Teoria Sygnałów. II Inżynieria Obliczeniowa. Wykład 13

Wielkość: px
Rozpocząć pokaz od strony:

Download "Teoria Sygnałów. II Inżynieria Obliczeniowa. Wykład 13"

Transkrypt

1 Toria Sygałów II Iżyiria Oblicziowa Wyład 3 Filtr adaptacyjy dostraja się do zmiych waruów pracy. Filtr tai posiadają dwa sygały wjściow. Pirwszym jst sygał poddaway filtracji x(). Drugim ta zway sygał odisiia d(), tóry staowi pwi rodzaj wzorca dla uładu filtrującgo. Na wyjściu uładu zajdują się rówiż dwa sygały. Wyi filtracji y(), staowi zbiór prztworzoych daych sygału wjściowgo. Sygał błędu (), zawirający wartości błędu dopasowaia sygału filtrowago x(), do sygału odisiia d().

2 Srcm uładu jst zmia w czasi trasmitacja uładu H (z), tóra przształca sygał wjściowy x() w tai sposób, aby wyi filtracji y() ja ajmij różił się od sygału odisiia d(). J = E [ ] [ ] = E ( d y ) Sygał y() jst liiowo przształcoym sygałm x(), ajlpij sorlowaym z d(), a sygał błędu () = d() y() zbiorm iformacji zawartj w d(), tórj x()i posiada, Krytria miimalizacji mogą być róż, w zalżości od stosowago algorytmu filtracji. Pozwalają o a obliczai optymalych wag filtra H (z)i ich zmiaę w procsi adaptacji. Filtry adaptacyj z uwagi a swą lastyczość zajdują szroi zastosowai w pratyc. Dorlacja sygałów Usuwai itrfrcji w tlomuiacji i w mdycyi Wyodrębiai sygału z szumu (prztwarzai dźwięów i sygałów EKG) Prdycja sygałów z pomiięcim szumu isorlowago Projtowai filtrów cyfrowych

3 Używać będzimy adaptacyjgo filtru irursywgo typu FIR, tórgo odpowidź impulsowa w dzidzii z ma postać: H ( z) = h + h z + h z + K+ h z Sygał wyjściowy uładu y() rówa się y = h x( ) = = d h x( ) = dopasowaia y()do wjściowgo sygału d()zalży od współczyiów trasmitacji h = = ( ) E d h x( ) J h Główym założim graditowych algorytmów adaptacyjych jst modyfiacja (orta ozaczoa przz h()) wtora współczyiów filtra h(), ta aby w ażdj chwili czasowj była proporcjoala do wtora graditu fucji osztu (czyli pochodj tj fucji względm wtora wag h(), lcz mić za przciwy). h( + ) = h + h = h µ ( ) J h J J J J = =,,, L, Graditow modyfiowai wtora wag h() zmirza w stroę miimalj fucji osztu J(.). O szybości miimalizacji dcyduj współczyi salujący µ. Im więszy, tym więsza modyfiacja (orta h()) iszybsz dostrajai się uładu do zmiych waruów, izalż od wartości graditu.współczyi salujący µmoż być zmiy w czasi. Wprowadzaa macirz wagowa W(), ma za zadai poprawii zbiżości algorytmu i zwięszi szybości adaptacji. h µ ( + ) = h W T

4 Najprostszy i jd z bardzij popularych algorytmów adaptacyjych zway jst filtrm LS (ag. Last a Squars). Przyjmujmy, iż zadaim filtra jst miimalizacja chwilowj (a i ocziwaj) wartości błędu. Jda gdy filtr miimalizuj śrdi błąd wadratowy. J = ( h ) h = T ( d h x( ) ),,, L, = = = = ( +) = h W x h µ x( ) h() olj współczyii filtra w chwili µ() współczyi salujący W() macirz wagowa () sygał błędu x() sygał poddaway filtracji Klasyczy filtr LS otrzymujmy przyjmując stały współczyi salujący (µ() = µ)oraz macirz wagową w postaci macirzy diagoalj jdostowj (W() = I). Rówai a wtor współczyiów filtra w rou +przyjmuj postać: ( + ) = h + µ x h

5 Rodzia filtrów LS (ag. Last Squars) i RLS (ag. Rcursiv Last Squars), w clu adaptacji, wyorzystuj rytrium ajmijszych wadratów LS (ag. Last Squars): J = = oraz WLS (ag. Wightd Last Squars) J = = λ < λ ( +) = h K h + Współczyi K() występujący w powyższym wzorz jst o zalży od stymaty macirzy autoorlacji sygału x() w astępujący sposób: K = R x R T = x x xx xx λ = Podstawiając powyższ do rówaia a wagi filtra w chwili + otrzymujmy: h ( + ) = h + R x xx ożliw jst w miarę szybi uzysai odwrotj macirzy [R xx (+)] - a podstawi macirzy odwrotj [R xx ()] - przyjmując współczyi λ=, powyższy wzór staj się lasyczym przyładm algorytmu RLS

6 Usuwai sorlowaych załócń z sygałów, zwa iaczj usuwaim itrfrcji odlowy przyład sygału użytczgo s(): Sygał odisiia d()jao suma sygału użytczgo s() i sygału załócia siciowgo z (): Sygał wjściowy x()jao opia załócia siciowgo z ()

7 Użytczą iformację isi z sobą sygał d(). Jst oa zaszumioa załócim z (). Clm przyładu jst próba ftywgo usuięcia załócia i wyodrębiia sygału użytczgo ja ajbardzij zbliżogo do s(): Wyii uzysa algorytmm LS, przy współczyiu adaptacji µ = Sygał wyjściowy y(). Sygał błędu (). Wyii uzysa algorytmm RLS, przy współczyiu adaptacji µ =

ANALIZA FOURIEROWSKA szybkie transformaty Fouriera

ANALIZA FOURIEROWSKA szybkie transformaty Fouriera AALIZA FOURIEROWSKA szybi trasformaty Fourira dowola fuję priodyzą F( w zasi lub przstrzi (tx, ors T) moża przdstawić jao () F( b o + [ a si( + b os( ] gdzi π / T lub ω zauważmy, ż ω, jst ajiższą zęstośią

Bardziej szczegółowo

Wyższe momenty zmiennej losowej

Wyższe momenty zmiennej losowej Wyższe momety zmieej losowej Deiicja: Mometem m rzędu azywamy wartość oczeiwaą ucji h( dla dysretej zm. losowej oraz ucji h( dla ciągłej zm. losowej: m E P m E ( d Deiicja: Mometem cetralym µ rzędu dla

Bardziej szczegółowo

n k n k ( ) k ) P r s r s m n m n r s r s x y x y M. Przybycień Rachunek prawdopodobieństwa i statystyka

n k n k ( ) k ) P r s r s m n m n r s r s x y x y M. Przybycień Rachunek prawdopodobieństwa i statystyka Wyższe momety zmieej losowej Deiicja: Mometem m rzędu azywamy wartość oczeiwaą ucji h() dla dysretej zm. losowej oraz ucji h() dla ciągłej zm. losowej: m E P m E ( ) d Deiicja: Mometem cetralym µ rzędu

