Kwartal nik naukowy ISNN ; e-isnn Inżynieria Rolnicza 2014: 1(149): Inżynieria Rolnicza. Strona:
|
|
- Grażyna Olejnik
- 7 lat temu
- Przeglądów:
Transkrypt
1 Inżnieria Rolnicza 2014: 1(149): Kwartal nik naukow ISNN ; e-isnn Inżnieria Rolnicza Strona: DOI: BADANIE WPŁYWU ZAWARTOŚCI WODY I AKTYWNOŚCI WODY NA CECHY ELEKTRYCZNE MIODU Z WYKORZYSTANIEM SIECI NEURONOWYCH Katarzna Pentoś, Deta Łuczcka, Krzsztof Pruski Insttut Inżnierii Rolniczej, Uniwerstet Przrodnicz we Wrocławiu Adres do korespondencji: ul Chełmońskiego 37-41, Wrocław, katarzna.pentos@up.wroc.pl INFORMACJE O ARTYKULE Historia artkułu: Wpłnął: kwiecień 2013 Zrecenzowan: grudzień 2013 Zaakceptowan: steczeń 2014 Słowa kluczowe: miód właściwości elektrczne sztuczne sieci neuronowe aktwność wod zawartość wod STRESZCZENIE Celem badań bło ustalenie stopnia wpłwu zawartości wod oraz aktwności wod na wbrane cech elektrczne miodu. W badaniach wkorzstano dane doświadczalne uzskane dla pięćdziesięciu próbek miodów zebranch na terenie całej Polski. Bł to miod nektarowe, nektarowo-spadziowe oraz spadziowe. Dla próbek oznaczono parametr chemiczne oraz elektrczne: przewodność dwudziestoprocentowego roztworu wodnego miodu oraz przewodność i impedancję patoki. Następnie wkorzstując sztuczne sieci neuronowe, skonstruowano wielowmiarowe modele matematczne, opisujące zależność cech elektrcznch od parametrów chemicznch. Na podstawie tch modeli, wkorzstując znajomość struktur sieci oraz wartości wag snaptcznch, określono stopień wpłwu poszczególnch parametrów wejściowch na parametr wjściowe modelu. Przeprowadzone badania wkazał, że aktwność i zawartość wod w znacznie większm stopniu wpłwają na impedancję niż na przewodność patoki oraz roztworu. Wstęp i cel badań Zawartość oraz aktwność wod ma ogromne znaczenie w kontekście jakości oraz przechowwania żwności. Parametr te są ze sobą powiązane, a ich wartość ma decdując wpłw na trwałość żwności pochodzenia biologicznego. Do tego tpu żwności można zaliczć miod, w przpadku którch zawartość monosachardów oraz wod określają właściwości fizczne produktu. Zawartość wod ma bezpośredni wpłw na zjawisko fermentacji miodu, które niekorzstnie wpłwa na jakość produktu (Lazaridou i in., 2004). Co prawda aktwność i zawartość wod są ze sobą skorelowane, jednak aktwność wod mówi więcej o produkcie. Podczas przechowwania miodu zachodzi jego krstalizacja, która wpłwa na sposób wiązania wod w miodzie i powoduje wzrost aktwności wod (Iurlina i Fritz, 200; Wojtacki, 1989).
2 Katarzna Pentoś, Deta Łuczcka, Krzsztof Pruski Oznaczanie aktwności wod w miodzie jest procesem wmagającm specjalistcznego sprzętu, przez co badania te są przeprowadzane w wspecjalizowanch laboratoriach. Cech elektrczne materiałów biologicznch rzadko są wkorzstwane do ocen jakościowej żwności, jednak w literaturze pojawiają się opracowania dotczące tej tematki (Skierucha i in., 2012; Łuczcka i in., 2011). Cech elektrczne, jak przewodność oraz impedancja, mogą zostać wkorzstane do szeroko rozumianej ocen jakości miodów. Dlatego celowm jest ustalenie, w jaki sposób zawartość oraz aktwność wod wpłwają na wbrane cech elektrczne miodów. Wznaczenie zależności pomiędz cechami chemicznmi i elektrcznmi miodów na podstawie danch pomiarowch jest trudne do przeprowadzenia metodami analitcznmi. W literaturze związanej z inżnierią rolniczą przedstawiono wiele przkładów modelowania takich zależności za pomocą sztucznch sieci neuronowch (Langman, 1999; Hebda i Francik, 2006; Górski i in., 2008; Łapczńska-Kordon i in., 2008). W zadaniach takich można wkorzstać proste sieci o jednokierunkowm przepłwie sgnałów (Pentoś i in., 2008; Łuczcka i Pentoś, 2010). Prz odpowiednio dużej liczbie danch pomiarowch wkorzstanch do uczenia sieci, może ona stać się modelem matematcznm skomplikowanch, wielowmiarowch i nieliniowch zależności (Rutkowska i in., 1999; Osowski, 2006; Rutkowski, 2011). Strukturę sieci dobiera się w sposób empirczn tak, ab uzskać model o możliwie dużej dokładności, określanej dla zbioru uczącego oraz testowego. Celem prac bło wkorzstanie modeli neuronowch uzskanch na drodze badań smulacjnch do określenia stopnia wpłwu zawartości oraz aktwności wod na wbrane cech elektrczne miodów. Metodka badań Badania parametrów chemicznch oraz cech elektrcznch wkonano dla pięćdziesięciu próbek miodów. Badano miod nektarowe (39), nektarowo-spadziowe (4) oraz spadziowe (7) pozskane w 2011 roku z terenu całej Polski. Próbki miodów pochodził bezpośrednio od producentów. Pomiar dotczł następującch parametrów miodu: zawartość oraz aktwność wod, zawartość glukoz, fruktoz oraz prolin, ph, liczba diastazowa, przewodność patoki oraz dwudziestoprocentowego roztworu wodnego miodu, impedancja patoki. Badanie aktwności wod zostało przeprowadzone w Zakładzie Techniki Rolno- Spożwczej Politechniki Białostockiej. Oznaczenie aktwności wod zostało wkonane dla miodu w stanie płnnm. Próbki został ogrzane do temperatur ºC, a następnie schłodzone do temperatur 2ºC. Pomiaru dokonano za pomocą przrządu AQUA LAB CX-2 z komorą termostatowaną w temperaturze 2ºC. Pomiar bł wkonwane w pięciu powtórzeniach (dla pięciu niezależnch próbek), następnie określano wartość średnią. Pomiar zawartości wod wkonano metodą refraktometrczną poprzez pomiar współcznnika załamania światła za pomocą refraktometru Abbego. Pomiar pozostałch parametrów chemicznch został wkonane w Laboratorium Badania Jakości Produktów Pszczelich Insttutu Ogrodnictwa w Puławach. Zawartość glukoz oraz fruktoz została oznaczona metodą HPLC, zawartość prolin metodą kalormetrczną (A), liczb diastazowej metodą Phadebas (A). Pomiar cech elektrcznch został wkonan Insttucie Inżnierii Rolniczej Uniwerstetu Przrodniczego we Wrocławiu. Wszstkie cech elektrczne bł mierzone w temperaturze 2ºC. Do wkonania pomiarów posłużono się anali- 166
