Neuronové sítě. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
|
|
- Jaroslava Navrátilová
- před 5 lety
- Počet zobrazení:
Transkript
1 Neuonové sítě Doc. RND. Iveta Mázová, CSc. Kateda teoetcké nfomatky Matematcko-fyzkální fakulta Unvezty Kalovy v Paze
2 Neuonové sítě Kohonenovy mapy a hybdní modely Doc. RND. Iveta Mázová, CSc. Kateda teoetcké nfomatky Matematcko-fyzkální fakulta Unvezty Kalovy v Paze
3 Kohonenovy mapy Teuvo Kohonen fonetcký psací stoj Topologcké okolí NE j (O) NE j (t 1 ) I. Mázová: Neuonové sítě (NAIL002) 3
4 Kohonenovy mapy (2) x 1 x N výstupní neuony Učení: bez učtele Rozpoznávání Použtí: Fonetcký psací stoj Ekonome I. Mázová: Neuonové sítě (NAIL002) 4
5 Kohonenův model algotmus učení Motvace: Mřížka, na níž jsou uspořádané neuony, umožňuje dentfkac nejblžších sousedů daného neuonu v půběhu učení se aktualzují váhy příslušných neuonů jejch sousedů Cíl: sousední neuony by měly také eagovat na velm podobné sgnály I. Mázová: Neuonové sítě (NAIL002) 5
6 Kohonenůvmodel algotmus učení (2) Poblém (1-dm): Rozčlenění n ozměného postou pomocí jednoozměného řetězce Kohonenovských neuonů Neuony uspořádané do posloupnost a označené od 1 do n x I. Mázová: Neuonové sítě (NAIL002) 6
7 Kohonenůvmodel algotmus učení (3) Poblém (1-dm pokačování): Jednoozměná mřížka neuonů: Každý neuon dostává n ozměný vstup a na základě n ozměného váhového vektou w = w,, spočítá svou exctac ( ) 1 K w n Cíl: specalzace každého neuonu na jnou oblast vstupního postou (tuto specalzac chaaktezuje maxmální exctace příslušného neuonu po vzoy z dané oblast) I. Mázová: Neuonové sítě (NAIL002) 7 x
8 Kohonenůvmodel algotmus učení (4) Poblém (1-dm pokačování): Kohonenovské neuony počítají Eukldovskou vzdálenost mez vstupem x a příslušným váhovým vektoem w nejblžšímu neuonu bude odpovídat maxmální exctace I. Mázová: Neuonové sítě (NAIL002) 8
9 Kohonenůvmodel algotmus učení (5) Defnce okolí: V jednoozměné Kohonenově mapě patří do okolí neuonu k s poloměem 1 neuony k 1 a k + 1 Neuony na obou koncích jednoozměné Kohonenovy mapy mají asymetcké okolí V 1 ozměné Kohonenově mapě patří do okolí neuonu k o poloměu všechny neuony, kteé jsou od k vzdáleny až o pozc doleva č dopava Obdobně po víceozměné Kohonenovy mapy a zvolenou metku na mřížce (čtvecová, hexagonální, ) I. Mázová: Neuonové sítě (NAIL002) 9
10 Kohonenůvmodel algotmus učení (6) Funkce lateální nteakce Φ(,k): ~ síla lateální vazby mez neuony a k během učení Příklad: Φ(,k)=1 z okolí k s poloměem a Φ(,k)=0 ostatní Funkce mexckého klobouku a další I. Mázová: Neuonové sítě (NAIL002) 10
11 Kohonenovy samooganzující se příznakové mapy: algotmus Kok 1: Zvol hodnoty vah mez N vstupmín a M výstupním neuony jako malé náhodné hodnoty. Zvol počáteční polomě okolí a funkc lateální nteakce Φ. Kok 2: Předlož nový ténovací vzo. Kok 3: Spočítej vzdálenost d j mez vstupním a váhovým vektoem po každý výstupní neuon j pomocí: d j = N 1 = 0 () t w () t ( x ) Kde x (t) je vstupem neuonu v čase t a w j (t) je váhou synapse ze vstupního neuonu k výstupnímu neuonu j v čase t. Tuto vzdálenost lze upavt váhovým koefcentem a předat kompetční vstvě. j I. Mázová: Neuonové sítě (NAIL002) 11 2
12 Kohonenovy samooganzující se příznakové mapy: algotmus (2) Kok 4: Vybe (např. pomocí lateální nteakce) takový výstupní neuon c, kteý má mnmální d j a označ ho jako vítěze. Kok 5: Váhy se aktualzují po neuon c a všechny neuony v okolí defnovaném pomocí N c. Nové váhy jsou: w j (t+1) = w j (t) + α(t) Φ(c,j) ( x (t) w j (t) ) Po j N c ; 0 N-1 α(t) je vglanční koefcent ( 0 < α(t) < 1), kteý klesá v čase (vglance ~ bdělost). I. Mázová: Neuonové sítě (NAIL002) 12
13 Kohonenovy samooganzující se příznakové mapy: algotmus (3) Po volbu α(t) by mělo platt: α Př pocesu učení tak vítězný neuon upaví svůj váhový vekto směem k aktuálnímu vstupnímu vektou. Totéž platí po neuony v okolí vítěze. Hodnota funkce Φ(c,j) klesá s ostoucí vzdáleností neuonů od středu okolí N c. Kok 6: Přejd ke Koku 2. () 2 t α () t < = t = 1 t = 1 I. Mázová: Neuonové sítě (NAIL002) 13
14 Analýza konvegence ~ stablta řešení a uspořádaný stav Stablta řešení za předpokladu, že síť už dospěla do jstého uspořádaného stavu: 1) Jednoozměný případ: a) nteval [a,b], 1 neuon s váhou x, neuvažováno okolí: a F 1 x F 2 b konvegence x do středu [a,b] I. Mázová: Neuonové sítě (NAIL002) 14
15 Analýza konvegence ~ stablta řešení a uspořádaný stav (2) Adaptační pavdlo: x n = x n-1 + η ( ξ x n-1 ) x n, x n-1 váhy v čase n a n-1 ξ... náhodně zvolené číslo z ntevalu [ a, b ] Po 0 < η <1nemůže posloupnost x 1,x 2, opustt [ a, b] Omezená je očekávaná hodnota x váhy x dx Očekávaná hodnota devace x v čase je nulová: = 0 dt (jnak by mohlo být x < a anebo x > b ) dx a + b Potože: = η ( ξ x ) = η x dt 2 bude: x = ( a + b ) 2 I. Mázová: Neuonové sítě (NAIL002) 15