Bardziej szczegółowo

Algebra liniowa z geometrią analityczną

Algebra liniowa z geometrią analityczną WYKŁAD. Elmtar fucj mij spoloj: wilomiay, pirwiasti jdości, fucja: pirwiast stopia, fucja wyładica, fucja logarytmica. Podstawow własości wilomiaów: podilość, twirdi Bout, podstawow twirdi algbry, suai

Bardziej szczegółowo

X, K, +, - przestrzeń wektorowa

X, K, +, - przestrzeń wektorowa Zmiaa bazy przstrzi wktorowj Diicja 1. X, K, +, - przstrzń wktorowa ad ciałm K ( (,,..., ),,..., ) - owa baza - stara baza Macirzą przjścia P od do azywamy macirz odwzorowaia Idtyczościowgo P przstrzi

Bardziej szczegółowo

OCHRONA PRZECIWPOŻAROWA BUDYNKÓW

OCHRONA PRZECIWPOŻAROWA BUDYNKÓW 95 V. OCHRONA PRZCWPOŻAROWA BUDYNKÓW 34 tapy rozwoju pożaru Ohroa prziwpożarowa uwzględia astępują fazy rozwoju pożaru:. Lokala iijaja pożaru i jgo arastai.. Radiayja i kowkyja wymiaa ipła między źródłm

Bardziej szczegółowo

PREZENTACJA MODULACJI ASK W PROGRAMIE MATCHCAD

PREZENTACJA MODULACJI ASK W PROGRAMIE MATCHCAD POZA UIVE RSIY OF E CHOLOGY ACADE MIC JOURALS o 76 Electrical Egieerig 3 Jaub PĘKSIŃSKI* Grzegorz MIKOŁAJCZAK* Jausz KOWALSKI** PREZEACJA MODULACJI ASK W PROGRAMIE MACHCAD W artyule autorzy przedstawili

Bardziej szczegółowo

Wykład 7. Przestrzenie metryczne zwarte. x jest ciągiem Cauchy ego i posiada podciąg zbieżny. Na mocy

Wykład 7. Przestrzenie metryczne zwarte. x jest ciągiem Cauchy ego i posiada podciąg zbieżny. Na mocy Wyład 7 Przestrzeie metrycze zwarte Defiicja 8 (przestrzei zwartej i zbioru zwartego Przestrzeń metryczą ( ρ X azywamy zwartą jeśli ażdy ciąg elemetów tej przestrzei posiada podciąg zbieży (do putu tej

Bardziej szczegółowo

CHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWE PODSTAWOWYCH CZŁONÓW LINIOWYCH UKŁADÓW AUTOMATYKI

CHARAKTERYSTYKI CZĘSTOTLIWOŚCIOWE PODSTAWOWYCH CZŁONÓW LINIOWYCH UKŁADÓW AUTOMATYKI CHARAKERYSYKI CZĘSOLIWOŚCIOWE PODSAWOWYCH CZŁONÓW LINIOWYCH UKŁADÓW AUOMAYKI Do podstawowych form opisu dyamii elemetów automatyi (oprócz rówań różiczowych zaliczamy trasmitację operatorową s oraz trasmitację

Bardziej szczegółowo

Plan wykładu. Sztuczne sieci neuronowe. Algorytmy gradientowe optymalizacji. Uczenie z nauczycielem. Wykład 4: Algorytmy optymalizacji

Plan wykładu. Sztuczne sieci neuronowe. Algorytmy gradientowe optymalizacji. Uczenie z nauczycielem. Wykład 4: Algorytmy optymalizacji Pla wyładu yład 4: Algorytmy optymalizacji Małgorzata Krtowsa Katedra Oprogramowaia e-mail: mmac@iipbbialystopl Algorytmy gradietowe optymalizacji Algorytm ajwiszego spadu Algorytm zmieej metryi Algorytm

Bardziej szczegółowo

Model Ramsey a-cass a-koopmans a. Dr hab. Joanna Siwińska-Gorzelak

Model Ramsey a-cass a-koopmans a. Dr hab. Joanna Siwińska-Gorzelak Modl Ramsy a-cass a-koopmas a Dr hab. Joaa Siwińsa-Gorzla Pla wyładu Wprowadzi do modlu Mody mamayz Rozwiązai modlu Wiosi Uwaga a slajdah zajdują się wyłązi głów lmy; sporo wyjaśiń js omawiayh podzas wyładu,

Bardziej szczegółowo

L.Kowalski Systemy obsługi SMO

L.Kowalski Systemy obsługi SMO SMO Systy asow obsługi zastosowai procsu urodzń i śirci - przyłady: - ctrala tlfoicza, - staca bzyowa, - asa biltowa, - syst iforatyczy. Założia: - liczba staowis obsługi, - liczba isc w poczali. - struiń

Bardziej szczegółowo

PROCESY STOCHASTYCZNE

PROCESY STOCHASTYCZNE .Kowali Wybra zagadiia z roców ochayczych PROCESY STOCHASTYCZNE WYBRANE ZAGADNIENIA uca Kowali Warzawa 5 .Kowali Wybra zagadiia z roców ochayczych iraura: A.Plucińa, E.Plucińi, Probabiliya, D.Bobrowi,

Bardziej szczegółowo

Wykład 8: Zmienne losowe dyskretne. Rozkłady Bernoulliego (dwumianowy), Pascala, Poissona. Przybliżenie Poissona rozkładu dwumianowego.

Wykład 8: Zmienne losowe dyskretne. Rozkłady Bernoulliego (dwumianowy), Pascala, Poissona. Przybliżenie Poissona rozkładu dwumianowego. Rachue rawdoodobieństwa MAP064 Wydział Eletroii, ro aad. 008/09, sem. leti Wyładowca: dr hab. A. Jurlewicz Wyład 8: Zmiee losowe dysrete. Rozłady Beroulliego (dwumiaowy), Pascala, Poissoa. Przybliżeie

Bardziej szczegółowo

( ) + ( ) T ( ) + E IE E E. Obliczanie gradientu błędu metodą układu dołączonego

( ) + ( ) T ( ) + E IE E E. Obliczanie gradientu błędu metodą układu dołączonego Obliczanie gradientu błędu metodą uładu dołączonego /9 Obliczanie gradientu błędu metodą uładu dołączonego Chodzi o wyznaczenie pochodnych cząstowych funcji błędu E względem parametrów elementów uładu

Bardziej szczegółowo

WYKORZYSTANIE FILTRU CZĄSTECZKOWEGO W PROBLEMIE IDENTYFIKACJI UKŁADÓW AUTOMATYKI

WYKORZYSTANIE FILTRU CZĄSTECZKOWEGO W PROBLEMIE IDENTYFIKACJI UKŁADÓW AUTOMATYKI Piotr KOZIERSKI WYKORZYSTAIE FILTRU CZĄSTECZKOWEGO W PROBLEMIE IDETYFIKACJI UKŁADÓW AUTOMATYKI STRESZCZEIE W artyule przedstawioo sposób idetyfiacji parametryczej obietów ieliiowych zapisaych w przestrzei

