SYSTEMY MONITORUJĄCE I STERUJĄCE PRODUKCJĄ W ODLEWNI WYKORZYSTUJĄCE SZTUCZNE SIECI NEU- RONOWE
|
|
- Angelika Kołodziejczyk
- 7 lat temu
- Przeglądów:
Transkrypt
1 18/8 ARCHIWUM ODLEWNICTWA Rok 2003, Rocznik 3, Nr 8 Archives of Foundry Year 2003, Volume 3, Book 8 PAN - Katowice PL ISSN SYSTEMY MONITORUJĄCE I STERUJĄCE PRODUKCJĄ W ODLEWNI WYKORZYSTUJĄCE SZTUCZNE SIECI NEU- RONOWE M. PERZYK 1, A. KOCHAŃSKI 2, J. KOZŁOWSKI 3 Instytut Technologii Materiałowych Politechniki Warszawskiej Narbutta 85, Warszawa STRESZCZENIE Przedstawiono zastosowania sztucznych sieci neuronowych do modelowania jakości procesów produkcyjnych oraz wykrywania zakłóceń procesów ciągłych. Omówiono metody określania istotności sygnałów wejściowych. Podano przykłady zastos o- wań w przemyśle odlewniczym. Key words: artificial neural networks, production processes, foundry, quality models, fault detection, relative importance factors 1. WSTĘP Sztuczne sieci neuronowe (SSN) stanowią nowoczesną metodę matematycznego modelowania zjawisk i procesów, która w ostatnich kilkunastu latach zrobiła wielką karierę w różnych dziedzinach działalności ludzkiej. Powody stosowania SSN w nauce i technice są następujące. Z jednej strony modelowanie wszystkich procesów fizyc z- nych, chemicznych i innych składających się na dany proces, z wykorzystaniem równań odzwierciedlających ich naturę, jest często niemożliwe lub nierealne. Z drugiej zaś sieci neuronowe służą do modelowania procesów typu czarna skrzynka, tj. o nieokreślonej naturze fizycznej, pozwalając na znalezienie prawidłowości w warunkach dużej liczby zmiennych o różnym charakterze, w tym określonych nieprecyzyjnie. Prawidłowości takie są często niewykrywalne przez zmysły ludzkie i inne metody matematyczne. 1 prof. dr hab. inż., M.Perzyk@wip.pw.edu.pl 2 dr inż., akochans@wip.pw.edu.pl 3 mgr inż. jkozlows@wp.pl 157
2 SSN stanowi związek między wieloma zmiennymi wejściowymi X 1, X 2,..., a jedną lub więcej wielkościami wynikowymi (wyjściowymi) Y 1, Y 2,..., który można zapisać w ogólnej postaci: Y 1 = f 1 (X 1, X 2, X 3,...) Y 2 = f 2 (X 1, X 2, X 3,...) (1) Funkcje f 1, f 2,... można zapisać za pomocą jedynie czterech działań podstawowych oraz, najczęściej, jednej elementarnej funkcji nieliniowej typu wykładniczego. Istota modelu typu SSN polega na tym, że struktura tych zależności naśladuje strukturę kory mózgowej ssaków, w tym ludzi i może być zilustrowana w postaci sieci, zawierającej węzły, zwane neuronami oraz ich połączenia, zwane synapsami. Synapsy nie tylko przekazują wartości sygnałów między neuronami, ale także zawierają in formacje o wagach tych sygnałów, czyli stałych współczynnikach równań (1). Węzły sieci neurony stanowią symbole odpowiadające powtarzającym się w tych równaniach działaniom; najczęściej jest to sumowanie iloczynów wartości wszystkich sygnałów przekazywanych do danego neuronu przez wagi odpowiednich synaps, a następnie nieliniowe przekształcenie tak otrzymanej sumy. Drugą cechą modelu typu SSN, nawiązującą do naśladowania procesów natura l- nych, jest sposób, w jaki znajdowane są wspomniane współczynniki równań (1), czyli zbiór wag sieci. Zazwyczaj startuje się od wartości ustalonych losowo, a następnie wielokrotnie koryguje się je w procesie zwanym uczeniem sieci. Najczęściej korekty te oblicza się na podstawie różnicy pomiędzy wartościami wyjściowymi Y 1, Y 2,..., obliczanymi przez sieć, a tymi, które są znane, np. zaobserwowane w doświadczeniu. Poprzez wielokrotne modyfikacje wag otrzymuje się sieć nauczoną, zdolną do przewidywania wartości wielkości wyjściowych dla innych wartości wejściowych innych niż te, na których siec się nauczyła. Istnieje wiele typów sieci, sposobów ich uczenia oraz rodzajów zadań, jakie mogą one realizować, opisanych w bogatej literaturze. W naszej dziedzinie techniki najczęs t- szym przypadkiem jest przybliżanie zależności między jedną lub kilkoma wielkościami wejściowymi oraz jedna lub kilkoma wielkościami wynikowymi, czyli szeroko rozumiana aproksymacja funkcji. W niniejszym artykule przedstawione zostaną niektóre możliwe i dotychczas zrealizowane zastosowania SSN w przemyśle odlewniczym oraz związane z nimi problemy. 158
3 ARCHIWUM ODLEWNICTWA 2. MODELOWANIE JAKOŚCI WYROBÓW WYNIKAJĄCEJ Z PARAMET- RÓW PROCESU TECHNOLOGICZNEGO W odlewni mają miejsce różnego typu procesy wytwórcze, co wyróżnia tę tec h- nologię spośród innych metod wytwarzania spotykanych w przemyśle, w których materiału wyrobu nie wytwarza się, lecz jedynie przetwarza, zaś do nadawania kształtu służą narzędzia wielokrotnego użytku. W odlewnictwie, oprócz wytwarzania zasadn iczych wyrobów odlewów niezbędne jest, równoległe do produkcji zasadniczej, wytwarzanie materiałów (procesy wytopu oraz przerób mas formierskich) oraz produkcja form i rdzeni jednorazowych, a więc także wyrobów kształtowych wykonywanych z zupełnie innego typu materiałów niż wyroby zasadnicze. We wszystkich tych procesach istotne jest znalezienie relacji między parametrami procesu oraz własnościami i ilościami użytych materiałów z jednej strony, a parametrami jakościowymi wyrobów z drugiej, czyli modele ich jakości (rys. 1). Dodatki odświeżające (ilość i jakość) Własności masy zwrotnej Parametry i zakłócenia procesu przerobu masy Przerób masy formierskiej Własności masy świeżej Parametry i zakłócenia procesu f ormowania Materiały wsadowe (ilość i jakość) Parametry i zakłócenia procesu wy topu Formowanie Wytop Jakość f ormy Parametry i zakłócenia procesu wy konania odlewu Czas Warunki otoczenia Jakość ciekłego metalu Wykonanie odlewu Parametry jakości odlewu Rys. 1. Modele jakości procesów wytwórczych w typowej odlewni Fig. 1. Quality models of manufacturing processes in a typical foundry 159