16 Analýza konvegence ~ stablta řešení a uspořádaný stav (3) b) nteval [a,b], n neuonů s vaham x 1, x 2,, x n neuvažováno okolí, váhy jsou uspořádány monotónně: a < x 1 <x 2 < <x n <b konvegence vah k b a x = a + ( 2 1 ) 2 n I. Mázová: Neuonové sítě (NAIL002) 16
17 Analýza konvegence ~ stablta řešení a uspořádaný stav (4) 2) Dvouozměný případ: nteval [ a, b ] [ c, d ], n n neuonů neuvažováno okolí, monotónní uspořádání vah: j k w < w po j w 1 j 2 < w 1 kj 2 po j < < k k Redukce poblému na dva jednoozměné I. Mázová: Neuonové sítě (NAIL002) 17
18 Analýza konvegence ~ stablta řešení a uspořádaný stav (5) 2) Dvouozměný případ (pokačování): n j Nechť w j = w1 označuje půmě vah neuonů v n = 1 j tém sloupc j k j Potože w1 < w1 po j < k, budou w 1 monotónně uspořádané: a < w1 < w1 < K < b 1 2 Půmě vah bude v pvním sloupc osclovat kolem 1 očekávané hodnoty w 1 Podobně po neuony v každém řádku konvegence ke stablnímu stavu (po dostatečně malý paamet učení) 1 1 I. Mázová: Neuonové sítě (NAIL002) 18
19 Analýza konvegence ~ stablta řešení a uspořádaný stav (6) PROBLÉMY: ozvnutí planání mřížky a podmínky, za kteých k němu dojde metastablní stavy a nevhodná volba funkce lateální nteakce (přílš ychlý pokles) konvegence po 1-dmenzonální případ za předpokladu ovnoměného ozložení a adaptačního plavdla w new k = w + γ ξ old k ( old w ) kde k označuje vítězný neuon a jeho dva sousedy (Cottell & Fot, 1986) I. Mázová: Neuonové sítě (NAIL002) 19 k
20 Vaanty algotmu učení po Kohonenovy mapy Učení s učtelem: (LVQ ~ Leanng Vecto Quantzaton) LVQ1: Motvace: - ) by měl patřt ke stejné třídě jako nejblžší w nechť c x w je ndex w = ag mn ležícího nejblíž x x { } k ( c ~ vítězný neuon) I. Mázová: Neuonové sítě (NAIL002) 20
21 I. Mázová: Neuonové sítě (NAIL002) 21 Vaanty algotmu učení po Kohonenovy mapy (2) LVQ1 (pokačování): adaptační pavdla ( 0 < α(t) < 1 ): ( ) ( ) ( ) ( ) ( ) [ ] ( ) () () () () [ ] ( ) ( ) c t w t w w x t w t x t t w t w w x t w t x t t w t w c c c c c c c c = + = + + = + jestlže 1 jsou klasfkov ány jnak a jestlže 1 jsou klasfkov ány stejně a jestlže 1 α α
22 Vaanty algotmu učení po Kohonenovy mapy (3) LVQ2.1: Motvace: adaptace dvou nejblžších sousedů současně Jeden z nch musí patřt ke spávné třídě a duhý k nespávné Navíc musí být x z okolí dělcí nadplochy mez w a w j (~ z okénka ) Je-l d (esp. d j ) Eukldovská vzdálenost mez x a w x w j (esp. mez a ), lze okénko defnovat pomocí vztahu: d d j 1 mn, > s, kde s = d j d 1 + (dopoučované hodnoty w (~ šířky okénka ): ) x w w I. Mázová: Neuonové sítě (NAIL002) 22
23 Vaanty algotmu učení po Kohonenovy mapy (4) LVQ2.1 (pokačování): adaptační pavdla ( 0 < α(t) < 1 ): w t + 1 = w t α t x t w j t + 1 = w j t + α t x t w a w j leží nejblíže k přtom x a patří ke stejné třídě a a w w x j patřík ůzným třídám x x ( ) ( ) ( )[ ( ) w ( )] t ( ) () () () w () t je z okénka [ ] I. Mázová: Neuonové sítě (NAIL002) 23 j
24 Vaanty algotmu učení po Kohonenovy mapy (5) LVQ3 (motvace): apoxmace ozložení tříd a stablzace řešení adaptační pavdla ( 0 < α(t) < 1 ): w t + 1 = w t α t x t w j t + 1 = w j t + α t x t w w w w j x x x x ( ) ( ) ( )[ ( ) w ( )] t ( ) () () () w () t [ ] a leží nejblíže k ; přtom a j patříke stejné třídě a a patřík ůzným třídám a je z okénka w k ( t + 1) = w k ( t ) + εα ( t )[ x ( t ) w k ( t )] po k {, j } jestlže, w w patří do stejné třídy x j I. Mázová: Neuonové sítě (NAIL002) 24 j
25 Vaanty algotmu učení po Kohonenovy mapy (6) LVQ3 (pokačování): volba paametů: 0.1 ε w 0.3 I. Mázová: Neuonové sítě (NAIL002) 25
26 Vaanty algotmu učení po Kohonenovy mapy (7) Další vaanty: Vícevstvé Kohonenovy mapy Stom abstakce Sítě se vstřícným šířením (Countepopagaton) Učení s učtelem dvě fáze učení Kohonenovská (klastovací) vstva Gossbegovská vstva (adaptace vah jen po vítězné neuony z Kohonenovské vstvy I. Mázová: Neuonové sítě (NAIL002) 26
27 Sítě se vstřícným šířením výstupní neuony y 1 y M Učení: s učtelem Rozpoznávání Použtí: Heteoasocatvní paměť vstupní neuony x 1 x N I. Mázová: Neuonové sítě (NAIL002) 27
28 Učící algotmus po sítě se vstřícným šířením (1) Kok 1: Zvolte náhodné hodnoty synaptckých vah. Kok 2: Předložte nový ténovací vzo ve tvau (vstup, požadovaný výstup). Kok 3: Vybete v Kohonenově vstvě neuon c, jehož synaptcké váhy nejlépe odpovídají předloženému vzou x ( t). Po tento neuon tedy bude platt, že vzdálenost e k mez příslušným váhovým vektoem v k ( t) a předloženým vzoem x ( t) je mnmální. Použít lze např. Eukldovskou metku, potom: e c = mn k e k = mn k ( x () t v () t ) k 2 I. Mázová: Neuonové sítě (NAIL002) 28
