Neuronowy układ szyfrujący - analiza bezpieczeństwa

Wielkość: px
Rozpocząć pokaz od strony:

Download "Neuronowy układ szyfrujący - analiza bezpieczeństwa"

Transkrypt

1 XII Konerenca PLOUG Zakopane Paźdzernk 006 Neuronowy układ szyruący - analza bezpeczeństwa Potr Kotlarz Kazmerz Welk Unversty, ydgoszcz potrk@ukw.edu.pl Zbgnew Kotulsk Insttute o Fundamental Technologcal Research, PS and Insttute o Telecommuncatons, WUT Streszczene W pracy te, która est kontynuacą klku wcześneszych, podemuemy rozważana na temat układu szyruącego wykorzystuącego seć neuronową. Nasze prace zmerzaą do tego aby skonstruować seć neuronową, która byłaby w stane realzować różne algorytmy szyruące. Zmana realzowanego algorytmu ma następować po przeprowadzonym w określonych warunkach procese uczena. W naszych wcześneszych pracach [4],[5],[6], przedstawlśmy koncepcę realzac permutac oraz podstawena (s-box) za pomocą sec neuronowe, oparte na neurone McCulloch-Pttsa [] oraz regule Hebba. W te pracy skupmy sę na sec oparte na neurone logcznym []. Główne rozważana na tym etape pracy dotyczyć będą realzac permutac oraz oceny bezpeczeństwa przebegu procesu uczena sec neuronowe.

2

3 Neuronowy układ szyruący - analza bezpeczeństwa 9. Wprowadzene W ostatnm czase poawły sę prace na temat wykorzystana układów programowalnych do realzac algorytmów kryptogracznych. Dla mplementac sprzętowych ma to szczególne znaczne, poneważ zmana algorytmu realzowanego sprzętowo est szczególne kłopotlwa kosztowna. Jedną z perwszych prac była [7] gdze zaproponowano realzacę szyrowana w oparcu o technologę układów programowalnych ako modułu akceleratora kryptogracznego. Wykorzystuąc rekongurowany procesor RpeRench [8] zrealzowano mędzy nnym take algorytmy ak CRYPTON [9],[0], czy RC6 []. W te pracy proponuemy wykorzystane boolowskch sec neuronowych do realzac algorytmów szyruących.. daptacyne sec logczne wprowadzene W latach sedemdzesątych XX w. poawła sę koncepca adaptacynych sec logcznych, realzuących unkce boolowske []. Sec take składaą sę z bnarnych neuronów operuących na danych postac bnarne. Weśca, wyśce oraz wag takego neuronu mogą przymować wartośc 0 lub. Rys.. [3] Model neuron logcznego Powyższy rysunek przedstawa neuron bnarny, tego typu neuron posada zawsze tylko dwa weśca a blok realzue unkcę [3]:, y = 0, dla dla ( w ( w + ) x + ) x + ( w + ( w + ) x + ) x W sytuac, gdy wartośc wag weść neonu mogą przymować edyne wartośc 0 lub neuron będze realzował przy dane kombnac stanów wag (W) edną z czterech unkc boolowskch: ND, LEFT, RIGHT lub OR. Sec konstruowane z takch neuronów to zwykle sec welowarstwowe posadaące edno wyśce. W secach boolowskch każde weśce zwykłe (x ) est podwaane przez weśce negowane ( x ). Wykorzystane sec zbudowane z takch neuronów rozpoczyna sę od ncalzac, poprzez losowane wartośc wag poszczególnych neuronów. W procese ncalzac sec, eszcze przed ustalanem wartośc wag, następue losowe łączene każdego neuronu warstwy wstępne z ednym weścem prostym ednym negowanym. Proces uczena (adaptac) take sec prowadzony może być według trzech różnych metod: modykac poddawane są wag neuronów, rozmar sec est redukowany przy nadmarowośc ncalzowane sec lub następue rozbudowa struktury sec poprzez dodawane poedynczych neuronów lub małych podsec. Węce na ten temat można znaleźć w lteraturze [],[3]. Wytrenowana seć boolowska, ma tę zaletę, że łatwo mplementue sę tego rodzau struktury, równeż za pomocą rozwązań sprzętowych. W naszych rozważanach, o których mowa w dalszych rozdzałach, wykorzystuemy neuron logczny, ednak odchodzmy neco od koncepc sec boolowske z tylko ednym wyścem oraz z weścam negowanym. 3. Realzaca permutac za pomocą boolowske sec neuronowe W naszych wcześneszych pracach przedstawlśmy propozycę realzac permutac z wykorzystanem sec neuronowe oparte na neurone posadaącym wag o wartoścach rzeczywstych < ()

4 30 Potr Kotlarz oraz z progową unkcą aktywac. W te pracy zamerzamy zaprezentować pomysł na realzacę elementarnego przekształcena szyruącego, akm est permutaca z wykorzystanem neuronowe sec boolowske. Zastosowane sec boolowske stwarza neco nne warunk co do konstrukc układu permutuącego. Mowa tu główne o tym, ż neurony logczne posadaą zawsze tylko dwa weśca edno wyśce. Zasadę dzałana sec logczne przedstawlśmy w wcześneszym rozdzale. Zakładamy, że skonstruuemy pewną pulę neuronowych bloków szyruących, każdy z nch będze dawał możlwość realzac określone permutac na dane lczbe btów. Posadaąc take blok elementarne (sec neuronowe) będze można ch używać do budowy wększych sec, realzuących permutace dla bloku o określonym rozmarze tekstu awnego. 3.. Permutaca dwóch btów Założene est take: skonstruować blok, który będze realzował dowolną permutacę na dwóch btach tekstu awnego. W celu konstrukc takego bloku należy zbudować seć neuronową, która będze posadała dwa weśca dwa wyśca. Seć ma umożlwć realzacę następuących permutac: σ x = y x = y ), x x (3) σ = = y y σ, σ - to permutaca, x,y odpowedno: weśce, wyśce układu permutuącego. Posługuąc sę odpowedno skonstruowanym zborem uczącym chcemy meć możlwość decydowana o tym czy seć będze realzowała permutace σ czy σ. Na ponższym rysunku przedstawona est seć zbudowana z dwóch neuronów boolowskch, realzuąca permutacę dwóch btów. Rys.. Seć realzuąca permutacę dwóch btów. Seć składa sę dwóch takch samych neuronów, których dzałane opsane est przez wzór (). Zmana realzowane permutac, pomędzy σ σ dokonywana est z wykorzystane zborów uczących : permutaca σ : σ : x x y y x x y y , permutaca W wynku przeprowadzonego procesu uczena zmane ulegaą wartośc wag dla: σ opsane wzorem () wag sec: w = ; w (4) =