4 Z uwagi na złożoną i często niewyjaśnioną naturę fizyczną tych procesów modele te można budować z wykorzystaniem SSN, podobnie jak czyni się to w przypadku innych procesów technologicznych, np. obróbki skrawaniem [1]. Dotychczasowe, znane aut o- rom, przykłady zastosowań sieci do modelowania jakości procesów występujących w odlewni obejmują takie zagadnienia jak wytop żeliwa, przerób mas formierskich, powstawanie wady porowatości gazowej w odlewach staliwnych oraz odlewanie ciśnieniowe [2,3,4]. We wszystkich tych pracach osiągnięto dobre rezultaty. Stosując SSN jako model jakości wyrobu należy przeanalizować kilka istotnych elementów. Po pierwsze niezbędne jest ustalenie listy parametrów (sygnałów), które mogą mieć istotny związek z jakością wyrobu. Po drugie należy określić, w jaki sposób tworzony będzie zbiór uczący dla SSN, a więc w jaki sposób zostaną zidentyfikowane parametry procesu i materiały zastosowane w przypadku wyrobu o danych parametrach jakościowych. Tego typu powiązania nie zawsze są dostępne na podstawie istniejącej dokumentacji; typowym przykładem jest brak powiązania informacji o własnościach masy formierskiej z przypadkami występowania w odlewach wady typu zapiaszczenie. Ważną sprawą jest zdecydowanie, które wielkości traktowane będą jako sygnały wejściowe, a które jako wyjściowe (wynikowe). Naturalne wydaje się przyjęcie własn o- ści surowców i parametrów procesu jako wejść sieci neuronowej, zaś własności wyrobu jako wyjścia. Rys. 2. Okno optymalizacji wielkości wejściowych na podstawie nauczonej sieci neuronowej, modelującej zależność między składem chemicznym kąpieli, a własnościami mechanicznymi żeliwa sferoidalnego Fig. 2. Software window used for optimization of input values of trained neural network, modeling relationships between melt chemical composition and mechanical properties of SG cast iron 160
5 ARCHIWUM ODLEWNICTWA Tego typu podejście umożliwia symulację procesu (przewidywanie własności wyrobu) w konkretnej sytuacji, jednakże nie daje bezpośredniej wskazówki, jak dobrać parametry procesu czy ilości określonych surowców dla uzyskania wyrobu o żądanych parametrach. Z tego względu często stosuje się uczenie sieci w innym układzie, gdzie wielkościami wejściowymi (niezależnymi) będą własności wyrobu (traktowane przy zapytaniu sieci jako pożądane), zaś wynikowymi np. ilości potrzebnych surowców albo p arametry procesu, które należy zastosować. Tego typu podejście może być stosowane np. do określania ilości potrzebnych dodatków odświeżających do mas formierskich w sytuacji znanych własności oraz składu masy znajdującej się aktualnie w obiegu [4,5]. Należy jednak zwrócić uwagę, że nie zawsze takie odwrócenie zagadnienia jest uzasadnione, gdyż nie zawsze w pełnym zakresie możemy wpływać na wszystkie parametry procesu lub własności i ilości użytych surowców i dostosować je do wartości wskazanych przez sieć. Typowym przykładem wydają się być procesy wytopu, gdzie w danej sytuacji wpływ np. na skład chemiczny kąpieli jest na ogół ograniczony i to w różny sposób, w zależności od użytych materiałów wsadowych. W tego typu przypadkach bezpiec z- niejsze wydaje się stworzenie sieci w pierwszym wariancie, zaś dla uzyskania informacji o pożądanych dodatkach lub parametrach procesu przeprowadzić wielokrotną symulację (odpytywanie sieci). Niektóre programy komputerowe umożliwiają optymalizację wartości wybranych sygnałów wejściowych SSN w wybranych przez użytkownika zakresach dla uzyskania pożądanego wyniku. Przykładem może być oprogramowanie stworzone w Politechnice Warszawskiej [6], którego okno dialogowe pokazano na rys DIAGNOS TYKA ZAKŁÓCEŃ PROCESÓW CIĄGŁYCH W odlewni wiele procesów można traktować jako ciągłe, czyli takie, których p a- rametry powinny być utrzymywane na ustalonym poziomie w dłuższym przedziale czasu. Przykładami mogą być zarówno procesy przerobu masy formierskiej, jak i każdy inny proces związany z produkcją w długich seriach, np. wytop jednego gatunku stopu, formowanie lub odlewanie dla jednego asortymentu odlewów itp. Wykrywanie i ident y- fikacja przyczyn zakłóceń takich procesów obejmuje dwa etapy działań. Pierwszy polega na wykryciu i ocenie stopnia rozregulowania się procesu, na podstawie wzrostu lub spadku jego niektórych parametrów (np. temperatury, własności wyrobu itp.). W tym zakresie typowym narzędziem matematycznym są metody statystycznego sterowania procesem (znane często pod angielskim skrótem SPC) jednakże możliwe i obiecujące jest wykorzystanie w tym celu także modelu sieci neuronowej. Drugim etapem działań jest identyfikacja przyczyn rozregulowania, która w tradycyjnym postępowaniu dokonywana jest przez analizę sytuacji, zazwyczaj wykonywana przez zespoły kadry tec h- nicznej zakładu. Poniżej zostanie przedstawiona metodyka stosowania SSN do diagnostyki zakłóceń procesów ciągłych w obu przedstawionych powyżej etapach wg [7]. Aby właściwie ocenić istotność ewentualnych zmian (tendencji w parametrach procesu należy ustalić dla tego procesu wielkość tzw. okna czasowego, czyli liczbę 161
