica Agnieszka Nowak - Brzezińska Podstawowym elementem składowym sztucznej sieci neuronowej
Bardziej szczegółowoInstytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski SYSTEMY SCADA
Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski SYSTEMY SCADA Laboratorium nr 12 PODSTAWY OBSŁUGI PROGRAMU WONDERWARE INTOUCH 10.1 Opracował: mgr inż. Marcel Luzar Cel: Generowanie
Bardziej szczegółowoWYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI I INFORMATYKI INSTYTUT AUTOMATYKI I INFORMATYKI KIERUNEK AUTOMATYKA I ROBOTYKA STUDIA STACJONARNE I STOPNIA
WYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI I INFORMATYKI INSTYTUT AUTOMATYKI I INFORMATYKI KIERUNEK AUTOMATYKA I ROBOTYKA STUDIA STACJONARNE I STOPNIA PRZEDMIOT : : LABORATORIUM PODSTAW AUTOMATYKI 1. WSTĘP DO
Bardziej szczegółowoKultywator rolniczy - dobór parametrów sprężyny do zadanych warunków pracy
Metody modelowania i symulacji kinematyki i dynamiki z wykorzystaniem CAD/CAE Laboratorium 6 Kultywator rolniczy - dobór parametrów sprężyny do zadanych warunków pracy Opis obiektu symulacji Przedmiotem
Bardziej szczegółowoSieci Komputerowe 2 / Ćwiczenia 1
Tematyka Sieci Komputerowe 2 / Ćwiczenia 1 Opracował: Konrad Kawecki Na ćwiczeniach przeanalizujemy opóźnienia transmisji w sieciach komputerowych. Na podstawie otrzymanych wyników
Bardziej szczegółowo7. Identyfikacja defektów badanego obiektu
7. Identyfikacja defektów badanego obiektu Pierwszym krokiem na drodze do identyfikacji defektów było przygotowanie tzw. odcisku palca poszczególnych defektów. W tym celu został napisany program Gaussian
Bardziej szczegółowoZadanie Tworzenie próbki z rozkładu logarytmiczno normalnego LN(5, 2) Plot Probability Distributions
Zadanie 1. 1 Wygenerować 200 elementowa próbkę z rozkładu logarytmiczno-normalnego o parametrach LN(5,2). Utworzyć dla tej próbki: - szereg rozdzielczy - histogramy liczebności i częstości - histogramy
Bardziej szczegółowo1 Moduł Neuronu Analogowego SM
1 Moduł Neuronu Analogowego SM Moduł Neuronu Analogowego SM daje użytkownikowi Systemu Vision możliwość obsługi fizycznych urządzeń Neuronów Analogowych podłączonych do Sterownika Magistrali. Dzięki temu
Bardziej szczegółowoWstęp do teorii niepewności pomiaru. Danuta J. Michczyńska Adam Michczyński
Wstęp do teorii niepewności pomiaru Danuta J. Michczyńska Adam Michczyński Podstawowe informacje: Strona Politechniki Śląskiej: www.polsl.pl Instytut Fizyki / strona własna Instytutu / Dydaktyka / I Pracownia
Bardziej szczegółowoPodstawy MATLABA, cd.