Bardziej szczegółowo

Zmęczenie Materiałów pod Kontrolą

Zmęczenie Materiałów pod Kontrolą Zmęczi Matriałów pod Kotrolą Wyład Nr 6 ANALIZA SPRĘŻYSTO PLASTYCZNYCH STANÓW NAPRĘŻŃ i ODKSZTAŁCŃ Wydział Iżyirii Mcaiczj i Robotyi Katdra Wytrzymałości, Zmęczia Matriałów i Kostrucji ttp://zwmi.imir.ag.du.pl

Bardziej szczegółowo

Dwumian Newtona. Agnieszka Dąbrowska i Maciej Nieszporski 8 stycznia 2011

Dwumian Newtona. Agnieszka Dąbrowska i Maciej Nieszporski 8 stycznia 2011 Dwumia Newtoa Agiesza Dąbrowsa i Maciej Nieszporsi 8 styczia Wstęp Wzory srócoego możeia, tóre pozaliśmy w gimazjum (x + y x + y (x + y x + xy + y (x + y 3 x 3 + 3x y + 3xy + y 3 x 3 + y 3 + 3xy(x + y

Bardziej szczegółowo

Teoria Sygnałów. III rok Informatyki Stosowanej. Wykład 7 [ ] ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) Analiza częstotliwościowa dyskretnych sygnałów cyfrowych

Teoria Sygnałów. III rok Informatyki Stosowanej. Wykład 7 [ ] ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) Analiza częstotliwościowa dyskretnych sygnałów cyfrowych ora Sygałów III ro Ioray Sosowaj Wyła Rozważy sończoy sygał () spróboway z częsolwoścą : Aalza częsolwoścowa ysrych sygałów cyrowych p óra js wa razy węsza o częsolwośc asyalj a. Oblczy jgo rasorację Fourra.

Bardziej szczegółowo

Przetwarzanie sygnałów biomedycznych

Przetwarzanie sygnałów biomedycznych Przetwarzaie sygałów biomeyczyc Człowiek- ajlesza iwestycja Projekt wsółfiasoway rzez Uię uroejską w ramac uroejskiego Fuuszu Sołeczego Wykła XII Rutkowski L. Filtry aatacyje i aatacyje rzetwarzaie sygałów,

Bardziej szczegółowo

Systemy Czasu Rzeczywistego (SCR)

Systemy Czasu Rzeczywistego (SCR) ystmy Czasu Rzczywistgo (CR) Wyład 4: Świat analogowy a cyfrowy wprowadzni 2/2 Modlowani i symulacja w środowisu Matlab/imulin - podstawy ii2017 WYDZIAŁ ELEROECHNII I AUOMAYI AEDRA INŻYNIERII YEMÓW EROWANIA

Bardziej szczegółowo

Metoda najszybszego spadku

Metoda najszybszego spadku Metody Gradietowe W tym rozdziale bdziemy rozwaa metody poszuiwaia dla fucji z przestrzei R o wartociach rzeczywistych Metody te wyorzystuj radiet fucji ja rówie wartoci fucji Przypomijmy, czym jest zbiór

Bardziej szczegółowo

Liczby Stirlinga I rodzaju - definicja i własności

Liczby Stirlinga I rodzaju - definicja i własności Liczby Stiriga I rodzaju - defiicja i własości Liczby Stiriga I rodzaju ozaczae symboem s(, ) moża defiiować jao współczyii w rozwiięciu x s(, )x, 0 (1) 0 gdzie x x(x 1)... (x + 1), 1 x 0 1. (2) Zostały

Bardziej szczegółowo

9. Sprzężenie zwrotne własności

9. Sprzężenie zwrotne własności 9. Sprzężenie zwrotne własności 9.. Wprowadzenie Sprzężenie zwrotne w uładzie eletronicznym realizuje się przez sumowanie części sygnału wyjściowego z sygnałem wejściowym i użycie zmodyiowanego w ten sposób

Bardziej szczegółowo

2. Architektury sztucznych sieci neuronowych

2. Architektury sztucznych sieci neuronowych - 8-2. Architktury sztucznych sici nuronowych 2.. Matmatyczny modl nuronu i prostj sici nuronowj Sztuczn sici nuronow są modlami inspirowanymi przz strukturę i zachowani prawdziwych nuronów. Podobni jak

Bardziej szczegółowo

Uogólnione wektory własne

Uogólnione wektory własne Uogólnion wktory własn m Dfinicja: Wktor nazywamy uogólnionym wktorm własnym rzędu m macirzy A do wartości własnj λ jśli ( A - I) m m- λ al ( A - λ I) Przykład: Znajdź uogólniony wktor własny rzędu do

Bardziej szczegółowo

Ę Ć Ę Ó Ą ź Ó Ń Ń Ć Ó Ó Ł Ź Ł Ą Ł ć Ł ć Ź Ź ź Ń Ń Ź ć ć Ó Ą ź ć ć Ż ć ć Ź ć Ą ź Ł Ł Ę ć ć Ł Ś ć Ź ć Ł ć ć ć Ż Ó Ś Ł ć ź ć Ć ć ź ć Ź Ź Ł ć ć ć ź ź Ż Ą ź Ł ć ć ć Ó Ś Ć Ń ć Ń ć ć ź ć ć ć ć Ą Ł Ń ć Ł ć Ę Ą

Bardziej szczegółowo

Ć ń ń Ę Ó ń Ę ć ć ź Ę ć Ź ć ń ń ń ń ć ń ń ń Ę ć Ą Ę Ź ć ć ń Ą ź Ó ź ń Ę ć ć ń Ó Ą Ą ź ź Ę Ć Ę ć Ó ź Ą ć ć Ę ź ć Ź ć Ę ć Ź Ź ć ć ć ć Ł Ę ć Ć Ę Ź ć Ż Ę ń Ź Ę ć ń ć ń Ź Ź ń Ę ń ć Ó Ó Ź ć ń Ź ń Ż ć ź ź Ą Ć

Bardziej szczegółowo

Ą Ą ć Ż ć ć ź ć ć ć ć ć ć ć ć ć Ą ć ć Ą ć ć Ó Ź ć Ą ć ć ć ć ć Ą ć ć Ą Ź ć ć ć ć ć ć ć ć ć ć ć ć ć Ą ć Ą Ż ć Ź ć ć ć ć ć ć ć ć ć ć ć ć ć ć ć ć ć ć ć ć ć ć Ż ć ć Ż ć ć ć ć ć Ą ź ć Ę ć ć ć ć Ź ć ć ź ć ć ć

Bardziej szczegółowo

Ę Ę Ń ć Ź ć Ź Ń Ę Ó Ź Ę Ź Ń Ń ć Ź ź Ą Ź ć Ę Ą Ę Ź Ź Ź Ę Ź Ą Ź Ź Ą Ó Ó Ź Ą ć Ń Ą ć ć ć Ż Ą Ą Ż Ą Ą Ą ć Ź Ź Ę Ą Ą Ę Ź Ń ź Ś ź Ż Ż Ż Ą ć Ś Ą ć Ą Ż Ń Ż Ą Ź Ź ć Ń Ś Ń Ź Ź Ą Ź Ż Ą ź ć ć Ę Ź Ź Ź ź Ę ź Ę Ń Ź Ę