3 Badanie wpłwu zawartości wod... zatorem impedancji ATLAS Analizator ten umożliwił pomiar wartości impedancji w formie zespolonej. W modelach uwzględniono oddzielnie składową rzeczwistą i urojoną impedancji. Pomiar przewodności elektrcznej wkonano dla 20% roztworu wodnego miodu, metodą bezpośrednią za pomocą konduktometru AZ 8361 Cond./TDS. Przed wkonaniem pomiarów próbki miodów podgrzano do temperatur 40ºC, ab uzskać postać płnną. Wszstkie pomiar cech elektrcznch został wkonane czterokrotnie. Uzskane dane doświadczalne charakterzował się dużą rozbieżnością wartości (np. przewodność dwudziestoprocentowego roztworu wodnego miodu od 16 do 1222, aktwność wod od 0,2 do 0,6). Takie rozbieżności mogą powodować trudności w procesie uczenia sieci neuronowch, a także stwarzają niebezpieczeństwo błędnej ocen stopnia wpłwu poszczególnch zmiennch wejściowch na parametr wjściowe. Dlatego dane wkorzstane do uczenia sieci neuronowej został znormalizowane do zakresu 0,1 1 zgodnie z zależnością: ZN ZN ZN ( ZNmin (1) Z max min Z Zmin ) max Zmin gdzie: ZN wartość unormowana zmiennej z, ZN min wartość minimalna przedziału normowania, ZN max wartość maksmalna przedziału normowania, Z wartość doświadczalna zmiennej z, Z min doświadczalna wartość minimalna zmiennej z, Z max doświadczalna wartość maksmalna zmiennej z. Na podstawie otrzmanch wników sformułowan został model neuronow. Jako parametr wejściowe modelu zaproponowano: zawartość wod, (%) aktwność wod, (-) stosunek zawartości glukoz (g 100g -1 ) do zawartości fruktoz (g 100g -1 ), zawartość prolin, (mg 100g -1 ) ph, (-) liczba diastazowa, (-). Jako dane wjściowe modelu zdefiniowano następujące cech elektrczne: przewodność patoki, (S m -1 ) przewodność dwudziestoprocentowego roztworu wodnego miodu, (S m -1 ) impedancja, ( ). O doborze parametrów wejściowch i wjściowch wstępnego modelu zadecdowało doświadczenie autorów. Model ten został następnie zwerfikowan. Do określenia wpłwu zawartości i aktwności wod na cech elektrczne wkorzstano dwa niezależne modele neuronowe. W pierwszm modelu parametrami wejściowmi bł: zawartość wod, stosunek zawartości glukoz do zawartości fruktoz, zawartość prolin, ph i liczba diastazowa, w drugim modelu zawartość wod została zastąpiona aktwnością wod. Ponieważ celem skonstruowania modeli bło określenie wpłwu zawartości i aktwności wod na poszczególne cech elektrczne, wkorzstano sieci neuronowe z pięcioma neuronami w warstwie wejściowej i czterema w warstwie wjścio- 167
4 Katarzna Pentoś, Deta Łuczcka, Krzsztof Pruski wej. Doświadczenie innch autorów (Ślipek i in., 2003) wskazuje, że dane wkorzstane w procesie uczenia powinn zostać podzielone na zbiór ucząc i testow w odpowiednich proporcjach, np. 70% próbek uczącch, 30% próbek testowch. W przeprowadzonm procesie uczenia wkorzstano 10-elementow zbiór ucząc i 0-elementow zbiór testow. Badania wkonano w środowisku Matlab, wkorzstując sieci neuronowe o jednokierunkowm przepłwie sgnału (perceptron wielowarstwow) z jedną warstwą ukrtą. Początkowe wartości elementów macierz wag snaptcznch dobierano w sposób losow. Uczenie sieci przeprowadzano, wkorzstując kilka różnch algortmów uczącch (różne modfikacje algortmu wstecznej propagacji błędów). Przetestowano kilkadziesiąt konfiguracji sieci neuronowej, zmieniając liczbę neuronów w warstwie ukrtej od 3 do 0. Najlepszą architekturę sieci wbierano na podstawie wartości błędu dla zbioru uczącego (z jednoczesną kontrolą błędu dla zbioru testowego, ab uniknąć efektu przeuczenia sieci). Wkorzstano wartości średniego błędu względnego obliczanego ze wzoru: gdzie: 168 exp x i n exp calc ( xi xi ) 100% calc i xi 1 (2) n wartość oczekiwana sgnału wjściowego dla i-tego elementu zbioru uczącego lub testowego, calc x i wartość sgnału wjściowego dla i-tego elementu zbioru uczącego lub testowego uzskana z modelu, n liczba elementów zbioru testującego. Na podstawie struktur i wartości wag poszczególnch neuronów nauczonej sieci, można skonstruować wrażenie w postaci wielomianu, opisujące zależność parametrów wjściowch modelu od parametrów wejściowch (Pentoś, 2009). Każde połączenie międz neuronami jest charakterzowane przez współcznnik wagow w, a każd neuron posiada zdefiniowaną funkcję przejścia f (w tm przpadku bła to funkcja sigmoidalna w warstwie ukrtej i liniowa w warstwie wjściowej). Ogólną postać wrażenia definiującego sgnał wjściow i-tego neuronu w warstwie wjściowej można zapisać następująco: gdzie: f v i j f wi n j 1 (2) ij ( w v ), (3) m uj k k 1 j (1) kj ( x w ). (4) W powższm wzorze x k to k-ta składowa wektora wejściowego, i i-ta składowa wektora wjściowego, f wi funkcja przejścia i-tego neuronu w warstwie wjściowej, f ui funkcja przejścia j-tego neuronu w warstwie ukrtej, w kj (1) waga połączenia międz k-tm wejściem modelu a j-tm neuronem warstw ukrtej, w ji (2) waga połączenia międz j-tm neuronem warstw ukrtej a i-tm neuronem warstw wjściowej, v j sgnał wjściow j-tego neuronu w warstwie ukrtej, n liczba neuronów w warstwie ukrtej, m liczba neuronów w warstwie wejściowej.