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Przetwarzanie Sygnałów Studia Podyplomowe, Automatyka i Robotyka Podstawy MATLABA, cd. 1. Wielomiany 1.1. Definiowanie
Bardziej szczegółowoInstrukcja realizacji ćwiczenia
SIEĆ KOHONENA ROZPOZNAWANIE OBRAZÓW Cel ćwiczenia: zapoznanie się ze sposobem reprezentacji wiedzy w sieciach Kohonena i mechanizmami sąsiedztwa i sumienia neuronów. Zadanie do analizy: analizujemy sieć
Bardziej szczegółowoWydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej
Politechnika Białostocka Wydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej Instrukcja do zajęć laboratoryjnych z przedmiotu: Przetwarzanie Sygnałów Kod: TS1A400027 Temat ćwiczenia:
Bardziej szczegółowoĆwiczenie 12. Metody eksploracji danych
Ćwiczenie 12. Metody eksploracji danych Modelowanie regresji (Regression modeling) 1. Zadanie regresji Modelowanie regresji jest metodą szacowania wartości ciągłej zmiennej celu. Do najczęściej stosowanych
Bardziej szczegółowoAnalityczne metody detekcji uszkodzeń
Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 5 Model procesu Rozważmy czasowo-dyskretny model liniowy gdzie: k dyskretny czas, x(k) R n wektor stanu, x(k + 1) = Ax(k)
Bardziej szczegółowoOPROGRAMOWANIE DEFSIM2
Politechnika Warszawska Wydział Elektroniki i Technik Informacyjnych OPROGRAMOWANIE DEFSIM2 Instrukcja użytkownika mgr inż. Piotr Trochimiuk, mgr inż. Krzysztof Siwiec, prof. nzw. dr hab. inż. Witold Pleskacz
Bardziej szczegółowoZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE
ZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE INSTYTUT TECHNOLOGII MECHANICZNEJ Metody Sztucznej Inteligencji Sztuczne Sieci Neuronowe Wstęp Sieci neuronowe są sztucznymi strukturami, których
Bardziej szczegółowoAkademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki
Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki Przetwarzanie Sygnałów Studia Podyplomowe, Automatyka i Robotyka. Wstęp teoretyczny Zmienne losowe Zmienne losowe
Bardziej szczegółowoKatedra Elektrotechniki Teoretycznej i Informatyki
Katedra Elektrotechniki Teoretycznej i Informatyki Przedmiot: Technologie transmisji bezprzewodowych Numer ćwiczenia: 1 Temat: Badanie dipola półfalowego Cel ćwiczenia Celem ćwiczenia jest zapoznanie się
Bardziej szczegółowoNazwisko i imię: Zespół: Data: Ćwiczenie nr 11: Moduł Younga
Nazwisko i imię: Zespół: Data: Ćwiczenie nr 11: Moduł Younga Cel ćwiczenia: Wyznaczenie modułu Younga i porównanie otrzymanych wartości dla różnych materiałów. Literatura [1] Wolny J., Podstawy fizyki,
Bardziej szczegółowoTestowanie modeli predykcyjnych
Testowanie modeli predykcyjnych Wstęp Podczas budowy modelu, którego celem jest przewidywanie pewnych wartości na podstawie zbioru danych uczących poważnym problemem jest ocena jakości uczenia i zdolności
Bardziej szczegółowoP R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H
W O J S K O W A A K A D E M I A T E C H N I C Z N A W Y D Z I A Ł E L E K T R O N I K I Drukować dwustronnie P R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H Grupa... Data wykonania
Bardziej szczegółowoALGORYTMY SZTUCZNEJ INTELIGENCJI
ALGORYTMY SZTUCZNEJ INTELIGENCJI Sieci neuronowe 06.12.2014 Krzysztof Salamon 1 Wstęp Sprawozdanie to dotyczy ćwiczeń z zakresu sieci neuronowych realizowanym na przedmiocie: Algorytmy Sztucznej Inteligencji.