6 ostatnich pomiarów uwzględnianych w analizie. Zbyt mała ich liczba może spowod o- wać przedwczesne alarmy, zaś zbyt wielka opóźnienie w reakcji na zakłócenia. Zasada wykorzystania sieci neuronowej jest następująca. Budowana jest sieć zawierająca L wejść, gdzie L równe jest przyjętej liczbie pomiarów w oknie czasowym oraz trzy wyjścia y 1 (odpowiadające za narastanie sygnału), y 2 (odpowiadające za jego stałość) i y 3 (odpowiadające za spadek). Sieć uczona jest na sztucznie stworzonych zestawach danych, w których występują wartości L sygnałów wejściowych jedynie o trzech różnych zestawach wzorcowych: rosnący liniowo od 1 do +1, stały (równy zeru) oraz malejący od +1 do 1. W przypadku pierwszym y 1 ustalane jest jako równe 1, zaś y 2 i y 3 równe 0 (sygnał maksymalnie narasta), w drugim y 2 = 1, y 1 i y 3 równe 0 (sygnał stały), zaś w trzecim y 3 = 1, y 1 i y 2 równe 0 (sygnał maksymalnie maleje). Tak nauczona sieć potrafi przypisać w każdym konkretnym przypadku danych rzeczywistych określonemu zbiorowi ostatnich L sygnałów trójkę liczb określającą stopień wzrostu, stałości lub spadku sygnału (np. wartości 0,72; -0,01; 0,12 oznaczać będą dość wyraźny wzrost). Zasada wykorzystania sieci w drugim etapie diagnostyki zakłóceń procesu, tj. w celu wykrycia przyczyny jego rozregulowania, jest podobna, jak w przypadku mod e- lowania opisanego w rozdziale 1. Sieć musi zostać nauczona na zbiorach danych zebranych w zakładzie, przy czym wielkościami wejściowymi będą przetworzone do postaci trójek liczb sygnały o zmianach parametrów w okienku czasowym, zaś wielkościami wyjściowymi informacje o stwierdzonych rzeczywistych przyczynach zakłócenia, jakie zidentyfikowano być może zbyt późno w przeszłości. 4. WYKORZYSTANIE NAUCZONEJ SIECI NEURONOWEJ DO POSZERZA- NIA WIEDZY O PROCESACH Nauczona sieć neuronowa może zawierać istotne informacje, wynikające z uogó l- nionych relacji między sygnałami, które mogą być przydatne dla wzbogacenia wiedzy o modelowanym procesie. Metody generowania takiej wiedzy, np. w postaci reguł typu ekspertowego, są aktualnym przedmiotem badań prowadzonych na świecie. W toku prac aplikacyjnych SSN, prowadzonych przez autorów niniejszego artykułu, pierwszoplanowe okazało się znajdowanie istotności poszczególnych sygnałów wejściowych, czyli określanie stopnia wpływu, jaki wywierają one na dany sygnał wyjściowy, z uwzględnieniem ewentualnego synergicznego (wspomagającego się) działania niektórych z nich. Określenie takich istotności może być użyteczne m.in. w przypadku użycia sieci do wykrywania przyczyn zakłóceń procesów ciągłych, omówionego w rozdz. 3. Konkretnym przykładem tego typu zagadnienia może być zastosowanie SSN do wykrywania przyczyn pojawiania się wad w wyrobach: spośród wielu czynników potencjalnie związanych z wadą, aktualną przyczyną powinien być ten parametr (lub ich zespół), którego istotność w sieci modelującej relacje między tymi parametrami a stopniem wystąpienia wady była największa [3]. Wydaje się, że trudności z uzyskiwaniem tego typu informacji z nauczonej sieci neuronowej wynikają m. in. z podstawowych cech SSN. Model sieci neuronowej nie 162
7 ARCHIWUM ODLEWNICTWA jest modelem jednoznacznym, gdyż dane zagadnienie może być opisane przez sieci o różnej konfiguracji, a ponadto uczone na różnych danych. Ponadto proces uczenia prowadzi na ogół do lokalnych minimów błędu sieci, czyli sieć uczy się za każdym razem inaczej. Autorzy niniejszej pracy podjęli badania nad metodami efektywnego określania istotności sygnałów wejściowych, w dalszej perspektywie z uwzględnieniem wsp o- mnianych efektów synergii. Przyjęta metodyka uwzględnia badania z wykorzystaniem zarówno rzeczywistych danych zebranych w przemyśle [3], jak i danych symulowanych, czyli specjalnie generowanych losowo wg wzorów o znanych zależnościach funkcyjnych typu (1), a następnie zakłócanych zgodnie z gęstością rozkładu normalnego. Współczynniki istotności względnej obliczano czterema różnymi metodami: A - na podstawie wzrostu błędu sieci dla danych uczących przy zablokowaniu danego wejścia na stałym poziomie; B - na podstawie przyrostu wartości wyjścia z sieci przy zmianie danego wejścia przy pozostałych wejściach ustalanych losowo (propozycja własna), C - na podstawie analizy wag sieci wg Garsona [8] (uwzględnienie tylko ich wartości bezwzględnych); D - na podstawie analizy wag sieci wg własnej propozycji (uwzględnienie znaku wag poprzez funkcję sigmoidalną). Przykład prostego przypadku modelowanego omówiono poniżej. Przyjęto zależność liniową bez efektów synergii w następującej p o- staci: Y=X1+2 X2+3 X3+4 X4+5 X5+6 X6+7 X7+8 X8+9 X9+10 X
8 a) 1 0,8 0,6 0,4 0,2 0 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 Sygnały wejściowe sieci Istotność ty pu A Istotność ty pu B Istotność ty pu C Istotność ty pu D Istotność oczekiwana b) Istotność typu A dla X4 (pow. x10) Istotność typu C dla X4 (pow. x10) Istotność typu B dla X4 (pow. x10) Istotność typu D dla X4 (pow. x10) Waga X4 - neuron ukryty 3 Obciążenie Y Kolejny numer uczenia sieci Rys. 3. Współczynniki istotności względnej sygnałów wejściowych sieci obliczane różnymi metodami dla testowych danych symulowanych; a porównanie wartości średnich ze wszystkich uczeń z wartościami oczekiwanymi; b wartości uzyskiwane w poszczególnych uczeniach wraz z dwiema przykładowymi wartościami wag sieci Fig. 3. Relative importance factors of network input signals, calculated by various methods for simulated test data; a comparison of average data from all training sessions to the expected values; b values obtained in consecutive training sessions together with exemplary network weights Przeprowadzono 10 uczeń sieci z jedną warstwą ukrytą składającą się z 5 neuronów. Na rys. 3a pokazano wartości współczynników istotności względnej obliczane powyższymi czterema metodami oraz ich wartości spodziewane. 164
