Neuronové sítě v DPZ
|
|
- Hana Tomanová
- před 5 lety
- Počet zobrazení:
Transkript
1 Univerzita J. E. Purkyně v Ústí nad Labem Fakulta životního prostředí Neuronové sítě v DPZ Seminární práce z předmětu Dálkový průzkum Země Vypracovali: Jan Lantora Rok: 2006 Zuzana Vašková
2 Neuronové sítě Neuronové sítě jsou biologickými neuronovými sítěmi - uměle vytvořené neuronové sítě by měly být schopny se chovat stejně nebo alespoň podobně jako jejich biologické vzory. Skýtá se tu šance simulovat některé funkce lidského myšlení. Neuronové sítě využívají distribuované, paralelní zpracování informace při provádění výpočtů - ukládání, zpracování a předávání informace probíhá prostřednictvím celé neuronové sítě spíše než pomocí určitých paměťových míst. Znalosti jsou ukládány především prostřednictvím síly vazeb mezi jednotlivými neurony. Vazby mezi neurony vedoucí ke "správné odpovědi" jsou oslabovány pomocí opakované expozice příkladů popisujících problémový prostor. Učení je základní a podstatná vlastnost neuronových sítí. Popis funkce neuronové sítě Základní složkou neuronové sítě je neuron. Neuron má několik výstupů a několik vstupů. Tvoří některou funkci mezi těmito vstupy a výstupy. Problémem je, že funkce nebyla určena přírodním neuronem. Zjednodušme tuto neuronovou funkci tak, aby byla co nejjednodušší a bylo možné ji zrealizovat na standardním osobním počítači. Abychom mohli zjednodušit funkci neuronu, musíme nejdříve představit biologický neuron. Neuronová síť pracuje pomocí elektrických impulsů. Tyto neuronové impulsy nabíjejí neuron a jeho napětí se zvyšuje. Vytvořený náboj se objevuje v neuronových výstupech, ale každý výstup (synapse) má odlišný náboj v krátkém odporu. To znamená, že po vstupu následujících neuronů se hodnota změní. A to je jedna z nejjednodušších realizací neuronu. Termín neuronová síť zahrnuje spojení několika neuronů s výše zmíněnými vlastnostmi. Komplexní funkce neuronové sítě je odvozena funkcemi jednoduchých neuronů, upravením jejich výstupů a individuálním způsobem organizace spojujícího neuronu. Čím bude funkce realizovaná neuronem jednodušší, tím vyšší bude muset být počet neuronů, řečeno jiným způsobem, pokud by neuronové funkce odpovídaly síťovým funkcím, stačil by jeden. Vhodným seskupením neuronů můžeme ušetřit mnoho neuronů nebo realizovat paměť (pomocí zpětné vazby).
3 Hodnoty signálů přenášených mezi jednotlivými prvky se mění v závislosti na nastavitelných parametrech, které se nazývají váhy, wij. Prvek sčítá všechny příchozí hodnoty vážených spojení a produkuje výslednou hodnotu, která je nelineární (statickou) funkcí jeho součtu. Výstup prvku může být výstupem systému nebo může být zaslán na stejný nebo jiný prvek. Obr.1 je ukázkou umělé neuronové sítě se třemi neurony P, kde každý neuron produkuje výstupní hodnotu na základě součtu vstupních vážených hodnot dále zpracovaných nelineární aktivační funkcí f(.) Obr.1 Umělá neuronová síť
4 Využití neuronových sítí v DPZ Využití dat dálkového průzkumu Země (DPZ) je v současné době stále častější a velmi rozsáhlé. Vzhledem k nejrůznějším aplikacím využívaným například pro zemědělskou evidenci půdního fondu, mapování využití území, zjišťování zamokření, lesní hospodářství či pro analýzy životního prostředí, se objevuje i mnoho rozličných metod zpracování těchto dat. Jelikož přesnost a správnost vyhodnocení snímků závisí také na správně zvolené metodě klasifikace, není divu, že se objevují stále nové přístupy. Mezi nejnovější metody klasifikace obrazu patří klasifikace pomocí umělé neuronové sítě (Artificial Neural Network Classification). Současně s nárůstem rozsahu dostupných dat DPZ přibývají i možnosti použití neuronových sítí, které se tak začaly používat i pro klasifikaci multispektrálních snímků. V posledních letech bylo zveřejněno několik aplikací klasifikačních přístupů založených na neuronových sítích, které ukázaly výhody umělých neuronových sítí oproti obvykle používaným statistickým klasifikátorům. Přístupy neuronových sítí jsou totiž nezávislé na statistickém rozložení dat a dokáží odhadnout nelineární vztah mezi vstupními a požadovanými výstupními daty. Nejčastěji se v této problematice využívá metoda řízené klasifikace obrazu neuronovou sítí Multi-Layer Perceptron feed-forward back-propagation, neboli vícevrstvou sítí se zpětným šířením při učení. Výzkum klasifikačních metod s neuronovými sítěmi je však stále ve vývoji. Klasifikace neuronovými sítěmi Ke zkoumání možností klasifikace snímků neuronovými sítěmi musí být navržen takový postup, který bude využívat profesionální program určený k řešení úloh pomocí neuronových sítí. Tomuto účelu plně vyhovuje program Statistica Neural Networks. K převodu snímků do tohoto programu může být použit program Idrisi, protože SNN umožňuje práci pouze s tabulkovými daty. Vhodnost zvoleného postupu je posouzena srovnáním s klasifikacemi v programu Geomatica.