Bardziej szczegółowoDiagnostyka pamięci RAM
Diagnostyka pamięci RAM 1 (Pobrane z slow7.pl) Uszkodzenie pamięci RAM jest jednym z najczęściej występujących problemów związanych z niestabilnym działaniem komputera. Efektem uszkodzenia kości RAM są
Bardziej szczegółowoSieci neuronowe w Statistica. Agnieszka Nowak - Brzezioska
Sieci neuronowe w Statistica Agnieszka Nowak - Brzezioska Podstawowym elementem składowym sztucznej sieci neuronowej jest element przetwarzający neuron. Schemat działania neuronu: x1 x2 w1 w2 Dendrites
Bardziej szczegółowoWykład 4: Statystyki opisowe (część 1)
Wykład 4: Statystyki opisowe (część 1) Wprowadzenie W przypadku danych mających charakter liczbowy do ich charakterystyki można wykorzystać tak zwane STATYSTYKI OPISOWE. Za pomocą statystyk opisowych można
Bardziej szczegółowoWprowadzenie do środowiska
Wprowadzenie do środowiska www.mathworks.com Piotr Wróbel piotr.wrobel@igf.fuw.edu.pl Pok. B 4.22 Metody numeryczne w optyce 2017 Czym jest Matlab Matlab (matrix laboratory) środowisko obliczeniowe oraz
Bardziej szczegółowo1 Moduł Modbus ASCII/RTU 3
Spis treści 1 Moduł Modbus ASCII/RTU 3 1.1 Konfigurowanie Modułu Modbus ASCII/RTU............. 3 1.1.1 Lista elementów Modułu Modbus ASCII/RTU......... 3 1.1.2 Konfiguracja Modułu Modbus ASCII/RTU...........
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania KOMPUTEROWE SYSTEMY STEROWANIA (KSS)
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania KOMPUTEROWE SYSTEMY STEROWANIA (KSS) Temat: Platforma Systemowa Wonderware cz. 2 przemysłowa baza danych,
Bardziej szczegółowoPrawdopodobieństwo i rozkład normalny cd.
# # Prawdopodobieństwo i rozkład normalny cd. Michał Daszykowski, Ivana Stanimirova Instytut Chemii Uniwersytet Śląski w Katowicach Ul. Szkolna 9 40-006 Katowice E-mail: www: mdaszyk@us.edu.pl istanimi@us.edu.pl
Bardziej szczegółowoSpis treści. 1 Moduł Modbus TCP 4
Spis treści 1 Moduł Modbus TCP 4 1.1 Konfigurowanie Modułu Modbus TCP................. 4 1.1.1 Lista elementów Modułu Modbus TCP............ 4 1.1.2 Konfiguracja Modułu Modbus TCP.............. 5 1.1.3
Bardziej szczegółowoSterowanie wielkością zamówienia w Excelu - cz. 3
Sterowanie wielkością zamówienia w Excelu - cz. 3 21.06.2005 r. 4. Planowanie eksperymentów symulacyjnych Podczas tego etapu ważne jest określenie typu rozkładu badanej charakterystyki. Dzięki tej informacji
Bardziej szczegółowoInstytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów
Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa Diagnostyka i niezawodność robotów Laboratorium nr 6 Model matematyczny elementu naprawialnego Prowadzący: mgr inż. Marcel Luzar Cele ćwiczenia:
Bardziej szczegółowoWSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH
WSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH Dobrze przygotowane sprawozdanie powinno zawierać następujące elementy: 1. Krótki wstęp - maksymalnie pół strony. W krótki i zwięzły
Bardziej szczegółowoZadanie Wstaw wykres i dokonaj jego edycji dla poniższych danych. 8a 3,54 8b 5,25 8c 4,21 8d 4,85