29 Učící algotmus po sítě se vstřícným šířením (2) Kok 4: Aktualzujeme váhy v k mez vstupním neuonem a neuony Kohonenovské vstvy, kteé se nacházejí v okolí N c neuonu c tak, aby lépe odpovídaly předloženému vzou x t : v k α (t), kde 0 < α (t) < 1, je paamet učení po váhy mez vstupní a Kohonenovskou vstvou, kteý klesá v čase. t představuje současný a t + 1 následující kok učení. () ( t + 1) = v ( t) + α( t) ( x ( t) v ( t) ) k k I. Mázová: Neuonové sítě (NAIL002) 29
30 Učící algotmus po sítě se vstřícným šířením (3) Kok 5: Aktualzujte váhy w c mez vítězným neuonem c z Kohonenovské vstvy a neuony Gossbegovské vstvy tak, aby výstupní vekto y lépe odpovídal požadované odezvě d : w cj (t) je váha synaptckého spoje mez c-tým neuonem Kohonenovské vstvy a j-tým neuonem Gossbeovské vstvy v čase t,w cj (t + 1) označuje hodnotu této synaptcké váhy v čase t + 1. β je kladná konstanta ovlvňující závslost nové hodnoty synaptcké váhy na její hodnotě v předchozím koku učení. Kladná konstanta γ představuje paamet učení vah mez Kohonenovskou a Gossbegovskou vstvou, z c označuje aktvtu vítězného neuonu Kohonenovské vstvy. Kok 6: Přejděte ke koku 2. w cj ( t + 1) = ( 1 β ) wcj ( t) + γ zcd j I. Mázová: Neuonové sítě (NAIL002) 30
31 RBF-sítě (Radal Bass Functons) Hybdní achtektua (Moody & Daken) Učení s učtelem z 1 z2 z 3 z n lneání asocáto w 11 w 1n x 1 x 2 x 3 x n Kohonenovská vstva n neuonů s Gaussovskou přenosovou funkcí vstupní neuony I. Mázová: Neuonové sítě (NAIL002) 31
32 RBF-sítě (Radal Bass Functons) Každý neuon j počítá svůj výstup g j (t) podle: x w 1, K, w m g j ( x) = exp exp... vstupní vekto k ( x w ) j 2 j 2σ 2 ( x w ) 2σ... váhové vektoy skytých neuonů σ, K 1,σ m... konstanty (nastavené např. podle vzdálenost mez příslušným váhovým vektoem a jeho nejblžším sousedem) k 2 k 2 I. Mázová: Neuonové sítě (NAIL002) 32
33 I. Mázová: Neuonové sítě (NAIL002) 33 RBF-sítě (Radal Bass Functons) výstup každého sytého neuonu je nomován vzájemné popojení všech neuonů váhy z 1,, z m lze nastavt např. pomocí algotmu zpětného šíření: d... požadovaný výstup p... počet ténovacích vzoů γ... paamet učení ( ) ( ) ( ) = Δ = = = n p n p p z x g d x g z E z d z x g E γ
34 ART Adaptve Resonance Theoy (Capente & Gossbeg) výstup x 0 x 1 x 2 vstup I. Mázová: Neuonové sítě (NAIL002) 34
35 ART Adaptve Resonance Theoy (2) (Capente & Gossbeg) ART 1: Bnání vstupy, učení bez učtele Lateální nhbce po učení výstupního neuonu s maxmální odezvou Váhy po zpětnou vazbu (z výstupních neuonů směem ke vstupním) po poovnání skutečné podobnost s ozpoznaným vzoem I. Mázová: Neuonové sítě (NAIL002) 35
36 ART Adaptve Resonance Theoy (3) (Capente & Gossbeg) ART 1 (pokačování): Vglanční test paamet bdělost Mechansmus po vypnutí výstupního neuonu s maxmální odezvou stablta plastcta sítě síť má velké poblémy př jen tochu zašuměných vzoech naůstá počet ukládaných vzoů I. Mázová: Neuonové sítě (NAIL002) 36
37 ART 1 algotmus učení Kok 1: Incalzace t j ( 0 ) = 1 0 N-1 b j ( 0 ) = 1 / ( 1 + N ) 0 j M-1 ρ 0 ρ 1 b j ( t ) ~ váha mez vstupním neuonem a výstupním neuonem j v čase t t j ( t ) ~ váha mez výstupním neuonem j a vstupním neuonem v čase t (učují vzo specfkovaný výstupním neuonem j ) ρ ~ páh bdělost (učuje, jak blízko musí být předložený vstup k uloženému vzou - aby mohly patřt do stejné kategoe) I. Mázová: Neuonové sítě (NAIL002) 37
38 ART 1 algotmus učení (2) Kok 2: Předlož nový vstup Kok 3: Spočítej aktvac výstupních neuonů μ j μ j N = 1 = 0 b j ( t ) x ; 0 j M 1 ~ výstup výstupního neuonu j x ~ tá složka vstupního vektou ( { 0, 1 } ) Kok 4: Vybe uložený vzo, kteý nejlépe odpovídá předloženému vzou (např. pomocí lateální μ = max μ nhbce): { } j j I. Mázová: Neuonové sítě (NAIL002) 38 j
39 ART 1 algotmus učení (3) Kok 5: Test bdělost x = N 1 = 0 jestlže přejd ke Koku 7 jnak přejd ke Koku 6 x T x x a N 1 = 0 t j x Kok 6: Zmazení nejlépe odpovídajícího neuonu > ρ T výstup neuonu j* vybaného v Koku 4 je dočasně nastaven na nulu (a neúčastní se maxmalzace v Koku 4). Poté přejd ke Koku 4. x I. Mázová: Neuonové sítě (NAIL002) 39 =
40 ART 1 algotmus učení (4) Kok 7: Aktualzace nejlépe odpovídajícího neuonu t t + 1 = t t x b j j ( ) ( ) ( t + 1) Kok 8: Přejd ke Koku 2 a opakuj = 0.5 () t (Předtím znovu zapoj všechny neuony zmazené v Koku 6) j + t j N 1 = 0 () t I. Mázová: Neuonové sítě (NAIL002) 40 t x j x
41 Kaskádová koelace (Fahlman & Lebee, 1990) ~ obustní ostoucí achtektua Systém začíná poces učení s přímým popojením vstupů na výstup Postupně jsou přdávány skyté neuony Vstupy každého nového neuonu jsou popojeny se všem původním vstupy se všem dříve vytvořeným neuony I. Mázová: Neuonové sítě (NAIL002) 41
42 Kaskádová koelace (2) (Fahlman & Lebee, 1990) I. Mázová: Neuonové sítě (NAIL002) 42