5 Neuronowy układ szyruący - analza bezpeczeństwa 3 σ opsane wzorem (3) wag sec: w = ; w = ; w 0 (5) = Proces uczena przebega według zależnośc: d różnca pomędzy dopowedzą wzorcową seć a rzeczywstą y w - odpowedź wzorcowa sec y odpowedź rzeczywsta sec nr weśca neuronu, nr neuronu x weśce neuronu w waga neuronu, (n+) cykl uczący beżący a (n) poprzedn d = y w y w ( n + ) = w ( n) + d * X Zmana realzowane permutac odbywa sę poprzez przeprowadzene uczena sec z wykorzystanem odpowednego zboru uczącego. 3.. Permutaca czterech btów W naszych pracach [4], [6], gdze wykorzystywalśmy sec neuronowe oparte na neuronach McCulloch-Pttsa [] oraz regule Hebba, przedstawlśmy koncepcę realzac bloku dokonuącego permutac trzech btów. W przypadku sec wykorzystuące neurony logczne, które mogą posadać tylko dwa wyśca, ako drug proponuemy neuronowy blok permutac czterech btów. Ponże przedstawona est neuronowa seć boolowska, realzuąca permutacę czterech btów: W W 7 W 7 W W W 5 W 5 W 8 W 8 W 3 W 3 W 6 W 6 W 9 W 9 W 4 W 4 W 0 W 0 W X X X3 X4 Y Y Y3 Y 4 Rys. 3. Seć realzuąca permutacę czterech btów Z powodów ogranczeń obętoścowych te pracy, przedstawamy tu tylko ako przykład zbór uczący dla edne permutac na czterech btach.

6 3 Potr Kotlarz x x x3 x4 3 4 σ = = (7) y y y3 y4 3 4 Po przeprowadzonym procese uczena, zborem zapsanym powyże, seć przyme wartośc wag dla permutac σ opsane wzorem (7) : 6 w w 6 = ; w = ; w 7 = ; w 7 3 = ; w 8 3 = ; w 8 = ; w 4 9 = ; w = ; w 0 = ; w 5 = ; w Seć neuronowa przedstawona na rys.3, opera swoe dzałane na tych samych neuronach ake wykorzystano w sec dla dwóch btów, (rys. zwór ()). 4. ezpeczne zmany realzowanego algorytmu przez seć neuronową Zmana algorytmu szyru realzowanego przez seć dokonue sę poprzez prowadzony w określonych warunkach proces uczena. Dla uproszczena, w wszystkch kolenych rozważanach, zakładamy, że układ szyruący realzue edyne permutacę btów, tak ak zostało to opsane powyże. Przymuąc założene, że skonstruowaną odpowedno seć traktuemy ako czarną skrzynkę umeszczoną na przykład gdześ na odległym serwerze, koneczna est możlwość zdalnego wpływana na realzowane przez ną przekształcene. Przymuąc założene, że rozważany układ pracue w układze klent serwer. Rolę klenta będze pełnł właśccel czarne skrzynk, który będze chcał decydować, o tym, ake przekształcene szyruące ma realzować owa czarna skrzynka. 4.. Uczene po strone serwera Decyduąc sę na przeprowadzene procesu uczena przez serwer (S), nezbędne est dostarczene zboru uczącego skonstruowanego po strone klenta (K) do aplkac odpowedzalne za przeprowadzene procesu uczena. Na rys 4. przedstawony est schematyczne, wspomnany wcześne układ K-S. Układ S może pracować w dwóch trybach. Uczena (tryb T) oraz (T), czyl szyrowane tekstu awnego. Poprzez kanał otwarty rozumemy seć, która ne est chronona np. Internet. K Kanał otwarty Zbór uczący Szyrogram T T Tekst awny S lack box, aplkaca ucząca Rys. 4. Uczene po strone serwera W celu spowodowana zmany algorytmu realzowanego przez seć neuronową zbór uczący mus zostać dostarczony do aplkac serwera obsługuące proces uczena sec. Jeśl przesłany zostane kompletny zbór uczący to ntruz na podstawe ego analzy będze w stane ustalć real- = 0; 0 = 0. (8)

7 Neuronowy układ szyruący - analza bezpeczeństwa 33 zowaną permutacę, pod warunkem znaomośc struktury sec. Ne est to, węc nalepsze rozwązane. 4. Uczene po strone klenta przesyłane wartośc wag (unkca XOR) lternatywą dla tego rozwązana est przeprowadzene procesu uczena po strone klenta. Do serwerów natomast przesyłane są nowe parametry sec. Jeśl przymemy, że poawene sę w otwartym kanale wymany normac nowych wartośc wag est równeż problematyczne z punktu wdzena bezpeczeństwa to można utrudnć całą operacę potencalnemu ntruzow. Zmuszaąc go do prowadzena nasłuchu cągłego gromadzena przechwyconych normac. Przed wysłanem nowych wartośc wag do serwera poddaemy e dzałanu unkc XOR z wartoścam poprzednm wag. w (k) wartośc wysyłane do serwera (n+) nowa wartość wag, (n)wartość poprzedna pozostałe oznaczena ak we wzorze (6) w ( n + ) w ( n) w ( k) (9) = w ( n + ) = w ( k) w ( n) (0) K aplkaca ucząca Kanał otwarty w (k) Szyrogram T T Tekst awny S lack box Rys. 5. Uczene po strone serwera Tak węc na rysunku nr 5 pokazane est, że w otwartym kanale wymany normac poawa sę edyne wynk operac XOR na wartoścach poprzednch wag oraz nowych (9). Po strone (S) przeprowadzona est operaca odwrotna (0). Na podstawe wykonan unkc XOR na obecnych wartoścach wag oraz otrzymanym cągu btów w (k) otrzymuemy nowe parametry sec. Tak, węc osoba podsłuchuąca transmsę będze musała posadać wedzę na temat stanu początkowego. Ponadto koneczne est w takm wypadku prowadzene nasłuchu cągłego w celu gromadzena normac na temat kolenych stanów sec. Jeżel założymy, że stan początkowy sec, ustalany będze w taemncy pomędzy stroną klenta serwera, to utrzymane w taemncy struktury sec ne będze uż warunkem konecznym. 5. Podsumowane Praca ta to rozważana na temat potencalnych możlwych zastnena trudnośc zagrożeń dla przeprowadzena w bezpeczny sposób procesu zmany realzowanego szyry przez seć neuronową. Ogranczylśmy sę tuta edyne do realzac operac permutac z wykorzystane sec neuronowe boolowske. Jak zostało to przedstawone w powyższych rozdzałach przesyłane kanałem otwartym zboru uczącego ne est rozwązanem nalepszym. Rozwązane zaproponowane w rozdzale 4. wydae sę lepszym z punktu wdzena bezpeczeństwa. Kolenym etapem prac, będze przeprowadzene, rzeczywstych ataków, dla różnych kongurac sec neuronowe. blograa [] pw.s.mc Culloch and W.Ptts, " Logcal Calculus o the Ideas Immanent n Nervous ctvty", ulletn o Mathematcal ophyscs, No 5, 943 [] W.rmstrong and J.Gecse, "daptaton lgorthms or nary Tree Networks", IEEE Trans. on Systems, Man and Cybernetcs, Vol. 9, pp , 979.