Bardziej szczegółowo

ć ź ć ź ć ć Ź ć ć ć ć ź ć ć ź ć ć Ź Ł ć ć ć Ż ć Ż ć ć Ź ź Ć Ą Ź Ż Ż Ź Ż Ć Ł Ł Ź Ź ź Ą ź Ą Ć Ź Ł Ź ć Ź ćź Ź Ź Ą Ź ć Ź ć Ł ć Ł ć ć Ł ć Ą ć ć ć ź ź ć ć ć ć ź ć ć ć ź ć ć ć ć ć ć ć ć Ł Ź ć ź ć Ą ć ć Ą Ć

Bardziej szczegółowo

Ł Ł Ń Ń Ś Ń Ń ź Ń Ą Ż Ł Ę Ł Ś Ą Ą Ś Ł Ń Ś Ą Ń ć Ą Ą Ą Ą Ł Ś Ę Ś Ń Ż Ż Ś Ć Ź ć Ę Ś Ą Ź Ś Ś Ś Ś Ż Ś Ź Ą Ż Ć Ą Ś Ź Ż Ź Ź Ź Ś Ą ć Ś Ść Ś Ść Ż Ź Ź ć Ź Ź Ź Ż Ż Ź Ś Ś Ż Ż ć Ź Ż Ż ć Ś Ś Ą Ź ć Ś ć ć Ś Ś ć Ż Ż Ą

Bardziej szczegółowo

Ą Ą Ą ń ż Ę Ż ż ń ż ć ż ż ć Ń Ż ż ż Ź Ą ń Ż Ę Ń ż Ą ń ż ć Ź ć ć ż ć ż ć ż Ż ż ż ż ć ż ń ż ć ń ż ż ż ć ć ń ń ż ć ż ćż ż ż ń ż ń ż ż Ę ż Ę Ą ż ż Ęć ż ż Ę ż ć ć ć ż ń ź ń ń Ź ż Ę Ę ń Ź Ź ć Ż ć ź ż ż ż ź Ę

Bardziej szczegółowo

Ł Ł Ś Ł Ń Ń Ł Ę ć ć Ż ć Ż Ę ć ć ć Ę Ę ć Ż ź Ż ć Ż Ą Ę Ę Ż Ę ź Ś ć ć Ę ź Ą ć Ł Ę Ę ź Ż ć ć Ę Ę Ż Ż ć Ż Ę ć Ę Ę ć ź Ą ć ć ć Ę ć ć ź ć ć ź ć Ś Ż ć ć Ż ć Ż ć Ż ć ź Ż Ż Ę Ę ź Ę ć Ż Ż Ę Ż Ę Ż Ą ć ć ć Ż ź Ż ć

Bardziej szczegółowo

N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi.

N ( µ, σ ). Wyznacz estymatory parametrów µ i. Y które są niezależnymi zmiennymi losowymi. 3 Metody estymacj N ( µ, σ ) Wyzacz estymatory parametrów µ 3 Populacja geerala ma rozład ormaly mometów wyorzystując perwszy momet zwyły drug momet cetraly z prób σ metodą 3 Zmea losowa ma rozład geometryczy

Bardziej szczegółowo

Zadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów.

Zadanie 1. Rzucamy symetryczną monetą tak długo, aż w dwóch kolejnych rzutach pojawią się,,reszki. Oblicz wartość oczekiwaną liczby wykonanych rzutów. Pradopodobeństo statystya 6..3r. Zadae. Rzucamy symetryczą moetą ta długo aż dóch olejych rzutach pojaą sę resz. Oblcz artość oczeaą lczby yoaych rzutó. (A) 7 (B) 8 (C) 9 (D) (E) 6 Wsazóa: jeśl rzuce umer

Bardziej szczegółowo

FILTRY O TŁUMIENIU KRYTYCZNYM

FILTRY O TŁUMIENIU KRYTYCZNYM FILTRY O TŁUMIENIU KRYTYCZNYM Filtry atywe Rys Uład filtru o tłumieiu rytyczym i jeo charaterystya przeoszeia K( s ) U ( s) U( s) T RC, K (j ω) K ( ω) + j ω T + ω T K( s ) + s T ; Dla oiw: K( s ) ( + s

Bardziej szczegółowo

L.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 1 ZADANIA - ZESTAW 1. . (odp. a)

L.Kowalski zadania z rachunku prawdopodobieństwa-zestaw 1 ZADANIA - ZESTAW 1. . (odp. a) ZADANIA - ZESTAW 1 Zadanie 11 Rzucamy trzy razy monetą A i - zdarzenie polegające na tym, że otrzymamy orła w i - tym rzucie Oreślić zbiór zdarzeń elementarnych Wypisać zdarzenia elementarne sprzyjające

Bardziej szczegółowo

Definicja: Wektor nazywamy uogólnionym wektorem własnym rzędu m macierzy A

Definicja: Wektor nazywamy uogólnionym wektorem własnym rzędu m macierzy A Uogólnion wktory własnw Dfinicja: Wktor nazywamy uogólnionym wktorm własnym rzędu m macirzy A m do wartości własnj λ jśli ( A - I) m m- λ al ( A - λ I) Przykład: Znajdź uogólniony wktor własny rzędu do

Bardziej szczegółowo

H brak zgodności rozkładu z zakładanym

H brak zgodności rozkładu z zakładanym WSPÓŁZALEŻNOŚĆ PROCESÓW MASOWYCH Test zgodości H : rozład jest zgody z załadaym 0 : H bra zgodości rozładu z załadaym statystya: p emp i p obszar rytyczy: K ;, i gdzie liczba ategorii p Przyład: Wyoujemy

Bardziej szczegółowo

Wymiana ciepła przez promieniowanie

Wymiana ciepła przez promieniowanie dr iż. Michał Strzszwski 003-006 yiaa cipła przz proiiowai Matriały do ćwiczń z wyiay cipła v..05. prowadzi Każd ciało wysyła pwą ilość rgii ciplj w postaci proiiowaia. Proiiowai cipl oż być traktowa jako

Bardziej szczegółowo

Sieci neuronowe - uczenie

Sieci neuronowe - uczenie Sici nuronow - uczni http://zajcia.jakubw.pl/nai/ Prcptron - przypomnini x x x n w w w n wi xi θ y w p. p. y Uczni prcptronu Przykład: rozpoznawani znaków 36 wjść Wyjści:, jśli na wjściu pojawia się litra

Bardziej szczegółowo

Teoria Sygnałów. II rok Geofizyki III rok Informatyki Stosowanej. Wykład 4. iωα. Własności przekształcenia Fouriera. α α

Teoria Sygnałów. II rok Geofizyki III rok Informatyki Stosowanej. Wykład 4. iωα. Własności przekształcenia Fouriera. α α ora Sygałów rok Gozyk rok ormatyk Stosowaj Wykład 4 Własośc przkształca ourra własość. Przkształc ourra jst low [ β g ] βg dowód: rywaly całkowa jst opracją lową. własość. wrdz o podobństw [ ] dowód :

Bardziej szczegółowo

PROCEDURA ANALIZY KOLIZYJNEGO STRUMIENIA POJAZDÓW SKRĘCAJACYCH W LEWO. Osobna faza i dodatkowy pas ruchu dla relacji w lewo SL jest konieczna, gdy