9 ARCHIWUM ODLEWNICTWA Z wykresu na rys. 3a można wnioskować, że najbardziej zbliżone do oczekiwań wartości współczynników istotności względnej daje typ B i, nieco gorsze, typ A. Isto t- nie odbiegają od oczekiwań typy C i D. Interesujące są także wnioski z wykresu na rys. 3b. Sieć uczy się za każdym razem zupełnie inaczej (patrz zmiany wag sieci w poszczególnych uczeniach), a mimo to współczynniki istotności względnej typu A i B, obliczane na podstawie odpowiedzi sieci, zachowują praktycznie stałą wartość. Natomiast współczynniki typu C i D, obliczane tylko na podstawie wag sieci, wykazują dużą zmienność dla kolejnych uczeń. Badania tego typu są kontynuowane, m.in. z uwzględnieniem sygnałów o wartościach 0 i 1 (wskazujących np. na obecność lub brak jakiegoś zjawiska). Powinny one doprowadzić do opracowania prawidłowej met o- dyki zautomatyzowanego wnioskowania o przyczynach różnego typu zakłóceń proc e- sów produkcyjnych na podstawie nauczonych SSN. LITERATURA [1] T.S. Suneel, et al: A technical note on integrated product quality model using art i- ficial neural networks. J. Mater. Proc. Technol., 121 (2002) [2] M. Perzyk, A. Kochański: Modelling of foundry processes by artificial neural networks. Advances in Manufacturing Science and Technology. 25 (2001), No 4. [3] A. Kochański, M. Perzyk: Identyfikacja przyczyn wady porowatości w odlewach staliwnych z wykorzystaniem sztucznych sieci neuronowych. Archiwum Odlewnictwa, 2 (2002), nr 5. [4] M. Perzyk, P. Siwek: Application of artificial neural networks to green molding sands control. Acta Metallurgica Slovaca, 8, (2002), nr 2. [5] P.F. Bartelt, M.R. Grady, D. Dibble: Application of intelligent techniques for green sand control. Trans. American Foundrymen s Society, 104 (1996) [6] M. Perzyk, A. Kochański: w monografii Polska metalurgia w latach , red. K. Świątkowski. Tom 2. Wyd. Komitet Metalurgii PAN. Kraków 2002 [7] Y.M. Maki, K.A. Loparo: A Neural-Network Approach to Fault Detection and Diagnosis in Industral Processes. IEEE Trans. Cont. Sys. Techn., 5(6), 1997 [9] G.D. Garson: Implementing neural network connection weights. AI Expert, 6(4). 165
10 SUMMARY MONITORING AND CONTROLLING SYSTEMS FOR FOUNDRY PRODUCTION UTILIZING ARTIFICIAL NEURAL NETWORKS Applications of artificial neural networks to quality modeling of production processes and fault detection of continuous processes are presented. Methods for dete rmination of importance if input signals are discussed. Examples of foundry applications are given. Recenzował: prof. dr hab. inż. Franciszek Binczyk 166
IDENTYFIKACJA PRZYCZYN WADY POROWATOŚCI W ODLEWACH STALIWNYCH Z WYKORZYSTANIEM SZTUCZNYCH SIECI NEURONOWYCH
11/5 Archives of Foundry, Year 2002, Volume 2, 5 Archiwum Odlewnictwa, Rok 2002, Rocznik 2, Nr 5 PAN Katowice PL ISSN 1642-5308 IDENTYFIKACJA PRZYCZYN WADY POROWATOŚCI W ODLEWACH STALIWNYCH Z WYKORZYSTANIEM
ZASTOSOWANIE SYSTEMÓW UCZĄCYCH SIĘ DO PRZEWIDYWANIA WŁASNOŚCI MATERIAŁÓW ODLEWANYCH
33/14 Archives of Foundry, Year 2004, Volume 4, 14 Archiwum Odlewnictwa, Rok 2004, Rocznik 4, Nr 14 PAN Katowice PL ISSN 1642-5308 ZASTOSOWANIE SYSTEMÓW UCZĄCYCH SIĘ DO PRZEWIDYWANIA WŁASNOŚCI MATERIAŁÓW
I EKSPLORACJA DANYCH
I EKSPLORACJA DANYCH Zadania eksploracji danych: przewidywanie Przewidywanie jest podobne do klasyfikacji i szacowania, z wyjątkiem faktu, że w przewidywaniu wynik dotyczy przyszłości. Typowe zadania przewidywania
WPŁYW WIELKOŚCI WYDZIELEŃ GRAFITU NA WYTRZYMAŁOŚĆ ŻELIWA SFEROIDALNEGO NA ROZCIĄGANIE
15/12 ARCHIWUM ODLEWNICTWA Rok 2004, Rocznik 4, Nr 12 Archives of Foundry Year 2004, Volume 4, Book 12 PAN Katowice PL ISSN 1642-5308 WPŁYW WIELKOŚCI WYDZIELEŃ GRAFITU NA WYTRZYMAŁOŚĆ ŻELIWA SFEROIDALNEGO
CHARAKTERYSTYKA I ZASTOSOWANIA ALGORYTMÓW OPTYMALIZACJI ROZMYTEJ. E. ZIÓŁKOWSKI 1 Wydział Odlewnictwa AGH, ul. Reymonta 23, Kraków
36/3 Archives of Foundry, Year 004, Volume 4, 3 Archiwum Odlewnictwa, Rok 004, Rocznik 4, Nr 3 PAN Katowice PL ISSN 64-5308 CHARAKTERYSTYKA I ZASTOSOWANIA ALGORYTMÓW OPTYMALIZACJI ROZMYTEJ E. ZIÓŁKOWSKI
Sztuczne sieci neuronowe w analizie procesów odlewniczych
METRO MEtalurgiczny TRening On-line Sztuczne sieci neuronowe w analizie procesów odlewniczych Marcin Perzyk PW Edukacja i Kultura Definicja sztucznej sieci neuronowej Sztuczna sieć neuronowa jest to złożona
BADANIA SKURCZU LINIOWEGO W OKRESIE KRZEPNIĘCIA I STYGNIĘCIA STOPU AlSi 6.9
25/19 ARCHIWUM ODLEWNICTWA Rok 2006, Rocznik 6, Nr 19 Archives of Foundry Year 2006, Volume 6, Book 19 PAN - Katowice PL ISSN 1642-5308 BADANIA SKURCZU LINIOWEGO W OKRESIE KRZEPNIĘCIA I STYGNIĘCIA STOPU
Zastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym
POLITECHNIKA WARSZAWSKA Instytut Technik Wytwarzania Zastosowanie metod eksploracji danych (data mining) do sterowania i diagnostyki procesów w przemyśle spożywczym Marcin Perzyk Dlaczego eksploracja danych?
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
MODELOWANIE ROZKŁADU STOPNIA ZAGĘSZCZENIA MASY FORMIERSKIEJ Z WYKORZYSTANIEM SYSTEMÓW UCZĄCYCH SIĘ
Robert Biernacki, Marcin Perzyk, Jacek Kozłowski MODELOWANIE ROZKŁADU STOPNIA ZAGĘSZCZENIA MASY FORMIERSKIEJ Z WYKORZYSTANIEM SYSTEMÓW UCZĄCYCH SIĘ Streszczenie Omówiono czynniki wpływające na stopień
PRZESTRZENNY MODEL PRZENOŚNIKA TAŚMOWEGO MASY FORMIERSKIEJ
53/17 ARCHIWUM ODLEWNICTWA Rok 2005, Rocznik 5, Nr 17 Archives of Foundry Year 2005, Volume 5, Book 17 PAN - Katowice PL ISSN 1642-5308 PRZESTRZENNY MODEL PRZENOŚNIKA TAŚMOWEGO MASY FORMIERSKIEJ J. STRZAŁKO
BADANIA SKURCZU LINIOWEGO W OKRESIE KRZEPNIĘCIA I STYGNIĘCIA STOPU AlSi 5.4
9/18 ARCHIWUM ODLEWNICTWA Rok 2006, Rocznik 6, Nr 18 (1/2) ARCHIVES OF FOUNDRY Year 2006, Volume 6, N o 18 (1/2) PAN Katowice PL ISSN 1642-5308 BADANIA SKURCZU LINIOWEGO W OKRESIE KRZEPNIĘCIA I STYGNIĘCIA
OBRÓBKA CIEPLNA SILUMINU AK132
52/22 Archives of Foundry, Year 2006, Volume 6, 22 Archiwum Odlewnictwa, Rok 2006, Rocznik 6, Nr 22 PAN Katowice PL ISSN 1642-5308 OBRÓBKA CIEPLNA SILUMINU AK132 J. PEZDA 1 Akademia Techniczno-Humanistyczna
WPŁYW SZYBKOŚCI STYGNIĘCIA NA WŁASNOŚCI TERMOFIZYCZNE STALIWA W STANIE STAŁYM
2/1 Archives of Foundry, Year 200, Volume, 1 Archiwum Odlewnictwa, Rok 200, Rocznik, Nr 1 PAN Katowice PL ISSN 1642-308 WPŁYW SZYBKOŚCI STYGNIĘCIA NA WŁASNOŚCI TERMOFIZYCZNE STALIWA W STANIE STAŁYM D.