43 Kaskádová koelace (3) (Fahlman & Lebee, 1990) Učení sítě (pobíhá ve dvou fázích): a) V pvní fáz se jž exstující síť adaptuje pomocí algotmu Quckpop Jestlže se do učté doby chyba na výstupu sítě njak podstatně nezmenší, přdá se sít nový neuon Jestlže je aktuální hodnota chyby dostatečně nízká, algotmus končí I. Mázová: Neuonové sítě (NAIL002) 43
44 Kaskádová koelace (4) (Fahlman & Lebee, 1990) Učení sítě (pokačování): b) Nově přdávaný neuon je ze skupny kanddátů adaptovaných tak, aby maxmalzoval koelac mez svým výstupem a chybou na výstupu sítě přdávaný neuon se naučl nějaký příznak, kteý vysoce koeluje se zbytkovou chybou Vstupní váhy přdávaného neuonu budou zmazeny Doučeny budou váhy od přdávaného neuonu na výstup I. Mázová: Neuonové sítě (NAIL002) 44
45 Kaskádová koelace (5) (Fahlman & Lebee, 1990) Učení sítě (pokačování): Cílem př učení skytých neuonů je maxmalzovat S: S p = = 1 ( V V )( E E ) p.. počet ténovacích vzoů V.. výstup přdávaného neuonu po tývzo V.. půměný výstup přdávaného neuonu E.. chyba po tývzo E.. půměná chyba I. Mázová: Neuonové sítě (NAIL002) 45
46 Kaskádová koelace (6) (Fahlman & Lebee, 1990) Učení sítě (pokačování): S w k = p = 1 σ ( E E ) f I, k σ.. znaménko koelace mez přdávaným neuonem a výstupem.. devace přenosové funkce po vzo k.. k tý vstup přdávaného neuonu po vzo f I, I. Mázová: Neuonové sítě (NAIL002) 46
Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RND. Iveta Mázová, CSc. Kateda teoetcké nfomatky Matematcko-fyzkální fakulta Unvezty Kalovy v Paze Dobývání znalostí Umělé neuonové sítě Doc. RND. Iveta Mázová, CSc. Kateda teoetcké
VíceUž bylo: Učení bez učitele (unsupervised learning) Kompetitivní modely
Učení bez učitele Už bylo: Učení bez učitele (unsupervised learning) Kompetitivní modely Klastrování Kohonenovy mapy LVQ (Učení vektorové kvantizace) Zbývá: Hybridní modely (kombinace učení bez učitele
VíceAplikace teorie neuronových sítí
Aplkace teoe neuonových sítí Doc. RND. Iveta Mázová, CSc. Kateda teoetcké nfomatky Matematcko-fyzkální fakulta Unvezty Kalovy v Paze Aplkace teoe neuonových sítí -tadční přístupy - Doc. RND. Iveta Mázová,
VíceNeuronové sítě. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Neuonové sítě Doc. RND. Iveta Mázová CSc. Kateda teoetcké nfoatk Mateatcko-fzkální fakulta Unvezt Kalov v Paze Neuonové sítě Asocatvní aět Doc. RND. Iveta Mázová CSc. Kateda teoetcké nfoatk Mateatcko-fzkální
Více1.7.2 Moment síly vzhledem k ose otáčení
.7. oment síly vzhledem k ose otáčení Předpoklady 70 Pedagogická poznámka Situaci tochu komplikuje skutečnost, že žáci si ze základní školy pamatují součin a mají pocit, že se pouze opakuje notoicky známá
VíceSMR 1. Pavel Padevět
SMR Pavel Padevět Oganzace předmětu Přednášející Pavel Padevět, K 3, D 09 e-mal: pavel.padevet@fsv.cvut.cz Infomace k předmětu: https://mech.fsv.cvut.cz/student SMR Heslo: odné číslo bez lomítka (případně
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT pof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz VI. VOLBA A VÝBĚR PŘÍ ZAČÍNÁME kolik a jaké příznaky? málo příznaků možná chyba klasifikace;
VíceREDUKCE DIMENSIONALITY PRAVDĚPODOBNOSTNÍCH MODELŮ PRO FDI
REDUKCE DIMENSIONALITY PRAVDĚPODOBNOSTNÍCH MODELŮ PRO FDI J. Jkovský 1, M. Hofete 2 1 Humusoft s..o., Paha 2 Ústav Přístojové a řídcí technky, Fakulta stojní, ČVUT v Paze Abstakt Příspěvek se věnuje poblematce
VíceUmělé neuronové sítě
Umělé neuronové sítě 17. 3. 2018 5-1 Model umělého neuronu y výstup neuronu u vnitřní potenciál neuronu w i váhy neuronu x i vstupy neuronu Θ práh neuronu f neuronová aktivační funkce 5-2 Neuronové aktivační
VíceELEKTŘINA A MAGNETIZMUS Řešené úlohy a postupy: Spojité rozložení náboje
EEKTŘINA A MAGNETIZMUS Řešené úlohy a postupy: Spojité ozložení náboje Pete Doumashkin MIT 006, překlad: Jan Pacák (007) Obsah. SPOJITÉ OZOŽENÍ NÁBOJE.1 ÚKOY. AGOITMY PO ŘEŠENÍ POBÉMU ÚOHA 1: SPOJITÉ OZOŽENÍ
VíceZÁKLADY GEOMETRIE KŘIVEK A PLOCH
ZÁKLADY GEOMETRIE KŘIVEK A PLOCH Povzoní studní mateál - - Křvky v toozměném postou Úvod E - toozměný eukldovský posto s pevně zvolenou katézskou soustavou P e e V - eho zaměření D Nechť J R Zobazení X
VíceMAGNETICKÉ POLE ELEKTRICKÉHO PROUDU. r je vyjádřen vztahem
MAGNETICKÉ POLE ELEKTRICKÉHO PROUDU udeme se zabývat výpočtem magnetického pole vytvořeného danou konfiguací elektických poudů (podobně jako učení elektického pole vytvořeného daným ozložením elektických
VíceODVOZENÍ OBLASTI NECITLIVOSTI PRO PARAMETRY STŘEDNÍ HODNOTY REGULÁRNÍHO SMÍŠENÉHO LINEÁRNÍHO REGRESNÍHO MODELU BEZ PODMÍNEK
ODVOZENÍ OBLASTI NECITLIVOSTI PRO PARAMETRY STŘEDNÍ HODNOTY REGULÁRNÍHO SMÍŠENÉHO LINEÁRNÍHO REGRESNÍHO MODELU BEZ PODMÍNEK Hana Boháčová Univezita Padubice, Fakulta ekonomicko-spávní, Ústav matematiky
VíceVýslednice, rovnováha silové soustavy.