PROCEDURA ANALIZY KOLIZYJNEGO STRUMIENIA POJAZDÓW SKRĘCAJACYCH W LEWO. Osobna faza i dodatkowy pas ruchu dla relacji w lewo SL jest konieczna, gdy ROCEDURA ANALIZY KOLIZYJNEO TRUMIENIA OJAZDÓW KRĘCAJACYCH W LEWO 1) Koiczość wydziia osobj azy i dodatkowgo pasa rch da racji w o L Osoba aza i dodatkowy pas rch da racji w o L jst koicza, gdy 1 400 /h

Bardziej szczegółowo

[d(i) y(i)] 2. Do wyprowadzenia algorytmu RLS posłuży kryterium autokorelacyjne: J n = e 2 (i) i=1. λ n i [d(i) y(i)] 2 λ (0, 1]

[d(i) y(i)] 2. Do wyprowadzenia algorytmu RLS posłuży kryterium autokorelacyjne: J n = e 2 (i) i=1. λ n i [d(i) y(i)] 2 λ (0, 1] Algorytm RLS Recursive Least Squares Ogólna postać kryterium LS: J = i e 2 (i) = i [d(i) y(i)] 2 Do wyprowadzenia algorytmu RLS posłuży kryterium autokorelacyjne: J n = e 2 (i) Zmodyfikowane kryterium

Bardziej szczegółowo

Ćwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA

Ćwiczenia rachunkowe TEST ZGODNOŚCI χ 2 PEARSONA ROZKŁAD GAUSSA Aaliza iepewości pomiarowych w esperymetach fizyczych Ćwiczeia rachuowe TEST ZGODNOŚCI χ PEARSONA ROZKŁAD GAUSSA UWAGA: Na stroie, z tórej pobrałaś/pobrałeś istrucję zajduje się gotowy do załadowaia arusz

Bardziej szczegółowo

Praca dyplomowa magisterska

Praca dyplomowa magisterska Praca dyplomowa magisterska Implementacja algorytmów filtracji adaptacyjnej o strukturze transwersalnej na platformie CUDA Dyplomant: Jakub Kołakowski Opiekun pracy: dr inż. Michał Meller Plan prezentacji

Bardziej szczegółowo

L A B O R A T O R I U M T E C H N I K I C Y F R O W E J

L A B O R A T O R I U M T E C H N I K I C Y F R O W E J Paweł OSTASZEWSKI 55566 25.11.2002 Piotr PAWLICKI 55567 L A B O R A T O R I U M T E C H N I K I C Y F R O W E J Ćwiczeie r 2 Temat: B A D A N I E P R Z E R Z U T N I K Ó W Treść ćwiczeia: Obserwacja a

Bardziej szczegółowo

Rozkład normalny (Gaussa)

Rozkład normalny (Gaussa) Rozład ormaly (Gaussa) Wyprowadzeie rozładu Gaussa w modelu Laplace a błędów pomiarowych. Rozważmy pomiar wielości m, tóry jest zaburzay przez losowych efetów o wielości e ażdy, zarówo zaiżających ja i

Bardziej szczegółowo

Teoria struktury kapitału

Teoria struktury kapitału Toria strutury apitału Dr Tomasz Słońsi Toria strutury apitału, Moigliani-Millr (MM), Nobl w zizini onomii Powaliny nowoczsnj torii strutury apitału zostały położon w rou 1958 w molu, tóry opirał się o

Bardziej szczegółowo

f '. Funkcja h jest ciągła. Załóżmy, że ciąg (z n ) n 0, z n+1 = h(z n ) jest dobrze określony, tzn. n 0 f ' ( z n

f '. Funkcja h jest ciągła. Załóżmy, że ciąg (z n ) n 0, z n+1 = h(z n ) jest dobrze określony, tzn. n 0 f ' ( z n Metoda Newtoa i rówaie z = 1 Załóżmy, że fucja f :C C ma ciągłą pochodą. Dla (prawie) ażdej liczby zespoloej z 0 tworzymy ciąg (1) (z ) 0, z 1 = z f ( z ), ciąg te f ' (z ) będziemy azywać orbitą liczby

Bardziej szczegółowo

Metody Podejmowania Decyzji

Metody Podejmowania Decyzji Metody Podejmowaia Decyzji Wzrost liczby absolwetów w Politechice Wrocławsiej a ieruach o luczowym zaczeiu dla gospodari opartej a wiedzy r UDA-POKL.04.0.0-00-065/09-0 Recezet: Prof. dr hab. iż. Ja Iżyowsi

Bardziej szczegółowo

LABORATORIUM MODELOWANIA I SYMULACJI. Ćwiczenie 3 MODELOWANIE SYSTEMÓW DYNAMICZNYCH METODY OPISU MODELI UKŁADÓW

LABORATORIUM MODELOWANIA I SYMULACJI. Ćwiczenie 3 MODELOWANIE SYSTEMÓW DYNAMICZNYCH METODY OPISU MODELI UKŁADÓW Wydział Elektryczy Zespół Automatyki (ZTMAiPC) ZERiA LABORATORIUM MODELOWANIA I SYMULACJI Ćwiczeie 3 MODELOWANIE SYSTEMÓW DYNAMICZNYCH METODY OPISU MODELI UKŁADÓW I. Cel ćwiczeia Celem ćwiczeia jest zapozaie

Bardziej szczegółowo

Metoda analizy hierarchii Saaty ego Ważnym problemem podejmowania decyzji optymalizowanej jest często występująca hierarchiczność zagadnień.

Metoda analizy hierarchii Saaty ego Ważnym problemem podejmowania decyzji optymalizowanej jest często występująca hierarchiczność zagadnień. Metoda aalizy hierarchii Saaty ego Ważym problemem podejmowaia decyzji optymalizowaej jest często występująca hierarchiczość zagadień. Istieje wiele heurystyczych podejść do rozwiązaia tego problemu, jedak

Bardziej szczegółowo

Zajęcia nr. 2 notatki

Zajęcia nr. 2 notatki Zajęcia r otati wietia 5 Wzory srócoego możeia W rozdziale tym podamy ila wzorów tóre ułatwiają obliczaie wielu zadań rachuowych Fat (wzory srócoego możeia) Dla dowolych liczb rzeczywistych a, b zachodzi:

Bardziej szczegółowo

Wykład 9. Fizyka 1 (Informatyka - EEIiA 2006/07)

Wykład 9. Fizyka 1 (Informatyka - EEIiA 2006/07) Wyład 9 Fizya 1 (Informatya - EEIiA 006/07) 9 11 006 c Mariusz Krasińsi 006 Spis treści 1 Ruch drgający. Dlaczego właśnie harmoniczny? 1 Drgania harmoniczne proste 1.1 Zależność między wychyleniem, prędością

Bardziej szczegółowo

MMF ćwiczenia nr 1 - Równania różnicowe

MMF ćwiczenia nr 1 - Równania różnicowe MMF ćwiczia r - Rówaia różicow Rozwiązać rówaia różicow pirwszgo rzędu: y + y = y = y + y =! y = Wsk Podzilić rówai przz! i podstawić z y /( )! Rozwiązać rówaia różicow drugigo rzędu: 5 6 F F F F F (ciąg