8 34 Potr Kotlarz [3] P.S.Szczepanak, Oblczena ntelgentne szybke przekształcena klasykatory, kademcka Ocyna Wydawncza EXIT, Warszawa 004. [4] P.Kotlarz, Z.Kotulsk, "pplcaton o neural networks or mplementaton o cryptographc unctons", "Multmeda w bznese edukac", Częstochowa 005 [5] P.Kotlarz, Z.Kotulsk, On applcaton o neural networks or S-boxes desgn, Lecture Notes n rtcal Intellgence, LNCS 358, pp , erln 005. [6] P.Kotlarz, Z.Kotulsk, Metody sztuczne ntelgenc we współczesne kryptogra, Materały konerencyne Ploug 05, Zakopane paźdzernk 005. [7] Emeka Mosanya, Chrsto Teuscher, Recongurable and Modular Cryptographc Coprocessor, Lecture Notes n Computer Scence, erln 999 [8] S.Goldsten, Hgh-Peromance Flexble rchtecture or Cryptography, Proceedngs o the Workshop on Cryptographc Hardware, ugust 999 [9] Lm C.H, CRYPTON: New 8-bt lock Cpher, Proceedngs o the Frst dvanced Encrypton Standard Canddate Conerence, Calorna, ugust 998 [0] W.Laskowsk, Układy programowalne ako narzędza wspomagaące kryptograczną ochronę danych, Przegląd telekomunkacyny, nr 3/00 [] Lars R. Knudsen Department o Inormatcs, Unversty o ergen, N-500 ergen : Correlatons n RC6, July 9, 999

Wykład 2: Uczenie nadzorowane sieci neuronowych - I

Wykład 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 szczegółowo

Wykład 2: Uczenie nadzorowane sieci neuronowych - I

Wykład 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 szczegółowo

Problem plecakowy (KNAPSACK PROBLEM).

Problem plecakowy (KNAPSACK PROBLEM). Problem plecakowy (KNAPSACK PROBLEM). Zagadnene optymalzac zwane problemem plecakowym swą nazwę wzęło z analog do sytuac praktyczne podobne do problemu pakowana plecaka. Chodz o to, by zapakować maksymalne

Bardziej szczegółowo

RÓWNOWAGA STACKELBERGA W GRACH SEKWENCYJNYCH

RÓWNOWAGA STACKELBERGA W GRACH SEKWENCYJNYCH Stansław KOWALIK e-mal: skowalk@wsb.edu.pl Wyższa Szkoła Bznesu Dąbrowa Górncza RÓWNOWAGA STACKELBERGA W GRACH SEKWENCYJNYCH Streszczene Praca dotyczy nekooperacynych sekwencynych ger dwuosobowych o sume

Bardziej szczegółowo

Sztuczne sieci neuronowe

Sztuczne sieci neuronowe Sztuczne sec neuronowe Jerzy Stefanowsk Plan wykładu 1. Wprowadzene 2. Model sztucznego neuronu. 3. Topologe sec neuronowych 4. Reguły uczena sec neuronowych. 5. Klasyfkaca sec neuronowych. 6. Sec warstwowe

Bardziej szczegółowo

BADANIA OPERACYJNE. Podejmowanie decyzji w warunkach niepewności. dr Adam Sojda

BADANIA 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 szczegółowo

Projekt 6 6. ROZWIĄZYWANIE RÓWNAŃ NIELINIOWYCH CAŁKOWANIE NUMERYCZNE

Projekt 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 szczegółowo

Plan wykładu. Sztuczne sieci neuronowe. Neuronu dyskretny. Neuron dyskretny (perceptron prosty)

Plan wykładu. Sztuczne sieci neuronowe. Neuronu dyskretny. Neuron dyskretny (perceptron prosty) Plan wykładu Dzałane neuronu dyskretnego warstwy neuronów dyskretnych Wykład : Reguły uczena sec neuronowych. Sec neuronowe ednokerunkowe. Reguła perceptronowa Reguła Wdrowa-Hoffa Reguła delta ałgorzata

Bardziej szczegółowo

Proces narodzin i śmierci

Proces 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 szczegółowo

Wielokategorialne systemy uczące się i ich zastosowanie w bioinformatyce. Rafał Grodzicki

Wielokategorialne systemy uczące się i ich zastosowanie w bioinformatyce. Rafał Grodzicki Welokategoralne systemy uząe sę h zastosowane w bonformatye Rafał Grodzk Welokategoralny system uząy sę (multlabel learnng system) Zbór danyh weśowyh: d X = R Zbór klas (kategor): { 2 } =...Q Zbór uząy:

Bardziej szczegółowo

Krzysztof Borowski Zastosowanie metody wideł cenowych w analizie technicznej

Krzysztof Borowski Zastosowanie metody wideł cenowych w analizie technicznej Krzysztof Borowsk Zastosowane metody wdeł cenowych w analze technczne Wprowadzene Metoda wdeł cenowych została perwszy raz ogłoszona przez Alana Andrewsa 1 w roku 1960. Trzy lne wchodzące w skład metody

Bardziej szczegółowo

Badania operacyjne w logistyce i zarządzaniu produkcją

Badania operacyjne w logistyce i zarządzaniu produkcją Państwowa Wyższa Szkoła Zawodowa w Nowym Sączu Badana operacyne w logstyce zarządzanu produkcą cz. I Andrze Woźnak Nowy Sącz Komtet Redakcyny doc. dr Zdzsława Zacłona przewodncząca, prof. dr hab. nż. Jarosław

Bardziej szczegółowo

Neural networks. Krótka historia 2004-05-30. - rozpoznawanie znaków alfanumerycznych.