Výslednce, ovnováha slové soustavy. Základy mechanky, 2. přednáška Obsah přednášky : výslednce a ovnováha slové soustavy, ovnce ovnováhy, postoová slová soustava Doba studa : as 1,5 hodny Cíl přednášky
Víceeská zem d lská univerzita v Praze, Technická fakulta
eská zemdlská unvezta v Paze, Techncká fakulta 9. lektcké pole 9. lektcký náboj Každá látka je vytvoena z tzv. elementáních ástc, kteé vytváejí složtjší stuktuy. ástce na sebe vzájemn psobí slam, kteé
VíceVkládání pomocí Viterbiho algoritmu
Vkládání pomocí Vterbho algortmu Andrew Kozlk KA MFF UK C Vkládání pomocí Vterbho algortmu Cíl: Využít teor konvolučních kódů. Motvace: Vterbho dekodér je soft-decson dekodér. Každému prvku nosče přřadíme
Více2.1 Shrnutí základních poznatků
.1 Shnutí základních poznatků S plnostěnnými otujícími kotouči se setkáváme hlavně u paních a spalovacích tubín a tubokompesoů. Matematický model otujících kotoučů můžeme s úspěchem využít např. i při
VíceAsociativní sítě (paměti) Asociace známého vstupního vzoru s daným výstupním vzorem. Typická funkce 1 / 44
Asociativní paměti Asociativní sítě (paměti) Cíl učení Asociace známého vstupního vzoru s daným výstupním vzorem Okoĺı známého vstupního vzoru x by se mělo také zobrazit na výstup y odpovídající x správný
Více5. Umělé neuronové sítě. neuronové sítě. Umělé Ondřej Valenta, Václav Matoušek. 5-1 Umělá inteligence a rozpoznávání, LS 2015
Umělé neuronové sítě 5. 4. 205 _ 5- Model umělého neuronu y výstup neuronu u vnitřní potenciál neuronu w i váhy neuronu x i vstupy neuronu Θ práh neuronu f neuronová aktivační funkce _ 5-2 Neuronové aktivační
VíceNeuronové sítě. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Neuoové sítě Doc. RND. Iveta Mázová, CSc. Kateda teoetcké fomatky Matematcko-fyzkálí fakulta Uvezty Kalovy v Paze Neuoové sítě Asocatví pamět BAM a Hopfeldůvmodel Doc. RND. Iveta Mázová, CSc. Kateda teoetcké
VíceTECHNICKÁ UNIVERZITA V LIBERCI. Fakulta strojní DIPLOMOVÁ PRÁCE. Matematický model kinematiky robotizovaného podvozku se šestnácti stupni volnosti
ECHNICKÁ UNIVERZIA V IERCI Fakulta stojní DIPOMOVÁ PRÁCE Matematcký model knematk obotovaného podvoku se šestnáct stupn volnost Mathematcal Model of Roboted Chasss Knematcs wth Steen Degees of Feedom 7
VíceQ N v místě r. Zobecnění Coulombova zákona Q 3 Q 4 Q 1 Q 2
Zobecnění Coulombova zákona Uvažme nyní, jaké elektostatcké pole vytvoří ne jeden centální) bodový náboj, ale více nábojů, tzv. soustava bodových) nábojů : echť je náboj v místě v místě.... v místě Pak
VíceTepelná kapacita = T. Ē = 1 2 hν + hν. 1 = 1 e x. ln dx. Einsteinův výpočet (1907): Soustava N nezávislých oscilátorů se stejnou vlastní frekvencí má
Tepelná kapacta C x = C V = ( ) dq ( ) du Dulong-Pettovo pravdlo: U = 3kT N C V = 3kN x V = T ( ) ds x Tepelná kapacta mřížky Osclátor s kvantovanou energí E n = ( n + 2) hν má střední hodnotu energe (po
VíceDynamické Kohonenovy mapy a jejich struktura
Univerzita Karlova v Praze Matematicko-fyzikální fakulta DIPLOMOVÁ PRÁCE Bc. Radek Křižka Dynamické Kohonenovy mapy a jejich struktura Katedra teoretické informatiky a matematické logiky Vedoucí diplomové
VíceTrivium z optiky Vlnění
Tivium z optiky 7 1 Vlnění V této kapitole shnujeme základní pojmy a poznatky o vlnění na přímce a v postou Odvolávat se na ně budeme často v kapitolách následujících věnujte poto vyložené látce náležitou
VíceDuktilní deformace, část 1
uktilní defomace, část uktilní (plastická) defomace je taková defomace, při níž se mateiál defomuje bez přeušení koheze (soudžnosti). Plasticita mateiálu záleží na tzv. mezi plasticity (yield stess) -
VíceKinematika. Hmotný bod. Poloha bodu
Kinematika Pohyb objektů (kámen, automobil, střela) je samozřejmou součástí každodenního života. Pojem pohybu byl poto známý už ve staověku. Modení studium pohybu začalo v 16. století a je spojeno se jmény
VíceCvičení 2: Rozhodovací stromy, RBF sítě, vlastní algoritmy v RapidMineru
České vysoké učeí techcké v Praze Fakulta formačích techologí Katedra teoretcké formatky Evropský socálí fod Praha & EU: Ivestujeme do vaší budoucost MI-ADM Algortmy data mgu 2010/2011 Cvčeí 2: Rozhodovací
VíceFabryův-Perotův rezonátor
Úvod do laseové tehniky KFE FJFI ČVUT Paha Pet Koanda, 00 Fabyův-Peotův ezonáto Fabyův-Peotův ezonáto je optiké zařízení tvořené dvěma plan-paalelními (ovnoběžnými) ovinnými částečně odaznými plohami (ideálně
VíceŘešení úloh krajského kola 58. ročníku fyzikální olympiády Kategorie B Autor úloh: J. Thomas
Řešení úlo kajskéo kola 58 očníku fyzikální olympiády Kategoie B Auto úlo: J Tomas a) Doba letu střely od okamžiku výstřelu do zásau označíme t V okamžiku výstřelu se usa nacází ve vzdálenosti s měřené
VíceMetoda hlavních komponent
d d Víceozměná data Metoda hlavních komonent Václav Adamec vadamec@mendelucz Extenze unvaetních dat na více oměnných () Datová matce: n x Hodnot oměnných získán z jednoho subjektu () Předoklad závslostí
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT pof. Ing. Jiří Holčík, CSc. INVESTICE Intitut DO biotatitiky OZVOJE VZDĚLÁVÁNÍ a analýz II. PŘÍZNAKOVÁ KLASIFIKACE - ÚVOD PŘÍZNAKOVÝ POPIS Příznakový obaz zpacovávaných dat je
Více9.3.5 Korelace. Předpoklady: 9304
935 Koelace Předpoklad: 9304 Zatím jsme se zabýval vžd pouze jedím zakem, ve statstckém výzkumu jsme však u každého jedotlvce (statstcké jedotk) sledoval zaků více Učtě spolu ěkteé zak souvsí (apříklad
Více2. ANALYTICKÁ GEOMETRIE V PROSTORU Vektory Úlohy k samostatnému řešení... 21
2 ANALYTICKÁ GEOMETRIE V PROSTORU 21 21 Vektory 21 Úlohy k samostatnému řešení 21 22 Přímka a rovina v prostoru 22 Úlohy k samostatnému řešení 22 23 Vzájemná poloha přímek a rovin 25 Úlohy k samostatnému
VíceModelování rizikových stavů v rodinných domech
26. 28. června 2012, Mkulov Modelování rzkových stavů v rodnných domech Mlada Kozubková 1, Marán Bojko 2, Jaroslav Krutl 3 1 2 3 Vysoká škola báňská techncká unverzta Ostrava, Fakulta strojní, Katedra
VíceSIMULACE. Numerické řešení obyčejných diferenciálních rovnic. Měřicí a řídicí technika magisterské studium FTOP - přednášky ZS 2009/10
SIMULACE numercké řešení dferencálních rovnc smulační program dentfkace modelu Numercké řešení obyčejných dferencálních rovnc krokové metody pro řešení lneárních dferencálních rovnc 1.řádu s počátečním
VíceCvičení z termomechaniky Cvičení 6.
