Wyróżnić należy następujące sieci rekurencyjne: sieć Hopfielda, jej uogólnienie sieć BAM, sieć Hamminga oraz sieci rezonansowe.

Wielkość: px
Rozpocząć pokaz od strony:

Download "Wyróżnić należy następujące sieci rekurencyjne: sieć Hopfielda, jej uogólnienie sieć BAM, sieć Hamminga oraz sieci rezonansowe."

Transkrypt

1 1. Seć Hopfelda 1.1 Sec ze sprzężene zrotn Sec ze sprzężene zrotn torzą odrębną grupę sec neuronoch, stępuącą róneż pod nazą sec rekurencnch bądź asocacnch. Zaknęce pętl sprzężena zrotnego poodue, ż seć stae sę dnaczna. Sgnał na e ścach zależą zaróno od aktualnego stanu eść, ak od poprzednch sgnałó eścoch, które są z kole uzależnone od poprzednch sgnałó eścoch. Można zate sterdzć, że sgnał na ścach sec zależą od stanu początkoego oraz dzałaącch pobudzeń. Do cech spólnch sec rekurencnch należ fakt, ż stneą setrczne poązana ędz neurona. Neuron tch secach ne torzą raźnch arst ogą bć rozażane doolne topograf. Wróżnć należ następuące sec rekurencne: seć Hopfelda, e uogólnene seć BAM, seć Hanga oraz sec rezonansoe. 1.2 Charakterstka sec Hopfelda Seć Hopfelda est edn z przedstacel sec ze sprzężene zrotn. Naza pochodz od nazska tórc, J. J. Hopfeld a, któr roku 1982 przedstał odel teże sec. Publkaca Hopfeld a, które zdefnoał seć stała sę punkte zrotn badanach nad seca neurono. Należ do nabardze popularnch sec neuronoch. Ważną e cechą est prost sposób uczena oraz łatość pleentac postac układu fzcznego. W sec te charakterstk neuronó są nelnoe: e, gdze a nelnoość e e est postac:,

2 1 1 dla e 0 dla e 0 1 dla e 0. Istneą ne połączena z arst ścoch do arst cześneszch, czl sprzężene zrotne. Co za t dze ożle est poaene sę przebegó dnacznch. Zacera sę tch secach podzał na arst, poneaż każd neuron sec a kontakt z odpoadaąc u sgnałe eśco N N Rsunek 1 Model sec Hopfelda Wadą sec Hopfelda est e ała poeność, rażana ałą loścą klas ake seć oże zapaętać. 1.3 Seć Hopfelda ako paęć autoasocacna Seć Hopfelda oże pracoać ako paęć autoasocacna (skoarzenoa), tak przpadku e zadane est "zapaętane" zorcó tak ab po podanu na eśce sec sgnału na e ścu ustalł sę ektoro sgnał ust odpoadaąc edneu z zorcó. Odtorzon zorzec ponen bć ponadto "nablższ" ektoro. Jako arę odległośc poędz ektora ust przue sę arę Hanga defnoaną następuąco: N 1 ust 2 ust 1

3 gdze ndeks oznacza -tą składoą ektora. Inacze óąc, seć Hopfelda korzstana ako paęć skoarzenoa ponna na podstae danch eścoch, które ększośc przpadkó są zakłócone "odtarzać" nablższ zapaętan zorzec. W celu uzskana takego rezultatu, na etape uczena sec, należ zapenć dobór odpoednch ag. 1.4 Stablność W celu ułatena badana stablnośc sec Hopfelda została proadzona tz. funkca oblczenoa zana energą. Cekaą łasnoścą teże funkc est fakt, ż e artość kolench teracach ne zrasta. Kolene stan są przoane kerunku przecn do gradentu energ, aż do oentu osągnęca przez ną nu lokalnego. Energę razć ożna następuąc zore: E 1 2 M M 1 1 M 1 I Prz cz I est eśco prąde nezrónoażena, o charakterze prądu pobudzena. Woge stablnego dzałana paęc autoasocacne est arunek, ab odpoedź - tego neuronu na l-t zorzec ucząc (l) bła róna -te składoe tego zorca (l) N l l k k l l sgn 1 sgn 0 N 0 k1 N P Paęć autoasocacna a łaścośc korekcne. Prz prezentac próbk różnące sę bta na pench pozcach ektora, seć neuronoa oże dokonać korekc tch btó zakończć proces klasfkac e łaśc atraktorze.

4 A A 2. Metod uczena sec Hopfelda 2.1 Reguła Hebba Regułę Hebba ożna zapsać następuąc sposób: - Jeśl neuron A B połączone snapsą są pobudzane ednocześne (t. snchronczne) to połączene snaptczne e łączące est zacnane. - Jeśl neuron A B połączone snapsą są pobudzane neednocześne (t. asnchronczne) to połączene snaptczne e łączące podlega osłabenu. Wag snoptczne ędz neurona A B odfkoane są zgodne ze zore: k 1 k k k, gdze - aga połączena ędz neurona oraz - stan aktac neuronu - stan aktac neuronu - spółcznnk uczena Rsunek 2 Połączene ędz neurona Wzrost ag połączeń regule Hebba est neogranczon, dlatego uczene ne kończ sę, to natoast proadz do rozbeżnośc procesu.