5 Badanie wpłwu zawartości wod... Na podstawie znajomości wartość wag snaptcznch sieci zbudowanej z neuronów z sigmoidalną funkcją aktwacji w warstwie ukrtej oraz liniową funkcją aktwacji w warstwie wjściowej, dla każdego z wjść uzskuje się wrażenie opisujące zależność wartości parametru wjściowego modelu od parametrów wejściowch. Wrażenie to jest sumą składników postaci a 1 exp( b x 1 b 2 x 2... b n x 1 n ) () w którch wartość współcznnika a jest zależna od wartości wag neuronów warstw wjściowej sieci, a wartości współcznników b 1, b 2,..., b n zależą od wartości wag neuronów warstw ukrtej sieci. Wrażenie definiujące sgnał wjściow i-tego neuronu w warstwie wjściowej można aproksmować funkcją postaci: i... i1 x1 i2x2 inxn (6) gdzie wartości współcznników można wliczć lub oszacować metodami numercznmi. W tm wpadku została wkorzstana metoda regresji wielorakiej. Wgenerowano zbiór danch reprezentującch zależność i od parametrów wejściowch (hiperprzestrzeń tch parametrów musi bć równomiernie wpełniona punktami w całm zakresie ich zmienności). Dla tch danch przeprowadzono regresję wieloraką (z jednoczesną kontrolą współcznników dobroci dopasowania współcznnika korelacji R oraz współcznnika determinacji R 2 ). Wniki badań W celu zwerfikowania poprawności przjętego modelu, przeprowadzone został badania wstępne. Ich celem bło ustalenie cz wszstkie zmienne wejściowe modelu wpłwają w sposób istotn na zmian parametrów wjściowch. Wkorzstując środowisko Statistica, opracowano czter niezależne modele neuronowe. Każd z tch modeli zawierał sześć wmienionch wżej parametrów wejściowch oraz jeden parametr wjściow (bł to kolejno wszstkie wmienione wżej parametr wjściowe). W celu znalezienia najlepszch architektur sieci, w każdm przpadku przebadano za pomocą Automatcznego Projektanta Sieci 10 różnch sieci neuronowch o jednokierunkowm przepłwie sgnału. Dla wbranch, najlepszch sieci przeprowadzono analizę wrażliwości. Wkazała ona, że wszstkie zmienne wejściowe są istotne dla wszstkich parametrów wjściowch (wartość ilorazu błędu 1). W przpadku przewodności patoki, najważniejszą zmienną jest liczba diastazowa, najmniej istotną stosunek zawartości glukoz do zawartości fruktoz. Dla przewodności dwudziestoprocentowego roztworu wodnego miodu najważniejszą zmienną jest liczba diastazowa, najmniej istotną zawartość prolin. W przpadku części rzeczwistej impedancji są to odpowiednio zawartość prolin i ph, a dla części urojonej impedancji liczba diastazowa i zawartość wod. Następnie wkorzstano dwa niezależne modele neuronowe, na podstawie którch określono wpłw zawartości i aktwności wod na cech elektrczne miodu. W przpadku modelu wkorzstanego do określenia wpłwu zawartości wod na wmienione wżej 169
6 Katarzna Pentoś, Deta Łuczcka, Krzsztof Pruski cech elektrczne spośród wszstkich testowanch struktur sieci wbrano perceptron wielowarstwow o strukturze -9-4 (9 neuronów w warstwie ukrtej). Średni błąd względn modelu określan dla danch uczącch wniósł 2% (dla zbioru testowego %). Na podstawie wartości wag snaptcznch ustalono postać funkcjną zależności każdego wjścia modelu sieciowego od poszczególnch wejść. Następnie dokonano przbliżenia otrzmanej zależności funkcjnej wielomianem, otrzmując następując wnik: 27 x (7) 1 x1 4,24x2 0,79x3 6,17x4 32, 77 2,28x1 1,2x2 0,49x3 1,4x4 11, 16 9 x (8) 3,4x1 11,96x2 21,93x3 20x x (9) 4 x1 7,6x2 14,77x3 8,7x x (10) gdzie kolejne wartości i odpowiadają przewodności patoki, przewodności roztworu, części rzeczwistej i urojonej impedancji, a kolejne wartości x i odpowiadają zawartości wod, stosunkowi zawartości glukoz do zawartości fruktoz, zawartości prolin, ph, liczbie diastazowej. Na rsunku 1 przedstawiono w sposób graficzn wartości bezwzględne współcznników otrzmanego wielomianu odpowiadającch wpłwowi zawartości wod na cech elektrczne ustalone jako parametr wjściowe modelu. Rsunek 1. Wartości bezwzględne współcznników obrazujące wpłw zawartości wod na parametr wjściowe modelu Figure 1. Absolute values of coefficients which picture the impact of water content on input parameters of the model Dla sieci neuronowej służącej do określenia wpłwu aktwności wod na wbrane cech elektrczne spośród testowanch sieci wbrano sieć z 10 neuronami w warstwie 170
7 Badanie wpłwu zawartości wod... ukrtej (architektura -10-4). Średni błąd względn modelu określan dla danch uczącch wniósł 2,% (dla zbioru testowego,1%). Na podstawie uzskanego modelu otrzmano następujące zależności wielomianowe: 10 x (11) 1,x1 14,x2 6x3 11,6 x4 12, 6 2,7x1 9,6x2 28,x3 24x x (12) 3,4x1 17,3x2 9x3 1,3x x (13) 4,23x1 44x2 0x3 12x4 1, 36 x (14) gdzie kolejne wartości i odpowiadają przewodności patoki, przewodności roztworu, części rzeczwistej i urojonej impedancji, a kolejne wartości x i odpowiadają stosunkowi zawartości glukoz do zawartości fruktoz, zawartości prolin, ph, liczbie diastazowej, aktwności wod. Na rsunku 2 przedstawiono wartości bezwzględne współcznników otrzmanego wielomianu odpowiadającch wpłwowi aktwności wod na cech elektrczne ustalone jako parametr wjściowe modelu. Rsunek 2. Wartości bezwzględne współcznników obrazujące wpłw aktwności wod na parametr wjściowe modelu Figure 2. Absolute values of coefficients which picture the impact of water content on output parameters of the model Otrzmane wrażenia wielomianowe są aproksmacją zależności reprezentowanch przez model neuronow uzskaną z wkorzstaniem metod numercznch. Dlatego nie mogą bć traktowane jako model badanego zjawiska. Jednak stopień wpłwu parametrów wejściowch na parametr wjściowe nie został zniekształcon. Ponieważ badania został wkonane z wkorzstaniem dwóch niezależnch modeli neuronowch, różnice pomiędz 171
8 Katarzna Pentoś, Deta Łuczcka, Krzsztof Pruski wartościami współcznników przedstawionmi na rsunkach nie mogą podlegać interpretacji. Ocenie podlegają włącznie różnice w wartościach współcznników obliczonch dla konkretnego modelu. Podsumowanie Sieci neuronowe są wgodnm narzędziem analiz stopnia wpłwu parametrów wejściowch modelu na jego parametr wjściowe, szczególnie w przpadku gd liczba parametrów jest duża, a zależności międz nimi nieliniowe i ich charakter jest trudn do ustalenia metodami analitcznmi. Na podstawie przeprowadzonch badań sformułowano następujące wnioski: 1. Zawartość wod w największm stopniu wpłwa na składową rzeczwistą oraz urojoną impedancji. Parametr ten wpłwa również, choć w mniejszm stopniu, na przewodność patoki. 