5 V programu SNN byly vyzkoušeny s různým nastavením čtyři záladní typy neuronových sítí Multilayer Perceptron, Radial Basis Function, Lineární a Pravděpodobnostní neuronové sítě. Nejlepší výsledky dávala klasifikace neuronovou sítí Multilayer Perceptron s trénováním backpropagation. Vstupem do klasifikace jsou radiometrické hodnoty z jednotlivých kanálů Landsatu 7, které odpovídají odrazivosti objektů v jednotlivých spektrálních pásmech a určují velikost vstupního signálu. Vnitřní parametry sítě pak musí být nastaveny tak, aby největší výstupní signál byl u neuronu odpovídajícího požadované třídě. Toto nastavení se upravuje během trénování neuronové sítě a záleží na něm konečná přesnost klasifikace. Příklad zpracování snímku je znázorněn na obrázku 2 s vyznačenými aktivacemi neuronů pro pixel z městské zástavby, který má téměř ve všech kanálech vysokou odrazivost. Nastavená váhová propojení pak tyto vstupní signály změní tak, že nejvyšší výstupní signál vyjde právě u 4. výstupního neuronu. Ke všem ostatním výstupním neuronům váhy tento signál utlumí, kdežto směrem k požadovanému uzlu ho zvýší. Takto se pak při klasifikaci zpracuje pixel po pixelu celý obraz. Obr. 2. Příklad třívrstvé perceptronové sítě se 6 vstupními, 8 skrytými a 11 výstupními uzly (MLP ) s příkladem vstupu a výstupu při klasifikaci satelitních snímků (s vyznačenými aktivacemi pro město)
6 Neurony v síti jsou propojeny tzv. váhovými propojeními, které zesilují nebo zeslabují signál přicházející z předchozích neuronů. Suma těchto vážených signálů určuje aktivaci neuronu, která ovlivňuje další výstup z neuronu. Výstup z neuronu je pak funkcí právě této aktivace, jak je možné vidět na obr. 3. a ve vzorci (2), kde je výstup vypočten na základě nejčastější logistické aktivační funkce. Obr. 3. Matematický model neuronu aktivace neuronu a = n i= wi xi h 1 (1) výstup y = 1 f ( a) = 1+ e a (2) Nastavení vah tedy hraje ve fungování neuronové sítě důležitou roli. Ke správnému nastavení dojde při úspěšném trénování neuronové sítě, k čemuž použijeme trénovací soubor, ve kterém známe správné zařazení pixelů do jednotlivých klasifikačních tříd. Při trénování neuronové sítě se signály nejprve vyšlou směrem dopředu u výstupních neuronů se porovnají výstupy s požadovanými
7 zjištěné chyby se použijí ke změně nastavení vah v síti Hledání vhodných parametrů sítě se opakuje dokud nejsou chyby mezi požadovaným a aktuálním výstupem minimální. Tímto způsobem je neuronová síť schopna rozpoznat i statisticky podobná data a proto je úspěšnost její klasifikace velmi vysoká. Výstupy z klasifikace Definitivní výstupy v podobě digitálních rastrových map land use/land cover jsou vytvořeny z nejlepších klasifikací neuronovými sítěmi po vyhlazení obrazu a připojení na souřadnice S- 42, příklad je uveden na obr. 4. Tyto výstupy mohou sloužit pro určení výužití konkrétního území podle souřadnic, nebo mohou být vstupem do geografických informačních systémů (GIS) v rastrové, případně i vektorové podobě (po vytvoření vrstev pro jednotlivé kategorie). Obr. 4. Výstup z nejlepší klasifikace do 11 kategorií
8 Závěr Postup klasifikace snímků v programu Statistica Neural Networks podává lepší výsledky než běžně používané klasifikace v programu Geomatica a tudíž může být doporučen dalším uživatelům. Tím se rozšiřují možnosti využití tohoto moderního klasifikátoru, protože v dosavadních studiích si autoři většinou vytvářeli vlastní programy, které jsou nedostupné. Až v posledních letech se začaly objevovat nové moduly s tímto klasifikátorem v programech specializovaných na zpracování dat DPZ, ty jsou však obvykle velmi drahé. Použité zdroje informací: 1) 2) 3)