OCENA KRYSTALIZACJI STALIWA METODĄ ATD
34/8 ARCHIWUM ODLEWNICTWA Rok 2003, Rocznik 3, Nr 8 Archives of Foundry Year 2003, Volume 3, Book 8 PAN - Katowice PL ISSN 1642-5308 OCENA KRYSTALIZACJI STALIWA METODĄ ATD S. PIETROWSKI 1, R. WŁADYSIAK
8. Neuron z ciągłą funkcją aktywacji.
8. Neuron z ciągłą funkcją aktywacji. W tym ćwiczeniu zapoznamy się z modelem sztucznego neuronu oraz przykładem jego wykorzystania do rozwiązywanie prostego zadania klasyfikacji. Neuron biologiczny i
BADANIA NAPRĘŻEŃ SKURCZOWYCH W OKRESIE KRZEPNIĘCIA I STYGNIĘCIA STOPU AlSi 6.9
26/19 ARCHIWUM ODLEWNICTWA Rok 2006, Rocznik 6, Nr 19 Archives of Foundry Year 2006, Volume 6, Book 19 PAN - Katowice PL ISSN 1642-5308 BADANIA NAPRĘŻEŃ SKURCZOWYCH W OKRESIE KRZEPNIĘCIA I STYGNIĘCIA STOPU
J. SZYMSZAL 1, A. GIEREK 2, J. PIĄTKOWSKI 3, J. KLIŚ 4 Politechnika Śląska, 40-019 Katowice, ul. Krasińskiego 8
3/18 ARCHIWUM ODLEWNICTWA Rok 2006, Rocznik 6, Nr 18 (1/2) ARCHIVES OF FOUNDRY Year 2006, Volume 6, N o 18 (1/2) PAN Katowice PL ISSN 1642-5308 PROGNOZOWANIE SZEREGU CZASOWEGO WYKAZUJĄCEGO WAHANIA SEZONOWE
ODLEWNICTWO Casting. forma studiów: studia stacjonarne. Liczba godzin/tydzień: 2W, 1L PRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu Kierunek: Inżynieria materiałowa Rodzaj przedmiotu: kierunkowy obowiązkowy Rodzaj zajęć: Wyk. Lab. Poziom studiów: studia I stopnia ODLEWNICTWO Casting forma studiów: studia stacjonarne
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
WYKORZYSTANIE MODELI AUTOREGRESJI DO PROGNOZOWANIA SZEREGU CZASOWEGO ZWIĄZANEGO ZE SPRZEDAŻĄ ASORTYMENTU HUTNICZEGO
5/18 ARCHIWUM ODLEWNICTWA Rok 2006, Rocznik 6, Nr 18 (1/2) ARCHIVES OF FOUNDRY Year 2006, Volume 6, N o 18 (1/2) PAN Katowice PL ISSN 1642-5308 WYKORZYSTANIE MODELI AUTOREGRESJI DO PROGNOZOWANIA SZEREGU
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
ADAPTACJA METODY QFD DLA POTRZEB ODLEWNI ŻELIWA
35/19 ARCHIWUM ODLEWNICTWA Rok 2006, Rocznik 6, Nr 19 Archives of Foundry Year 2006, Volume 6, Book 19 PAN - Katowice PL ISSN 1642-5308 ADAPTACJA METODY QFD DLA POTRZEB ODLEWNI ŻELIWA J. SITKO 1 Politechnika
STRUKTURA ŻELIWA EN-GJS W ZALEŻNOŚCI OD MATERIAŁÓW WSADOWYCH
3/22 Archives of Foundry, Year 2006, Volume 6, 22 Archiwum Odlewnictwa, Rok 2006, Rocznik 6, Nr 22 PAN Katowice PL ISSN 1642-5308 STRUKTURA ŻELIWA EN-GJS-500-7 W ZALEŻNOŚCI OD MATERIAŁÓW WSADOWYCH D. BARTOCHA
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
OKREŚLENIE WŁAŚCIWOŚCI MECHANICZNYCH SILUMINU AK132 NA PODSTAWIE METODY ATND.
37/44 Solidification of Metals and Alloys, Year 000, Volume, Book No. 44 Krzepnięcie Metali i Stopów, Rok 000, Rocznik, Nr 44 PAN Katowice PL ISSN 008-9386 OKREŚLENIE WŁAŚCIWOŚCI MECHANICZNYCH SILUMINU
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
CIĄGŁE ODLEWANIE ALUMINIUM A ASPEKTY OCHRONY ŚRODOWISKA
18/20 Archives of Foundry, Year 2006, Volume 6, 20 Archiwum Odlewnictwa, Rok 2006, Rocznik 6, Nr 20 PAN Katowice PL ISSN 1642-5308 CIĄGŁE ODLEWANIE ALUMINIUM A ASPEKTY OCHRONY ŚRODOWISKA J. ŚLIWAKOWSKI
WYKORZYSTANIE ANALIZY WSKAŹNIKÓW ZDOLNOŚCI DO OPTYMALIZACJI PROCESU WYTWARZANIA MASY FORMIERSKIEJ
168/18 ARCHIWUM ODLEWNICTWA Rok 2006, Rocznik 6, Nr 18 (2/2) ARCHIVES OF FOUNDRY Year 2006, Volume 6, N o 18 (2/2) PAN Katowice PL ISSN 1642-5308 WYKORZYSTANIE ANALIZY WSKAŹNIKÓW ZDOLNOŚCI DO OPTYMALIZACJI
ANALIZA METOD DETEKCJI I LOKALIZACJI USZKODZEŃ W SYSTEMACH PRODUKCYJNYCH ODLEWNI
39/10 Archives of Foundry, Year 2003, Volume 3, 10 Archiwum Odlewnictwa, Rok 2003, Rocznik 3, Nr 10 PAN Katowice PL ISSN 1642-5308 ANALIZA METOD DETEKCJI I LOKALIZACJI USZKODZEŃ W SYSTEMACH PRODUKCYJNYCH
OKREŚLANIE WŁASNOŚCI MECHANICZNYCH SILUMINU AK20 NA PODSTAWIE METODY ATND
28/17 ARCHIWUM ODLEWNICTWA Rok 2005, Rocznik 5, Nr 17 Archives of Foundry Year 2005, Volume 5, Book 17 PAN - Katowice PL ISSN 1642-5308 OKREŚLANIE WŁASNOŚCI MECHANICZNYCH SILUMINU AK20 NA PODSTAWIE METODY
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
ZMĘCZENIE CIEPLNE STALIWA CHROMOWEGO I CHROMOWO-NIKLOWEGO
23/2 Archives of Foundry, Year 2001, Volume 1, 1 (2/2) Archiwum Odlewnictwa, Rok 2001, Rocznik 1, Nr 1 (2/2) PAN Katowice PL ISSN 1642-5308 ZMĘCZENIE CIEPLNE STALIWA CHROMOWEGO I CHROMOWO-NIKLOWEGO J.
EMPIRYCZNE WYZNACZENIE PRAWDOPODOBIEŃSTW POWSTAWANIA WARSTWY KOMPOZYTOWEJ
/4 Archives of Foundry, Year 24, Volume 4, 4 Archiwum Odlewnictwa, Rok 24, Rocznik 4, Nr 4 AN Katowice L ISSN 642-53 EMIRYCZNE WYZNACZENIE RAWDOODOBIEŃSTW OWSTAWANIA WARSTWY KOMOZYTOWEJ C. BARON, J. GAWROŃSKI
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
ZASTOSOWANIE METODY FMEA W DOSKONALENIU JAKOŚCI WYROBÓW ODLEWANYCH
4/15 Archives of Foundry, Year 2005, Volume 5, 15 Archiwum Odlewnictwa, Rok 2005, Rocznik 5, Nr 15 PAN Katowice PL ISSN 1642-5308 ZASTOSOWANIE METODY FMEA W DOSKONALENIU JAKOŚCI WYROBÓW ODLEWANYCH S. BORKOWSKI
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
BADANIE STABILNOŚCI SYSTEMU PRZYGOTOWANIA OBIEGOWEJ MASY FORMIERSKIEJ
164/18 ARCHIWUM ODLEWNICTWA Rok 2006, Rocznik 6, Nr 18 (2/2) ARCHIVES OF FOUNDRY Year 2006, Volume 6, N o 18 (2/2) PAN Katowice PL ISSN 1642-5308 BADANIE STABILNOŚCI SYSTEMU PRZYGOTOWANIA OBIEGOWEJ MASY
EKSPERYMENTALNE MODELOWANIE STYGNIĘCIA ODLEWU W FORMIE
64/14 Archives of Foundry, Year 2004, Volume 4, 14 Archiwum Odlewnictwa, Rok 2004, Rocznik 4, Nr 14 PAN Katowice PL ISSN 1642-5308 EKSPERYMENTALNE MODELOWANIE STYGNIĘCIA ODLEWU W FORMIE A. STUDNICKI 1
OKREŚLENIE WŁASNOŚCI MECHANICZNYCH ŻELIWA SFEROIDALNEGO METODĄ ATD
47/15 Archives of Foundry, Year 2005, Volume 5, 15 Archiwum Odlewnictwa, Rok 2005, Rocznik 5, Nr 15 PAN Katowice PL ISSN 1642-5308 OKREŚLENIE WŁASNOŚCI MECHANICZNYCH ŻELIWA SFEROIDALNEGO METODĄ ATD M.