2. Aktwność wod w znacznie większm stopniu wpłwa na impedancję (jej część rzeczwistą oraz urojoną) niż na przewodność patoki oraz roztworu miodu. Literatura Górski, M.; Kaleta, J.; Langman, J. (2008). Zastosowanie sztucznch sieci neuronowch do ocen stopnia dojrzałości jabłek. Inżnieria Rolnicza, 7(10), 3-7. Hebda, T.; Francik, S. (2006). Model twardości ziarniaków pszenic wkorzstując Sztuczne Sieci Neuronowe. Inżnieria Rolnicza, 13(88), Iurlina, M.O.; Fritz, R. (200). Characterization of microorganisms in Argentinean hones from different sources. International Journal of Food Microbiolog, 10, Langman, J. (1999). Zastosowanie sztucznch sieci neuronowch w inżnierii rolniczej. Inżnieria Rolnicza, 1(7), Lazaridou, A.; Biliaderis, C.G.; Bacandritsos, N.; Sabatini, A.G. (2004). Composition, thermal and rheological behaviour of selected Greek hones. Journal of Food Engineering, 64, Łapczńska-Kordon, B.; Francik, S.; Ślipek, Z. (2008). Model neuronow zmian temperatur podczas konwekcjnego suszenia zrębków wierzb energetcznej. Inżnieria Rolnicza, 11(109), Łuczcka, D.; Pentoś, K. (2010). Zastosowanie sztucznch sieci neuronowch do opisu przenikalności elektrcznej mąki. Inżnieria Rolnicza, 2(120), Łuczcka, D.; Szewczk, A.; Pruski, K. (2011). Elektrczne metod wkrwania zafałszowań miodu. Inżnieria Rolnicza, (130), Osowski, S. (2006). Sieci neuronowe do przetwarzania informacji. Warszawa, Oficna Wdawnicza Politechniki Warszawskiej, ISBN: Pentoś, K.; Piotrowski, K.; Koralewska, J.; Matnia, A. (2008). Multilaer Perceptron as the Tool for Modeling of Reaction Crstallization of Barium Sulphate in MSMPR Crstallizer. Proceedings of 2008 International Conference on Machine Learning and Cbernetics, 6, Pentoś, K. (2009). Modelowanie procesów krstalizacji za pomocą sieci neuronowch. Rozprawa doktorska. Politechnika Wrocławska. Rutkowska, D.; Piliński, M.; Rutkowski, L. (1999). Sieci neuronowe, algortm genetczne i sstem rozmte. Warszawa, Wdawnictwa Szkolne PWN, ISBN:
9 Badanie wpłwu zawartości wod... Rutkowski, L. (2011). Metod i techniki sztucznej inteligencji. Warszawa, Wdawnictwo Naukowe PWN, ISBN: Skierucha, W.; Wilczek, A.; Szpłowska, A. (2012). Dielectric spectroscop in agrophsics. International Agrophsics, 2(26), Ślipek, Z.; Francik, S.; Frączek, J. (2003). Metodczne aspekt tworzenia modeli SSN w zagadnieniach agrofizcznch. Acta Agrophsica, 9, Wojtacki, M. (1989). Fermentacja miodu. Pszczelarstwo, 4, INVESTIGATION OF THE IMPACT OF WATER CONTENT AND ACTIVITY ON ELECTRIC PROPERTIES OF HONEY WITH THE USE OF NEURAL NETWORKS Abstract. The aim of this research was to determine how water content and water activit influence on the selected electrical hone parameters. Experimental data obtained for fift samples of hone collected on the territor of Poland were used for research. These were nectar hones, nectarhonedew as well as honedew hones. Chemical and electrical parameters were determined for each sample: conductivit of 20 percentage water and hone solution, conductivit and impedance of liquid hone. Then, with the use of artificial neural networks multi-dimensional mathematical models, describing relationships between electrical and chemical properties were constructed. Based on these models, with the use of the knowledge of networks structure and values of snaptic weights, degree of the impact of particular input parameters on output parameters of the model were determined. The tests which were carried out proved that water activit and content influence impedance more than conductivit of liquid hone and solution. Ke words: hone, electrical properties, artificial neural networks, water activit, water content 173
ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OPISU PRZENIKALNOŚCI ELEKTRYCZNEJ MĄKI
Inżynieria Rolnicza 2(120)/2010 ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OPISU PRZENIKALNOŚCI ELEKTRYCZNEJ MĄKI Deta Łuczycka Instytut Inżynierii Rolniczej, Uniwersytet Przyrodniczy we Wrocławiu Katarzyna
x 1 x 2 x 3 x n w 1 w 2 Σ w 3 w n x 1 x 2 x 1 XOR x (x A, y A ) y A x A
Sieci neuronowe model konekcjonistczn Plan wkładu Perceptron - przpomnienie Uczenie nienadzorowane Sieci Hopfielda Perceptron w 3 Σ w n A Liniowo separowaln problem klasfikacji ( A, A ) Problem XOR 0 0
Plan wyk y ł k adu Mózg ludzki a komputer Komputer Mózg Jednostki obliczeniowe Jednostki pami Czas operacji Czas transmisji Liczba aktywacji/s
Sieci neuronowe model konekcjonistczn Plan wkładu Mózg ludzki a komputer Modele konekcjonistcze Sieć neuronowa Sieci Hopfielda Mózg ludzki a komputer Twój mózg to komórek, 3 2 kilometrów przewodów i (biliard)
Sztuczne sieci neuronowe
2 Sztuczne sieci neuronowe Sztuczna sieć neuronowa (NN ang. Neural Network) to bardzo uproszczon model rzeczwistego biologicznego sstemu nerwowego. Sztuczną sieć neuronową można zdefiniować jako zespolon
WPŁYW TEMPERATURY NA CECHY DIELEKTRYCZNE MIODU
Inżynieria Rolnicza 9(134)/2011 WPŁYW TEMPERATURY NA CECHY DIELEKTRYCZNE MIODU Deta Łuczycka, Antoni Szewczyk, Krzysztof Pruski Instytut Inżynierii Rolniczej, Uniwersytet Przyrodniczy we Wrocławiu Streszczenie:
Cykl III ćwiczenie 3. Temat: Badanie układów logicznych
Ckl III ćwiczenie Temat: Badanie układów logicznch Ćwiczenie składa się z dwóch podtematów: Poziom TTL układów logicznch oraz Snteza układów kombinacjnch Podtemat: Poziom TTL układów logicznch. Wprowadzenie
WYKORZYSTANIE SIECI NEURONOWYCH W MODELOWANIU ZALEŻNOŚCI MIĘDZY WYBRANYMI CECHAMI FIZYKOCHEMICZNYMI I ELEKTRYCZNYMI MIODU
Zeszyty Problemowe Postępów Nauk Rolniczych nr 576, 2014, 67 77 WYKORZYSTANIE SIECI NEURONOWYCH W MODELOWANIU ZALEŻNOŚCI MIĘDZY WYBRANYMI CECHAMI FIZYKOCHEMICZNYMI I ELEKTRYCZNYMI MIODU Deta Łuczycka,
ZASTOSOWANIE SIECI KOHONENA I WYKRESU ROZRZUTU DO IDENTYFIKACJI GRUP MIODÓW WEDŁUG ICH CECH ELEKTRYCZNYCH *
I N Ż YNIERIA R OLNICZA A GRICULTURAL E NGINEERING 0: Z. (37) T. S. 69-75 ISSN 49-764 Polskie Towarzystwo Inżynierii Rolniczej http://www.ptir.org ZASTOSOWANIE SIECI KOHONENA I WYKRESU ROZRZUTU DO IDENTYFIKACJI
WYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN
Inżynieria Rolnicza 2(9)/7 WYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN Sławomir Francik Katedra Inżynierii Mechanicznej i Agrofizyki, Akademia
Motto. Czy to nie zabawne, że ci sami ludzie, którzy śmieją się z science fiction, słuchają prognoz pogody oraz ekonomistów? (K.
Motto Cz to nie zabawne, że ci sami ludzie, którz śmieją się z science fiction, słuchają prognoz pogod oraz ekonomistów? (K. Throop III) 1 Specfika szeregów czasowch Modele szeregów czasowch są alternatwą
MODEL NEURONOWY ZMIAN TEMPERATURY PODCZAS KONWEKCYJNEGO SUSZENIA ZRĘBKÓW WIERZBY ENERGETYCZNEJ
Inżynieria Rolnicza 11(109)/2008 MODEL NEURONOWY ZMIAN TEMPERATURY PODCZAS KONWEKCYJNEGO SUSZENIA ZRĘBKÓW WIERZBY ENERGETYCZNEJ Bogusława Łapczyńska-Kordon, Sławomir Francik, Zbigniew Ślipek Katedra Inżynierii
25. RÓWNANIA RÓŻNICZKOWE PIERWSZEGO RZĘDU. y +y tgx=sinx
5. RÓWNANIA RÓŻNICZKOWE PIERWSZEGO RZĘDU 5.1. Pojęcia wstępne. Klasfikacja równań i rozwiązań Rozróżniam dwa zasadnicze tp równań różniczkowch: równania różniczkowe zwczajne i równania różniczkowe cząstkowe.
WŁAŚCIWOŚCI DIELEKTRYCZNE WYBRANYCH ODMIAN MIODU
Inżynieria Rolnicza 5(123)/2010 WŁAŚCIWOŚCI DIELEKTRYCZNE WYBRANYCH ODMIAN MIODU Deta Łuczycka Instytut Inżynierii Rolniczej, Uniwersytet Przyrodniczy we Wrocławiu Streszczenie. Celem pracy było sprawdzenie
Zasady budowania prognoz ekonometrycznych
Zasad budowania prognoz ekonometrcznch Klasczne założenia teorii predkcji 1. Znajomość modelu kształtowania się zmiennej prognozowanej Znajomość postaci analitcznej wstępującch zależności międz zmiennmi
11. CZWÓRNIKI KLASYFIKACJA, RÓWNANIA
OBWODY SYGNAŁY Wkład : Czwórniki klasfikacja, równania. CZWÓRNK KLASYFKACJA, RÓWNANA.. WELOBEGNNK A WELOWROTNK CZWÓRNK Definicja. Jeśli: wielobiegunnik posiada parzstą liczbę zacisków (tzn. mn) zgrupowanch
Wykorzystanie sieci neuronowych w kryptologii.