5 2.2 Reguła Wzaench Ogranczeń Ze zględu na ogranczena Metod Hebba został proadzone do ne pene odfkace. Zaera e Metoda Wzaench Ogranczeń. Reguła ta proadza składnk odpchaąc, któr chron przed rozbeżnoścą procesu uczena. Wag ne lcza sę edług następuącego zoru: ( k 1) ( k)(1 ) ( k) k - spółcznnk zaponana 2.3 Reguła Rzutoana Delta Reguła Delta est napopularneszą nachętne stosoaną etodą uczena z nauczcele. Z Metodą Naększego Spadku (Regułą Delta) a do cznena, gd uaktualnane ag następue każdorazoo po prezentac edne par uczące. Reguła Delta est uogólnene Reguł Perceptronu. Stosoana est dla neuronó o cągłe funkc aktac. Wag ne uzskue sę na podstae ponższe zależnośc: k 1 k cd f net 2.4 Zodfkoana Reguła Perceptronu W przpadku skokoch funkc aktac z ak a do cznena przpadku sec Hopfelda ożna stosoać Regułę Perceptronu (rs.) bądź e uogólnene znane pod nazą Reguł Wdroa - Hoffa. Regułę Perceptronu ożna sforułoać następuąc sposób: Prz stępne ustalonch artoścach ag prezentue sę na eścu ektor ucząc oblcza artość sgnału ścoego. W nku porónana aktualne artośc oraz artośc żądane d dokonue sę aktualzac ag zgodne z zależnoścą

6 k 1 k k k, dla, dla dla d 0, 1 d d 1 0 Po uaktualnenu ag następue prezentaca noego ektora uczącego skoarzone z ną artośc zadane d, a następne ponone aktualzue sę ag. Proces potarzan est na szstkch próbkach uczącch elokrotne, aż uzska sę nalzacę różnc ędz szstk artośca śco odpoadaąc e artośca zadan.

7 3. Progra Snhop ako sulator do rozpoznaana znakó 3.1 Wproadzene do prograu agana Sulator Snhop postał ako ntegralna część prac dplooe: Rozpoznaane obrazó prz użcu sulatora sec Hopfelda. Został zapleentoan dla środoska Sun Java 2. Pozala na przetestoane różnch etod uczena sec Hopfelda oraz ocenene skutecznośc tchże etod rozpoznaanu znakó. Do podstaoch łaścośc prograu należą: ożlość ustalena rozaru obrazu, ustaene paraetru BIAS. Sulator pozala na bór etod uczena oraz ustaene paraetró te etod, zapsane całe sec bądź też poszczególnch zboró: zorcoego, testuącego oraz nkoego. Po zakończon etape uczena rozpoznaana progra generue raport. Mnalne agana prograu do pradłoego dzałana to: - Procesor 200MHz - RAM 64MB - Sun J2RE Instrukca obsług prograu Snhop W okne głón prograu a czter zakładk: nstrukca, paraetr, sulaca oraz nk. W Instrukc znadue szstke potrzebne skazók dotczące prograu oraz prac z n. Zakładka Paraetr służ na do brana nteresuącch nas ustaeń prograu.

8 Rsunek 3 Okno boru paraetró W t escu bera etodę uczena sec oraz paraetr korzstane podczas rozpoznaana. Kolena zakładka, którą est Sulaca pozala na na cztane zboru uczącego, testuącego, a także zapoznane sę z otrzan nka. Po rozpoznanu przez seć zorca a ożlość generoać raport, któr następne oże oberzeć po prześcu do zakładk Wnk (Dokładne scan zakładk Sulaca ak Wnk zostaną przedstaone rozdzale 5. Eksperent, test, prób). Funkce sulatora uruchaa z paska Menu, ątke est edne koenda Uczene Rozpoznaane dostępne łączne z paska Narzędz. Rsunek 4 Pasek Menu Pasek Narzędz

9 4. Bblografa [1] Mancar M. Rozpoznaane obrazó prz użcu sulatora sec Hopfelda, praca dplooa pod keroncte dr nż. Jolant Grabske-Chrząstoske, Krakó, 2002 [2] Grabska-Chrząstoska J., Mancar M. Odtarzane znekształconch znakó prz pooc sec Hopfelda, Krakó [3] Grabska-Chrząstoska J. Optalzaca sec Hopfelda prz konstrukc paęc skoarzenoch, Krakó [4] Tadeusecz R. Sec neuronoe, Akadecka Ofcna Wdancza RM, Warszaa, 1993

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

Literatura SZTUCZNE SIECI NEURONOWE. Mózg/komputer jak to działa? MÓZG WZORZEC DOSKONAŁY KOMPUTER TWÓR DOSKONALONY SSN niekonwencjonalne przetwarzanie

Literatura SZTUCZNE SIECI NEURONOWE. Mózg/komputer jak to działa? MÓZG WZORZEC DOSKONAŁY KOMPUTER TWÓR DOSKONALONY SSN niekonwencjonalne przetwarzanie 007--06 SZTUCZNE SIECI NEURONOWE Archtektura Tp Przeznaczene Procedur uczena Zastosoana Lteratura. J. śurada, M. Barsk, W. Jędruch, Sztuczne sec neuronoe, PWN 996. R. Tadeusecz, Sec neuronoe, AOW 993 3.