Neural 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 szczegółowo

MINISTER EDUKACJI NARODOWEJ

MINISTER EDUKACJI NARODOWEJ 4 MINISTER EDUKACJI NARODOWEJ DWST WPZN 423189/BSZI13 Warszawa, 2013 -Q-4 Pan Marek Mchalak Rzecznk Praw Dzecka Szanowny Pane, w odpowedz na Pana wystąpene z dna 28 czerwca 2013 r. (znak: ZEW/500127-1/2013/MP),

Bardziej szczegółowo

WikiWS For Business Sharks

WikiWS 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 szczegółowo

Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB

Rozwiązywanie 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 szczegółowo

Zaawansowane metody numeryczne

Zaawansowane 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 szczegółowo

Sortowanie szybkie Quick Sort

Sortowanie szybkie Quick Sort Sortowane szybke Quck Sort Algorytm sortowana szybkego opera sę na strateg "dzel zwycęża" (ang. dvde and conquer), którą możemy krótko scharakteryzować w trzech punktach: 1. DZIEL - problem główny zostae

Bardziej szczegółowo

Analiza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)

Analiza 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 szczegółowo

Zapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie.

Zapis 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 szczegółowo

ZASTOSOWANIE KLASYCZNEGO ALGORYTMU GENETYCZNEGO DO ROZWIĄZANIA ZBILANSOWANEGO ZAGADNIENIA TRANSPORTOWEGO

ZASTOSOWANIE KLASYCZNEGO ALGORYTMU GENETYCZNEGO DO ROZWIĄZANIA ZBILANSOWANEGO ZAGADNIENIA TRANSPORTOWEGO Studa Materały. Mscellanea Oeconomcae Rok 6, Nr 2/22 Wydzał Zarządzana Admnstrac Unwersytetu Jana Kochanowskego w Kelcach Z a r z ą d z a n e f n a n s e Rafał Prońko ZASTOSOWANIE KLASYCZNEGO ALGORYTMU

Bardziej szczegółowo

Matematyka finansowa r. Komisja Egzaminacyjna dla Aktuariuszy. LXVIII Egzamin dla Aktuariuszy z 29 września 2014 r.

Matematyka finansowa r. Komisja Egzaminacyjna dla Aktuariuszy. LXVIII Egzamin dla Aktuariuszy z 29 września 2014 r. Komsa Egzamnacyna dla Aktuaruszy LXVIII Egzamn dla Aktuaruszy z 29 wrześna 14 r. Część I Matematyka fnansowa WERSJA TESTU A Imę nazwsko osoby egzamnowane:... Czas egzamnu: 0 mnut 1 1. W chwl T 0 frma ABC

Bardziej szczegółowo

Diagnostyka układów kombinacyjnych

Diagnostyka 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 szczegółowo

AUTOMATYKA I STEROWANIE W CHŁODNICTWIE, KLIMATYZACJI I OGRZEWNICTWIE L3 STEROWANIE INWERTEROWYM URZĄDZENIEM CHŁODNICZYM W TRYBIE PD ORAZ PID

AUTOMATYKA I STEROWANIE W CHŁODNICTWIE, KLIMATYZACJI I OGRZEWNICTWIE L3 STEROWANIE INWERTEROWYM URZĄDZENIEM CHŁODNICZYM W TRYBIE PD ORAZ PID ĆWICZENIE LABORAORYJNE AUOMAYKA I SEROWANIE W CHŁODNICWIE, KLIMAYZACJI I OGRZEWNICWIE L3 SEROWANIE INWEREROWYM URZĄDZENIEM CHŁODNICZYM W RYBIE PD ORAZ PID Wersja: 03-09-30 -- 3.. Cel ćwczena Celem ćwczena

Bardziej szczegółowo

Systemy Inteligentnego Przetwarzania wykład 3: sieci rekurencyjne, sieci samoorganizujące się

Systemy Inteligentnego Przetwarzania wykład 3: sieci rekurencyjne, sieci samoorganizujące się Systemy Intelgentnego Przetwarzana wykład 3: sec rekurencyne, sec samoorganzuące sę Dr nż. Jacek Mazurkewcz Katedra Informatyk Technczne e-mal: Jacek.Mazurkewcz@pwr.edu.pl Sec neuronowe ze sprzężenem Sprzężena

Bardziej szczegółowo

Zarządzanie ryzykiem w przedsiębiorstwie i jego wpływ na analizę opłacalności przedsięwzięć inwestycyjnych

Zarządzanie ryzykiem w przedsiębiorstwie i jego wpływ na analizę opłacalności przedsięwzięć inwestycyjnych dr nż Andrze Chylńsk Katedra Bankowośc Fnansów Wyższa Szkoła Menedżerska w Warszawe Zarządzane ryzykem w rzedsęborstwe ego wływ na analzę ołacalnośc rzedsęwzęć nwestycynych w w w e - f n a n s e c o m

Bardziej szczegółowo

ZAŁĄCZNIK NR 1C KARTA USŁUGI Utrzymanie Systemu Kopii Zapasowych (USKZ)

ZAŁĄCZNIK NR 1C KARTA USŁUGI Utrzymanie Systemu Kopii Zapasowych (USKZ) Załącznk nr 1C do Umowy nr.. z dna.2014 r. ZAŁĄCZNIK NR 1C KARTA USŁUGI Utrzymane Systemu Kop Zapasowych (USKZ) 1 INFORMACJE DOTYCZĄCE USŁUGI 1.1 CEL USŁUGI: W ramach Usług Usługodawca zobowązany jest

Bardziej szczegółowo

5. OPTYMALIZACJA GRAFOWO-SIECIOWA

5. 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 szczegółowo

AUTOMATYZACJA PROJEKTOWANIA KONTROLERÓW TYPU KOMBINACYJNEGO NA PLD Z WYKORZYSTANIEM SPRZĘŻEŃ ZWROTNYCH

AUTOMATYZACJA PROJEKTOWANIA KONTROLERÓW TYPU KOMBINACYJNEGO NA PLD Z WYKORZYSTANIEM SPRZĘŻEŃ ZWROTNYCH XIV Kraowa Konferenca Automatyk Zelona Góra, 4-7 czerwca 00 AUTOMATYZACJA PROJEKTOWAIA KOTROLERÓW TYPU KOMBIACYJEGO A PLD Z WYKORZYSTAIEM SPRZĘŻEŃ ZWROTYCH Adam KLIMOWICZ*, Walery SOŁOWJEW** * Poltechnka