Vytěžování znalostí z dat
Pavel Kordík, Josef Borkovec (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 8 1/26 Vytěžování znalostí z dat Pavel Kordík, Josef Borkovec Department of Computer Systems Faculty of Information
VíceAlgoritmy a struktury neuropočítačů ASN - P11
Aplikace UNS při rozpoznání obrazů Základní úloha segmentace obrazu rozdělení obrazu do několika významných oblastí klasifikační úloha, clusterová analýza target Metody Kohonenova metoda KSOM Kohonenova
VíceANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT. Institut biostatistiky a analýz
ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT prof. Ing. Jiří Holčík,, CSc. NEURONOVÉ SÍTĚ otázky a odpovědi 1 AKD_predn4, slide 8: Hodnota výstupu závisí na znaménku funkce net i, tedy na tom, zda bude suma
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
VíceAlgoritmy a struktury neuropočítačů ASN P4. Vícevrstvé sítě dopředné a Elmanovy MLNN s učením zpětného šíření chyby
Algoritmy a struktury neuropočítačů ASN P4 Vícevrstvé sítě dopředné a Elmanovy MLNN s učením zpětného šíření chyby Vrstevnatá struktura - vícevrstvé NN (Multilayer NN, MLNN) vstupní vrstva (input layer)
VíceTestování neuronových sítí pro prostorovou interpolaci v softwaru GRASS GIS
Testování neuronových sítí pro prostorovou interpolaci v softwaru GRASS GIS Veronika NEVTÍPILOVÁ Gisáček 2013 Katedra Geoinformatiky Univerzita Palackého v Olomouci Cíle otestovat kvalitu interpolace pomocí
VíceTrénování sítě pomocí učení s učitelem
Trénování sítě pomocí učení s učitelem! předpokládá se, že máme k dispozici trénovací množinu, tj. množinu P dvojic [vstup x p, požadovaný výstup u p ]! chceme nastavit váhy a prahy sítě tak, aby výstup
VíceFiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc
Neuronové sítě a možnosti jejich využití Fiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc 1. Biologický neuron Osnova 2. Neuronové sítě Umělý neuron
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
VíceNeuronové sítě Ladislav Horký Karel Břinda
Neuronové sítě Ladislav Horký Karel Břinda Obsah Úvod, historie Modely neuronu, aktivační funkce Topologie sítí Principy učení Konkrétní typy sítí s ukázkami v prostředí Wolfram Mathematica Praktické aplikace
VíceGIS ANALÝZA VLIVU DÁLNIČNÍ SÍTĚ NA OKOLNÍ KRAJINU. Veronika Berková 1
GIS ANALÝZA VLIVU DÁLNIČNÍ SÍTĚ NA OKOLNÍ KRAJINU Veronika Berková 1 1 Katedra mapování a kartografie, Fakulta stavební, ČVUT, Thákurova 7, 166 29, Praha, ČR veronika.berkova@fsv.cvut.cz Abstrakt. Metody
VíceNeuronové časové řady (ANN-TS)
Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci
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
Více5. Umělé neuronové sítě. Neuronové sítě
Neuronové sítě Přesný algoritmus práce přírodních neuronových systémů není doposud znám. Přesto experimentální výsledky na modelech těchto systémů dávají dnes velmi slibné výsledky. Tyto systémy, včetně
VíceAmbasadoři přírodovědných a technických oborů. Ing. Michal Řepka Březen - duben 2013
Ambasadoři přírodovědných a technických oborů Ing. Michal Řepka Březen - duben 2013 Umělé neuronové sítě Proč právě Neuronové sítě? K čemu je to dobré? Používá se to někde v praxi? Úvod Umělé neuronové