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

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

Modele rozmyte 1. Model Mamdaniego

Modele rozmyte 1. Model Mamdaniego Modele rozmte Cel torzena noch model: dążene do uzskana coraz ększej dokładnośc, maroośc lub uproszczena struktur. Model Mamdanego Np.: -^ + R: JEŻELI jest to jest B R: JEŻELI jest to jest B R: JEŻELI

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

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

Sieć Hopfielda. Zdefiniowana w roku 1982, wprowadziła sprzężenie zwrotne do struktur sieci. Cechy charakterystyczne:

Sieć Hopfielda. Zdefiniowana w roku 1982, wprowadziła sprzężenie zwrotne do struktur sieci. Cechy charakterystyczne: Sc Hopflda... Sć Hopflda Zdfnoana roku 98, proadzła sprzężn zrotn do struktur sc. Cch charaktrstczn: brak dnokrunkogo przpłu sgnału n oż różnć arst śco, śco, pośrdn k W,,W,...Wn,_ W,,W,..Wn, W,,W,k...Wn,k.........

Bardziej szczegółowo

Monitorowanie i Diagnostyka w Systemach Sterowania

Monitorowanie i Diagnostyka w Systemach Sterowania Montoroane Dagnostka Sstemach Steroana Katedra Inżner Sstemó Steroana Dr nż. Mchał Grochosk Montoroane Dagnostka Sstemach Steroana na studach II stopna specjalnośc: Sstem Steroana Podejmoana Deczj Maszn

Bardziej szczegółowo

Sztuczne sieci neuronowe

Sztuczne sieci neuronowe Sztuczne sec neuronoe model konekconstyczny 2 Plan ykładu Geneza modelu konekconstycznego Głóne cechy Model sztucznego neuronu Archtektury sec neuronoych Proces uczena sę sec Uczene poedynczego neuronu

Bardziej szczegółowo

Sztuczne sieci neuronowe

Sztuczne sieci neuronowe Sztuczne sec neuronoe model konekconstyczny 2 Plan ykładu Geneza modelu konekconstycznego Głóne cechy Model sztucznego neuronu Archtektury sec neuronoych Proces uczena sę sec Uczene poedynczego neuronu

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

Problem nośności granicznej płyt żelbetowych w ujęciu aktualnych przepisów normowych. Prof. dr hab. inż. Piotr Konderla, Politechnika Wrocławska

Problem nośności granicznej płyt żelbetowych w ujęciu aktualnych przepisów normowych. Prof. dr hab. inż. Piotr Konderla, Politechnika Wrocławska Proble nośnośc grancznej płt żelbetowch w ujęcu aktualnch przepsów norowch Prof. dr hab. nż. Potr Konderla Poltechnka Wrocławska 1. Wprowadzene Przedote analz jest płta żelbetowa zbrojona ortogonalne paraetrzowana

Bardziej szczegółowo

ZESTAW ZADAŃ Z INFORMATYKI

ZESTAW ZADAŃ Z INFORMATYKI (Wpsue zdaąc przed rozpoczęcem prac) KOD ZDAJĄCEGO ZESTAW ZADAŃ Z INFORMATYKI CZĘŚĆ II (dla pozomu rozszerzonego) GRUDZIEŃ ROK 004 Czas prac 50 mnut Instrukca dla zdaącego. Proszę sprawdzć, cz zestaw zadań

Bardziej szczegółowo

Plan wykładu. Sztuczne sieci neuronowe. Sieci rekurencyjne. Sieci rekurencyjne. Wykład 8: Sieci rekurencyjne: sie Hopfielda. Sieci rekurencyjne

Plan wykładu. Sztuczne sieci neuronowe. Sieci rekurencyjne. Sieci rekurencyjne. Wykład 8: Sieci rekurencyjne: sie Hopfielda. Sieci rekurencyjne Plan wykładu Wykład 8: Sec rekurencyne: se Hopfelda Małgorzata Krtowska Katedra Oprogramowana e-mal: mmac@.pb.balystok.pl Sec rekurencyne Se Hopfelda tryb odtwarzana funkca energ dynamka zman stanu wykorzystane

Bardziej szczegółowo

1. Wprowadzenie, sieć naśladująca psa Pawłowa

1. Wprowadzenie, sieć naśladująca psa Pawłowa . Wroadzee, seć aśladuąca sa ałoa Cz oża zbudoać seć eurooą aśladuącą SA AWŁOWA? Trudo udzelć a to tae atchastoe odoedz zakładaąc, że korzstalbś tlko łącze z sec edokerukoch. okuś sę ęc a róbę zaroektoaa

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

2012-10-11. Definicje ogólne

2012-10-11. Definicje ogólne 0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA INTELIGENCJA SZTUCZNA INTELIGENCJA WYKŁAD 8. SZTUCZNE SIECI NEURONOWE INNE ARCHITEKTURY Częstochowa 24 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska SIEĆ O RADIALNYCH FUNKCJACH BAZOWYCH

Bardziej szczegółowo

Plan wyk y ł k adu Mózg ludzki a komputer Komputer Mózg Jednostki obliczeniowe Jednostki pami Czas operacji Czas transmisji Liczba aktywacji/s

Plan wyk y ł k adu Mózg ludzki a komputer Komputer Mózg Jednostki obliczeniowe Jednostki pami Czas operacji Czas transmisji Liczba aktywacji/s Sieci neuronowe model konekcjonistczn Plan wkładu Mózg ludzki a komputer Modele konekcjonistcze Sieć neuronowa Sieci Hopfielda Mózg ludzki a komputer Twój mózg to komórek, 3 2 kilometrów przewodów i (biliard)

Bardziej szczegółowo

wiedzy Sieci neuronowe (c.d.)

wiedzy Sieci neuronowe (c.d.) Metody detekci uszkodzeń oparte na wiedzy Sieci neuronowe (c.d.) Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 8 Metody detekci uszkodzeń oparte na wiedzy Wprowadzenie