Bardziej szczegółowo

PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH

PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH Z a k ł a d U b e z p e c z e ń S p o ł e c z n y c h Wprowadzene Nnejsza ulotka adresowana jest zarówno do osób dopero ubegających

Bardziej szczegółowo

ANALIZA PREFERENCJI SŁUCHACZY UNIWERSYTETU TRZECIEGO WIEKU Z WYKORZYSTANIEM WYBRANYCH METOD NIESYMETRYCZNEGO SKALOWANIA WIELOWYMIAROWEGO

ANALIZA PREFERENCJI SŁUCHACZY UNIWERSYTETU TRZECIEGO WIEKU Z WYKORZYSTANIEM WYBRANYCH METOD NIESYMETRYCZNEGO SKALOWANIA WIELOWYMIAROWEGO Artur Zaborsk Unwersytet Ekonomczny we Wrocławu ANALIZA PREFERENCJI SŁUCHACZY UNIWERSYTETU TRZECIEGO WIEKU Z WYKORZYSTANIEM WYBRANYCH METOD NIESYMETRYCZNEGO SKALOWANIA WIELOWYMIAROWEGO Wprowadzene Od ukazana

Bardziej szczegółowo

MATEMATYKA POZIOM ROZSZERZONY Kryteria oceniania odpowiedzi. Arkusz A II. Strona 1 z 5

MATEMATYKA 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 szczegółowo

Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A

Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe

Bardziej szczegółowo

Wykład 1 Zagadnienie brzegowe liniowej teorii sprężystości. Metody rozwiązywania, metody wytrzymałości materiałów. Zestawienie wzorów i określeń.

Wykład 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 szczegółowo

Przykład 5.1. Kratownica dwukrotnie statycznie niewyznaczalna

Przykład 5.1. Kratownica dwukrotnie statycznie niewyznaczalna rzykład.. Kratownca dwukrotne statyczne newyznaczana oecene: korzystaąc z metody sł wyznaczyć sły w prętach ponższe kratowncy. const Rozwązane zadana rozpoczynamy od obczena stopna statyczne newyznaczanośc

Bardziej szczegółowo

Algorytmy. i podstawy programowania. eci. Proste algorytmy sortowania tablic. 4. Wskaźniki i dynamiczna alokacja pami

Algorytmy. i podstawy programowania. eci. Proste algorytmy sortowania tablic. 4. Wskaźniki i dynamiczna alokacja pami MAREK GAGOLEWSKI INSTYTUT BADAŃ SYSTEMOWYCH PAN Algorytmy podstawy programowana 4. Wskaźnk dynamczna alokaca pam ec. Proste algorytmy sortowana tablc Matera ly dydaktyczne dla studentów matematyk na Wydzale

Bardziej szczegółowo

Twierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że

Twierdzenie Bezouta i liczby zespolone Javier de Lucas. Rozwi azanie 2. Z twierdzenia dzielenia wielomianów, mamy, że Twerdzene Bezouta lczby zespolone Javer de Lucas Ćwczene 1 Ustal dla których a, b R można podzelć f 1 X) = X 4 3X 2 + ax b przez f 2 X) = X 2 3X+2 Oblcz a b Z 5 jeżel zak ladamy, że f 1 f 2 s a welomanam

Bardziej szczegółowo

Nowoczesne 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. 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 szczegółowo

Klasyfkator 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 szczegółowo

SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW

SZACOWANIE 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

XXX OLIMPIADA FIZYCZNA ETAP III Zadanie doświadczalne

XXX 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 szczegółowo

65120/ / / /200

65120/ / / /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 szczegółowo

Neuron liniowy. Najprostsza sieć warstwa elementów liniowych

Neuron 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 szczegółowo

Sztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311

Sztuczne 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 szczegółowo

3. ŁUK ELEKTRYCZNY PRĄDU STAŁEGO I PRZEMIENNEGO

3. ŁUK ELEKTRYCZNY PRĄDU STAŁEGO I PRZEMIENNEGO 3. ŁUK ELEKTRYCZNY PRĄDU STŁEGO I PRZEMIENNEGO 3.1. Cel zakres ćwczena Celem ćwczena jest zapoznane sę z podstawowym właścwoścam łuku elektrycznego palącego sę swobodne, w powetrzu o cśnentmosferycznym.

Bardziej szczegółowo

ZAGADNIENIE TRANSPORTOWE

ZAGADNIENIE TRANSPORTOWE ZAGADNIENIE TRANSPORTOWE ZT.. Zagadee trasportowe w postac tablcy Z m puktów (odpowedo A,...,A m ) wysyłamy edorody produkt w loścach a,...,a m do puktów odboru (odpowedo B,...,B ), gdze est odberay w

Bardziej szczegółowo

Regulamin promocji 14 wiosna

Regulamin promocji 14 wiosna promocja_14_wosna strona 1/5 Regulamn promocj 14 wosna 1. Organzatorem promocj 14 wosna, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 lutego 2014 do 30

Bardziej szczegółowo

Sieci Neuronowe 1 Michał Bereta

Sieci Neuronowe 1 Michał Bereta Wprowadzene Zagadnena Sztucznej Intelgencj laboratorum Sec Neuronowe 1 Mchał Bereta Sztuczne sec neuronowe można postrzegać jako modele matematyczne, które swoje wzorce wywodzą z bolog obserwacj ludzkch

Bardziej szczegółowo

Zestaw zadań 4: Przestrzenie wektorowe i podprzestrzenie. Liniowa niezależność. Sumy i sumy proste podprzestrzeni.