Příklad 1: Pacovní látkou v poovnávacím smíšeném oběhu spalovacího motou je vzduch o hmotnosti 1 [kg]. Počáteční tlak je 0,981.10 5 [Pa] při teplotě 30 [ C]. Kompesní pomě je 7, stupeň zvýšení tlaku 2
VíceElektrický náboj [q] - základní vlastnost částic z hlediska EM pole - kladný (nositel proton), záporný (nositel elektron) 19
34 Elektomagnetické pole statické, stacionání, nestacionání zásady řešení v jednoduchých geometických stuktuách, klasifikace postředí (lineaita, homogenita, dispeze, anizotopie). Vypacoval: Onda, otja@seznam.cz
Vícedo strukturní rentgenografie e I
Úvod do stuktuní entgenogafie e I Difakce tg záření na kystalu Metody chaakteizace nanomateiálů I RND. Věa Vodičková, PhD. Studium kystalové stavby Difakce elektonů, neutonů, tg fotonů Kystal ideální mřížka
VíceInterpolace, ortogonální polynomy, Gaussova kvadratura
Interpolace, ortogonální polynomy, Gaussova kvadratura Petr Tichý 20. listopadu 2013 1 Úloha Lagrangeovy interpolace Dán omezený uzavřený interval [a, b] a v něm n + 1 různých bodů x 0, x 1,..., x n. Nechť
VíceAlgoritmy a struktury neuropočítačů ASN P3
Algoritmy a struktury neuropočítačů ASN P3 SOM algoritmus s učitelem i bez učitele U-matice Vektorová kvantizace Samoorganizující se mapy ( Self-Organizing Maps ) PROČ? Základní myšlenka: analogie s činností
VíceI. kolo kategorie Z9
68. očník Matematické olympiády I. kolo kategoie Z9 Z9 I 1 Najděte všechna kladná celá čísla x a y, po kteá platí 1 x + 1 y = 1 4. Nápověda. Mohou být obě neznámé současně větší než např. 14? (A. Bohiniková)
VíceZáklady počítačové grafiky
Základy počítačové gafky Pezentace přednášek Ústav počítačové gafky a multmédí Téma přednášky Radozta Motto Světlo se šíří podle fyzkálních zákonů! Př ealstcké zobazení vtuálních počítačových scén e poto
VíceNeuronové sítě AIL002. Iveta Mrázová 1 František Mráz 2. Neuronové sítě. 1 Katedra softwarového inženýrství. 2 Kabinet software a výuky informatiky
Neuronové sítě AIL002 Iveta Mrázová 1 František Mráz 2 1 Katedra softwarového inženýrství 2 Kabinet software a výuky informatiky Do LATEXu přepsal: Tomáš Caithaml Učení s učitelem Rozpoznávání Použití:
Vícenazveme číselným vektorem. Čísla a Definice. Vektor, jehož všechny složky se rovnají nule, se nazývá nulový vektor o r = (0, 0, 0,, 0).
ČÍSELNÉ VEKTORY Defce Uspořádou -tc čísel = (,,, ) zveme číselým vektoem Čísl,,, jsou složky ebol souřdce vektou Přozeé číslo zýváme ozměem ebo tké dmezí vektou Defce Vekto, jehož všechy složky se ovjí
Více1. Dvě stejné malé kuličky o hmotnosti m, jež jsou souhlasně nabité nábojem Q, jsou 3
lektostatické pole Dvě stejné malé kuličk o hmotnosti m jež jsou souhlasně nabité nábojem jsou pověšen na tenkých nitích stejné délk v kapalině s hustotou 8 g/cm Vpočtěte jakou hustotu ρ musí mít mateiál
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
VíceMAGNETICKÉ POLE CÍVEK V HELMHOLTZOVĚ USPOŘÁDÁNÍ
Úloha č. 6 a MAGNETICKÉ POLE CÍVEK V HELMHOLTZOVĚ USPOŘÁDÁNÍ ÚKOL MĚŘENÍ:. Změřte magnetickou indukci podél osy ovinných cívek po případy, kdy vdálenost mei nimi je ovna poloměu cívky R a dále R a R/..
VíceGravitační pole. a nepřímo úměrná čtverci vzdáleností r. r r
Newtonův avitační zákon: Gavitační pole ezi dvěa tělesy o hotnostech 1 a, kteé jsou od sebe vzdáleny o, působí stejně velké síly vzájené přitažlivosti, jejichž velikost je přío úěná součinu hotností 1
VíceOdraz a lom rovinné monochromatické vlny na rovinném rozhraní dvou izotropních prostředí
Odraz a lom rovnné monochromatcké vlny na rovnném rozhraní dvou zotropních prostředí Doplňující předpoklady: prostředí č.1, ze kterého vlna dopadá na rozhraní neabsorbuje (má r r reálný ndex lomu), obě
VíceNewtonův gravitační zákon
Gavitační pole FyzikaII základní definice Gavitační pole je posto, ve kteém působí gavitační síly. Zdojem gavitačního pole jsou všechny hmotné objekty. Každá dvě tělesa jsou k sobě přitahována gavitační
VíceANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN
ANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN V dokumentu 7a_korelacn_a_regresn_analyza jsme řešl rozdíl mez korelační a regresní analýzou. Budeme se teď věnovat pouze lneárnímu vztahu dvou velčn, protože je nejjednodušší
VíceSIC1602A20. Komunikační protokol
SIC1602A20 Komunikační protokol SIC1602A20 Mechanické parametry Rozměr displeje 80 x 36 mm Montážní otvory 75 x 31 mm, průměr 2.5mm Distanční sloupky s vnitřním závitem M2.5, možno využít 4mm hloubky Konektor
VíceFuzzy prediktor pro kinematicko silové řízení kráčejícího robota
Fuzzy pedikto po kinematicko silové řízení káčejícího obota Ing. Jan Kaule, Ph.D. Ing. Mioslav UHER VA Bno Kateda technické kybenetiky a vojenské obotiky, Kounicova 65, 6 00 Bno, Česká epublika Abstakt:
VíceVytěžování znalostí z dat
Pavel Kordík (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 10 1/50 Vytěžování znalostí z dat Pavel Kordík Department of Computer Systems Faculty of Information Technology Czech Technical
Více4. konference o matematice a fyzice na VŠT Brno, Fraktály ve fyzice. Oldřich Zmeškal
4. konfeence o matematice a fyzice na VŠT Bno, 15. 9. 25 Faktály ve fyzice Oldřich Zmeškal Ústav fyzikální a spotřební chemie, Fakulta chemická, Vysoké učení technické, Pukyňova 118, 612 Bno, Česká epublika
VíceÚvod do optimalizace, metody hladké optimalizace
Evropský sociální fond Investujeme do vaší budoucnosti Úvod do optimalizace, metody hladké optimalizace Matematika pro informatiky, FIT ČVUT Martin Holeňa, 13. týden LS 2010/2011 O čem to bude? Příklady
VíceMECHANIKA I. Jaromír Švígler
MECHNIK I Jaomí Švígle OBSH Pedmluva Rozdlení a základní pojm mechank 4 Statka Základní pojm a aom statk Síla Moment síl k bodu a k ose Slová dvojce Základní vta statk Páce a výkon síl a momentu 5 Slové
VíceFuzzy regulátory. Miloš Schlegel. Několik výroků o přesnosti
5 Fzz egláto Mloš Schlegel schlegel@kk.zc.cz Několk výoků o přesnost Přesnost a pavdvost neznamená totéž. (Hen Matsse) Věřím, že nc není bezpodmínečně pavdvé a poto jsem v opozc každé absoltní pavdě a
Více3.1. Magnetické pole ve vakuu a v látkovém prostředí Elektromagnetická indukce Energie a silové účinky magnetického pole...