Bardziej szczegółowo

k k M. Przybycień Rachunek Prawdopodobieństwa i Statystyka Wykład 13-2

k k M. Przybycień Rachunek Prawdopodobieństwa i Statystyka Wykład 13-2 Pojęce przedzału ufośc Przyład: Rozważmy pewe rzad proces (tz. ta tórego lczba zajść podlega rozładow Possoa). W cągu pewego czasu zaobserwowao =3 tae zdarzea. Oceć możlwy przedzał lczby zdarzeń tego typu

Bardziej szczegółowo

Wykład 3 : Podstawowe prawa, twierdzenia i reguły Teorii Obwodów

Wykład 3 : Podstawowe prawa, twierdzenia i reguły Teorii Obwodów OBWODY SYNAŁY Wyład 3 : Podstawowe prawa, twierdzeia i reguły Teorii Obwodów 3. PODSTAWOWE PAWA TWEDZENA TEO OBWODÓW 3.. SCHEMAT DEOWY OBWOD Schematem ideowym obwodu (siecią) azywamy graficze przedstawieie

Bardziej szczegółowo

WYKŁAD 2. Rozdział 2: Drgania układu liniowego o jednym stopniu swobody. Część 1 Drgania swobodne

WYKŁAD 2. Rozdział 2: Drgania układu liniowego o jednym stopniu swobody. Część 1 Drgania swobodne WYKŁD Rozdział : Drgaia układu liiowgo o jdym stopiu swobody Część Drgaia swobod.. Modl fizycz układów o jdym stopiu swobody Przypomijmy, ż drgaia swobod to drgaia, któr odbywają się bz udziału wymuszń

Bardziej szczegółowo

FILTRY FILTR. - dziedzina pracy filtru = { t, f, ω } Filtr przekształca w sposób poŝądany sygnał wejściowy w sygnał wyjściowy: Filtr: x( ) => y( ).

FILTRY FILTR. - dziedzina pracy filtru = { t, f, ω } Filtr przekształca w sposób poŝądany sygnał wejściowy w sygnał wyjściowy: Filtr: x( ) => y( ). FILTRY Sygał wejściowy FILTR y( ) F[x( )] Sygał wyjściowy - dziedzia pracy filtru { t, f, } Filtr przekształca w sposób poŝąday sygał wejściowy w sygał wyjściowy: Filtr: x( ) > y( ). Działaie filtru moŝe

Bardziej szczegółowo

LABORATORIUM SYMSE Układy liniowe

LABORATORIUM SYMSE Układy liniowe Tomasz Czarck, Warszawa, 2017 LABORATORIUM SYMSE Układy low Dyskrt systmy low, zm względm przsuęca Wśród systmów prztwarzaa sygałów ważą rolę odgrywają systmy low, zm względm przsuęca. Dcyduj o tym ch

Bardziej szczegółowo

Politechnika Warszawska Wydział Samochodów i Maszyn Roboczych Instytut Podstaw Budowy Maszyn Zakład Mechaniki

Politechnika Warszawska Wydział Samochodów i Maszyn Roboczych Instytut Podstaw Budowy Maszyn Zakład Mechaniki Politechia Warszawsa Wydział Samochodów i Maszy Roboczych Istytut Podstaw Budowy Maszy Załad Mechaii http://www.ipbm.simr.pw.edu.pl/ Teoria maszy i podstawy automatyi semestr zimowy 206/207 dr iż. Sebastia

Bardziej szczegółowo

A4: Filtry aktywne rzędu II i IV

A4: Filtry aktywne rzędu II i IV A4: Filtry atywne rzędu II i IV Jace Grela, Radosław Strzała 3 maja 29 1 Wstęp 1.1 Wzory Poniżej zamieszczamy podstawowe wzory i definicje, tórych używaliśmy w obliczeniach: 1. Związe między stałą czasową

Bardziej szczegółowo

Czes³aw Rybicki*, Jacek Blicharski* ZASTOSOWANIE METODY BILANSU MASOWEGO W EKSPLOATACJI Z Ó GAZU ZIEMNEGO W WARUNKACH DYNAMICZNYCH**

Czes³aw Rybicki*, Jacek Blicharski* ZASTOSOWANIE METODY BILANSU MASOWEGO W EKSPLOATACJI Z Ó GAZU ZIEMNEGO W WARUNKACH DYNAMICZNYCH** WIERTNICTWO NAFTA GAZ TOM 5 ZESZYT 008 Czs³aw Rybicki*, Jack Blicharski* ZASTOSOWANIE METODY BILANSU MASOWEGO W EKSPLOATACJI Z Ó GAZU ZIEMNEGO W WARUNKACH DYNAMICZNYCH** 1. WPROWADZENIE Eksploatacja z³o

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA

STATYSTYKA MATEMATYCZNA STATYSTYKA MATEMATYCZA 1. Wyład wstępny. Teoria prawdopodobieństwa i elementy ombinatoryi. Zmienne losowe i ich rozłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez statystycznych

Bardziej szczegółowo

Józef Borkowski. Metody interpolacji widma i metoda LIDFT w estymacji parametrów sygnału wieloczęstotliwościowego

Józef Borkowski. Metody interpolacji widma i metoda LIDFT w estymacji parametrów sygnału wieloczęstotliwościowego Józef Borowsi Metody iterpolacji widma i metoda LIDFT w estymacji parametrów sygału wieloczęstotliwościowego Oficya Wydawicza Politechii Wrocławsiej Wrocław 0 ecezeci yszard MAKOWSKI Tomasz ZIELIŃSKI Opracowaie

Bardziej szczegółowo

GENERALISED TRANSMISSION MODEL OF FIRST ORDER PARAMETRIC SECTION

GENERALISED TRANSMISSION MODEL OF FIRST ORDER PARAMETRIC SECTION ELEKTRYKA 212 Zeszy 3-4 (223-224) Ro LVIII Aa PIWOWAR Jausz WALCZAK Isyu Eleroechii i Iformayi Poliechia Śląsa w Gliwicach MODEL TRANSMISYJNY UOGÓLNIONEJ SEKCJI LTV PIERWSZEGO RZĘDU Sreszczeie. W aryule

Bardziej szczegółowo

Ćwiczenie 6. Realizacja i pomiary filtrów adaptacyjnych

Ćwiczenie 6. Realizacja i pomiary filtrów adaptacyjnych Ćwiczeie 6 Realizacja i pomiary filtrów adaptacyjyc Cele ćwiczeia Zapozaie z działaiem prostyc filtrów adaptacyjyc. Obserwacja efektów działaia filtru predykcyjego. Porówaie algorytmów LMS i LMS. Pomiary

Bardziej szczegółowo

DOBÓR PRZEWODÓW W INSTALACJACH ELEKTRYCZNYCH mgr inż. Julian Wiatr

DOBÓR PRZEWODÓW W INSTALACJACH ELEKTRYCZNYCH mgr inż. Julian Wiatr DOBÓR PRZEWODÓW W NSTALACJACH ELEKTRYCZNYCH mgr iż. Julia Wiatr Przewody w sieciach i istalacjach eletryczych N dobiera się a astępujące warui: a) wytrzymałość mechaiczą, b) obciążalość długotrwałą, c)

Bardziej szczegółowo

Zmiana wartości pieniądza

Zmiana wartości pieniądza Ziaa watości piiądza w czasi topa dyskotowa Wydatki i fkty astępują w óży czasi, tzba więc uwzględić fakt, ż watość piiądza ziia się w czasi, więc taka saa sua piiędzy będzi iała ią watość w óży czasi.