VíceModelové řešení revitalizace průmyslových regionů a území po těžbě uhlí na příkladu Podkrušnohoří
Univerzita J. E. Purkyně, Fakulta životního prostředí Registrační číslo projektu: MMR WD-44-07-1 Modelové řešení revitalizace průmyslových regionů a území po těžbě uhlí na příkladu Podkrušnohoří Závěrečná
VíceNeuronové sítě. Vlasta Radová Západočeská univerzita v Plzni katedra kybernetiky
Neuronové sítě Vlasta Radová Západočeská univerzita v Plzni katedra kybernetiky Motivace pro výzkum umělých neuronových sítí lidský mozek pracuje jiným způsobem než běžné číslicové počítače počítače přesně
VíceAnalýza dat v GIS. Dotazy na databáze. Překrytí Overlay Mapová algebra Vzdálenostní funkce. Funkce souvislosti Interpolační funkce Topografické funkce
Analýza dat v GIS Dotazy na databáze Prostorové Atributové Překrytí Overlay Mapová algebra Vzdálenostní funkce Euklidovské vzdálenosti Oceněné vzdálenosti Funkce souvislosti Interpolační funkce Topografické
VíceAlgoritmy a struktury neuropočítačů ASN - P10. Aplikace UNS v biomedicíně
Aplikace UNS v biomedicíně aplikace v medicíně postup při zpracování úloh Aplikace UNS v medicíně Důvod: nalezení exaktnějších, levnějších a snadnějších metod určování diagnóz pro lékaře nalezení šetrnějších
VíceArchitektura - struktura sítě výkonných prvků, jejich vzájemné propojení.
Základní pojmy z oblasti neuronových sítí Zde je uveden přehled některých základních pojmů z oblasti neuronových sítí. Tento přehled usnadní studium a pochopení předmětu. ADALINE - klasická umělá neuronová
VíceNeuronové sítě (11. přednáška)
Neuronové sítě (11. přednáška) Machine Learning Naučit stroje se učit O co jde? Máme model výpočtu (t.j. výpočetní postup jednoznačně daný vstupy a nějakými parametry), chceme najít vhodné nastavení parametrů,
VíceK možnostem krátkodobé předpovědi úrovně znečištění ovzduší statistickými metodami. Josef Keder
K možnostem krátkodobé předpovědi úrovně znečištění ovzduší statistickými metodami Josef Keder Motivace Předpověď budoucí úrovně znečištění ovzduší s předstihem v řádu alespoň několika hodin má význam
VícePREDIKCE POČTU UCHAZEČŮ O STUDIUM S VYUŽITÍM NEURONOVÝCH SÍTÍ
PREDIKCE POČTU UCHAZEČŮ O STUDIUM S VYUŽITÍM NEURONOVÝCH SÍTÍ P. Matušík Evropský polytechnický institut, s.r.o, Osvobození 699, 686 04 Kunovice Abstract Neuronové sítě se v době využívají v řadě vědních
VíceModerní systémy pro získávání znalostí z informací a dat
Moderní systémy pro získávání znalostí z informací a dat Jan Žižka IBA Institut biostatistiky a analýz PřF & LF, Masarykova universita Kamenice 126/3, 625 00 Brno Email: zizka@iba.muni.cz Bioinformatika:
VíceDálkový průzkum Země. Ústav geoinformačních technologií Lesnická a dřevařská fakulta MENDELU
Dálkový průzkum Země Ústav geoinformačních technologií Lesnická a dřevařská fakulta MENDELU Klasifikace založené na strojovém učení Strojové učení je podoblastí umělé inteligence, zabývající se algoritmy
VíceStatSoft Úvod do neuronových sítí
StatSoft Úvod do neuronových sítí Vzhledem k vzrůstající popularitě neuronových sítí jsme se rozhodli Vám je v tomto článku představit a říci si něco o jejich využití. Co si tedy představit pod pojmem
VíceAlgoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů)
Algoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů) Autor: Vladimir Vapnik Vapnik, V. The Nature of Statistical Learning Theory.