Zadanie Wstaw wykres i dokonaj jego edycji dla poniższych danych Klasa Średnia 8a 3,54 8b 5,25 8c 4,21 8d 4,85 Do wstawienia wykresu w edytorze tekstu nie potrzebujemy mieć wykonanej tabeli jest ona tylko
Bardziej szczegółowoMonitorowanie i Diagnostyka w Systemach Sterowania na studiach II stopnia specjalności: Systemy Sterowania i Podejmowania Decyzji
Monitorowanie i Diagnostyka w Systemach Sterowania na studiach II stopnia specjalności: Systemy Sterowania i Podejmowania Decyzji Analiza składników podstawowych - wprowadzenie (Principal Components Analysis
Bardziej szczegółowoLaboratorium Cyfrowego Przetwarzania Obrazów
Laboratorium Cyfrowego Przetwarzania Obrazów Ćwiczenie 2 Histogram i arytmetyka obrazów Opracowali: - dr inż. Beata Leśniak-Plewińska - dr inż. Jakub Żmigrodzki Zakład Inżynierii Biomedycznej, Instytut
Bardziej szczegółowoInstytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski SYSTEMY SCADA
Instytut Sterowania i Systemów Informatycznych Uniwersytet Zielonogórski SYSTEMY SCADA Laboratorium nr 14 PODSTAWY OBSŁUGI PROGRAMU WONDERWARE INTOUCH 10.1 Opracował: mgr inż. Marcel Luzar Cel: Konfiguracja
Bardziej szczegółowoUczenie się pojedynczego neuronu. Jeśli zastosowana zostanie funkcja bipolarna s y: y=-1 gdy z<0 y=1 gdy z>=0. Wówczas: W 1 x 1 + w 2 x 2 + = 0
Uczenie się pojedynczego neuronu W0 X0=1 W1 x1 W2 s f y x2 Wp xp p x i w i=x w+wo i=0 Jeśli zastosowana zostanie funkcja bipolarna s y: y=-1 gdy z=0 Wówczas: W 1 x 1 + w 2 x 2 + = 0 Algorytm
Bardziej szczegółowoLABORATORIUM ELEKTRONIKA. I. Scalony, trzykońcówkowy stabilizator napięcia II. Odprowadzanie ciepła z elementów półprzewodnikowych
LABORATORIUM ELEKTRONIKA I. Scalony, trzykońcówkowy stabilizator napięcia II. Odprowadzanie ciepła z elementów półprzewodnikowych Opracował: dr inż. Jerzy Sawicki Wymagania, znajomość zagadnień (I): 1.
Bardziej szczegółowoMetody eksploracji danych Laboratorium 2. Weka + Python + regresja
Metody eksploracji danych Laboratorium 2 Weka + Python + regresja KnowledgeFlow KnowledgeFlow pozwala na zdefiniowanie procesu przetwarzania danych Komponenty realizujące poszczególne czynności można konfigurować,
Bardziej szczegółowoPODSTAWY BIOSTATYSTYKI ĆWICZENIA
PODSTAWY BIOSTATYSTYKI ĆWICZENIA FILIP RACIBORSKI FILIP.RACIBORSKI@WUM.EDU.PL ZAKŁAD PROFILAKTYKI ZAGROŻEŃ ŚRODOWISKOWYCH I ALERGOLOGII WUM PRZYPOMNIENIE ROZKŁAD NORMALNY http://www.zarz.agh.edu.pl/bsolinsk/statystyka.html
Bardziej szczegółowoOcena błędów systematycznych związanych ze strukturą CCD danych astrometrycznych prototypu Pi of the Sky
Ocena błędów systematycznych związanych ze strukturą CCD danych astrometrycznych prototypu Pi of the Sky Maciej Zielenkiewicz 5 marca 2010 1 Wstęp 1.1 Projekt Pi of the Sky Celem projektu jest poszukiwanie
Bardziej szczegółowoSIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU)
SIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU) 1. Opis problemu - ocena końcowa projektu Projekt jako nowe, nietypowe przedsięwzięcie wymaga właściwego zarządzania. Podjęcie się realizacji
Bardziej szczegółowoRysunek 8. Rysunek 9.