Wkorzstanie sieci neuronowch w krptologii. Piotr Kotlarz Uniwerstet Kazimierza Wielkiego, Bdgoszcz piotrk@ukw.edu.pl Promotor rozpraw doktorskiej dr hab. Zbigniew Kotulski /7 Plan prezentacji -Obszar zastosowań
ZASTOSOWANIE AUTORSKIEJ METODY WYZNACZANIA WARTOŚCI PARAMETRÓW NOWOCZESNYCH SYSTEMÓW TECHNICZNYCH DO PŁUGÓW I OPRYSKIWACZY POLOWYCH
Inżynieria Rolnicza 9(118)/2009 ZASTOSOWANIE AUTORSKIEJ METODY WYZNACZANIA WARTOŚCI PARAMETRÓW NOWOCZESNYCH SYSTEMÓW TECHNICZNYCH DO PŁUGÓW I OPRYSKIWACZY POLOWYCH Sławomir Francik Katedra Inżynierii Mechanicznej
Pomiar bezpośredni przyrządem wskazówkowym elektromechanicznym
. Rodzaj poiaru.. Poiar bezpośredni (prost) W przpadku poiaru pojednczej wielkości przrząde wskalowan w jej jednostkach wartość niedokładności ± określa graniczn błąd przrządu analogowego lub cfrowego
Inżynieria Rolnicza 3(121)/2010
Inżynieria Rolnicza 3(121)/2010 METODA OCENY NOWOCZESNOŚCI TECHNICZNO- -KONSTRUKCYJNEJ CIĄGNIKÓW ROLNICZYCH WYKORZYSTUJĄCA SZTUCZNE SIECI NEURONOWE. CZ. III: PRZYKŁADY ZASTOSOWANIA METODY Sławomir Francik
ANALIZA ZALEŻNOŚCI POMIĘDZY CECHAMI DIELEKTRYCZNYMI A WŁAŚCIWOŚCIAMI CHEMICZNYMI MĄKI
Inżynieria Rolnicza 5(103)/2008 ANALIZA ZALEŻNOŚCI POMIĘDZY CECHAMI DIELEKTRYCZNYMI A WŁAŚCIWOŚCIAMI CHEMICZNYMI MĄKI Deta Łuczycka, Leszek Romański Instytut Inżynierii Rolniczej, Uniwersytet Przyrodniczy
Programowanie nieliniowe optymalizacja funkcji wielu zmiennych
Ekonomia matematczna II Ekonomia matematczna II Prowadząc ćwiczenia Programowanie nieliniowe optmalizacja unkcji wielu zmiennch Modele programowania liniowego często okazują się niewstarczające w modelowaniu
Macierze normalne. D : Dowolną macierz kwadratową można zapisać w postaci A = B + ic gdzie ( ) B = A + A B = A + A = ( A + A)
Macierze normalne Twierdzenie: Macierz można zdiagonalizować za pomocą unitarnej transformacji podobieństwa wted i tlko wted gd jest normalna (AA A A). ( ) D : Dowolną macierz kwadratową można zapisać
Streszczenie. Słowa kluczowe: modele neuronowe, parametry ciągników rolniczych
InŜynieria Rolnicza 11/2006 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie METODA PROGNOZOWANIA WARTOŚCI PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH MASZYN ROLNICZYCH
ELEMENTY TEORII ZBIORÓW ROZMYTYCH
ELEMENTY TEORII ZBIORÓW ROZMYTYCH OPRACOWAŁ: M. KWIESIELEWICZ POJĘCIA NIEPRECYZYJNE ODDZIAŁYWANIA CZŁOWIEK-OBIEKT TECHNICZNY OTOCZENIE (Hoang 990: człowieka na otoczenie, np.: ergonomiczna konstrukcja
LABORATORIUM PROMIENIOWANIE W MEDYCYNIE
LABORATORIUM PROMIENIOWANIE W MEDYCYNIE Ćw. nr 4 OSŁANIAJACE WŁAŚCIWOŚCI WARSTWY PODWÓJNEJ Nazwisko i Imię:... data:... ocena (teoria)... Grupa... Zespół... ocena końcowa... 1 Cel ćwiczenia Promieniowanie
Metody prognozowania: Jakość prognoz Wprowadzenie (1) 6. Oszacowanie przypuszczalnej trafności prognozy
Metod prognozowania: Jakość prognoz Dr inż. Sebastian Skoczpiec ver. 03.2012 Wprowadzenie (1) 1. Sformułowanie zadania prognostcznego: 2. Określenie przesłanek prognostcznch: 3. Zebranie danch 4. Określenie
ANALIZA MOŻLIWOŚCI NORMALIZACJI WARTOŚCI SKŁADOWYCH TRÓJCHROMATYCZNYCH Z WYKORZYSTANIEM PRZEKSZTAŁCENIA NIELINIOWEGO
Wojciech MOĆKO Wojciech ŻAGAN ANALIZA MOŻLIWOŚCI NORMALIZACJI WARTOŚCI SKŁADOWYCH TRÓJCHROMATYCZNYCH Z WYKORZYSTANIEM PRZEKSZTAŁCENIA NIELINIOWEGO STRESZCZENIE W referacie przedstawiono koncepcję zastosowania
L.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 4 ZADANIA - ZESTAW 4
ZADANIA - ZESTAW 4 Zadanie 4. 0-0,4 c 0 0, 0, Wznacz c. Wznacz rozkład brzegowe. Cz, są niezależne? (odp. c = 0,3 Zadanie 4.- 0-0,4 0,3 0 0, 0, Wznaczć macierz kowariancji i korelacji. Cz, są skorelowane?
Neuronowy układ dec2bin, perspektywy implementacji w języku Erlang.
Piotr Kotlarz Insttut Mechaniki i Informatki Stosowanej Uniwerstet Kazimierza Wielkiego w Bdgoszcz Zbigniew Kotulski Insttut Podstawowch Problemów Technik Polska Akademia Nauk, Warszawa Insttutu Telekomunikacji
Scenariusz lekcji matematyki z wykorzystaniem komputera
Scenariusz lekcji matematki z wkorzstaniem komputera Temat: Wpłw współcznników a i b na położenie wkresu funkcji liniowej. (Rsowanie wkresów prz użciu arkusza kalkulacjnego EXCEL.) Czas zajęć: 9 min Cele:
Realizacja funkcji przełączających
Realizacja funkcji przełączającch. Wprowadzenie teoretczne.. Podstawowe funkcje logiczne Funkcja logiczna NOT AND OR Zapis = x x = = x NAND NOR.2. Metoda minimalizacji funkcji metodą tablic Karnaugha Metoda
RÓWNANIA RÓŻNICZKOWE WYKŁAD 3
RÓWNANIA RÓŻNICZKOWE WYKŁAD 3 Równania różniczkowe liniowe Metoda przewidwań Metoda przewidwań całkowania równania niejednorodnego ' p( x) opiera się na następującm twierdzeniu. Twierdzenie f ( x) Suma
DEKOMPOZYCJA HIERARCHICZNEJ STRUKTURY SZTUCZNEJ SIECI NEURONOWEJ I ALGORYTM KOORDYNACJI
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 80 Electrical Engineering 2014 Stanisław PŁACZEK* DEKOMPOZYCJA HIERARCHICZNEJ STRUKTURY SZTUCZNEJ SIECI NEURONOWEJ I ALGORYTM KOORDYNACJI W artykule
Wykład 4 Testy zgodności. dystrybuanta rozkładu populacji dystrybuanty rozkładów dwóch populacji rodzaj rozkładu wartości parametrów.