Bardziej szczegółowo

x 1 x 2 x 3 x n w 1 w 2 Σ w 3 w n x 1 x 2 x 1 XOR x (x A, y A ) y A x A

x 1 x 2 x 3 x n w 1 w 2 Σ w 3 w n x 1 x 2 x 1 XOR x (x A, y A ) y A x A Sieci neuronowe model konekcjonistczn Plan wkładu Perceptron - przpomnienie Uczenie nienadzorowane Sieci Hopfielda Perceptron w 3 Σ w n A Liniowo separowaln problem klasfikacji ( A, A ) Problem XOR 0 0

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

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

Metody Sztucznej Inteligencji II

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

Bardziej szczegółowo

SYSTEMY UCZĄCE SIĘ WYKŁAD 5. LINIOWE METODY KLASYFIKACJI. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.

SYSTEMY UCZĄCE SIĘ WYKŁAD 5. LINIOWE METODY KLASYFIKACJI. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska. SYSEMY UCZĄCE SIĘ WYKŁAD 5. LINIOWE MEODY KLASYFIKACJI Częstochowa 4 Dr hab. nż. Grzegorz Dude Wydzał Eletryczny Poltechna Częstochowsa FUNKCJE FISHEROWSKA DYSKRYMINACYJNE DYSKRYMINACJA I MASZYNA LINIOWA

Bardziej szczegółowo

MECHANIKA BUDOWLI 13

MECHANIKA BUDOWLI 13 1 Oga Kopacz, Adam Łodygos, Krzysztof ymper, chał Płotoa, Wocech Pałos Konsutace nauoe: prof. dr hab. JERZY RAKOWSKI Poznań 00/00 ECHANIKA BUDOWLI 1 Ugęca bee drgaących. Wzory transformacyne bee o cągłym

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

Podstawy teorii falek (Wavelets)

Podstawy teorii falek (Wavelets) Podstawy teor falek (Wavelets) Ψ(). Transformaca Haara (97).. Przykład pewne metody zapsu obrazu Transformaca Haara Przykład zapsu obrazu -D Podstawy matematyczne transformac Algorytmy rozkładana funkc

Bardziej szczegółowo

Plan wykładu. Sztuczne sieci neuronowe. Uczenie nienadzorowane (bez nauczyciela) Uczenie nienadzorowane - przykłady

Plan wykładu. Sztuczne sieci neuronowe. Uczenie nienadzorowane (bez nauczyciela) Uczenie nienadzorowane - przykłady Plan yładu Wyład 10: Sec samoorganzuce s na zasadze spółzaodncta Sec samoorganzuace s na zasadze spółzaodncta: uczene nenadzoroane uczene onurencyne reguła WTA reguła WTM antoane etoroe mapa cech Kohonena

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

Pomiar bezpośredni przyrządem wskazówkowym elektromechanicznym

Pomiar bezpośredni przyrządem wskazówkowym elektromechanicznym . Rodzaj poiaru.. Poiar bezpośredni (prost) W przpadku poiaru pojednczej wielkości przrząde wskalowan w jej jednostkach wartość niedokładności ± określa graniczn błąd przrządu analogowego lub cfrowego

Bardziej szczegółowo

Instrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia: Problemy rozkroju materiałowego, zagadnienia dualne

Instrukcja do ćwiczeń laboratoryjnych z przedmiotu: Badania operacyjne. Temat ćwiczenia: Problemy rozkroju materiałowego, zagadnienia dualne Instrukca do ćwczeń laboratorynych z przedmotu: Badana operacyne Temat ćwczena: Problemy rozkrou materałowego, zagadnena dualne Zachodnopomorsk Unwersytet Technologczny Wydzał Inżyner Mechanczne Mechatronk

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

Sieć neuronowa jako system ekspercki na rynku instrumentów pochodnych

Sieć neuronowa jako system ekspercki na rynku instrumentów pochodnych Rozdzał monograf: 'Bazy Danych: Rozó metod technoog', ozesk S., Małysak B., asprosk P., Mrozek D. (red.), WŁ 8.bdas.p Rozdzał 7 Seć neuronoa ako system eksperck na rynku nstrumentó pochodnych Streszczene.

Bardziej szczegółowo

Sztuczne sieci neuronowe. Reguła perceptronowa. Nadzorowany proces nauki. Zasada uczenia. Zasada uczenia. dr inŝ. Stefan Brock 2007/2008 1

Sztuczne sieci neuronowe. Reguła perceptronowa. Nadzorowany proces nauki. Zasada uczenia. Zasada uczenia. dr inŝ. Stefan Brock 2007/2008 1 Sztuczne sec neuronoe.stefanbroc.neostrada.pl dr nŝ. Stefan Broc Plan ładó. Wproadzene, modele neuronó, uład perceptronoe, uczene neuronó. Uczene sec neuronoch, metoda steczne propagac błędó, nne metod

Bardziej szczegółowo

ĆWICZENIE NR 2 POMIARY W OBWODACH RLC PRĄDU PRZEMIENNEGO

ĆWICZENIE NR 2 POMIARY W OBWODACH RLC PRĄDU PRZEMIENNEGO ĆWENE N POMAY W OBWODAH PĄD PEMENNEGO el ćwczena: dośwadczalne sprawdzene prawa Oha, praw Krchhoffa zależnośc fazowych ędzy snsodalne zenny przebega prądów napęć w obwodach zawerających eleenty,,, oraz

Bardziej szczegółowo

MODELOWANIE UKŁADÓW MECHANICZNYCH Z NIEPEWNYMI PARAMETRAMI

MODELOWANIE UKŁADÓW MECHANICZNYCH Z NIEPEWNYMI PARAMETRAMI Smlaca Andrze POWNUK Katedra Mecan Teoretczne Wdzał Bdownctwa Poltecna Śląsa w Glwcac MODELOWANIE UKŁADÓW MECHANICZNYCH Z NIEPEWNYMI PARAMETRAMI Streszczene. Wszste parametr ładów mecancznc są znane z

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

Ł ń Ż Ł ż Ą Ó Ś Ż ń ż ż ń ż Ń Ł Ą Ł Ą Ą Ą Ą ż

Ł ń Ż Ł ż Ą Ó Ś Ż ń ż ż ń ż Ń Ł Ą Ł Ą Ą Ą Ą ż Ł Ł Ń Ń Ł ń Ż Ł ż Ą Ó Ś Ż ń ż ż ń ż Ń Ł Ą Ł Ą Ą Ą Ą ż Ł ń ż ż ż Ś Ż ŚĆ ż ń ź ż ć ń ż ż ż ć ż Ńż ń ż ć ż ć ż ż ż ć Ż Ś Ó ń ż ź ć ń ż ń ń ź Ą ż ż ń ż ć Ł ż ż ż ć ń ż Ż ż ż ć ń Ł Ś Ś Ł ź ć ż ń ż ż ć ń ń ż

Bardziej szczegółowo

Wyrównanie spostrzeżeń pośrednich. Spostrzeżenia jednakowo dokładne

Wyrównanie spostrzeżeń pośrednich. Spostrzeżenia jednakowo dokładne Wyrónane spostrzeżeń pośrednch Szukay : X, Y, Z, T (elkośc pradze) Merzyy L, L, L,L n (spostrzeżena erzone bezpośredno pośrednczą yznaczenu x, y, z, t ) Spostrzeżena jednakoo dokładne Wyrónane polega na:

Bardziej szczegółowo

SYSTEMY UCZĄCE SIĘ WYKŁAD 5. UCZENIE SIĘ APROKSYMACJI FUNKCJI MODELE LINIOWE

SYSTEMY UCZĄCE SIĘ WYKŁAD 5. UCZENIE SIĘ APROKSYMACJI FUNKCJI MODELE LINIOWE SYSEMY UCZĄCE SIĘ WYKŁAD 5. UCZENIE SIĘ APROKSYMACJI FUNKCJI MODELE LINIOWE Częstochoa 4 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochoska MEODY APROKSYMACJI Metody aproksymacji

Bardziej szczegółowo

METODY KOMPUTEROWE 10

METODY KOMPUTEROWE 10 MEODY KOMPUEROWE RÓWNANIA RÓŻNICZKOWE CZĄSKOWE Poechnka Poznańska Mchał Płokowak Adam Łodgowsk Mchał PŁOKOWIAK Adam ŁODYGOWSKI Konsace nakowe dr nż. Wod Kąko Poznań 00/00 MEODY KOMPUEROWE 0 RÓWNANIA RÓŻNICZKOWE

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

max Wydział Elektroniki studia I st. Elektronika III r. EZI Technika optymalizacji Dr inż. Ewa Szlachcic

max Wydział Elektroniki studia I st. Elektronika III r. EZI Technika optymalizacji Dr inż. Ewa Szlachcic Zadane rograowana lnowego PL dla ogranczeń neszoścowch rz ogranczenach: a f c A b d =n, d c=n, d A =[ n], d b =, Postać anonczna zadana PL a c X : A b, Postać anonczna acerzowa zadana PL a Lczba zennch

Bardziej szczegółowo

Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych

Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych Uniersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Steroania i Systemó Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Semestr letni 2010 Laboratorium nr 4 LINIOWE

Bardziej szczegółowo

Konspekt projektu. Problem komiwojażera w aspekcie sieci neuronowych

Konspekt projektu. Problem komiwojażera w aspekcie sieci neuronowych Konspekt projektu Cele projektu jest przedstawene dzałana dynacznej sec neuronowej na przykładze probleu kowojażera, przy poocy prograu napsanego Jave. Eksperyent a na celu zweryfkowane wynków otrzyanych

Bardziej szczegółowo

= σ σ. 5. CML Capital Market Line, Rynkowa Linia Kapitału

= σ σ. 5. CML Capital Market Line, Rynkowa Linia Kapitału 5 CML Catal Market Lne, ynkowa Lna Katału Zbór ortolo o nalny odchylenu standardowy zbór eektywny ozważy ortolo złożone ze wszystkch aktywów stnejących na rynku Załóży, że jest ch N A * P H P Q P 3 * B

Bardziej szczegółowo

Podstawy sztucznej inteligencji

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,

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

WYZNACZENIE ODKSZTAŁCEŃ, PRZEMIESZCZEŃ I NAPRĘŻEŃ W ŁAWACH FUNDAMENTOWYCH NA PODŁOŻU GRUNTOWYM O KSZTAŁCIE WYPUKŁYM

WYZNACZENIE ODKSZTAŁCEŃ, PRZEMIESZCZEŃ I NAPRĘŻEŃ W ŁAWACH FUNDAMENTOWYCH NA PODŁOŻU GRUNTOWYM O KSZTAŁCIE WYPUKŁYM Budownctwo 7 Mkhal Hrtsuk, Rszard Hulbo WYZNACZNI ODKSZTAŁCŃ, PRZMISZCZŃ I NAPRĘŻŃ W ŁAWACH FNDAMNTOWYCH NA PODŁOŻ GRNTOWYM O KSZTAŁCI WYPKŁYM Wprowadzene Prz rozwązanu zagadnena przmuem, że brła fundamentowa

Bardziej szczegółowo

8. Neuron z ciągłą funkcją aktywacji.

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

Bardziej szczegółowo

Teoria i praktyka. Wyższa Szkoła Turystyki i Ekologii. Fizyka. WSTiE Sucha Beskidzka Fizyka

Teoria i praktyka. Wyższa Szkoła Turystyki i Ekologii. Fizyka. WSTiE Sucha Beskidzka Fizyka Nepewośc pomarowe. Teora praktka. Prowadząc: Dr ż. Adrzej Skoczeń Wższa Szkoła Turstk Ekolog Wdzał Iformatk, rok I Fzka 014 03 30 WSTE Sucha Beskdzka Fzka 1 Iformacje teoretcze zameszczoe a slajdach tej

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

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

Inteligentne systemy przeciw atakom sieciowym

Inteligentne systemy przeciw atakom sieciowym Inteligentne systemy przeciw atakom sieciowym wykład Sztuczne sieci neuronowe (SSN) Joanna Kołodziejczyk 2016 Joanna Kołodziejczyk Inteligentne systemy przeciw atakom sieciowym 2016 1 / 36 Biologiczne

Bardziej szczegółowo

Macierz prawdopodobieństw przejścia w pojedynczym kroku dla łańcucha Markowa jest postaci

Macierz prawdopodobieństw przejścia w pojedynczym kroku dla łańcucha Markowa jest postaci Zadane. Macerz radoodobeńst rzejśca ojedynczym kroku dla łańcucha Markoa...... o trzech stanach { } jest ostac 0 n 0 0 (oczyśce element stojący -tym erszu j -tej kolumne tej macerzy oznacza P( = j. Wtedy

Bardziej szczegółowo

Sztuczna Inteligencja Tematy projektów Sieci Neuronowe

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

Bardziej szczegółowo

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH

STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH STATYSTYKA MATEMATYCZNA WYKŁAD 5 WERYFIKACJA HIPOTEZ NIEPARAMETRYCZNYCH 1 Test zgodnośc χ 2 Hpoteza zerowa H 0 ( Cecha X populacj ma rozkład o dystrybuance F). Hpoteza alternatywna H1( Cecha X populacj

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

Podstawy opisu dynamiki punktu materialnego

Podstawy opisu dynamiki punktu materialnego Podstaw opisu dnaiki punktu aterialnego Ruch ałego obiektu, któr oże przbliżać koncepcjnie jako punkt obdarzon asą (tzw. punkt aterialn) będzie opiswać podając wektor położenia tego punktu jako funkcję

Bardziej szczegółowo

FUNKCJE DWÓCH ZMIENNYCH

FUNKCJE DWÓCH ZMIENNYCH FUNKCJE DWÓCH MIENNYCH De. JeŜel kaŝdemu puktow (, ) ze zoru E płaszczz XY przporządkujem pewą lczę rzeczwstą z, to mówm, Ŝe a zorze E określoa została ukcja z (, ). Gd zór E e jest wraźe poda, sprawdzam

Bardziej szczegółowo

11. CZWÓRNIKI KLASYFIKACJA, RÓWNANIA

11. CZWÓRNIKI KLASYFIKACJA, RÓWNANIA OBWODY SYGNAŁY Wkład : Czwórniki klasfikacja, równania. CZWÓRNK KLASYFKACJA, RÓWNANA.. WELOBEGNNK A WELOWROTNK CZWÓRNK Definicja. Jeśli: wielobiegunnik posiada parzstą liczbę zacisków (tzn. mn) zgrupowanch

Bardziej szczegółowo

UCHWAŁA NR 279/XVIII/2011 Rady Miasta Płocka z dnia 29 grudnia 2011 roku

UCHWAŁA NR 279/XVIII/2011 Rady Miasta Płocka z dnia 29 grudnia 2011 roku UCHWAŁA NR 279/XVIII/2011 Rady Masta Płocka z dna 29 grudna 2011 roku sprae ustalena Regulamnu przyznaana przekazyana stypendó mejskch dla ucznó szkół proadzonych lub dotoanych przez Masto Płock zameldoanych

Bardziej szczegółowo

Elementy inteligencji obliczeniowej

Elementy inteligencji obliczeniowej Elementy inteligencji obliczeniowej Paweł Liskowski Institute of Computing Science, Poznań University of Technology 9 October 2018 1 / 19 Perceptron Perceptron (Rosenblatt, 1957) to najprostsza forma sztucznego

Bardziej szczegółowo

Wstęp do sieci neuronowych, wykład 07 Uczenie nienadzorowane cd.

Wstęp do sieci neuronowych, wykład 07 Uczenie nienadzorowane cd. Wstęp do sieci neuronowych, wykład 07 Uczenie nienadzorowane cd. M. Czoków, J. Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika w Toruniu 2013-11-26 Projekt pn. Wzmocnienie potencjału

Bardziej szczegółowo

Ń Ż Ó Ó Ó Ż Ę Ó Ś Ó Ę Ś Ś Ó ż Ó Ó Ż Ś Ś Ó Ó Ś Ś Ś Ó Ść Ó ż Ść Ę Ó Ń Ś Ó Ś Ó Ż Ż Ż ć Ż Ó Ó Ż Ś Ó Ś ć Ń ć Ó Ó Ś ż Ś Ż Ż Ść Ó Ś ż ćż ć Ó Ż Ś Ć Ó Ż Ó Ó Ż Ś Ó Ó Ś Ó ż Ó Ż Ź Ś ż Ń Ó Ó Ś ż Ś Ó Ó Ś ż Ś Ś Ś Ć Ż

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

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

Sprawdzenie stateczności skarpy wykopu pod składowisko odpadów komunalnych

Sprawdzenie stateczności skarpy wykopu pod składowisko odpadów komunalnych Sprawdzee stateczośc skarpy wykopu pod składowsko odpadów koualych Ustalee wartośc współczyka stateczośc wykoae zostae uproszczoą etodą Bshopa, w oparcu o poższą forułę: [ W s( α )] ( φ ) ( φ ) W ta F

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

SIECI NEURONOWE Liniowe i nieliniowe sieci neuronowe

SIECI NEURONOWE Liniowe i nieliniowe sieci neuronowe SIECI NEURONOWE Liniowe i nieliniowe sieci neuronowe JOANNA GRABSKA-CHRZĄSTOWSKA Wykłady w dużej mierze przygotowane w oparciu o materiały i pomysły PROF. RYSZARDA TADEUSIEWICZA BUDOWA RZECZYWISTEGO NEURONU

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

ć ć ć ć ć ź Ź ć ć Ń Ę ź ź Ą ć ć

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

Bardziej szczegółowo

19. Wybrane układy regulacji Korekcja nieliniowa układów. Przykład K s 2. Rys Schemat blokowy układu oryginalnego

19. Wybrane układy regulacji Korekcja nieliniowa układów. Przykład K s 2. Rys Schemat blokowy układu oryginalnego 19. Wbrane układ regulacji Przkład 19.1 19.1. Korekcja nieliniowa układów w K s 2 Rs. 19.1. Schemat blokow układu orginalnego 1 Zbadać możliwość stabilizacji układu za pomocą nieliniowego prędkościowego

Bardziej szczegółowo

( ) σ v. Adam Bodnar: Wytrzymałość Materiałów. Analiza płaskiego stanu naprężenia.

( ) σ v. Adam Bodnar: Wytrzymałość Materiałów. Analiza płaskiego stanu naprężenia. Adam Bdnar: Wtrzmałść Materiałów Analiza płaskieg stanu naprężenia 5 ANALIZA PŁASKIEGO STANU NAPRĘŻENIA 5 Naprężenia na dwlnej płaszczźnie Jak pamiętam płaski stan naprężenia w punkcie cechuje t że wektr

Bardziej szczegółowo

XLI OLIMPIADA FIZYCZNA ETAP WSTĘPNY Zadanie teoretyczne

XLI OLIMPIADA FIZYCZNA ETAP WSTĘPNY Zadanie teoretyczne XLI OLIMPIADA FIZYCZNA ETAP WSTĘPNY Zadane teoretyczne Rozwąż dowolne rzez sebe wybrane dwa sośród odanych nże zadań: ZADANIE T Nazwa zadana: Protony antyrotony A. Cząstk o mase równe mase rotonu, ale

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

ż Ł ć Ł ż Ń ż Ę Ę Ę ć ż ż ć ż ż Ę ż Ę ź Ę Ę ż ż ż ć ć ż ć Ę ż Ł Ł ż Ń ż ż ż ź Ę ć Ń ż ć ż Ł ć ż ć ż Ę Ł ż ż ć Ą ż Ł ć ż Ł ź ż Ę ż ć ć ć ć ć ć ć Ę ć ć ż ć ć ć ć ż ż ż ć ć ż ż Ę Ń ż ż Ń ż ż Ę ć ż ż Ł Ę ź

Bardziej szczegółowo

Przestrzenie liniowe w zadaniach

Przestrzenie liniowe w zadaniach Przestrzenie linioe zadaniach Zadanie 1. Cz ektor [3, 4, 4 jest kombinacja linioa ektoró [1, 1, 1, [1, 0, 1, [1, 3, 5 przestrzeni R 3? Roziazanie. Szukam x,, z R takich, że [3, 4, 4 x [1, 1, 1 + [1, 0,

Bardziej szczegółowo

Metody badań kamienia naturalnego: Oznaczanie współczynnika nasiąkliwości kapilarnej

Metody badań kamienia naturalnego: Oznaczanie współczynnika nasiąkliwości kapilarnej Metody badań kaena naturalnego: Oznaczane współczynnka nasąklwośc kaplarnej 1. Zasady etody Po wysuszenu do stałej asy, próbkę do badana zanurza sę w wodze jedną z powerzchn (ngdy powerzchną obrabaną)

Bardziej szczegółowo

Sztuczna inteligencja

Sztuczna inteligencja Sztuczna inteligencja Wykład 7. Architektury sztucznych sieci neuronowych. Metody uczenia sieci. źródła informacji: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym, WNT 1996 Podstawowe architektury

Bardziej szczegółowo

Wybrane aspekty optymalnego sterowania portfelem inwestycyjnym akcji na rynku kapitałowym

Wybrane aspekty optymalnego sterowania portfelem inwestycyjnym akcji na rynku kapitałowym Jerz Tiński Wdział Zarządzania Wższa Szkoła Gospodarki Krajowej w Kutnie Wbrane aspekt optalnego sterowania portfele inwestcjn akcji na rnku kapitałow Wstęp Rnek kapitałow zskuje na znaczeniu w iarę rozwoju

Bardziej szczegółowo

Sztuczne sieci neuronowe

Sztuczne sieci neuronowe 2 Sztuczne sieci neuronowe Sztuczna sieć neuronowa (NN ang. Neural Network) to bardzo uproszczon model rzeczwistego biologicznego sstemu nerwowego. Sztuczną sieć neuronową można zdefiniować jako zespolon

Bardziej szczegółowo

1. Wstęp. 2. Macierz admitancyjna.

1. Wstęp. 2. Macierz admitancyjna. 1. Wstęp. Znaomość stanu pracy SEE est podstawowym zagadnenem w sterowanu pracą systemu na wszystkch etapach: proektowana, rozwou, planowana stanów pracy oraz w czase beżące eksploatac. Kontrola rozpływów

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

POMIAR MOCY BIERNEJ W OBWODACH TRÓJFAZOWYCH

POMIAR MOCY BIERNEJ W OBWODACH TRÓJFAZOWYCH ĆWICZEIE R 9 POMIAR MOCY BIEREJ W OBWODACH TRÓJFAZOWYCH 9.. Cel ćiczenia Celem ćiczenia jest poznanie metod pomiaru mocy biernej odbiornika niesymetrycznego obodach trójfazoych. 9.. Pomiar mocy biernej

Bardziej szczegółowo

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

Bardziej szczegółowo

Ś Ł Ą Ś Ś ź Ś ń ż ż Ó ż ż Ś Ł ż ń ń ń ż ń Ś ń ć ŚĘ Ó Ł Ę Ł Ś Ę Ę ń ń ń ń ń Ź ń ń ń ń ń ż ń ń ń ń ń Ę ż ż ć Ść ń ń ż Ń ż ż ń ń Ś Ą ń Ś ń ń ż Ó ż Ź ń ż ń Ś Ń Ó ż Ł ż Ą ź ź Ś Ł ć Ś ć ż ź ż ć ć Ę Ó Ś Ó ż ż

Bardziej szczegółowo

Ł Ł Ś ź ń ź ź ź Ś Ł Ę Ę Ś ż Ś ń Ą Ś Ą Ł ż ż ń ż ć ż ż ż ź ż ć ź Ę Ę ń ć ż Ł ń ż ż ż Ś ż Ś ż ż ż ż ż ż ż ń ń ż ż ż ć ż ń ż ń ź ż ć ż ż ć ń ż Ę Ę ć ń Ę ż ż ń ń ź Ę ź ż ń ż ń ź ż ż ż ń ż ż ż ż ż ż ż ż ń ń

Bardziej szczegółowo

Ł Ł Ś Ę ź ń ź ź Ś Ę Ę Ś Ą Ś Ę Ż Ł ń Ę Ś ć ć ń ć ń ń ń ź ń Ę ź ń ń ń ź ź Ś ź ź ć ń ń ń ń Ś ć Ś ń ń Ś ź ń Ę ń Ś ź ź ź ź ź Ę Ę Ę Ś ń Ś ć ń ń ń ń ń ń Ę ń ń ń ń ć ń ń ń ń ć ń Ś ć Ł ń ń ń ć ń ć ź ń ź ć ń ń ć

Bardziej szczegółowo

Wygładzanie metodą średnich ruchomych w procesach stałych

Wygładzanie metodą średnich ruchomych w procesach stałych Wgładzanie meodą średnich ruchomch w procesach sałch Cel ćwiczenia. Przgoowanie procedur Średniej Ruchomej (dla ruchomego okna danch); 2. apisanie procedur do obliczenia sandardowego błędu esmacji;. Wizualizacja

Bardziej szczegółowo

W praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np.

W praktyce często zdarza się, że wyniki obu prób możemy traktować jako. wyniki pomiarów na tym samym elemencie populacji np. Wykład 7 Uwaga: W praktyce często zdarza sę, że wynk obu prób możemy traktować jako wynk pomarów na tym samym elemence populacj np. wynk x przed wynk y po operacj dla tego samego osobnka. Należy wówczas

Bardziej szczegółowo

Asocjacyjna reprezentacja danych i wnioskowanie

Asocjacyjna reprezentacja danych i wnioskowanie Asocjacyjna reprezentacja danych i wnioskowanie Wykorzystane technologie JetBrains PyCharm 504 Python 35 Struktura drzewa GRAPH PARAM PARAM ID1 ID2 ID_N params params params param_name_1: param_value_1

Bardziej szczegółowo

ż ć ż ń Ń Ż ń ń ć ż ż ć Ż

ż ć ż ń Ń Ż ń ń ć ż ż ć Ż Ś Ą Ą Ł Ś Ł ż ć ż ń Ń Ż ń ń ć ż ż ć Ż ń Ż Ł ż ń ń ń Ę Ł Ż Ł Ł ż ż ć ń Ę ń ż Ć ń ŁĄ Ą ń ń Ć ć Ż ż Ń Ż Ż Ł ć Ę ń Ł ż Ś ć Ż ńę ń ż ń Ł Ż Ą ń ż Ź ż ć ż ń ć Ś Ż ń Ą ż Ą ć ć ńż Ś ń Ś Ż Ś ń ń Ł Ż Ł ż ń Ż Ś Ś

Bardziej szczegółowo