OCENA JAKOŚCI ŻELIWA SFEROIDALNEGO METODĄ ATD
26/10 Archives of Foundry, Year 2003, Volume 3, 10 Archiwum O dlewnictwa, Rok 2003, Rocznik 3, Nr 10 PAN Katowice PL ISSN 1642-5308 OCENA JAKOŚCI ŻELIWA SFEROIDALNEGO METODĄ ATD M. STAWARZ 1, J. SZAJNAR
Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta
Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta www.michalbereta.pl Sieci radialne zawsze posiadają jedną warstwę ukrytą, która składa się z neuronów radialnych. Warstwa wyjściowa składa
SYSTEM INFORMATYCZNEGO WSPOMAGANIA ZARZĄDZANIA GOSPODARKĄ MATERIAŁAMI WSADOWYMI W ODLEWNI PRIMA-ŁÓDŹ
4/12 ARCHIWUM ODLEWNICTWA Rok 2004, Rocznik 4, Nr 12 Archives of Foundry Year 2004, Volume 4, Book 12 PAN Katowice PL ISSN 1642-5308 SYSTEM INFORMATYCZNEGO WSPOMAGANIA ZARZĄDZANIA GOSPODARKĄ MATERIAŁAMI
ZARZĄDZANIE PRODUKCJĄ ODLEWÓW W OPARCIU O TECHNIKĘ MODELOWANIA I SYMULACJI PRACY LINII ODLEWNICZYCH
ARCHIWUM ODLEWNICTWA 19/17 Rok 2005, Rocznik 5, Nr 17 Archives of Foundry Year 2005, Volume 5, Book 17 PAN - Katowice PL ISSN 1642-5308 ZARZĄDZANIE PRODUKCJĄ ODLEWÓW W OPARCIU O TECHNIKĘ MODELOWANIA I
PARAMETRY STEREOLOGICZNE GRAFITU I SKŁAD CHEMICZNY OKREŚLAJĄCY WŁAŚCIWOŚCI MECHANICZNE ŻELIWA SFEROIDALNEGO
60/4 Archives of Foundry, Year 2002, Volume 2, 4 Archiwum Odlewnictwa, Rok 2002, Rocznik 2, Nr 4 PAN Katowice PL ISSN 1642-5308 PARAMETRY STEREOLOGICZNE GRAFITU I SKŁAD CHEMICZNY OKREŚLAJĄCY WŁAŚCIWOŚCI
Odlewnicze procesy technologiczne Kod przedmiotu
Odlewnicze procesy technologiczne - opis przedmiotu Informacje ogólne Nazwa przedmiotu Odlewnicze procesy technologiczne Kod przedmiotu 06.1-WM-MiBM-TM-P-01_15 Wydział Kierunek Wydział Mechaniczny Mechanika
Analiza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych sieci neuronowych 4
Wojciech Sikora 1 AGH w Krakowie Grzegorz Wiązania 2 AGH w Krakowie Maksymilian Smolnik 3 AGH w Krakowie Analiza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych
Projekt Sieci neuronowe
Projekt Sieci neuronowe Chmielecka Katarzyna Gr. 9 IiE 1. Problem i dane Sieć neuronowa miała za zadanie nauczyć się klasyfikować wnioski kredytowe. W projekcie wykorzystano dane pochodzące z 110 wniosków
WPŁYW CHROPOWATOŚCI POWIERZCHNI MATERIAŁU NA GRUBOŚĆ POWŁOKI PO ALFINOWANIU
51/17 ARCHIWUM ODLEWNICTWA Rok 2005, Rocznik 5, Nr 17 Archives of Foundry Year 2005, Volume 5, Book 17 PAN - Katowice PL ISSN 1642-5308 WPŁYW CHROPOWATOŚCI POWIERZCHNI MATERIAŁU NA GRUBOŚĆ POWŁOKI PO ALFINOWANIU
FOTOELEKTRYCZNA REJESTRACJA ENERGII PROMIENIOWANIA KRZEPNĄCEGO STOPU
13/8 ARCHIWUM ODLEWNICTWA Rok 23, Rocznik 3, Nr 8 Archives of Foundry Year 23, Volume 3, Book 8 PAN - Katowice PL ISSN 1642-538 FOTOELEKTRYCZNA REJESTRACJA ENERGII PROMIENIOWANIA KRZEPNĄCEGO STOPU Z. NIEDŹWIEDZKI
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
WYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO. Stanisław Kowalik (Poland, Gliwice)
WYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO Stanisław Kowalik (Poland, Gliwice) 1. Wprowadzenie Wstrząsy podziemne i tąpania występujące w kopalniach
ZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE
ZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE INSTYTUT TECHNOLOGII MECHANICZNEJ Metody Sztucznej Inteligencji Sztuczne Sieci Neuronowe Wstęp Sieci neuronowe są sztucznymi strukturami, których
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
MODYFIKACJA STOPU AK64
17/10 Archives of Foundry, Year 2003, Volume 3, 10 Archiwum Odlewnictwa, Rok 2003, Rocznik 3, Nr 10 PAN Katowice PL ISSN 1642-5308 MODYFIKACJA STOPU AK64 F. ROMANKIEWICZ 1, R. ROMANKIEWICZ 2, T. PODRÁBSKÝ
ANALIZA KRZEPNIĘCIA I BADANIA MIKROSTRUKTURY PODEUTEKTYCZNYCH STOPÓW UKŁADU Al-Si
53/22 Archives of Foundry, Year 2006, Volume 6, 22 Archiwum Odlewnictwa, Rok 2006, Rocznik 6, Nr 22 PAN Katowice PL ISSN 1642-5308 ANALIZA KRZEPNIĘCIA I BADANIA MIKROSTRUKTURY PODEUTEKTYCZNYCH STOPÓW UKŁADU
ZAAWANSOWANE METODY STATYSTYCZNE W STEROWANIU PROCESAMI PRODUKCYJNYMI
1/12 ARCHIWUM ODLEWNICTWA Rok 2004, Rocznik 4, Nr 12 Archives of Foundry Year 2004, Volume 4, Book 12 PAN Katowice PL ISSN 1642-5308 ZAAWANSOWANE METODY STATYSTYCZNE W STEROWANIU PROCESAMI PRODUKCYJNYMI
ROZKŁAD TWARDOŚCI I MIKROTWARDOŚCI OSNOWY ŻELIWA CHROMOWEGO ODPORNEGO NA ŚCIERANIE NA PRZEKROJU MODELOWEGO ODLEWU
35/9 Archives of Foundry, Year 2003, Volume 3, 9 Archiwum Odlewnictwa, Rok 2003, Rocznik 3, Nr 9 PAN Katowice PL ISSN 1642-5308 ROZKŁAD TWARDOŚCI I MIKROTWARDOŚCI OSNOWY ŻELIWA CHROMOWEGO ODPORNEGO NA
Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego
Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne
ZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al
LESZEK A. DOBRZAŃSKI, TOMASZ TAŃSKI ZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al APPLICATION OF NEURAL NETWORKS FOR OPTIMISATION OF Mg-Al ALLOYS HEAT TREATMENT