Zestaw 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 szczegółowo

KURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1

KURS 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 szczegółowo

Metody analizy obwodów

Metody 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 szczegółowo

Wprowadzenie do Sieci Neuronowych Algorytm wstecznej propagacji błędu

Wprowadzenie do Sieci Neuronowych Algorytm wstecznej propagacji błędu Wprowadzene do Sec Neuronowych Algorytm wstecznej propagacj błędu Maja Czoków, Jarosław Persa --6 Powtórzene. Perceptron sgmodalny Funkcja sgmodalna: σ(x) = + exp( c (x p)) Parametr c odpowada za nachylene

Bardziej szczegółowo

Kształtowanie się firm informatycznych jako nowych elementów struktury przestrzennej przemysłu

Kształtowanie się firm informatycznych jako nowych elementów struktury przestrzennej przemysłu PRACE KOMISJI GEOGRAFII PRZEMY SŁU Nr 7 WARSZAWA KRAKÓW 2004 Akadema Pedagogczna, Kraków Kształtowane sę frm nformatycznych jako nowych elementów struktury przestrzennej przemysłu Postępujący proces rozwoju

Bardziej szczegółowo

PORADNIK KANDYDATA. Wkrótce w nauka w szkole w jaki sposób je. zasadniczych szkole

PORADNIK KANDYDATA. Wkrótce w nauka w szkole w jaki sposób je. zasadniczych szkole Drog Gmnazjalsto, Wkrótce w nauka w szkole w jak sposób je jedno z z w pracodawców. zasadnczych szkole racjonalnego wyboru przestrz W prowadzona przy pomocy systemu elektroncznego. Rekrutacja wspomagana

Bardziej szczegółowo

Realizacja logiki szybkiego przeniesienia w prototypie prądowym układu FPGA Spartan II

Realizacja logiki szybkiego przeniesienia w prototypie prądowym układu FPGA Spartan II obert Berezowsk Natala Maslennkowa Wydzał Elektronk Poltechnka Koszalńska ul. Partyzantów 7, 75-4 Koszaln Mchał Bałko Przemysław Sołtan ealzacja logk szybkego przenesena w prototype prądowym układu PG

Bardziej szczegółowo

Laboratorium ochrony danych

Laboratorium 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

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych

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 szczegółowo

± Δ. Podstawowe pojęcia procesu pomiarowego. x rzeczywiste. Określenie jakości poznania rzeczywistości

± 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 szczegółowo

ALGEBRY HALLA DLA POSETÓW SKOŃCZONEGO TYPU PRINJEKTYWNEGO

ALGEBRY 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

Grupowanie dokumentów XML ze względu na ich strukturę, z wykorzystaniem XQuery

Grupowanie dokumentów XML ze względu na ich strukturę, z wykorzystaniem XQuery Rozdzał 44 Grupowane dokumentów XML ze względu na ch strukturę, z wykorzystanem XQuery Streszczene. Popularność ęzyka XML oraz ego powszechne użyce spowodowały rozwó systemów przechowuących dokumenty XML.

Bardziej szczegółowo

ANALIZA WARIANCJI (ANOVA) Spis treści

ANALIZA WARIANCJI (ANOVA) Spis treści ANALIZA WARIANCJI (ANOVA) Sps treśc. JEDNOCZYNNIKOWA ANALIZA WARIANCJI.... DWUCZYNNIKOWA ANALIZA WARIANCJI... 8 3. TESTY ZAŁOŻEŃ W ANALIZIE WARIANCJI... 3 3.. Test normalnośc... 4 3. Test Bartleta ednorodnośc

Bardziej szczegółowo

Regulamin promocji zimowa piętnastka

Regulamin promocji zimowa piętnastka zmowa pętnastka strona 1/5 Regulamn promocj zmowa pętnastka 1. Organzatorem promocj zmowa pętnastka, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 grudna

Bardziej szczegółowo

Treść zadań 1 8 odnosi się do poniższego diagramu przestrzenno-czasowego.

Treść zadań 1 8 odnosi się do poniższego diagramu przestrzenno-czasowego. Treść zadań 8 odnos sę do ponższego dagramu przestrzenno-czasowego. P e e e e e e P e P P e e e e. Jaka będze wartość zmennej clock (zegara skalarnego) po zajścu zdarzena e w procese P zakładając że wartość

Bardziej szczegółowo

OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B

OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B W przypadku gdy e występuje statystyczy rozrzut wyków (wszystke pomary dają te sam wyk epewość pomaru wyzaczamy w y sposób. Główą przyczyą epewośc pomaru jest epewość

Bardziej szczegółowo

SYSTEM ZALICZEŃ ĆWICZEŃ

SYSTEM ZALICZEŃ ĆWICZEŃ AMI, zma 010/011 mgr Krzysztof Rykaczewsk System zalczeń Wydzał Matematyk Informatyk UMK SYSTEM ZALICZEŃ ĆWICZEŃ z Analzy Matematycznej I, 010/011 (na podst. L.G., K.L., J.M., K.R.) Nnejszy dokument dotyczy

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA INTELIGENCJA SZTUCZNA INTELIGENCJA WYKŁAD 5. SZTUCZNE SIECI NEURONOWE REGRESJA Częstochowa 4 Dr hab. nż. Grzegorz Dudek Wdzał Elektrczn Poltechnka Częstochowska PROBLEM APROKSYMACJI FUNKCJI Aproksmaca funkc przblżane

Bardziej szczegółowo

Wprowadzenie do Sieci Neuronowych Sieci rekurencyjne

Wprowadzenie do Sieci Neuronowych Sieci rekurencyjne Wprowadzene do Sec Neuronowych Sec rekurencyjne M. Czoków, J. Persa 2010-12-07 1 Powtórzene Konstrukcja autoasocjatora Hopfelda 1.1 Konstrukcja Danych jest m obrazów wzorcowych ξ 1..ξ m, gdze każdy pojedynczy

Bardziej szczegółowo

Ćwiczenie 10. Metody eksploracji danych

Ćwiczenie 10. Metody eksploracji danych Ćwczene 10. Metody eksploracj danych Grupowane (Clusterng) 1. Zadane grupowana Grupowane (ang. clusterng) oznacza grupowane rekordów, obserwacj lub przypadków w klasy podobnych obektów. Grupa (ang. cluster)

Bardziej szczegółowo

KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA

KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA Krzysztof Serżęga Wyższa Szkoła Informatyk Zarządzana w Rzeszowe Streszczene Artykuł porusza temat zwązany

Bardziej szczegółowo

7. Wykład VII: Warunki Kuhna-Tuckera

7. Wykład VII: Warunki Kuhna-Tuckera Wocech Grega, Metody Optymalzac 7 Wykład VII: Warunk Kuhna-Tuckera 7 Warunk koneczne stnena ekstremum Rozważane est zadane z ogranczenam nerównoścowym w postac: mn F( x ) x X X o F( x ), o { R x : h n

Bardziej szczegółowo

STATECZNOŚĆ SKARP. α - kąt nachylenia skarpy [ o ], φ - kąt tarcia wewnętrznego gruntu [ o ],

STATECZNOŚĆ 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 szczegółowo

Określanie mocy cylindra C w zaleŝności od ostrości wzroku V 0 Ostrość wzroku V 0 7/5 6/5 5/5 4/5 3/5 2/5 Moc cylindra C 0,5 0,75 1,0 1,25 1,5 > 2

Określanie mocy cylindra C w zaleŝności od ostrości wzroku V 0 Ostrość wzroku V 0 7/5 6/5 5/5 4/5 3/5 2/5 Moc cylindra C 0,5 0,75 1,0 1,25 1,5 > 2 T A R C Z A Z E G A R O W A ASTYGMATYZM 1.Pojęca ogólne a) astygmatyzm prosty (najbardzej zgodny z pozomem) - najbardzej płask połudnk tzn. o najmnejszej mocy jest pozomy b) astygmatyzm odwrotny (najbardzej

Bardziej szczegółowo

Diagonalizacja macierzy kwadratowej

Diagonalizacja 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 szczegółowo

Komórkowy model sterowania ruchem pojazdów w sieci ulic.