Ad 2. Dodatek Excel Add-Ins for Operations Management/Industral Engineering został opracowany przez Paul A. Jensen na uniwersytecie w Teksasie. Dodatek można pobrać ze strony http://www.ormm.net. Po rozpakowaniu
Bardziej szczegółowoInstytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów
Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa Diagnostyka i niezawodność robotów Laboratorium nr 4 Modelowanie niezawodności prostych struktur sprzętowych Prowadzący: mgr inż. Marcel Luzar Cel
Bardziej szczegółowoĆwiczenie Stany nieustalone w obwodach liniowych pierwszego rzędu symulacja komputerowa
INSTYTUT SYSTEMÓW INŻYNIERII ELEKTRYCZNEJ TEORIA OBWODÓW ELEKTRYCZNYCH LABORATORIUM Ćwiczenie Stany nieustalone w obwodach liniowych pierwszego rzędu symulacja komputerowa Grupa nr:. Zespół nr:. Skład
Bardziej szczegółowoOprogramowanie Systemów Obrazowania SIECI NEURONOWE
SIECI NEURONOWE Przedmiotem laboratorium jest stworzenie algorytmu rozpoznawania zwierząt z zastosowaniem sieci neuronowych w oparciu o 5 kryteriów: ile zwierzę ma nóg, czy żyje w wodzie, czy umie latać,
Bardziej szczegółowoZastosowania sieci neuronowych - automatyka identyfikacja sterowanie
Zastosowania sieci neuronowych - automatyka identyfikacja sterowanie LABORKA Piotr Ciskowski ZASTOSOWANIA SIECI NEURONOWYCH IDENTYFIKACJA zastosowania przegląd zastosowania sieci neuronowych: o identyfikacja
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoAutomatyczna klasyfikacja zespołów QRS
Przetwarzanie sygnałów w systemach diagnostycznych Informatyka Stosowana V Automatyczna klasyfikacja zespołów QRS Anna Mleko Tomasz Kotliński AGH EAIiE 9 . Opis zadania Tematem projektu było zaprojektowanie
Bardziej szczegółowoCECHOWANIE TERMOELEMENTU Fe-Mo I WYZNACZANIE PUNKTU INWERSJI
INSTYTUT FIZYKI WYDZIAŁ INŻYNIERII PRODUKCJI I TECHNOLOGII MATERIAŁÓW POLITECHNIKA CZĘSTOCHOWSKA PRACOWNIA FIZYKI CIAŁA STAŁEGO Ć W I C Z E N I E N R FCS - 7 CECHOWANIE TERMOELEMENTU Fe-Mo I WYZNACZANIE
Bardziej szczegółowo1. Opis okna podstawowego programu TPrezenter.
OPIS PROGRAMU TPREZENTER. Program TPrezenter przeznaczony jest do pełnej graficznej prezentacji danych bieżących lub archiwalnych dla systemów serii AL154. Umożliwia wygodną i dokładną analizę na monitorze
Bardziej szczegółowoRozdział ten zawiera informacje na temat zarządzania Modułem Modbus TCP oraz jego konfiguracji.
1 Moduł Modbus TCP Moduł Modbus TCP daje użytkownikowi Systemu Vision możliwość zapisu oraz odczytu rejestrów urządzeń, które obsługują protokół Modbus TCP. Zapewnia on odwzorowanie rejestrów urządzeń
Bardziej szczegółowoRuch jednostajnie przyspieszony wyznaczenie przyspieszenia
Doświadczenie: Ruch jednostajnie przyspieszony wyznaczenie przyspieszenia Cele doświadczenia Celem doświadczenia jest zbadanie zależności drogi przebytej w ruchu przyspieszonym od czasu dla kuli bilardowej
Bardziej szczegółowoTemat: Model TS + ANFIS. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Model TS + ANFIS Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Pierwszym rodzajem modelowania
Bardziej szczegółowoWEKA klasyfikacja z użyciem sztucznych sieci neuronowych
WEKA klasyfikacja z użyciem sztucznych sieci neuronowych 1 WEKA elementy potrzebne do zadania WEKA (Data mining software in Java http://www.cs.waikato.ac.nz/ml/weka/) jest narzędziem zawierającym zbiór
Bardziej szczegółowoInstrukcja użytkownika ARSoft-WZ3
02-699 Warszawa, ul. Kłobucka 8 pawilon 119 tel. 0-22 853-48-56, 853-49-30, 607-98-95 fax 0-22 607-99-50 email: info@apar.pl www.apar.pl Instrukcja użytkownika ARSoft-WZ3 wersja 1.5 1. Opis Aplikacja ARSOFT-WZ3
Bardziej szczegółowoP R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H
W O J S K O W A A K A D E M I A T E C H N I C Z N A W Y D Z I A Ł E L E K T R O N I K I Drukować dwustronnie P R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H Grupa... Data wykonania
Bardziej szczegółowoPodstawy Sztucznej Inteligencji
Politechnika Łódzka Katedra Informatyki Stosowanej Podstawy Sztucznej Inteligencji Laboratorium Ćwiczenie 2 Wykorzystanie środowiska Matlab do modelowania sztucznych sieci neuronowych Opracowali: Dr hab
Bardziej szczegółowoBadanie współczynników lepkości cieczy przy pomocy wiskozymetru rotacyjnego Rheotest 2.1
Badanie współczynników lepkości cieczy przy pomocy wiskozymetru rotacyjnego Rheotest 2.1 Joanna Janik-Kokoszka Zagadnienia kontrolne 1. Definicja współczynnika lepkości. 2. Zależność współczynnika lepkości
Bardziej szczegółowoRegulacja dwupołożeniowa.