Zastosowanie sztucznej inteligencji w testowaniu oprogramowania
Zastosowanie sztucznej inteligencji w testowaniu oprogramowania Problem NP Problem NP (niedeterministycznie wielomianowy, ang. nondeterministic polynomial) to problem decyzyjny, dla którego rozwiązanie
DETERMINANTY DOSKONALENIA PROCESÓW ODLEWNICZYCH W SYSTEMIE ZARZĄDZANIA JAKOŚCIĄ WG ISO 9001:2000
59/14 Archives of Foundry, Year 2004, Volume 4, 14 Archiwum Odlewnictwa, Rok 2004, Rocznik 4, Nr 14 PAN Katowice PL ISSN 1642-5308 DETERMINANTY DOSKONALENIA PROCESÓW ODLEWNICZYCH W SYSTEMIE ZARZĄDZANIA
MONITOROWANIE PRODUKCJI I KONTROLA JAKOŚCI STALIWA ZA POMOCĄ PROGRAMU KOMPUTEROWEGO
50/17 ARCHIWUM ODLEWNICTWA Rok 2005, Rocznik 5, Nr 17 Archives of Foundry Year 2005, Volume 5, Book 17 PAN - Katowice PL ISSN 1642-5308 MONITOROWANIE PRODUKCJI I KONTROLA JAKOŚCI STALIWA ZA POMOCĄ PROGRAMU
MODYFIKACJA SILUMINÓW AK7 i AK9. F. ROMANKIEWICZ 1 Uniwersytet Zielonogórski, ul. Podgórna 50, Zielona Góra
23/6 ARCHIWUM ODLEWNICTWA Rok 2002, Rocznik 2, Nr 6 Archives of Foundry Year 2002, Volume 2, Book 6 PAN - Katowice PL ISSN 1642-5308 MODYFIKACJA SILUMINÓW AK7 i AK9 F. ROMANKIEWICZ 1 Uniwersytet Zielonogórski,
PARAMETRY EUTEKTYCZNOŚCI ŻELIWA CHROMOWEGO Z DODATKAMI STOPOWYMI Ni, Mo, V i B
45/44 Solidification of Metals and Alloys, Year 2000, Volume 2, Book No. 44 Krzepnięcie Metali i Stopów, Rok 2000, Rocznik 2, Nr 44 PAN Katowice PL ISSN 0208-9386 PARAMETRY EUTEKTYCZNOŚCI ŻELIWA CHROMOWEGO
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
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,
Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym
Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym Jan Karwowski Wydział Matematyki i Nauk Informacyjnych PW 17 XII 2013 Jan Karwowski
MODYFIKACJA SILUMINU AK20 DODATKAMI ZŁOŻONYMI
41/2 Archives of Foundry, Year 2001, Volume 1, 1 (2/2) Archiwum Odlewnictwa, Rok 2001, Rocznik 1, Nr 1 (2/2) PAN Katowice PL ISSN 1642-5308 MODYFIKACJA SILUMINU AK20 DODATKAMI ZŁOŻONYMI F. ROMANKIEWICZ
TWARDOŚĆ, UDARNOŚĆ I ZUŻYCIE EROZYJNE STALIWA CHROMOWEGO
24/2 Archives of Foundry, Year 200, Volume, (2/2) Archiwum Odlewnictwa, Rok 200, Rocznik, Nr (2/2) PAN Katowice PL ISSN 642-5308 TWARDOŚĆ, UDARNOŚĆ I ZUŻYCIE EROZYJNE STALIWA CHROMOWEGO J. KILARSKI, A.
Teoria błędów. Wszystkie wartości wielkości fizycznych obarczone są pewnym błędem.
Teoria błędów Wskutek niedoskonałości przyrządów, jak również niedoskonałości organów zmysłów wszystkie pomiary są dokonywane z określonym stopniem dokładności. Nie otrzymujemy prawidłowych wartości mierzonej
MOŻLIWOŚCI ZASTOSOWANIA SZTUCZNYCH SIECI NEURONOWYCH DO MODELOWANIA PROCESÓW ODLEWNICZYCH
7/38 Solidification of Metals and Alloys, No. 38, 1998 Krzepnięcie Metali i Stopów, nr 38, 1998 PAN Katowice PL ISSN 0208-9386 MOŻLIWOŚCI ZASTOSOWANIA SZTUCZNYCH SIECI NEURONOWYCH DO MODELOWANIA PROCESÓW
MATEMATYCZNY MODEL PĘTLI HISTEREZY MAGNETYCZNEJ
ELEKTRYKA 014 Zeszyt 1 (9) Rok LX Krzysztof SZTYMELSKI, Marian PASKO Politechnika Śląska w Gliwicach MATEMATYCZNY MODEL PĘTLI ISTEREZY MAGNETYCZNEJ Streszczenie. W artykule został zaprezentowany matematyczny
Sieci neuronowe w Statistica. Agnieszka Nowak - Brzezioska
Sieci neuronowe w Statistica Agnieszka Nowak - Brzezioska Podstawowym elementem składowym sztucznej sieci neuronowej jest element przetwarzający neuron. Schemat działania neuronu: x1 x2 w1 w2 Dendrites
Modelowanie procesów wytwarzania Marcin Perzyk
Modelowanie procesów wytwarzania Marcin Perzyk Instytut Technik Wytwarzania Wydział Inżynierii Produkcji Modelowanie procesów wytwarzania Wprowadzenie Koszty wytwarzania stanowią 1/3 kosztu wyrobu (projektowanie
SZACOWANIE WŁASNOŚCI MECHANICZNYCH SILUMINU AK9 NA PODSTAWIE METODY ATND
13/10 Archives of Foundry, Year 2003, Volume 3, 10 Archiwum Odlewnictwa, Rok 2003, Rocznik 3, Nr 10 PAN Katowice PL ISSN 1642-5308 SZACOWANIE WŁASNOŚCI MECHANICZNYCH SILUMINU AK9 NA PODSTAWIE METODY ATND
SYMULACJA NUMERYCZNA KRZEPNIĘCIA KIEROWANEGO OCHŁADZALNIKAMI ZEWNĘTRZNYMI I WEWNĘTRZNYMI
31/4 Archives of Foundry, Year 2002, Volume 2, 4 Archiwum Odlewnictwa, Rok 2002, Rocznik 2, Nr 4 PAN Katowice PL ISSN 1642-5308 SYMULACJA NUMERYCZNA KRZEPNIĘCIA KIEROWANEGO OCHŁADZALNIKAMI ZEWNĘTRZNYMI
ANALIZA ODDZIAŁYWANIA SYSTEMU ZARZĄDZANIA JAKOŚCIĄ NA STABILIZACJĘ WYBRANYCH WŁAŚCIWOŚCI WALCÓW HUTNICZYCH
54/19 ARCHIWUM ODLEWNICTWA Rok 2006, Rocznik 6, Nr 19 Archives of Foundry Year 2006, Volume 6, Book 19 PAN - Katowice PL ISSN 1642-5308 ANALIZA ODDZIAŁYWANIA SYSTEMU ZARZĄDZANIA JAKOŚCIĄ NA STABILIZACJĘ
OPTYMALIZACJA PARAMETRÓW OBRÓBKI CIEPLNEJ SILUMINU ALSi17
71/2 Archives of Foundry, Year 2001, Volume 1, 1 (2/2) Archiwum Odlewnictwa, Rok 2001, Rocznik 1, Nr 1 (2/2) PAN Katowice PL ISSN 1642-5308 OPTYMALIZACJA PARAMETRÓW OBRÓBKI CIEPLNEJ SILUMINU ALSi17 J.