Bardziej szczegółowo

Matematyka dyskretna. Wykład 2: Kombinatoryka. Gniewomir Sarbicki

Matematyka dyskretna. Wykład 2: Kombinatoryka. Gniewomir Sarbicki Matematya dysretna Wyład 2: Kombinatorya Gniewomir Sarbici Kombinatorya Definicja Kombinatorya zajmuje się oreślaniem mocy zbiorów sończonych, w szczególności mocy zbiorów odwzorowań jednego zbioru w drugi

Bardziej szczegółowo

DRGANIA WŁASNE RAM OBLICZANIE CZĘSTOŚCI KOŁOWYCH DRGAŃ WŁASNYCH

DRGANIA WŁASNE RAM OBLICZANIE CZĘSTOŚCI KOŁOWYCH DRGAŃ WŁASNYCH Część 5. DRGANIA WŁASNE RAM OBLICZANIE CZĘSTOŚCI KOŁOWYCH... 5. 5. DRGANIA WŁASNE RAM OBLICZANIE CZĘSTOŚCI KOŁOWYCH DRGAŃ WŁASNYCH 5.. Wprowadzenie Rozwiązywanie zadań z zaresu dynamii budowli sprowadza

Bardziej szczegółowo

WPŁYW ROZSZERZENIA PRÓBKI PRZY GENEROWANIU WSPÓŁCZYNNIKÓW FALKOWYCH SZEREGU NA TRAFNOŚĆ PROGNOZY

WPŁYW ROZSZERZENIA PRÓBKI PRZY GENEROWANIU WSPÓŁCZYNNIKÓW FALKOWYCH SZEREGU NA TRAFNOŚĆ PROGNOZY EKONOMETRIA ECONOMETRICS 4(46) 14 ISSN 157-866 Moia Hadaś-Dyduch Uiwersytet Eoomiczy w Katowicach e-mail: moia.dyduch@ue.atowice.pl WPŁYW ROZSZERZENIA PRÓBKI PRZY GENEROWANIU WSPÓŁCZYNNIKÓW FALKOWYCH SZEREGU

Bardziej szczegółowo

Najprostsze modele sieci z rekurencją. sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga;

Najprostsze modele sieci z rekurencją. sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga; Sieci Hopfielda Najprostsze modele sieci z rekurencją sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga; Modele bardziej złoŝone: RTRN (Real Time Recurrent Network), przetwarzająca sygnały w czasie

Bardziej szczegółowo

METODY I ZASTOSOWANIA SZTUCZNEJ INTELIGENCJI. LABORATORIUM nr 01. dr inż. Robert Tomkowski

METODY I ZASTOSOWANIA SZTUCZNEJ INTELIGENCJI. LABORATORIUM nr 01. dr inż. Robert Tomkowski METODY I ZASTOSOWANIA SZTUCZNEJ INTELIGENCJI LABORATORIUM r 01 Temat: PERCEPTRON dr iż. Robert Tomkowski pok. 118 bud. C robert.tomkowski@tu.koszali.pl tel. 94 3178 251 Metody i zastosowaia sztuczej iteligecji

Bardziej szczegółowo

Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe

Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe Trening jednokierunkowych sieci neuronowych wykład 2. dr inż. PawełŻwan Katedra Systemów Multimedialnych Politechnika Gdańska

Bardziej szczegółowo

Wykres linii ciśnień i linii energii (wykres Ancony)

Wykres linii ciśnień i linii energii (wykres Ancony) Wyres linii ciśnień i linii energii (wyres Ancony) W wyorzystywanej przez nas do rozwiązywania problemów inżyniersich postaci równania Bernoulliego występuje wysoość prędości (= /g), wysoość ciśnienia

Bardziej szczegółowo

Statystyka Inżynierska

Statystyka Inżynierska Statystya Iżyiersa dr hab. iż. Jace Tarasiu GH, WFiIS 03 Wyład 4 RCHUNEK NIEPEWNOŚCI + KILK UŻYTECZNYCH NRZĘDZI STTYSTYCZNYCH Wyład w więszości oparty a opracowaiu prof.. Zięby http://www.fis.agh.edu.pl/~pracowia_fizycza/pomoce/opracowaiedaychpomiarowych.pdf

Bardziej szczegółowo

ć Ó ć Ź ć ć ć ć ć ć Ś Ą ć ź Ź ć Ź Ź ć ć ć Ą Ź ĄĄ ć ź ć ć ć ć ć ć Ą ź Ó ć ć ć ć ć ć ć Ą ć ź ć ć ć Ś Ą ź ć Ó ć ć ć Ł ć ć Ą ć ć Ą Ó ć ć ć ć ź ć ć ć ć ć ć Ść ć ć Ó ć Ę ć ć ÓĄ Ś ć ć ć Ą ć ć Ź ź Ś ć Ź ć ć ć

Bardziej szczegółowo

Marek Be±ka, Statystyka matematyczna, wykªad Wykªadnicze rodziny rozkªadów prawdopodobie«stwa

Marek Be±ka, Statystyka matematyczna, wykªad Wykªadnicze rodziny rozkªadów prawdopodobie«stwa Mare Be±a, Statystya matematycza, wyªad 3 38 3 Statystyi zupeªe 3. Wyªadicze rodziy rozªadów prawdopodobie«stwa Zacziemy od deicji Deicja 3. Rodzi rozªadów {µ θ } θ Θ azywamy wyªadicz rodzi rozªadów -

Bardziej szczegółowo

Zadania II etapu Konkursu Chemicznego Trzech Wydziałów PŁ teoria III Edycja Rok szkolny 2016/17 Nr startowy zawodnika A A. Zadanie 1. Nawozy (..

Zadania II etapu Konkursu Chemicznego Trzech Wydziałów PŁ teoria III Edycja Rok szkolny 2016/17 Nr startowy zawodnika A A. Zadanie 1. Nawozy (.. Zadaie. Nawozy (.. pt) a. / pt. NH + H P 4 NH 4 H P 4... NH + H P 4 (NH 4 ) HP 4. Za poprawe zapisaie rówań reacji w formie cząsteczowej b. / pt m P 50 + 0 9,8 g 5 8 4 m N 50 + 0 4,6 g 5 m 5 9,8 4 P 45,4

Bardziej szczegółowo

Błędy kwantyzacji, zakres dynamiki przetwornika A/C

Błędy kwantyzacji, zakres dynamiki przetwornika A/C Błędy kwatyzacji, zakres dyamiki przetworika /C Celem ćwiczeia jest pozaie wpływu rozdzielczości przetworika /C a błąd kwatowaia oraz ocea dyamiki układu kwatującego. Kwatowaie przyporządkowaie kolejym

Bardziej szczegółowo

1.3. Przestrzeni. Odwzorowania. Rząd macierzy. Twierdzenie Croneckera- Capellego

1.3. Przestrzeni. Odwzorowania. Rząd macierzy. Twierdzenie Croneckera- Capellego WYKŁD 4 3 Przestrzei Odwzorowaia Rząd acierzy Twierdzeie Croecera- Capellego 3 Przestrzeń Przestrzeń wetorowa Baza przestrzei wetorowej 78 (Przestrzeń ) Niech ozacza zbiór wszystich ciągów -eleetowych

Bardziej szczegółowo

Analiza matematyczna i algebra liniowa

Analiza matematyczna i algebra liniowa Aaliza matematycza i algebra liiowa Materiały pomocicze dla studetów do wyładów Rachue różiczowy ucji wielu zmieych. Pochode cząstowe i ich iterpretacja eoomicza. Estrema loale. Metoda ajmiejszych wadratów.