Politechnika Krakowska Wydział Inżynierii Elektrycznej i Komputerowej Zakład eorii Sterowania Regulacja dwupołożeniowa. Kraków Zakład eorii Sterowania (E ) Regulacja dwupołożeniowa opis ćwiczenia.. Opis
Bardziej szczegółowoAKADEMIA MORSKA KATEDRA NAWIGACJI TECHNICZEJ
AKADEMIA MORSKA KATEDRA NAWIGACJI TECHNICZEJ ELEMETY ELEKTRONIKI LABORATORIUM Kierunek NAWIGACJA Specjalność Transport morski Semestr II Ćw. 1 Poznawanie i posługiwanie się programem Multisim 2001 Wersja
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 szczegółowoSENSORY i SIECI SENSOROWE
SKRYPT DO LABORATORIUM SENSORY i SIECI SENSOROWE ĆWICZENIE 1: Pętla prądowa 4 20mA Osoba odpowiedzialna: dr hab. inż. Piotr Jasiński Gdańsk, 2018 1. Informacje wstępne Cele ćwiczenia: Celem ćwiczenia jest
Bardziej szczegółowoRozwiązywanie równań różniczkowych z niezerowymi warunkami początkowymi
. Cele ćwiczenia Laboratorium nr Rozwiązywanie równań różniczkowych z niezerowymi warunkami początkowymi zapoznanie się z metodami symbolicznego i numerycznego rozwiązywania równań różniczkowych w Matlabie,
Bardziej szczegółowoO co chodzi z tym MATLAB'em?!
O co chodzi z tym MATLAB'em?! Część 1. SIMULINK W pliku data.mat jest zapisany przebieg. Gdzieś tam i kiedyś tam zarejestrowany. Widać go na fioletowo poniżej. Powstał on z obiektu, co ciekawe wiemy jak
Bardziej szczegółowoRegulacja dwupołożeniowa (dwustawna)
Regulacja dwupołożeniowa (dwustawna) I. Wprowadzenie Regulacja dwustawna (dwupołożeniowa) jest często stosowaną metodą regulacji temperatury w urządzeniach grzejnictwa elektrycznego. Polega ona na cyklicznym
Bardziej szczegółowoSposoby opisu i modelowania zakłóceń kanałowych
INSTYTUT TELEKOMUNIKACJI ZAKŁAD RADIOKOMUNIKACJI Instrukcja laboratoryjna z przedmiotu Podstawy Telekomunikacji Sposoby opisu i modelowania zakłóceń kanałowych Warszawa 2010r. 1. Cel ćwiczeń: Celem ćwiczeń
Bardziej szczegółowoSystem obsługi wag suwnicowych
System obsługi wag suwnicowych Wersja 2.0-2008- Schenck Process Polska Sp. z o.o. 01-378 Warszawa, ul. Połczyńska 10 Tel. (022) 6654011, fax: (022) 6654027 schenck@schenckprocess.pl http://www.schenckprocess.pl
Bardziej szczegółowoBADANIE WŁAŚCIWOŚCI KOMPUTEROWEGO SYSTEMU POMIAROWO-DIAGNOSTYCZNEGO
ZAKŁAD EKSPLOATACJI SYSTEMÓW ELEKTRONICZNYCH INSTYTUT SYSTEMÓW ELEKTRONICZNYCH WYDZIAŁ ELEKTRONIKI WOJSKOWA AKADEMIA TECHNICZNA ---------------------------------------------------------------------------------------------------------------
Bardziej szczegółowog) wartość oczekiwaną (przeciętną) i wariancję zmiennej losowej K.