Wkład Test zgodności. Test zgodności służą do werikacji hipotez mówiącch, że a dstrbuanta rozkładu populacji ma określoną z gór postać unkcjną b dstrbuant rozkładów dwóch populacji nie różnią się w sposób
Sztuczna Inteligencja Tematy projektów Sieci Neuronowe
PB, 2009 2010 Sztuczna Inteligencja Tematy projektów Sieci Neuronowe Projekt 1 Stwórz projekt implementujący jednokierunkową sztuczną neuronową złożoną z neuronów typu sigmoidalnego z algorytmem uczenia
Klucz odpowiedzi i schemat punktowania do próbnego zestawu egzaminacyjnego z zakresu przedmiotów matematyczno-przyrodniczych
Klucz odpowiedzi i schemat punktowania do próbnego zestawu egzaminacjnego z zakresu przedmiotów matematczno-przrodniczch Z a d a n i a z a m k n i ę t e Numer zadania 3 4 5 6 7 8 9 0 3 4 5 6 7 8 9 0 3
ALGORYTMY SZTUCZNEJ INTELIGENCJI
ALGORYTMY SZTUCZNEJ INTELIGENCJI Sieci neuronowe 06.12.2014 Krzysztof Salamon 1 Wstęp Sprawozdanie to dotyczy ćwiczeń z zakresu sieci neuronowych realizowanym na przedmiocie: Algorytmy Sztucznej Inteligencji.
NAPĘD I STEROWANIE PNEUMATYCZNE PODSTAWY
Zachodniopomorski Uniwerstet Technologiczn w Szczecinie Wdział Inżnierii Mechanicznej i Mechatroniki PIOTR PWEŁKO NPĘD I STEROWNIE PNEUMTYCZNE PODSTWY ĆWICZENI LBORTORYJNE Funkcje logiczne realizowane
WYKORZYSTANIE WŁAŚCIWOŚCI ELEKTRYCZNYCH DO WERYFIKACJI STOPNIA PRZEMIAŁU ZIARNA ZBÓś
Marek Horński WYKORZYSTANIE WŁAŚCIWOŚCI ELEKTRYCZNYCH DO WERYFIKACJI STOPNIA PRZEMIAŁU ZIARNA ZBÓś Streszczenie. W artkule przedstawiono stanowisko badawcze, metodkę pomiaru przenikalności elektrcznej
Sztuczne sieci neuronowe (SNN)
Sztuczne sieci neuronowe (SNN) Pozyskanie informacji (danych) Wstępne przetwarzanie danych przygotowanie ich do dalszej analizy Selekcja informacji Ostateczny model decyzyjny SSN - podstawy Sieci neuronowe
PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH
InŜynieria Rolnicza 14/2005 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH Streszczenie W
OKREŚLANIE FUNKCJI CELU PRZY DOBORZE MASZYN ROLNICZYCH
InŜnieria Rolnicza 14/5 Zofia Hanusz *, Zbigniew Siarkowski **, * Katedra Zastosowań Matematki ** Katedra Maszn i Urządzeń Rolniczch Akademia Rolnicza w Lublinie OKREŚLANIE FUNKCJI CELU PRZY DOBORZE MASZYN
ZALEŻNOŚĆ WSPÓŁCZYNNIKA DYFUZJI WODY W KOSTKACH MARCHWI OD TEMPERATURY POWIETRZA SUSZĄCEGO
Inżynieria Rolnicza 5(13)/211 ZALEŻNOŚĆ WSPÓŁCZYNNIKA DYFUZJI WODY W KOSTKACH MARCHWI OD TEMPERATURY POWIETRZA SUSZĄCEGO Marian Szarycz, Krzysztof Lech, Klaudiusz Jałoszyński Instytut Inżynierii Rolniczej,
Zastosowanie sieci neuronowych w problemie klasyfikacji wielokategorialnej. Adam Żychowski
Zastosowanie sieci neuronowych w problemie klasyfikacji wielokategorialnej Adam Żychowski Definicja problemu Każdy z obiektów może należeć do więcej niż jednej kategorii. Alternatywna definicja Zastosowania
Wstęp do teorii sztucznej inteligencji Wykład III. Modele sieci neuronowych.
Wstęp do teorii sztucznej inteligencji Wykład III Modele sieci neuronowych. 1 Perceptron model najprostzszy przypomnienie Schemat neuronu opracowany przez McCullocha i Pittsa w 1943 roku. Przykład funkcji
WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII
WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH DO PROGNOZOWANIA CEN NA GIEŁDZIE ENERGII Autor: Katarzyna Halicka ( Rynek Energii nr 1/2010) Słowa kluczowe: giełda energii, prognozowanie cen energii elektrycznej,
LABORATORIUM PODSTAW AUTOMATYKI
LABORATORIUM PODSTAW AUTOMATYKI INSTRUKCJA DO ĆWICZENIA 4.Wstęp - DOBÓR NASTAW REGULATORÓW opr. dr inż Krzsztof Kula Dobór nastaw regulatorów uwzględnia dnamikę obiektu jak i wmagania stawiane zamkniętemu
Wykład Analiza jakościowa równań różniczkowych
Na podstawie książki J. Rusinka, Równania różniczkowe i różnicowe w zarządzaniu, Oficna Wdawnicza WSM, Warszawa 2005. 21 maja 2012 Definicja Stabilność Niech = F (x, ) będzie równaniem różniczkowm. Rozwiązanie
Zastosowania sieci neuronowych
Zastosowania sieci neuronowych aproksymacja LABORKA Piotr Ciskowski zadanie 1. aproksymacja funkcji odległość punktów źródło: Żurada i in. Sztuczne sieci neuronowe, przykład 4.4, str. 137 Naucz sieć taką
ANALIZA TWARDOŚCI SELERA W CZASIE SUSZENIA
Inżynieria Rolnicza 13/2006 Katedra Inżynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie ANALIZA TWARDOŚCI SELERA W CZASIE SUSZENIA Wstęp Streszczenie W pracy przedstawiono próbę zastosowania
MES polega na wyznaczaniu interesujących nas parametrów w skończonej ilości punktów. A co leży pomiędzy tymi punktami?