Obsah Předmluva... 4. Elektostatika.. Elektostatické pole ve vakuu... 5.. Elektostatické pole v dielektiku... 9.3. Kapacita. Kondenzáto....4. Enegie elektostatického pole... 6. Elektický poud.. Elektický
VíceStatistika. Jednotlivé prvky této množiny se nazývají prvky statistického souboru (statistické jednotky).
Statstka. Základí pojmy Statstcký soubo - daá koečá, epázdá moža M předmětů pozoováí, majících jsté společé vlastost (událost, věc,.) Jedotlvé pvky této možy se azývají pvky statstckého soubou (statstcké
VíceNapětí horninového masivu
Npětí honinového msivu pimání npjtostí sekundání npjtostí účinky n stbilitu podzemního díl Dále můžeme uvžovt * bobtnání honiny * teplotní stv honiny J. Pušk MH 6. přednášk 1 Pimání npjtost gvitční (vyvolán
VíceÚČINNOST KOTLE. Součinitel přebytku spalovacího vzduchu z měřené koncentrace O2 Účinnost kotle nepřímou metodou Účinnost kotle přímou metodou
ÚČINNOST KOTLE 1. Cíl páce: Roštový kotel o jmenovtém výkonu 100 kw, vybavený automatckým podáváním palva, je učen po spalování dřevní štěpky. Teplo z topného okuhu je předáváno do chladícího okuhu pomocí
VíceMatematika 4 FSV UK, LS Miroslav Zelený
Matematika 4 FSV UK, LS 2017-18 Miroslav Zelený 13. Diferenční rovnice 14. Diferenciální rovnice se separovanými prom. 15. Lineární diferenciální rovnice prvního řádu 16. Lineární diferenciální rovnice
VíceOptimální rozdělující nadplocha 4. Support vector machine. Adaboost.
Optimální rozdělující nadplocha. Support vector machine. Adaboost. Petr Pošík Czech Technical University in Prague Faculty of Electrical Engineering Dept. of Cybernetics Opakování Lineární diskriminační
VícePříklady elektrostatických jevů - náboj
lektostatika Hlavní body Příklady elektostatických jevů. lektický náboj, elementání a jednotkový náboj Silové působení náboje - Coulombův zákon lektické pole a elektická intenzita, Páce v elektostatickém
Vícenano.tul.cz Inovace a rozvoj studia nanomateriálů na TUL
Inovace a ozvo studa nanomateálů na TUL nano.tul.cz Tyto mateály byly vytvořeny v ámc poektu ESF OP VK: Inovace a ozvo studa nanomateálů na Techncké unveztě v Lbec . Vlastnost zolovaných polymeních molekul
Vícesprávně - A, jeden celý příklad správně - B, jinak - C. Pro postup k ústní části zkoušky je potřeba dosáhnout stupně A nebo B.
Zkouška z předmětu KMA/PST. Anotace předmětu Náhodné jevy, pravděpodobnost, podmíněná pravděpodobnost. Nezávislé náhodné jevy. Náhodná veličina, distribuční funkce. Diskrétní a absolutně spojitá náhodná
VíceMODELOVÁNÍ A SIMULACE
MODELOVÁNÍ A SIMULACE základní pojmy a postupy vytváření matematckých modelů na základě blancí prncp numerckého řešení dferencálních rovnc základy práce se smulačním jazykem PSI Základní pojmy matematcký
VíceÚvod do analýzy časových řad
Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Posloupnost náhodných veličin {Y t, t = 0, ±1, ±2... } se nazývá stochastický
VíceKeplerova úloha. Abstrakt: Článek řeší problém pohybu planety (Země) kolem Slunce.
Kepleova úloha Keple-2c.TEX jan.obzalek@mff.cuni.cz Abstakt: Článek řeší poblém pohybu planety (Země) kolem Slunce. Úplná úloha: co zanebáme Chceme vyšetřit pohyb planety, např. Země, v naší sluneční soustavě.
VíceNásobení. MI-AAK(Aritmetika a kódy)
MI-AAK(Aritmetika a kódy) Násobení c doc. Ing. Alois Pluháček, CSc., 2011 Katedra číslicového návrhu Fakulta informačních technologií České vysoké učení technické v Praze Evropský sociální fond Praha&
VíceModely produkčních systémů. Plánování výroby. seminární práce. Autor: Jakub Mertl. Xname: xmerj08. Datum: ZS 07/08
Modely podukčních systémů Plánování výoby seminání páce Auto: Jakub Metl Xname: xmej08 Datum: ZS 07/08 Obsah Obsah... Úvod... 3 1. Výobní linky... 4 1.1. Výobní místo 1... 4 1.. Výobní místo... 5 1.3.
VíceHlavní body. Keplerovy zákony Newtonův gravitační zákon. Konzervativní pole. Gravitační pole v blízkosti Země Planetární pohyby
Úvod do gavitace Hlavní body Kepleovy zákony Newtonův gavitační zákon Gavitační pole v blízkosti Země Planetání pohyby Konzevativní pole Potenciál a potenciální enegie Vztah intenzity a potenciálu Úvod
Více10 Funkce více proměnných
M. Rokyta, MFF UK: Aplikovaná matematika II kap. 10: Funkce více proměnných 16 10 Funkce více proměnných 10.1 Základní pojmy Definice. Eukleidovskou vzdáleností bodů x = (x 1,...,x n ), y = (y 1,...,y
Více{ } SYNTÉZA TABULEK PŘECHODŮ 1. NEALGEBRAICKÉ METODY
SNTÉZA TABULEK PŘECHODŮ. NEALGEBRAICKÉ METOD a) GINSBURGOVA METODA Využívá tzv. korespondencí mez vstupním a výstupním slovem př dané vstupní a výstupní abecedě. Jnak řečeno, vyhodnocuí se ednotlvé odezvy
Více3. Vícevrstvé dopředné sítě
3. Vícevrstvé dopředné sítě! Jsou tvořeny jednou nebo více vrstvami neuronů (perceptronů). Výstup jedné vrstvy je přitom připojen na vstup následující vrstvy a signál se v pracovní fázi sítě šíří pouze
VíceSpojité regulátory - 1 -
Spojté regulátory - 1 - SPOJIÉ EGULÁOY Nespojté regulátory mají většnou jednoduchou konstrukc a jsou levné, ale jsou nevhodné tím, že neudržují regulovanou velčnu přesně na žádané hodnotě, neboť regulovaná
VíceF5 JEDNODUCHÁ KONZERVATIVNÍ POLE
F5 JEDNODUCHÁ KONZERVATIVNÍ POLE Evopský sociální fond Paha & EU: Investujeme do vaší budoucnosti F5 JEDNODUCHÁ KONZERVATIVNÍ POLE Asi nejznámějším konzevativním polem je gavitační silové pole Ke gavitační
VíceVlnovody. Obr. 7.1 Běžné příčné průřezy kovových vlnovodů: obdélníkový, kruhový, vlnovod, vlnovod H.