TEMAT 1: WYBRANE ROZKŁADY TYPU SKOKOWEGO ROZKŁAD DWUMIANOWY (BERNOULLIEGO) Zadanie 1-1 Prawdopodobieństwo nieprzekroczenia przez pewien zakład pracy dobowego limitu zużycia energii elektrycznej (bez konieczności
Bardziej szczegółowoArkusz kalkulacyjny MS EXCEL ĆWICZENIA 4
Arkusz kalkulacyjny MS EXCEL ĆWICZENIA 4 Uwaga! Każde ćwiczenie rozpoczynamy od stworzenia w katalogu Moje dokumenty swojego własnego katalogu roboczego, w którym będziecie Państwo zapisywać swoje pliki.
Bardziej szczegółowoGromadzenie danych. Przybliżony czas ćwiczenia. Wstęp. Przegląd ćwiczenia. Poniższe ćwiczenie ukończysz w czasie 15 minut.
Gromadzenie danych Przybliżony czas ćwiczenia Poniższe ćwiczenie ukończysz w czasie 15 minut. Wstęp NI-DAQmx to interfejs służący do komunikacji z urządzeniami wspomagającymi gromadzenie danych. Narzędzie
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 szczegółowo8. Neuron z ciągłą funkcją aktywacji.
8. Neuron z ciągłą funkcją aktywacji. W tym ćwiczeniu zapoznamy się z modelem sztucznego neuronu oraz przykładem jego wykorzystania do rozwiązywanie prostego zadania klasyfikacji. Neuron biologiczny i
Bardziej szczegółowoUWAGA. Wszystkie wyniki zapisywać na dysku Dane E: Program i przebieg ćwiczenia:
Cel ćwiczenia: Zapoznanie się z. metodami badania i analitycznego wyznaczania parametrów dynamicznych obiektów rzeczywistych na przykładzie mikrotermostatu oraz z metodami symulacyjnymi umożliwiającymi
Bardziej szczegółowoSpis treści. Laboratorium III: Testy statystyczne. Inżynieria biomedyczna, I rok, semestr letni 2013/2014 Analiza danych pomiarowych
1 Laboratorium III: Testy statystyczne Spis treści Laboratorium III: Testy statystyczne... 1 Wiadomości ogólne... 2 1. Krótkie przypomnienie wiadomości na temat testów statystycznych... 2 1.1. Weryfikacja
Bardziej szczegółowoŁączenie liczb i tekstu.
Łączenie liczb i tekstu. 1 (Pobrane z slow7.pl) Rozpoczynamy od sposobu pierwszego. Mamy arkusz przedstawiony na rysunku poniżej w którym zostały zawarte wypłaty pracowników z wykonanym podsumowaniem.