MES- 07 Interpolacja, wprowadzenie Interpolacja: po co nam to? Ptania MES polega na wznaczaniu interesującch nas parametrów w skończonej ilości punktów. A co leż pomiędz tmi punktami? Na razie rozpatrwaliśm
Wydział Elektryczny. Katedra Automatyki i Elektroniki. Instrukcja do ćwiczeń laboratoryjnych z przedmiotu: TECHNIKA CYFROWA 2 TS1C300 020
Politechnika Białostocka Wdział lektrczn Katedra Automatki i lektroniki Instrukcja do ćwiczeń laboratorjnch z przedmiotu TCHNIKA CFROWA TSC Ćwiczenie Nr CFROW UKŁAD KOMUTACJN Opracował dr inż. Walent Owieczko
Podstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Ocena jakości obrazu wideo z kompresją H.264/AVC po transmisji w sieci IP
Adam Kraśniewski Zakład Radiokomunikacji i Walki Elektronicznej Wojskow Insttut Łączności Ocena jakości obrazu wideo z kompresją H.6/AVC po transmisji w sieci IP Celem niniejszego artkułu jest przedstawienie
Przenoszenie niepewności
Przenoszenie niepewności Uwaga wstępna: pojęcia niepewność pomiarowa i błąd pomiarow są stosowane wmiennie. Załóżm, że wielkość jest funkcją wielkości,,, dla którch niepewności (,, ) są znane (wnikają
MODELOWANIE PROCESÓW PRZETWÓRCZYCH Z UŻYCIEM SZTUCZNYCH SIECI NEURONOWYCH
Inżynieria Rolnicza 7(125)/2010 MODELOWANIE PROCESÓW PRZETWÓRCZYCH Z UŻYCIEM SZTUCZNYCH SIECI NEURONOWYCH Jerzy Langman, Norbert Pedryc Katedra Inżynierii Mechanicznej i Agrofizyki, Uniwersytet Rolniczy
Metody Sztucznej Inteligencji II
17 marca 2013 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką, która jest w stanie odbierać i przekazywać sygnały elektryczne. Neuron działanie Jeżeli wartość sygnału
Wstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3
Wstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3 Andrzej Rutkowski, Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-11-05 Projekt
Temat: Sztuczne Sieci Neuronowe. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Sztuczne Sieci Neuronowe Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sztuczne sieci neuronowe
Założenia prognostyczne WPF
Załącznik nr 3 do Uchwał o Wieloletniej Prognozie Finansowej Założenia prognostczne WPF Wieloletnia Prognoza Finansowa opiera się na długoterminowej prognozie nadwżki operacjnej, która obrazują zdolność
SKRYPT Z MATEMATYKI. Wstęp do matematyki. Rafał Filipów Piotr Szuca
Publikacja współfinansowana przez Unię Europejską w ramach Europejskiego Funduszu Społecznego SKRYPT Z MATEMATYKI Wstęp do matematki Rafał Filipów Piotr Szuca Publikacja współfinansowana przez Unię Europejską
EGZAMIN GIMNAZJALNY W ROKU SZKOLNYM 2011/2012
Centralna Komisja Egzaminacjna EGZAMIN GIMNAZJALNY W ROKU SZKOLNYM 2011/2012 CZĘŚĆ MATEMATYCZNO-PRZYRODNICZA MATEMATYKA ODPOWIEDZI I PROPOZYCJE OCENIANIA PRZYKŁADOWEGO ZESTAWU ZADAŃ PAŹDZIERNIK 2011 Zadania
Uczenie sieci typu MLP
Uczenie sieci typu MLP Przypomnienie budowa sieci typu MLP Przypomnienie budowy neuronu Neuron ze skokową funkcją aktywacji jest zły!!! Powszechnie stosuje -> modele z sigmoidalną funkcją aktywacji - współczynnik
ĆWICZENIE 7 OBRAZOWANIE
Komputerowe Metod Optki lab. Wdział Fizki, Politechnika Warszawska ĆWICZENIE 7 OBRAZOWANIE Celem ćwiczenia jest zasmulowanie działania układów obrazującch w świetle monochromatcznm oraz przeprowadzenie
Systemy przetwarzania sygnałów
Sstem przetwarzania sgnałów x(t) (t)? x(t) Sstem przetwarzania sgnałów (t) Sstem przetwarzania sgnałów sgnał ciągł x(t) (t)=h(x(t)) Sstem czasu ciągłego (t) np. megafon - wzmacniacz analogow sgnał dskretn
MODELOWANIE SKURCZU SUSZARNICZEGO WYBRANYCH WARZYW KORZENIOWYCH ZA POMOCĄ SIECI NEURONOWYCH
Inżynieria Rolnicza 13/2006 Bogusława Łapczyńska-Kordon, Sławomir Francik, Jarosław Frączek, Zbigniew Ślipek Katedra Inżynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie MODELOWANIE SKURCZU
Metody Eulera i Eulera-Cauchy'ego rozwiązywania równań różniczkowych zwyczajnych. y 3 := x 2 (1) ( ) Rozwiązanie dokładne równania (1) (2)
euler-przkl_.xmcd Metod Eulera i Eulera-Cauch'ego rozwiązwania równań różniczkowch zwczajnch ' ( x, ) : x () + Rozwiązanie dokładne równania () ( x, C) : + C exp( atan( x) ) () Sprawdzenie: d dx ( x, C)
Uczenie sieci neuronowych i bayesowskich
Wstęp do metod sztucznej inteligencji www.mat.uni.torun.pl/~piersaj 2009-01-22 Co to jest neuron? Komputer, a mózg komputer mózg Jednostki obliczeniowe 1-4 CPU 10 11 neuronów Pojemność 10 9 b RAM, 10 10
Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 1-2
Stanisław Cichocki Natalia Nehreecka Zajęcia - . Model liniow Postać modelu liniowego Zapis macierzow modelu liniowego. Estmacja modelu Przkład Wartość teoretczna (dopasowana) Reszt 3. MNK - przpadek wielu
Interpolacja. Układ. x exp. = y 1. = y 2. = y n
MES 07 lokaln Interpolacja. Układ Interpolacja, wprowadzenie Interpolacja: po co nam to? Ptania MES polega na wznaczaniu interesującch nas parametrów w skończonej ilości punktów. A co leż pomiędz tmi punktami?
IMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ
IMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ Celem ćwiczenia jest zapoznanie się ze sposobem działania sieci neuronowych typu MLP (multi-layer perceptron) uczonych nadzorowaną (z nauczycielem,
1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda
Sieci neuropodobne 1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN Agenda Trochę neurobiologii System nerwowy w organizmach żywych tworzą trzy
Równania różniczkowe
Równania różniczkowe I rzędu Andrzej Musielak Równania różniczkowe Równania różniczkowe I rzędu Równanie różniczkowe pierwszego rzędu to równanie w którm pojawia się zmienna x, funkcja tej zmiennej oraz
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa, Andrzej Rutkowski Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-10-15 Projekt
Zadanie 2. objętość zmniejszy się o 1 m 3, co odpowiada liczbie 3% 60 m 3 zaokrąglonej w dół do liczby
Zadanie 1. W liceum ogólnokształcącm przeprowadzono badanie wników nauczania z historii. Do tego celu wkorzstano test składając się z 25 ptań, które kolejno dotczł poszczególnch epok historcznch: ptania
ALGORYTM ROZPOZNAWANIA OBRAZÓW MATERIAŁÓW BIOLOGICZNYCH
InŜynieria Rolnicza 7/2005 Bogusława Łapczyńska-Kordon, Jerzy Langman, Norbert Pedryc Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie ALGORYTM ROZPOZNAWANIA OBRAZÓW MATERIAŁÓW
Stan naprężenia. Przykład 1: Tarcza (płaski stan naprężenia) Określić siły masowe oraz obciążenie brzegu tarczy jeśli stan naprężenia wynosi:
Stan naprężenia Przkład 1: Tarcza (płaski stan naprężenia) Określić sił masowe oraz obciążenie brzegu tarcz jeśli stan naprężenia wnosi: 5 T σ. 8 Składowe sił masowch obliczam wkonując różniczkowanie zapisane
OCENA JAKOŚCI PROCESU LOGISTYCZNEGO PRZEDSIĘBIORSTWA PRZEMYSŁOWEGO METODĄ UOGÓLNIONEGO PARAMETRU CZĘŚĆ I. 1. Wprowadzenie
B A D A N I A O P E R A C Y J N E I D E C Y Z J E Nr 2 2004 Anna DOBROWOLSKA* Jan MIKUŚ* OCENA JAKOŚCI PROCESU LOGISTYCZNEGO PRZEDSIĘBIORSTWA PRZEMYSŁOWEGO METODĄ UOGÓLNIONEGO PARAMETRU CZĘŚĆ I Przedstawiono
Sieci neuronowe w Statistica
http://usnet.us.edu.pl/uslugi-sieciowe/oprogramowanie-w-usk-usnet/oprogramowaniestatystyczne/ Sieci neuronowe w Statistica Agnieszka Nowak - Brzezińska Podstawowym elementem składowym sztucznej sieci neuronowej
Podejmowanie decyzji w warunkach niepełnej informacji. Tadeusz Trzaskalik
Podejmowanie deczji w warunkach niepełnej informacji Tadeusz Trzaskalik 5.. Wprowadzenie Słowa kluczowe Niepełna informacja Stan natur Macierz wpłat Podejmowanie deczji w warunkach rzka Podejmowanie deczji
Paweł Strawiński Ćwiczenia
Zadanie 1 Na podstawie wników badań PGSS starano się zidentfikować zmienne, które wpłwają na poziom szczęścia. Na podstawie odpowiedzi stworzono zmienną hapunhap, która przjmuje wartość 1 dla osób, które
Definicja wartości bezwzględnej. x < x y. x =
1.9. WARTOŚĆ BEZWZGLĘDNA Definicja wartości bezwzględnej... gd... 0 =... gd... < 0 Własności wartości bezwzględnej 0 = = = n a n = a, gd n jest liczbą parzstą Przkład 1.9.1. Oblicz: a) b) c) 1 d) 0 e)
TEORETYCZNE PODSTAWY INFORMATYKI
1 TEORETYCZNE PODSTAWY INFORMATYKI WFAiS UJ, Informatyka Stosowana I rok studiów, I stopień Wykład 16 2 Data Science: Uczenie maszynowe Uczenie maszynowe: co to znaczy? Metody Regresja Klasyfikacja Klastering
ELEKTRYCZNE METODY WYKRYWANIA ZAFAŁSZOWAŃ MIODU
Inżynieria Rolnicza 5(130)/2011 ELEKTRYCZNE METODY WYKRYWANIA ZAFAŁSZOWAŃ MIODU Deta Łuczycka, Antoni Szewczyk, Krzysztof Pruski Instytut Inżynierii Rolniczej, Uniwersytet Przyrodniczy we Wrocławiu Streszczenie.