TEMPERATURY KRYSTALIZACJI ŻELIWA CHROMOWEGO W FUNKCJI SZYBKOŚCI STYGNIĘCIA ODLEWU
48/15 Archives of Foundry, Year 2005, Volume 5, 15 Archiwum Odlewnictwa, Rok 2005, Rocznik 5, Nr 15 PAN Katowice PL ISSN 1642-5308 TEMPERATURY KRYSTALIZACJI ŻELIWA CHROMOWEGO W FUNKCJI SZYBKOŚCI STYGNIĘCIA
WPŁYW MODYFIKACJI NA STRUKTURĘ I MORFOLOGIĘ PRZEŁOMÓW SILUMINU AK132
60/22 Archives of Foundry, Year 2006, Volume 6, 22 Archiwum Odlewnictwa, Rok 2006, Rocznik 6, Nr 22 PAN Katowice PL ISSN 1642-5308 WPŁYW MODYFIKACJI NA STRUKTURĘ I MORFOLOGIĘ PRZEŁOMÓW SILUMINU AK132 F.
KRZEPNIĘCIE KOMPOZYTÓW HYBRYDOWYCH AlMg10/SiC+C gr
51/18 ARCHIWUM ODLEWNICTWA Rok 26, Rocznik 6, Nr 18 (1/2) ARCHIVES OF FOUNDRY Year 26, Volume 6, N o 18 (1/2) PAN Katowice PL ISSN 1642-538 KRZEPNIĘCIE KOMPOZYTÓW HYBRYDOWYCH AlMg1/SiC+C gr M. ŁĄGIEWKA
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
ODLEWNICTWO STOPÓW ŻELAZA Casting of ferrous alloys PRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu Kierunek: ODLEWNICTWO STOPÓW ŻELAZA Casting of ferrous alloys Zarządzanie i Inżynieria Produkcji Management and Engineering of Production Rodzaj przedmiotu: specjalnościowy Rodzaj zajęć:
Wtrącenia niemetaliczne w staliwie topionym w małym piecu indukcyjnym
A R C H I V E S of F O U N D R Y E N G I N E E R I N G Published quarterly as the organ of the Foundry Commission of the Polish Academy of Sciences ISSN (897-0) Volume Special Issue /0 9 97 8/ Wtrącenia
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
HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM
ZASTOSOWANIE SIECI NEURONOWYCH W SYSTEMACH AKTYWNEJ REDUKCJI HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM WPROWADZENIE Zwalczanie hałasu przy pomocy metod aktywnych redukcji hałasu polega
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
PRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu ODLEWNICTWO STOPÓW ŻELAZA Casting of ferrous alloys Kierunek: Zarządzanie i Inżynieria Produkcji Management and Engineering of Production Rodzaj przedmiotu: specjalnościowy Poziom studiów:
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
WPŁYW MAGNEZU I BIZMUTU NA MODYFIKACJĘ STOPU AlSi7 DODATKIEM AlSr10
29/17 ARCHIWUM ODLEWNICTWA Rok 2005, Rocznik 5, Nr 17 Archives of Foundry Year 2005, Volume 5, Book 17 PAN - Katowice PL ISSN 1642-5308 WPŁYW MAGNEZU I BIZMUTU NA MODYFIKACJĘ STOPU AlSi7 DODATKIEM AlSr10
S O M SELF-ORGANIZING MAPS. Przemysław Szczepańczyk Łukasz Myszor
S O M SELF-ORGANIZING MAPS Przemysław Szczepańczyk Łukasz Myszor Podstawy teoretyczne Map Samoorganizujących się stworzył prof. Teuvo Kohonen (1982 r.). SOM wywodzi się ze sztucznych sieci neuronowych.
OBLICZANIE PRĘDKOŚCI KRYTYCZNEJ PRZEMIESZCZANIA FALI CZOŁOWEJ STOPU W KOMORZE PRASOWANIA MASZYNY CIŚNIENIOWEJ
13/18 ARCHIWUM ODLEWNICTWA Rok 006, Rocznik 6, Nr 18 (/) ARCHIVES OF FOUNDRY Year 006, Volume 6, N o 18 (/) PAN Katowice PL ISSN 164-5308 OBLICZANIE PRĘDKOŚCI KRYTYCZNEJ PRZEMIESZCZANIA FALI CZOŁOWEJ STOPU
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,
Podstawy Automatyki. Wykład 4 - algebra schematów blokowych. dr inż. Jakub Możaryn. Warszawa, Instytut Automatyki i Robotyki
Wykład 4 - algebra schematów blokowych Instytut Automatyki i Robotyki Warszawa, 2015 Wstęp Schemat blokowy Schemat blokowy (strukturalny): przedstawia wzajemne powiązania pomiędzy poszczególnymi zespołami
Porównanie wyników symulacji wpływu kształtu i amplitudy zakłóceń na jakość sterowania piecem oporowym w układzie z regulatorem PID lub rozmytym
ARCHIVES of FOUNDRY ENGINEERING Published quarterly as the organ of the Foundry Commission of the Polish Academy of Sciences ISSN (1897-3310) Volume 15 Special Issue 4/2015 133 138 28/4 Porównanie wyników
Recenzja rozprawy doktorskiej mgr inż. Joanny Wróbel
Prof. dr hab. inż. Tadeusz BURCZYŃSKI, czł. koresp. PAN Instytut Podstawowych Problemów Techniki PAN ul. A. Pawińskiego 5B 02-106 Warszawa e-mail: tburczynski@ippt.pan.pl Warszawa, 15.09.2017 Recenzja
Jeśli X jest przestrzenią o nieskończonej liczbie elementów:
Logika rozmyta 2 Zbiór rozmyty może być formalnie zapisany na dwa sposoby w zależności od tego z jakim typem przestrzeni elementów mamy do czynienia: Jeśli X jest przestrzenią o skończonej liczbie elementów
LEJNOŚĆ KOMPOZYTÓW NA OSNOWIE STOPU AlMg10 Z CZĄSTKAMI SiC
38/9 Archives of Foundry, Year 23, Volume 3, 9 Archiwum Odlewnictwa, Rok 23, Rocznik 3, Nr 9 PAN Katowice PL ISSN 1642-538 LEJNOŚĆ KOMPOZYTÓW NA OSNOWIE STOPU AlMg1 Z CZĄSTKAMI SiC Z. KONOPKA 1, M. CISOWSKA
Temat: Sieci neuronowe oraz technologia CUDA
Elbląg, 27.03.2010 Temat: Sieci neuronowe oraz technologia CUDA Przygotował: Mateusz Górny VIII semestr ASiSK Wstęp Sieci neuronowe są to specyficzne struktury danych odzwierciedlające sieć neuronów w