Komórkowy model sterowania ruchem pojazdów w sieci ulic. Komórkowy model sterowana ruchem pojazdów w sec ulc. Autor: Macej Krysztofak Promotor: dr n ż. Marusz Kaczmarek 1 Plan prezentacj: 1. Wprowadzene 2. Cel pracy 3. Podsumowane 2 Wprowadzene Sygnalzacja śwetlna

Bardziej szczegółowo

11/22/2014. Jeśli stała c jest równa zero to takie gry nazywamy grami o sumie zerowej.

11/22/2014. Jeśli stała c jest równa zero to takie gry nazywamy grami o sumie zerowej. /22/24 Dwuosobowe gry o sume zero DO NAUCZENIA I ZAPAMIĘTANIA: Defnca zaps ger o sume zero, adaptaca ogólnych defnc. Punkt sodłowy Twerdzena o zwązkach punktu sodłowego z koncepcam rozwązań PRZYPOMNIENIE:

Bardziej szczegółowo

TŁUMIENIE DRGAŃ SKRĘTNYCH DWUMASOWEGO UKŁADU NAPĘDOWEGO PRACUJĄCEGO W ADAPTACYJNEJ STRUKTURZE STEROWANIA Z NEURONOWO-ROZMYTYMI REGULATORAMI TYPU TSK

TŁUMIENIE DRGAŃ SKRĘTNYCH DWUMASOWEGO UKŁADU NAPĘDOWEGO PRACUJĄCEGO W ADAPTACYJNEJ STRUKTURZE STEROWANIA Z NEURONOWO-ROZMYTYMI REGULATORAMI TYPU TSK Prace Naukowe Instytutu Maszyn, Napędów Pomarów Elektrycznych Nr 69 Poltechnk Wrocławske Nr 69 Studa Materały Nr 33 03 Sebastan KNYCHAS* regulatory neuronowo-rozmyte TSK, adaptacyna struktura sterowana,

Bardziej szczegółowo

OPTYMALIZACJA KOSZTÓW PRZEBUDOWY PORTFELA JAKO ZADANIE TRANSPORTOWE. 1. Problem badawczy

OPTYMALIZACJA KOSZTÓW PRZEBUDOWY PORTFELA JAKO ZADANIE TRANSPORTOWE. 1. Problem badawczy 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 Krzysztof PIASECKI* OPTYALIZACJA KOSZTÓW PRZEBUDOWY PORTFELA JAKO ZADANIE TRANSPORTOWE Wszyste oszty generowane przez prowze malerse są włączone

Bardziej szczegółowo

Regulamin promocji upalne lato 2014 2.0

Regulamin promocji upalne lato 2014 2.0 upalne lato 2014 2.0 strona 1/5 Regulamn promocj upalne lato 2014 2.0 1. Organzatorem promocj upalne lato 2014 2.0, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa

Bardziej szczegółowo

-Macierz gęstości: stany czyste i mieszane (przykłady) -równanie ruchu dla macierzy gęstości -granica klasyczna rozkładów kwantowych

-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 szczegółowo

Kwantowa natura promieniowania elektromagnetycznego

Kwantowa 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 szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA 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 szczegółowo

Kodowanie informacji. Instytut Informatyki UWr Studia wieczorowe. Wykład nr 2: rozszerzone i dynamiczne Huffmana

Kodowanie informacji. Instytut Informatyki UWr Studia wieczorowe. Wykład nr 2: rozszerzone i dynamiczne Huffmana Kodowane nformacj Instytut Informatyk UWr Studa weczorowe Wykład nr 2: rozszerzone dynamczne Huffmana Kod Huffmana - nemłe przypadk... Nech alfabet składa sę z 2 lter: P(a)=1/16 P(b)=15/16 Mamy H(1/16,

Bardziej szczegółowo

ANALIZA KORELACJI WYDATKÓW NA KULTURĘ Z BUDŻETU GMIN ORAZ WYKSZTAŁCENIA RADNYCH

ANALIZA KORELACJI WYDATKÓW NA KULTURĘ Z BUDŻETU GMIN ORAZ WYKSZTAŁCENIA RADNYCH Potr Mchalsk Węzeł Centralny OŻK-SB 25.12.2013 rok ANALIZA KORELACJI WYDATKÓW NA KULTURĘ Z BUDŻETU GMIN ORAZ WYKSZTAŁCENIA RADNYCH Celem ponższej analzy jest odpowedź na pytane: czy wykształcene radnych

Bardziej szczegółowo

Modele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.

Modele 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 szczegółowo

Proste modele ze złożonym zachowaniem czyli o chaosie

Proste modele ze złożonym zachowaniem czyli o chaosie Proste modele ze złożonym zachowanem czyl o chaose 29 kwetna 2014 Komputer jest narzędzem coraz częścej stosowanym przez naukowców do ukazywana skrzętne ukrywanych przez naturę tajemnc. Symulacja, obok

Bardziej szczegółowo

REALIZACJA PRZETWARZANIA W CHMURZE OBLICZENIOWEJ NA PRZYKŁADZIE SYSTEMU UCZENIA SIECI NEURONOWEJ OPARTEGO NA TECHNOLOGII MICROSOFT WINDOWS AZURE

REALIZACJA PRZETWARZANIA W CHMURZE OBLICZENIOWEJ NA PRZYKŁADZIE SYSTEMU UCZENIA SIECI NEURONOWEJ OPARTEGO NA TECHNOLOGII MICROSOFT WINDOWS AZURE STUDIA INFORMATICA 2012 Volume 33 Number 2A (105) Darusz R. AUGUSTYN, Kaml BADURA Poltechnka Śląska, Instytut Informatyk REALIZACJA PRZETWARZANIA W CHMURZE OBLICZENIOWEJ NA PRZYKŁADZIE SYSTEMU UCZENIA

Bardziej szczegółowo

METODA ELEMENTU SKOŃCZONEGO. Termokinetyka

METODA 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 szczegółowo

Minister Edukacji Narodowej Pani Katarzyna HALL Ministerstwo Edukacji Narodowej al. J. Ch. Szucha 25 00-918 Warszawa Dnia 03 czerwca 2009 r.

Minister Edukacji Narodowej Pani Katarzyna HALL Ministerstwo Edukacji Narodowej al. J. Ch. Szucha 25 00-918 Warszawa Dnia 03 czerwca 2009 r. Mnster Edukacj arodowej Pan Katarzyna HALL Mnsterstwo Edukacj arodowej al. J. Ch. Szucha 25 00-918 arszawa Dna 03 czerwca 2009 r. TEMAT: Propozycja zmany art. 30a ustawy Karta auczycela w forme lstu otwartego

Bardziej szczegółowo

OKREŚLENIE CZASU MIESZANIA WIELOSKŁADNIKOWEGO UKŁADU ZIARNISTEGO PODCZAS MIESZANIA Z RECYRKULACJĄ SKŁADNIKÓW

OKREŚLENIE CZASU MIESZANIA WIELOSKŁADNIKOWEGO UKŁADU ZIARNISTEGO PODCZAS MIESZANIA Z RECYRKULACJĄ SKŁADNIKÓW Inżynera Rolncza 8(96)/2007 OKREŚLENIE CZASU MIESZANIA WIELOSKŁADNIKOWEGO UKŁADU ZIARNISTEGO PODCZAS MIESZANIA Z RECYRKULACJĄ SKŁADNIKÓW Jolanta Królczyk, Marek Tukendorf Katedra Technk Rolnczej Leśnej,

Bardziej szczegółowo

A O n RZECZPOSPOLITA POLSKA. Gospodarki Narodowej. Warszawa, dnia2/stycznia 2014

A O n RZECZPOSPOLITA POLSKA. Gospodarki Narodowej. Warszawa, dnia2/stycznia 2014 Warszawa, dna2/styczna 2014 r, RZECZPOSPOLITA POLSKA MINISTERSTWO ADMINISTRACJI I CYFRYZACJI PODSEKRETARZ STANU Małgorzata Olsze wska BM-WP 005.6. 20 14 Pan Marek Zółkowsk Przewodnczący Komsj Gospodark

Bardziej szczegółowo

mgr inż. Wojciech Artichowicz MODELOWANIE PRZEPŁYWU USTALONEGO NIEJEDNOSTAJNEGO W KANAŁACH OTWARTYCH

mgr 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 szczegółowo

Programowanie Równoległe i Rozproszone

Programowanie 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 szczegółowo

p Z(G). (G : Z({x i })),

p Z(G). (G : Z({x i })), 3. Wykład 3: p-grupy twerdzena Sylowa. Defncja 3.1. Nech (G, ) będze grupą. Grupę G nazywamy p-grupą, jeżel G = dla pewnej lczby perwszej p oraz k N. Twerdzene 3.1. Nech (G, ) będze p-grupą. Wówczas W

Bardziej szczegółowo

Komputer kwantowy Zasady funkcjonowania. Dr hab. inż. Krzysztof Giaro Politechnika Gdańska Wydział ETI

Komputer kwantowy Zasady funkcjonowania. Dr hab. inż. Krzysztof Giaro Politechnika Gdańska Wydział ETI Komputer kwantowy Zasady funkcjonowana Dr hab. nż. Krzysztof Garo Poltechnka Gdańska Wydzał ETI Oblczena kwantowe. R. Feynman [985] symulację zachowana układu kwantowego należy przeprowadzć na "maszyne"

Bardziej szczegółowo

Dobór procesora sygnałowego w konstrukcji regulatora optymalnego

Dobór procesora sygnałowego w konstrukcji regulatora optymalnego Pomary Automatyka Robotyka 10/2008 Dobór procesora sygnałowego w konstrukc regulatora optymalnego Marusz Pauluk Potr Bana Darusz Marchewka Mace Rosół W pracy przedstawono przegląd dostępnych obecne procesorów

Bardziej szczegółowo

( ) ( ) 2. Zadanie 1. są niezależnymi zmiennymi losowymi o. oraz. rozkładach normalnych, przy czym EX. i σ są nieznane. 1 Niech X

( ) ( ) 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 szczegółowo

(M2) Dynamika 1. ŚRODEK MASY. T. Środek ciężkości i środek masy

(M2) Dynamika 1. ŚRODEK MASY. T. Środek ciężkości i środek masy (MD) MECHANIKA - Dynamka T. Środek cężkośc środek masy (M) Dynamka T: Środek cężkośc środek masy robert.szczotka(at)gmal.com Fzyka astronoma, Lceum 01/014 1 (MD) MECHANIKA - Dynamka T. Środek cężkośc środek

Bardziej szczegółowo

STARE A NOWE KRAJE UE KONKURENCYJNOŚĆ POLSKIEGO EKSPORTU

STARE A NOWE KRAJE UE KONKURENCYJNOŚĆ POLSKIEGO EKSPORTU Ewa Szymank Katedra Teor Ekonom Akadema Ekonomczna w Krakowe ul. Rakowcka 27, 31-510 Kraków STARE A NOWE KRAJE UE KONKURENCYJNOŚĆ POLSKIEGO EKSPORTU Abstrakt Artykuł przedstawa wynk badań konkurencyjnośc

Bardziej szczegółowo

D Archiwum Prac Dyplomowych - Instrukcja dla studentów

D Archiwum Prac Dyplomowych - Instrukcja dla studentów Kraków 01.10.2015 D Archwum Prac Dyplomowych - Instrukcja dla studentów Procedura Archwzacj Prac Dyplomowych jest realzowana zgodne z zarządzenem nr 71/2015 Rektora Unwersytetu Rolnczego m. H. Kołłątaja

Bardziej szczegółowo

Sztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311

Sztuczne sieci neuronowe. Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyki, p. 311 Sztuczne sec neuronowe Krzysztof A. Cyran POLITECHNIKA ŚLĄSKA Instytut Informatyk, p. 311 Wykład 1 PLAN: Jak (klasyczne) komputery ocenaą flozofę Alberta Enstena Hstora korzene teor sztucznych sec neuronowych

Bardziej szczegółowo