Systemy pomiarowo-diagnostyczne. Metody uczenia maszynowego wykład III 2016/2017
Systemy pomiarowo-diagnostyczne Metody uczenia maszynowego wykład III bogumil.konopka@pwr.edu.pl 2016/2017 Wykład III - plan Regresja logistyczna Ocena skuteczności klasyfikacji Macierze pomyłek Krzywe
19. Wybrane układy regulacji Korekcja nieliniowa układów. Przykład K s 2. Rys Schemat blokowy układu oryginalnego
19. Wbrane układ regulacji Przkład 19.1 19.1. Korekcja nieliniowa układów w K s 2 Rs. 19.1. Schemat blokow układu orginalnego 1 Zbadać możliwość stabilizacji układu za pomocą nieliniowego prędkościowego
Strukturalne elementy symetrii. Krystalograficzne grupy przestrzenne.
Uniwerstet Śląski Insttut Chemii Zakład Krstalografii Laboratorium Krstalografii Strukturalne element smetrii. Krstalograficne grup prestrenne. god. Cel ćwicenia: aponanie się diałaniem elementów smetrii
PRÓBNY EGZAMIN MATURALNY
PRÓBNY EGZAMIN MATURALNY Z MATEMATYKI ZESTAW PRZYGOTOWANY PRZEZ SERWIS WWW.ZADANIA.INFO POZIOM PODSTAWOWY 8 MARCA 015 CZAS PRACY: 170 MINUT 1 Zadania zamknięte ZADANIE 1 (1 PKT) Przbliżenie dziesiętne
BŁĘDY OKREŚLANIA MASY KOŃCOWEJ W ZAKŁADACH SUSZARNICZYCH WYKORZYSTUJĄC METODY LABORATORYJNE
Inżynieria Rolnicza 5(103)/2008 BŁĘDY OKREŚLANIA MASY KOŃCOWEJ W ZAKŁADACH SUSZARNICZYCH WYKORZYSTUJĄC METODY LABORATORYJNE Zbigniew Zdrojewski, Stanisław Peroń, Mariusz Surma Instytut Inżynierii Rolniczej,
Rysunek 1-1. Przykładowy zbiór klasyczny (nierozmyty) oraz jego funkcja przynale żności.
Podstaw logiki rozmtej i regulatorów rozmtch. Zbiór rozmt Pojęcie zbioru rozmtego zostało wprowadzone przez L. A. Zadeha w 965. Celem wprowadzenia tego pojęcia bła chęć modelowania procesów złożonch, w
Elementy inteligencji obliczeniowej
Elementy inteligencji obliczeniowej Paweł Liskowski Institute of Computing Science, Poznań University of Technology 9 October 2018 1 / 19 Perceptron Perceptron (Rosenblatt, 1957) to najprostsza forma sztucznego
MODELOWANIE NEURONALNE ROZWOJU SYSTEMU ELEKTROENERGETYCZNEGO. CZĘŚĆ 2. MODELE SYSTEMU IEEE RTS
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 82 Electrical Engineering 2015 Jerzy TCHÓRZEWSKI* Maciej PYTEL ** MODELOWANIE NEURONALNE ROZWOJU SYSTEMU ELEKTROENERGETYCZNEGO. CZĘŚĆ 2. MODELE SYSTEMU
Deep Learning na przykładzie Deep Belief Networks
Deep Learning na przykładzie Deep Belief Networks Jan Karwowski Zakład Sztucznej Inteligencji i Metod Obliczeniowych Wydział Matematyki i Nauk Informacyjnych PW 20 V 2014 Jan Karwowski (MiNI) Deep Learning
Podstawy Sztucznej Inteligencji
Politechnika Łódzka Katedra Informatyki Stosowanej Podstawy Sztucznej Inteligencji Laboratorium Ćwiczenie 2 Wykorzystanie środowiska Matlab do modelowania sztucznych sieci neuronowych Opracowali: Dr hab
MATURA PRÓBNA 2 KLASA I LO
IMIE I NAZWISKO MATURA PRÓBNA KLASA I LO CZAS PRACY: 90 MIN. SUMA PUNKTÓW: 60 ZADANIE (5 PKT) Znajdź wszstkie funkcje liniowe określone na zbiorze ;, którch zbiorem wartości jest przedział ; 0. ZADANIE
Badanie zależności cech
PODSTAWY STATYSTYKI 1. Teoria prawdopodobieństwa i element kombinatorki. Zmienne losowe i ich rozkład 3. Populacje i prób danch, estmacja parametrów 4. Testowanie hipotez 5. Test parametrczne (na przkładzie
KRYTERIA DOBORU PARAMETRU DIAGNOSTYCZNEGO NA POTRZEBY DIAGNOSTYKI OKRĘTOWEGO SILNIKA SPALINOWEGO
Rszard Zadrąg Akademia arnarki Wojennej Wdział echaniczno-elektrczn Katedra Siłowni Okrętowch KRYTERIA DOBORU PARAETRU DIAGOSTYCZEGO A POTRZEBY DIAGOSTYKI OKRĘTOWEGO SILIKA SPALIOWEGO Streszczenie: Zmiana
MATEMATYKA POZIOM ROZSZERZONY PRZYKŁADOWY ZESTAW ZADAŃ NR 1. Czas pracy 150 minut
Miejsce na naklejkę z kodem szkoł OKE ŁÓDŹ CKE MATEMATYKA POZIOM ROZSZERZONY MARZEC ROK 008 PRZYKŁADOWY ZESTAW ZADAŃ NR Czas prac 0 minut Instrukcja dla zdającego. Sprawdź, cz arkusz egzaminacjn zawiera
ZWIĄZKI MIĘDZY CECHAMI ELEKTRYCZNYMI A AKTYWNOŚCIĄ WODY ŚRUTY PSZENICZNEJ
Inżynieria Rolnicza 6(115)/2009 ZWIĄZKI MIĘDZY CECHAMI ELEKTRYCZNYMI A AKTYWNOŚCIĄ WODY ŚRUTY PSZENICZNEJ Deta Łuczycka Instytut Inżynierii Rolniczej, Uniwersytet Przyrodniczy we Wrocławiu Streszczenie.
Podstawy sztucznej inteligencji
wykład 5 Sztuczne sieci neuronowe (SSN) 8 grudnia 2011 Plan wykładu 1 Biologiczne wzorce sztucznej sieci neuronowej 2 3 4 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką,