Monitorowanie i Diagnostyka w Systemach Sterowania

Podobne dokumenty
Przestrzenie liniowe w zadaniach

Wprowadzenie. Support vector machines (maszyny wektorów wspierających, maszyny wektorów nośnych) SVM służy do: Zalety metody SVM

Temat: Operacje elementarne na wierszach macierzy

Modele rozmyte 1. Model Mamdaniego



Rozwiązywanie zadań optymalizacji w środowisku programu MATLAB

Pattern Classification

liniowym w przeciwnym przypadku mówimy o programowaniu nieliniowym.

7. Maszyny wektorów podpierajacych SVMs

Nieliniowe PCA kernel PCA

Maszyna wektorów nośnych (Support vector machine)

MRS I MES W ANALIZIE BELEK O ZMIENNYM PRZEKROJU

2. Wstęp do analizy wektorowej

UCZENIE MASZYNOWE III - SVM. mgr inż. Adam Kupryjanow

PODSTAWOWE POJĘCIA OPTYMALIZACJI [M. Ostwald: Podstawy optymalizacji konstrukcji, Wyd. Politechniki Poznańskiej, 2005]

POLITECHNIKA ŚLĄSKA. WYDZIAŁ ORGANIZACJI I ZARZĄDZANIA. Katedra Podstaw Systemów Technicznych - Mechanika Stosowana. y P 1. Śr 1 (x 1,y 1 ) P 2

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Równania różniczkowe cząstkowe

Ekstrema funkcji dwóch zmiennych

; -1 x 1 spełnia powyższe warunki. Ale

Rozwiązanie równań stanu dla układów liniowych - pola wektorowe

; -1 x 1 spełnia powyższe warunki. Ale

Stanisław Cichocki. Natalia Nehrebecka. Wykład 6

Równania różniczkowe cząstkowe

Prawdopodobieństwo i statystyka r.

Pokazać, że wyżej zdefiniowana struktura algebraiczna jest przestrzenią wektorową nad ciałem

termodynamika fenomenologiczna p, VT V, teoria kinetyczno-molekularna <v 2 > termodynamika statystyczna n(v) to jest długi czas, zachodzi

XXX OLIMPIADA FIZYCZNA ETAP I Zadania teoretyczne

Wykład 14: Indukcja cz.2.

Metoda Różnic Skończonych

Optymalizacja belki wspornikowej

Rachunek prawdopodobieństwa i statystyka W 11: Analizy zależnościpomiędzy zmiennymi losowymi Model regresji wielokrotnej

Wektory. P. F. Góra. rok akademicki

Funkcje wielu zmiennych



Konstrukcja biortogonalnych baz dyskryminacyjnych dla problemu klasyfikacji sygnałów. Wit Jakuczun

Programowanie nieliniowe optymalizacja funkcji wielu zmiennych

OPTYMALIZACJA WYTRZYMAŁOŚCIOWA KŁADKI DLA PIESZYCH JAKO ZADANIE OPTYMALNEGO STEROWANIA


W. Guzicki Zadanie 30 z Informatora Maturalnego poziom rozszerzony 1

Arkusz 6. Elementy geometrii analitycznej w przestrzeni

MODELOWANIE UKŁADÓW MECHANICZNYCH Z NIEPEWNYMI PARAMETRAMI

Badanie liniowego efektu elektrooptycznego



MECHANIKA BUDOWLI 13

65120/ / / /200

Podejmowanie decyzji w warunkach niepełnej informacji. Tadeusz Trzaskalik

Macierze normalne. D : Dowolną macierz kwadratową można zapisać w postaci A = B + ic gdzie ( ) B = A + A B = A + A = ( A + A)

2. CHARAKTERYSTYKI GEOMETRYCZNE FIGUR PŁASKICH


Wyrównanie spostrzeżeń pośrednich. Spostrzeżenia jednakowo dokładne

= i Ponieważ pierwiastkami stopnia 3 z 1 są (jak łatwo wyliczyć) liczby 1, 1+i 3

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

f x f y f, jest 4, mianowicie f = f xx f xy f yx

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

Ciepło topnienia lodu

Lista 3 CAŁKI KRZYWOLINIOWE I POWIERZCHNIOWE. K cykloida c x y ds K x y x r t t t y r t t t t ) ( 2 ) + ( 2 ) = {(, ) : 1 1 = }

Analiza Matematyczna II.1, kolokwium rozwiazania 9 stycznia 2015, godz. 16:15 19:15

Układy współrzędnych

W ostatnim wykładzie doszliśmy do tego, że problem znalezienia klasyfikatora optymalnego pod względem marginesów można wyrazić w następujący sposób:

Geometria analityczna - przykłady

Ekonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Projekt Era inżyniera pewna lokata na przyszłość jest współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego

RÓWNOLEGŁY ALGORYTM POPULACYJNY DLA PROBLEMU GNIAZDOWEGO Z RÓWNOLEGŁYMI MASZYNAMI

9. RÓWNANIA RÓŻNICZKOWE CZĄSTKOWE

Wykład 10 Skalowanie wielowymiarowe

X Wrocławski Konkurs Matematyczny dla uczniów klas I-III gimnazjów. Etap II

SVM: Maszyny Wektorów Podpieraja cych


STATYSTYKA MATEMATYCZNA

Teoria i metody optymalizacji

ROZWIĄZANIA I ODPOWIEDZI

Przenoszenie niepewności

Funkcje i charakterystyki zmiennych losowych

VII. CZĄSTKI I FALE VII.1. POSTULAT DE BROGLIE'A (1924) De Broglie wysunął postulat fal materii tzn. małym cząstkom przypisał fale.

Popularne klasyfikatory w pakietach komputerowych

Wstęp do przetwarzania języka naturalnego. Wykład 11 Maszyna Wektorów Nośnych

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

1.11. RÓWNANIE RÓŻNICZKOWE OSI UGIĘTEJ

2 Rachunek macierzowy, metoda eliminacji Gaussa-Jordana Wprowadzenie teoretyczne Zadania... 13

METODA WSPOMAGANIA PODEJMOWANIA DECYZJI GRUPOWEJ OPARTA NA OPTYMALIZACJI WIELOKRYTERIALNEJ

7. Wykład VII: Warunki Kuhna-Tuckera

POLITECHNIKA WARSZAWSKA WYDZIAŁ ELEKTRYCZNY SIECI NEURONOWE SVM W ZASTOSOWANIU DO KLASYFIKACJI OBRAZÓW KOMÓREK SZPIKU KOSTNEGO

Własności estymatorów regresji porządkowej z karą LASSO

Wnioskowanie statystyczne dla korelacji i regresji.

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

Wykład 5. Metoda eliminacji Gaussa

Wykład 4 Testy zgodności. dystrybuanta rozkładu populacji dystrybuanty rozkładów dwóch populacji rodzaj rozkładu wartości parametrów.

SZTUCZNA INTELIGENCJA

Ć w i c z e n i e K 2 b

Wykład 15: Indukcja. Dr inż. Zbigniew Szklarski. Katedra Elektroniki, paw. C-1, pok

Lekcja 5: Sieć Kohonena i sieć ART

Podstawy teorii falek (Wavelets)

Optyka Fourierowska. Wykład 7 Filtracja przestrzenna

Ruch unoszenia, względny i bezwzględny

Równania dla potencjałów zależnych od czasu

Definicje ogólne

Transkrypt:

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 Wektoró ośnch Support Vector Machnes - SVM na podstae: Alpadn E. Introducton to Machne Learnng. he MI Press Cambrdge Massachusetts London England 00. Hakn S. eural etorks and Machne Learnng. Pearson Prentce Hall 009. Opracoał: dr nż. Mchał Grochosk kss.pg.mg@gmal.com mchal.grochosk@pg.gda.pl

Charakterstka problemu Jak rozdzelć dane?? eskończene ele możlośc!!!

Charakterstka problemu Któr margnes jest najlepsz?? Która z ln maksmalzuje ten margnes??

Charakterstka problemu ech: oznacza zbór danch gdze jest zorcem ejścom a oznacza prznależność -tego ejśca do danej klas + lub -. Załóżm na chlę że punkt są lnoo separoalne. Lna płaszczzna hperpłaszczzna deczjna opsana jest zależnoścą: b 0 b 0 gdze jest ektorem ejścom jest nastaalnm ektorem np. ag b jest progem.

Charakterstka problemu Możem zapsać: b b 0 0 dla dla ρ Optmalna lna płaszczzna hperpłaszczzna deczjna maksmalzująca margnes ρ opsana jest zależnoścą: o b 0 0 o b 0 0 3

eco podstaoch przekształceń Wem że z : b 0 Możem ęc przjąć że normalzacja: ρ 4 b 5 Możem ęc zapsać: o o b b o o dla dla o b 0 0 6 lub: b o o

eco podstaoch przekształceń Odległość od płaszczzn deczjnej ech będze punktem leżącm najblżej płaszczzn: oraz: b b 0 Wektor jest prostopadł do płaszczzn S przestrzen ejść X. S Doolne punkt oraz należące do płaszczzn S spełnają jej rónane ęc: b 0 b 0 ęc: 0 Stąd jest ortogonaln do jakegokolek ektora na płaszczźne S b 0

eco podstaoch przekształceń Odległość od płaszczzn deczjnej Odległość pomędz płaszczzną: eźm jakkolek punkt należąc do płaszczzn utórzm ektor - dokonajm jego projekcj na S

eco podstaoch przekształceń Odległość od płaszczzn deczjnej Odległość pomędz płaszczzną L: eźm jakkolek punkt należąc do płaszczzn utórzm ektor - dokonajm jego projekcj na Matematka ˆ ŵ - ektor jednostko ŵ S odległość L: L ˆ L b b poneaż: b 0 oraz b

Problem optmalzacjn Zmaksmalzoać odległość L = ρ ma Zadane optmalzacj: mn ρ mn g R prz ogranczenach z rónana 6: b dla... o b 0 0 gdze: d R b R

Problem optmalzacjn Problem optmalzacj kadratoej z ogranczenam - lnoo kadrato Zadane optmalzacj kadratoej g jest pukła: mn g R prz ogranczenach lnoch zględem : b dla... ak sformułoan problem jest prmalnm zagadnenem optmalzacjnm. Możem go rozązać stosując metodę mnożnkó Lagranga oraz arunkó Kukna uckera lub Karush Kukna uckera skróce KK.

Problem optmalzacjn Sformułoane prmalne Funkcja Lagranga: λ - mnożnk Lagranga b b L Warunk optmalnośc: 0 0 b b L b L Mnmalzujem zględem oraz b a jednocześne maksmalzujem zględem λ λ 0!!! stąd: 0 oraz

Problem optmalzacjn Sformułoane dualne Możem podstać: b b L do: 0 oraz otrzmując Q=Lb: j j j j Q Którego szukam maksmum po prz ogranczenach: 0... 0 oraz

Problem optmalzacjn ech: Sformułoane dualne oznacza zbór danch trenngoch Znajdź spółcznnk Lagranga które mnmalzują funkcję: mn Q j j j j prz ogranczenach: 0... 0

Problem optmalzacjn Sformułoane dualne mn Q prz ogranczenach: 0 0

Problem optmalzacjn Uag: Sformułoane dualne problem dualn opart jest całkoce o dane ejścoe trenngoe pomaroe; funkcja optmalzoana zależ łączne od locznu skalarnego ejść. j j

Cech ektoró nośnch Rozązane: Sformułoane dualne o o o λ o optmalne mnożnk Lagranga Z arunkó KK: b 0 Wszstke nezeroe mnożnk Lagranga λ o określają ektor nośne podtrzmujące. akch ektoró jest S 0 ektor nośne podtrzmujące SV

Cech ektoró nośnch Rozązane: Sformułoane dualne leżące najblżej optmalnej ln płaszczzn hperpłaszczzna deczjnej są ektoram nośnm podtrzmującm. dotkają margnesu ρ. Wektor nośne spełnają: b o b 0 0

Cech ektoró nośnch Rozązane: Sformułoane dualne Wznaczam optmaln ektor o : o s o S lość nezeroch λ o Wznaczam optmaln ektor b o : o b 0 0 b 0 o S dla S b 0 s o S

Problem lnoo neseparoalne ransformacja do nnej przestrzen przestrzen X Z mn Q j j j j przestrzeń X przestrzeń Z X mn Q j j z z j j

Problem lnoo neseparoalne Cech ektoró nośnch Wektor nośne leżą przestrzen Z!!! przestrzeń X W przestrzen X możem jedne obseroać ch obraz!!! Róneż margnes określane są przestrzen Z!!!

Problem lnoo neseparoalne Co potrzebujem z przestrzen Z? mn Q j j z z j j Uaga: e potrzebujem ektoró z z j a jedne ch locznó skalarnch!!! Ogranczena: 0... Otrzmujem: f 0 sgn o z bo gdze: o s o z potrzebujem: z z j S b0 : o z b o potrzebujem: z z j

Problem lnoo neseparoalne Oblczena przestrzen Z kernel trck Dla doolne punktó oraz należącch do X chcem polczć z z ech: z z k Będze jądrem kernel loczn skalarn oraz p: Gaussa:

Problem lnoo neseparoalne mn Q mn k k k k k k k k k Q X Oblczena przestrzen Z kernel trck

Problem lnoo neseparoalne Oblczena przestrzen Z kernel trck Wraźm f prz pomoc K--: z z k f sgn o z bo o s o z to: f sgn K b s o gdze: s b0 K dla każdego nezeroego : 0

Dzękuję za uagę