7 Vlnovody Běžná vedení (koaxiální kabel, dvojlinka) jsou jen omezeně použitelná v mikovlnné části kmitočtového spekta. S ůstem kmitočtu přenášeného signálu totiž významně ostou ztáty v dielektiku těchto
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA STAVEBNÍ GB02 FYZIKA II MODUL M01 ELEKTŘINA A MAGNETISMUS
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA STAVEBNÍ PROF. ING. BOHUMIL KOKTAVÝ, CSC., DOC. ING. PAVEL KOKTAVÝ, CSC., PH.D. GB FYZIKA II MODUL M1 ELEKTŘINA A MAGNETISMUS STUDIJNÍ OPORY PRO STUDIJNÍ PROGRAMY
VíceII. Statické elektrické pole v dielektriku. 2. Dielektrikum 3. Polarizace dielektrika 4. Jevy v dielektriku
II. Statické elektické pole v dielektiku Osnova: 1. Dipól 2. Dielektikum 3. Polaizace dielektika 4. Jevy v dielektiku 1. Dipól Konečný dipól 2 bodové náboje stejné velikosti a opačného znaménka ve vzdálenosti
VíceMatematika I A ukázkový test 1 pro 2018/2019
Matematka I A ukázkový test 1 pro 2018/2019 1. Je dána soustava rovnc s parametrem a R x y + z = 1 x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a a) Napšte Frobenovu větu (předpoklady + tvrzení). b) Vyšetřete
VíceÚvod do lineární algebry
Úvod do lineární algebry 1 Aritmetické vektory Definice 11 Mějme n N a utvořme kartézský součin R n R R R Každou uspořádanou n tici x 1 x 2 x, x n budeme nazývat n rozměrným aritmetickým vektorem Prvky
VíceČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE. FAKULTA STAVEBNÍ, OBOR GEODÉZIE A KARTOGRAFIE KATEDRA SPECIÁLNÍ GEODÉZIE název předmětu
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ, OBOR GEODÉZIE A KARTOGRAFIE KATEDRA SPECIÁLNÍ GEODÉZIE název předmětu EKONOMIKA V ZEMĚMĚŘICTVÍ A KATASTRU číslo úlohy 1. název úlohy NEMOVITOSTÍ Analýza
Více4. Kombinatorika a matice
4 Kombinatorika a matice 4 Princip inkluze a exkluze Předpokládejme, že chceme znát počet přirozených čísel menších než sto, která jsou dělitelná dvěma nebo třemi Označme N k množinu přirozených čísel
VíceSYLABUS PŘEDNÁŠKY 10 Z GEODÉZIE 1
SYLABUS PŘEDNÁŠKY 10 Z GEODÉZIE 1 (Souřadnicové výpočty 4, Orientace osnovy vodorovných směrů) 1. ročník bakalářského studia studijní program G studijní obor G doc. Ing. Jaromír Procházka, CSc. prosinec
VíceÚloha 5: Spektrometrie záření α
Petra Suková, 3.ročník 1 Úloha 5: Spektrometrie záření α 1 Zadání 1. Proveďte energetickou kalibraci α-spektrometru a určete jeho rozlišení. 2. Určeteabsolutníaktivitukalibračníhoradioizotopu 241 Am. 3.
Více21. ročník, úloha II. 3... víno teče proudem (4 body; průměr 2,08; řešilo 38 studentů)
1 očník, úloha II 3 víno teče poudem (4 body; půmě,8; řešilo 38 studentů) Vinaři a řidiči kamionu dobře znají šikovné přelévání kapalin z těžkých nádob Vinař Ignác chce stočit víno z jednoho demižonu do
VíceAnalýza a klasifikace dat
Analýza a klasifikace dat Jiří Holčík Březen 0 Přípava a vydání této publikace byly podpoovány pojektem ESF č. CZ..07/..00/07.038 Víceoboová inovace studia Matematické biologie a státním ozpočtem České
VíceKinetika spalovacích reakcí
Knetka spalovacích reakcí Základy knetky spalování - nauka o průběhu spalovacích reakcí a závslost rychlost reakcí na různých faktorech Hlavní faktory: - koncentrace reagujících látek - teplota - tlak
VíceMECHANIKA I. Jaromír Švígler
MECHNIK I Jaomí Švígle OBSH Předmluva Rozdělení a základní pojm mechank 4 Statka Základní pojm a aom statk Síla Moment síl k bodu a k ose Slová dvojce Základní věta statk Páce a výkon síl a momentu 5 Slové
Více3.2.2 Shodnost trojúhelníků II
3.. hodnost tojúhelníků II Předpoklady: 30 Pokud mají tojúhelníky speiální vlastnosti, mohou se věty o shodnosti zjednodušit Př. : Zfomuluj věty o shodnosti: a) ovnoamennýh tojúhelníků b) ovnostannýh tojúhelníků
VíceČasové řady, typy trendových funkcí a odhady trendů
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Stochastický proces Posloupnost náhodných veličin {Y t, t = 0, ±1, ±2 } se nazývá stochastický proces
VíceČasové řady, typy trendových funkcí a odhady trendů
Časové řady, typy trendových funkcí a odhady trendů Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Jiří Neubauer (Katedra ekonometrie UO Brno) Časové
VíceMaticová exponenciála a jiné maticové funkce
Matcová exponencála a jné matcové funkce Motvace: Jž víte, že řešením rovnce y = ay, jsou funkce y(t = c e at, tj exponencály Pro tuto funkc platí, že y(0 = c, tj konstanta c je počáteční podmínka v bodě
VíceČásti kruhu. Předpoklady:
2.10.3 Části uhu Předpolady: 0201002 Př. 1: Na užnici ( ;5cm) leží body,, = 8cm. Uči početně vzdálenost tětivy od středu užnice. pávnost výpočtu zontoluj ýsováním. Naeslíme si obáze a využijeme speciální
Víceε ε [ 8, N, 3, N ]
1. Vzdálenost mezi elektonem a potonem v atomu vodíku je přibližně 0,53.10-10 m. Jaká je velikost sil mezi uvedenými částicemi a) elektostatické b) gavitační Je-li gavitační konstanta G = 6,7.10-11 N.m
Více15 Maticový a vektorový počet II
M. Rokyta, MFF UK: Aplikovaná matematika III kap. 15: Maticový a vektorový počet II 1 15 Maticový a vektorový počet II 15.1 Úvod Opakování z 1. ročníku (z kapitoly 8) Označení. Množinu všech reálných resp.
Více