Bardziej szczegółowoAKADEMIA MORSKA W SZCZECINIE WI-ET / IIT / ZTT. Instrukcja do zajęc laboratoryjnych nr 1 AUTOMATYZACJA I ROBOTYZACJA PROCESÓW PRODUKCYJNYCH
AKADEMIA MORSKA W SZCZECINIE WI-ET / IIT / ZTT Instrukcja do zajęc laboratoryjnych nr 1 AUTOMATYZACJA I ROBOTYZACJA PROCESÓW PRODUKCYJNYCH II rok Kierunek Logistyka Temat: Zajęcia wprowadzające. BHP stanowisk
Bardziej szczegółowoWydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej
Politechnika Białostocka Wydział Elektryczny Katedra Telekomunikacji i Aparatury Elektronicznej Instrukcja do zajęć laboratoryjnych z przedmiotu: Przetwarzanie Sygnałów Kod: TS1A400027 Temat ćwiczenia:
Bardziej szczegółowoUkłady i Systemy Elektromedyczne
UiSE - laboratorium Układy i Systemy Elektromedyczne Laboratorium 1 Stetoskop elektroniczny parametry sygnałów rejestrowanych. Opracował: dr inż. Jakub Żmigrodzki Zakład Inżynierii Biomedycznej, Instytut
Bardziej szczegółowoZastosowania sieci neuronowych
Zastosowania sieci neuronowych klasyfikacja LABORKA Piotr Ciskowski zadanie 1. klasyfikacja zwierząt sieć jednowarstwowa żródło: Tadeusiewicz. Odkrywanie własności sieci neuronowych, str. 159 Przykład
Bardziej szczegółowoAnaliza korelacyjna i regresyjna
Podstawy Metrologii i Technik Eksperymentu Laboratorium Analiza korelacyjna i regresyjna Instrukcja do ćwiczenia nr 5 Zakład Miernictwa i Ochrony Atmosfery Wrocław, kwiecień 2014 Podstawy Metrologii i
Bardziej szczegółowoĆw. 0: Wprowadzenie do programu MultiSIM
Ćw. 0: Wprowadzenie do programu MultiSIM Wstęp Celem ćwiczenia jest zapoznanie się z programem MultiSIM przeznaczonym do analiz i symulacji działania układów elektronicznych. Zaznajamianie się z tym programem
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania
Politechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania MODELOWANIE I IDENTYFIKACJA Studia niestacjonarne Estymacja parametrów modeli, metoda najmniejszych kwadratów.
Bardziej szczegółowo4. Średnia i autoregresja zmiennej prognozowanej
4. Średnia i autoregresja zmiennej prognozowanej 1. Średnia w próbie uczącej Własności: y = y = 1 N y = y t = 1, 2, T s = s = 1 N 1 y y R = 0 v = s 1 +, 2. Przykład. Miesięczna sprzedaż żelazek (szt.)
Bardziej szczegółowoPOMIARY TEMPERATURY I
Cel ćwiczenia Ćwiczenie 5 POMIARY TEMPERATURY I Celem ćwiczenia jest poznanie budowy i zasady działania rezystancyjnych czujników temperatury, układów połączeń czujnika z elektrycznymi układami przetwarzającymi
Bardziej szczegółowoMultimetr cyfrowy MAS-345. Instrukcja instalacji i obsługi oprogramowania DMM VIEW Ver 2.0
Multimetr cyfrowy MAS-345 Instrukcja instalacji i obsługi oprogramowania DMM VIEW Ver 2.0 Do urządzenia MAS-345 została dołączona płyta CD zawierająca oprogramowanie DMM VIEW 2.0, dzięki któremu moŝliwa
Bardziej szczegółowoWYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI I INFORMATYKI INSTYTUT AUTOMATYKI I INFORMATYKI KIERUNEK AUTOMATYKA I ROBOTYKA STUDIA STACJONARNE I STOPNIA
WYDZIAŁ ELEKTROTECHNIKI, AUTOMATYKI I INFORMATYKI INSTYTUT AUTOMATYKI I INFORMATYKI KIERUNEK AUTOMATYKA I ROBOTYKA STUDIA STACJONARNE I STOPNIA PRZEDMIOT : : LABORATORIUM PODSTAW AUTOMATYKI 9. Dobór nastaw
Bardziej szczegółowoĆwiczenie 1. Parametry statyczne diod LED
Ćwiczenie. Parametry statyczne diod LED. Cel ćwiczenia. Celem ćwiczenia jest zapoznanie się z podstawowymi właściwościami i charakterystykami diod LED. Poznanie ograniczeń i sposobu zasilania tego typu
Bardziej szczegółowo