Bardziej szczegółowo

OPTYMALIZACJA ROZMYTEGO FILTRU KALMANA PRZY WYKORZYSTANIU ALGORYTMÓW GENETYCZNYCH

OPTYMALIZACJA ROZMYTEGO FILTRU KALMANA PRZY WYKORZYSTANIU ALGORYTMÓW GENETYCZNYCH Prace Nauowe Istytutu Maszy, Napędów i Pomiarów Eletryczych Nr 69 Politechii Wrocławsiej Nr 69 Studia i Materiały Nr 33 3 algorytm geetyczy, optymalizacja, filtr Kalmaa, uład dwumasowy Krzysztof DÓŻDŻ*

Bardziej szczegółowo

Twierdzenie Cayleya-Hamiltona

Twierdzenie Cayleya-Hamiltona Twierdzeie Cayleya-Hamiltoa Twierdzeie (Cayleya-Hamiltoa): Każda macierz kwadratowa spełia swoje włase rówaie charakterystycze. D: Chcemy pokazać, że jeśli wielomiaem charakterystyczym macierzy A jest

Bardziej szczegółowo

Funkcja generująca rozkład (p-two)

Funkcja generująca rozkład (p-two) Fucja geerująca rozład (p-wo Defiicja: Fucją geerującą rozład (prawdopodobieńswo (FGP dla zmieej losowej przyjmującej warości całowie ieujeme, azywamy: [ ] g E P Twierdzeie: (o jedozaczości Jeśli i są

Bardziej szczegółowo

Sztuczne sieci neuronowe

Sztuczne sieci neuronowe www.math.uni.lodz.pl/ radmat Cel wykładu Celem wykładu jest prezentacja różnych rodzajów sztucznych sieci neuronowych. Biologiczny model neuronu Mózg człowieka składa się z około 10 11 komórek nerwowych,

Bardziej szczegółowo

JEDNOWYMIAROWA ZMIENNA LOSOWA

JEDNOWYMIAROWA ZMIENNA LOSOWA JEDNOWYMIAROWA ZMIENNA LOSOWA Nech E będze zborem zdarzeń elemetarych daego dośwadczea. Fucję X(e) przyporządowującą ażdemu zdarzeu elemetaremu e E jedą tylo jedą lczbę X(e)=x azywamy ZMIENNĄ LOSOWĄ. Przyład:

Bardziej szczegółowo

Transformata Z Matlab

Transformata Z Matlab Aademia Morsa w Gdyi Katedra Automatyi Orętowej Teoria sterowaia Trasformata Z Matlab Mirosław Tomera. WPROWADZENIE W uładach sterowaia cora cęściej stosowae są regulatory cyfrowe i stąd oiecość oreślaia

Bardziej szczegółowo

Bezpieczeństwo i niezawodność w geotechnice Kalibracja częściowych współczynników bezpieczeństwa według Eurokodu EC7-1

Bezpieczeństwo i niezawodność w geotechnice Kalibracja częściowych współczynników bezpieczeństwa według Eurokodu EC7-1 Bezpieczeństwo i iezawodość w geotechice Kalibracja częściowych współczyiów bezpieczeństwa według Euroodu EC7-1 Dr hab iż Włodzimierz Brząała, prof PWr Politechia Wrocławsa, Wydział Budowictwa Lądowego

Bardziej szczegółowo

Politechnika Warszawska Wydział Samochodów i Maszyn Roboczych Instytut Podstaw Budowy Maszyn Zakład Mechaniki

Politechnika Warszawska Wydział Samochodów i Maszyn Roboczych Instytut Podstaw Budowy Maszyn Zakład Mechaniki Politechia Warszawsa Wydział Samochodów i Maszy Roboczych Istytut Podstaw Budowy Maszy Załad Mechaii http://www.ipbm.simr.pw.edu.pl/ Teoria maszy i podstawy automatyi semestr zimowy 07/08 dr iż. Sebastia

Bardziej szczegółowo

Podstawy formalizmu mechaniki kwantowej

Podstawy formalizmu mechaniki kwantowej 3.10.2004 3. Podstawy formalizmu mechaii watowej 30 Rozdział 3 Podstawy formalizmu mechaii watowej W zasadzie wyład metod matematyczych fizyi (II-gi ro studiów) powiie zapewić odpowiedie przygotowaie matematycze

Bardziej szczegółowo

wiedzy Sieci neuronowe

wiedzy Sieci neuronowe Metody detekcji uszkodzeń oparte na wiedzy Sieci neuronowe Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 7 Wprowadzenie Okres kształtowania się teorii sztucznych sieci

Bardziej szczegółowo

Analiza dokładności pomiaru, względnego rozkładu egzytancji widmowej źródeł światła, dokonanego przy użyciu spektroradiometru kompaktowego

Analiza dokładności pomiaru, względnego rozkładu egzytancji widmowej źródeł światła, dokonanego przy użyciu spektroradiometru kompaktowego doi:1.15199/48.215.4.38 Eugeiusz CZECH 1, Zbigiew JAROZEWCZ 2,3, Przemysław TABAKA 4, rea FRYC 5 Politechika Białostocka, Wydział Elektryczy, Katedra Elektrotechiki Teoretyczej i Metrologii (1), stytut

Bardziej szczegółowo

SIECI REKURENCYJNE SIECI HOPFIELDA

SIECI REKURENCYJNE SIECI HOPFIELDA SIECI REKURENCYJNE SIECI HOPFIELDA Joanna Grabska- Chrząstowska Wykłady w dużej mierze przygotowane w oparciu o materiały i pomysły PROF. RYSZARDA TADEUSIEWICZA SPRZĘŻENIE ZWROTNE W NEURONIE LINIOWYM sygnał

Bardziej szczegółowo

PLAN WYKŁADU OPTYMALIZACJA GLOBALNA ALGORYTM MRÓWKOWY (ANT SYSTEM) ALGORYTM MRÓWKOWY. Algorytm mrówkowy

PLAN WYKŁADU OPTYMALIZACJA GLOBALNA ALGORYTM MRÓWKOWY (ANT SYSTEM) ALGORYTM MRÓWKOWY. Algorytm mrówkowy PLAN WYKŁADU Algorytm mrówowy OPTYMALIZACJA GLOBALNA Wyład 8 dr inż. Agniesza Bołtuć (ANT SYSTEM) Inspiracja: Zachowanie mrówe podczas poszuiwania żywności, Zachowanie to polega na tym, że jeśli do żywności

Bardziej szczegółowo