VíceKlasifikace předmětů a jevů
Klasifikace předmětů a jevů 1. Úvod Rozpoznávání neboli klasifikace je základní znak lidské činnosti. Rozpoznávání (klasifikace) předmětů a jevů spočívá v jejich zařazování do jednotlivých tříd. Třídou
VíceVYUŽITÍ UMĚLÉ NEURONOVÉ SÍTĚ PRO EMPIRICKÝ MODEL ŠÍŘENÍ SIGNÁLU
VYUŽITÍ UMĚLÉ NEURONOVÉ SÍTĚ PRO EMPIRICKÝ MODEL ŠÍŘENÍ SIGNÁLU Luděk ZÁVODNÝ, Stanislav HANUS Ústav radioelektroniky, Fakulta elektrotechniky a komunikačních technologií Vysoké učení technické v Brně
Více2. RBF neuronové sítě
2. RBF neuronové sítě Kapitola pojednává o neuronových sítích typu RBF. V kapitole je popsána základní struktura tohoto typu neuronové sítě. Poté následuje definice a charakteristika jednotlivých radiálně
VíceNeuropočítače. podnět. vnímání (senzory)
Neuropočítače Princip inteligentního systému vnímání (senzory) podnět akce (efektory) poznání plánování usuzování komunikace Typické vlastnosti inteligentního systému: schopnost vnímat podněty z okolního
VíceNeuronové sítě. 1 Úvod. 2 Historie. 3 Modely neuronu
Neuronové sítě L. Horký*, K. Břinda** Fakulta jaderná a fyzikálně inženýrská, Břehová 7, 115 19 Praha 1 *horkyladislav@seznam.cz, **brinda@fjfi.cvut.cz Abstrakt Cílem našeho příspěvku je získat uživatelský
VícePreceptron přednáška ze dne
Preceptron 2 Pavel Křížek Přemysl Šůcha 6. přednáška ze dne 3.4.2001 Obsah 1 Lineární diskriminační funkce 2 1.1 Zobecněná lineární diskriminační funkce............ 2 1.2 Učení klasifikátoru........................
Vícecv3.tex. Vzorec pro úplnou pravděpodobnost
3 cvičení - pravděpodobnost 2102018 18cv3tex n i=1 Vzorec pro úplnou pravděpodobnost Systém náhodných jevů nazýváme úplným, jestliže pro něj platí: B i = 1 a pro i k je B i B k = 0 Jestliže je (Ω, A, P
VíceDPZ Dálkový průzkum Země. Lukáš Kamp, KAM077
DPZ Dálkový průzkum Země Lukáš Kamp, KAM077 Dálkový průzkum Země je věda i umění získávat užitečné informace o objektech, plochách či jevech prostřednictvím dat měřených na zařízeních, která s těmito zkoumanými
VíceKartografické modelování. VIII Modelování vzdálenosti
VIII Modelování vzdálenosti jaro 2015 Petr Kubíček kubicek@geogr.muni.cz Laboratory on Geoinformatics and Cartography (LGC) Institute of Geography Masaryk University Czech Republic Vzdálenostní funkce
VíceMETODIKA ZPRACOVÁNÍ EKONOMICKÝCH ČASOVÝCH ŘAD S VYUŽITÍM SIMULÁTORŮ NEURONOVÝCH SÍTÍ
METODIKA ZPRACOVÁNÍ EKONOMICKÝCH ČASOVÝCH ŘAD S VYUŽITÍM SIMULÁTORŮ NEURONOVÝCH SÍTÍ PROCESSING METHODOLOGY OF ECONOMIC TIME SERIES USING NEURAL NETWORK SIMULATORS Jindřich Petrucha Evropský polytechnický
VíceKLASIFIKÁTOR MODULACÍ S VYUŽITÍM UMĚLÉ NEURONOVÉ SÍTĚ
KLASIFIKÁTOR MODULACÍ S VYUŽITÍM UMĚLÉ NEURONOVÉ SÍTĚ Marie Richterová 1, David Juráček 2 1 Univerzita obrany, Katedra KIS, 2 PČR MŘ Brno Abstrakt Článek se zabývá rozpoznáváním analogových a diskrétních
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
VíceNG C Implementace plně rekurentní
NG C Implementace plně rekurentní neuronové sítě v systému Mathematica Zdeněk Buk, Miroslav Šnorek {bukz1 snorek}@fel.cvut.cz Neural Computing Group Department of Computer Science and Engineering, Faculty
VíceVYUŽITÍ UMĚLÝCH NEURONOVÝCH SÍTÍ V KLASIFIKACI LAND COVER
UNIVERZITA KARLOVA V PRAZE Přírodovědecká fakulta Katedra aplikované geoinformatiky a kartografie VYUŽITÍ UMĚLÝCH NEURONOVÝCH SÍTÍ V KLASIFIKACI LAND COVER LAND COVER CLASSIFICATION USING ARTIFICIAL NEURAL
VíceAlgoritmy a struktury neuropočítačů ASN - P1
Algoritmy a struktury neuropočítačů ASN - P1 http://amber.feld.cvut.cz/ssc www.janatuckova.cz Prof.Ing. Jana Tučková,CSc. Katedra teorie obvodů K331 kancelář: 614, B3 tel.: 224 352 098 e-mail: tuckova@fel.cvut.cz
VíceU Úvod do modelování a simulace systémů
U Úvod do modelování a simulace systémů Vyšetřování rozsáhlých soustav mnohdy nelze provádět analytickým výpočtem.často je nutné zkoumat chování zařízení v mezních situacích, do kterých se skutečné zařízení
VíceDálkový průzkum Země. Klasifikace obrazu
Dálkový průzkum Země Klasifikace obrazu Neřízená klasifikace v IDRISI Modul CLUSTER (Image Processing / Hard Classifiers) využívá techniku histogramových vrcholů pásma pro klasifikaci výsledný obraz volba
VíceRosenblattův perceptron
Perceptron Přenosové funkce Rosenblattův perceptron Rosenblatt r. 1958. Inspirace lidským okem Podle fyziologického vzoru je třívrstvá: Vstupní vrstva rozvětvovací jejím úkolem je mapování dvourozměrného
VíceMožnosti podpory plošné inventarizace kontaminovaných míst interpretací multi- a hyperspektrálního snímkování Jana Petruchová Lenka Jirásková
Možnosti podpory plošné inventarizace kontaminovaných míst interpretací multi- a hyperspektrálního snímkování Jana Petruchová Lenka Jirásková Praha 13.6.2012 Multispektrální data cíl ověření vhodnosti
VíceINFORMAČNÍ SYSTÉMY PRO KRIZOVÉ ŘÍZENÍ GEOGRAFICKÉ INFORMAČNÍ SYSTÉMY A JEJICH VYUŽITÍ V KRIZOVÉM ŘÍZENÍ ING. JIŘÍ BARTA, RNDR. ING.
INFORMAČNÍ SYSTÉMY PRO KRIZOVÉ ŘÍZENÍ GEOGRAFICKÉ INFORMAČNÍ SYSTÉMY A JEJICH VYUŽITÍ V KRIZOVÉM ŘÍZENÍ ING. JIŘÍ BARTA, RNDR. ING. TOMÁŠ LUDÍK Operační program Vzdělávání pro konkurenceschopnost Projekt:
VícePřehled vhodných metod georeferencování starých map
Přehled vhodných metod georeferencování starých map ČVUT v Praze, katedra geomatiky 12. 3. 2015 Praha Georeferencování historická mapa vs. stará mapa georeferencování umístění obrazu mapy do referenčního
VíceÚloha - rozpoznávání číslic
Úloha - rozpoznávání číslic Vojtěch Franc, Tomáš Pajdla a Tomáš Svoboda http://cmp.felk.cvut.cz 27. listopadu 26 Abstrakt Podpůrný text pro cvičení předmětu X33KUI. Vysvětluje tři způsoby rozpoznávání
VíceInkrementální teorie plasticity - shrnutí
Inkrementální teorie plasticity - shrnutí Aditivní zákon = e p. Hookeův zákon pro elastickou složku deformace =C: e. Podmínka plasticity f = f Y =0. Pravidlo zpevnění p e d =g, p,,d, d p,..., dy =h, p,y,
Vícepřetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat
Zkouška ISR 2013 přetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat 1. Rozdílné principy u induktivního a deduktivního
VíceKybernetika a umělá inteligence, cvičení 10/11
Kybernetika a umělá inteligence, cvičení 10/11 Program 1. seminární cvičení: základní typy klasifikátorů a jejich princip 2. počítačové cvičení: procvičení na problému rozpoznávání číslic... body za aktivitu
Více7. Geografické informační systémy.
7. Geografické informační systémy. 154GEY2 Geodézie 2 7.1 Definice 7.2 Komponenty GIS 7.3 Možnosti GIS 7.4 Datové modely GIS 7.5 Přístup k prostorovým datům 7.6 Topologie 7.7 Vektorové datové modely 7.8
VíceFakulta informačních technologií VUT Brno. Předmět: Srovnání klasifikátorů Autor : Jakub Mahdal Login: xmahda03 Datum:
Fakulta informačních technologií VUT Brno Předmět: Projekt: SRE Srovnání klasifikátorů Autor : Jakub Mahdal Login: xmahda03 Datum: 9.12.2006 Zadání Vyberte si jakékoliv 2 klasifikátory, např. GMM vs. neuronová
Více9. přednáška z předmětu GIS1 Digitální model reliéfu a odvozené povrchy. Vyučující: Ing. Jan Pacina, Ph.D.
9. přednáška z předmětu GIS1 Digitální model reliéfu a odvozené povrchy Vyučující: Ing. Jan Pacina, Ph.D. e-mail: jan.pacina@ujep.cz Lehký úvod Digitální modely terénu jsou dnes v geoinformačních systémech
VíceTerestrické 3D skenování
Jan Říha, SPŠ zeměměřická www.leica-geosystems.us Laserové skenování Technologie, která zprostředkovává nové možnosti v pořizování geodetických dat a výrazně rozšiřuje jejich využitelnost. Metoda bezkontaktního
VícePrincipy počítačů I Netradiční stroje
Principy počítačů I Netradiční stroje snímek 1 Principy počítačů Část X Netradiční stroje VJJ 1 snímek 2 Netradiční procesory architektury a organizace počítačů, které se vymykají struktuře popsané Johnem
VíceTeorie systémů TES 3. Sběr dat, vzorkování
Evropský sociální fond. Praha & EU: Investujeme do vaší budoucnosti. Teorie systémů TES 3. Sběr dat, vzorkování ZS 2011/2012 prof. Ing. Petr Moos, CSc. Ústav informatiky a telekomunikací Fakulta dopravní
VíceVyužití neuronové sítě pro identifikaci realného systému
1 Portál pre odborné publikovanie ISSN 1338-0087 Využití neuronové sítě pro identifikaci realného systému Pišan Radim Elektrotechnika 20.06.2011 Identifikace systémů je proces, kdy z naměřených dat můžeme
VíceZesilovače. Ing. M. Bešta
ZESILOVAČ Zesilovač je elektrický čtyřpól, na jehož vstupní svorky přivádíme signál, který chceme zesílit. Je to tedy elektronické zařízení, které zesiluje elektrický signál. Zesilovač mění amplitudu zesilovaného
VíceEmergence chování robotických agentů: neuroevoluce
Emergence chování robotických agentů: neuroevoluce Petra Vidnerová, Stanislav Slušný, Roman Neruda Ústav Informatiky, AV ČR Kognice a umělý život VIII Praha 28. 5. 2008 Evoluční robotika: EA & neuronové
VíceMapování urbanizovaných ploch a úrovně jejich zastavění
Mapování urbanizovaných ploch a úrovně jejich zastavění Miroslav Kopecký Jan Kolomazník Luboš Kučera Geoinformatika ve veřejné správě 2008, Brno Organizační zajištění projektu Mapování urbanizovaných ploch
VícePRŮZKUM VÝŽIVY LESA NA ÚZEMÍ ČESKÉ REPUBLIKY
PRŮZKUM VÝŽIVY LESA NA ÚZEMÍ ČESKÉ REPUBLIKY Aplikované metodické postupy Tomáš Samek počet odběrných míst/vzorků volba odběrných míst pokyny k odběru vzorků, jejich označování a skladování předávání
VícePracovní list žáka (SŠ)
Pracovní list žáka (SŠ) vzorová úloha (SŠ) Jméno Třída.. Datum.. 1 Teoretický úvod Rezistory lze zapojovat do série nebo paralelně. Pro výsledný odpor sériového zapojení rezistorů platí: R = R1 + R2 +
VíceLOKALIZACE ZDROJŮ AE NEURONOVÝMI SÍTĚMI NEZÁVISLE NA ZMĚNÁCH MATERIÁLU A MĚŘÍTKA
LOKALIZACE ZDROJŮ AE EUROOVÝMI SÍTĚMI EZÁVISLE A ZMĚÁCH MATERIÁLU A MĚŘÍTKA AE SOURCE LOCATIO BY EURAL ETWORKS IDEPEDET O MATERIAL AD SCALE CHAGES Milan CHLADA, Zdeněk PŘEVOROVSKÝ Ústav termomechaniky
VíceLineární diskriminační funkce. Perceptronový algoritmus.
Lineární. Perceptronový algoritmus. Petr Pošík Czech Technical University in Prague Faculty of Electrical Engineering Dept. of Cybernetics P. Pošík c 2012 Artificial Intelligence 1 / 12 Binární klasifikace
Více1. Přednáška. Ing. Miroslav Šulai, MBA
N_OFI_2 1. Přednáška Počet pravděpodobnosti Statistický aparát používaný ve financích Ing. Miroslav Šulai, MBA 1 Počet pravděpodobnosti -náhodné veličiny 2 Počet pravděpodobnosti -náhodné veličiny 3 Jevy
Vícepopsat činnost základních zapojení operačních usměrňovačů samostatně změřit zadanou úlohu
4. Operační usměrňovače Čas ke studiu: 15 minut Cíl Po prostudování tohoto odstavce budete umět popsat činnost základních zapojení operačních usměrňovačů samostatně změřit zadanou úlohu Výklad Operační
Více8-9. Pravděpodobnostní rozhodování a predikce. Gerstnerova laboratoř katedra kybernetiky fakulta elektrotechnická ČVUT v Praze
KYBERNETIKA A UMĚLÁ INTELIGENCE 8-9. Pravděpodobnostní rozhodování a predikce laboratory Gerstner Gerstnerova laboratoř katedra kybernetiky fakulta elektrotechnická ČVUT v Praze Rozhodování za neurčitosti
VícePROBLEMATICKÉ ASPEKTY GEOREFERENCOVÁNÍ MAP
Digitální technologie v geoinformatice, kartografii a DPZ PROBLEMATICKÉ ASPEKTY GEOREFERENCOVÁNÍ MAP Katedra geomatiky Fakulta stavební České vysoké učení technické v Praze Jakub Havlíček, 22.10.2013,
VíceIBM SPSS Neural Networks
IBM Software IBM SPSS Neural Networks Nové nástroje pro tvorbu prediktivních modelů Aby mohla Vaše organizace zlepšit rozhodovaní ve všech procesních postupech, potřebuje odhalit vztahy a souvislosti v
VíceRozvoj tepla v betonových konstrukcích
Úvod do problematiky K novinkám v požární odolnosti nosných konstrukcí Praha, 11. září 2012 Ing. Radek Štefan prof. Ing. Jaroslav Procházka, CSc. Znalost rozložení teploty v betonové konstrukci nebo její
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
VíceRastrová reprezentace geoprvků model polí Porovnání rastrové a vektorové reprezentace geoprvků Digitální model terénu GIS 1 153GS01 / 153GIS1
GIS 1 153GS01 / 153GIS1 Martin Landa Katedra geomatiky ČVUT v Praze, Fakulta stavební 14.11.2013 Copyright c 2013 Martin Landa Permission is granted to copy, distribute and/or modify this document under
VíceGIS a pozemkové úpravy. Data pro využití území (DPZ)
GIS a pozemkové úpravy Data pro využití území (DPZ) Josef Krása Katedra hydromeliorací a krajinného inženýrství, Fakulta stavební ČVUT v Praze 1 Geodata Hlavní poskytovatelé map Státní a resortní (byť
Více7. Tematická kartografie
7. Tematická kartografie Zabývá se tvorbou tematických map, které na topografickém podkladě přebíraném z vhodné podkladové mapy podrobně zobrazují zájmové přírodní, socioekonomické a technické objekty
VíceMožnosti modelování lesní vegetační stupňovitosti pomocí geoinformačních analýz
25. 10. 2012, Praha Ing. Petr Vahalík Ústav geoinformačních technologií Možnosti modelování lesní vegetační stupňovitosti pomocí geoinformačních analýz 21. konference GIS Esri v ČR Lesní vegetační stupně
VícePrecision farming (Precizní zemědělství)
Precision farming (Precizní zemědělství) Jakub Stoszek, GIS 2009 Obsah Co znamená pojem precizní zemědělství Proč precízní zemědělství Sběr dat a mapování půdy Evidence dat LPIS Precizní zemědělství První
VíceRozpoznávání písmen. Jiří Šejnoha Rudolf Kadlec (c) 2005
Rozpoznávání písmen Jiří Šejnoha Rudolf Kadlec (c) 2005 Osnova Motivace Popis problému Povaha dat Neuronová síť Architektura Výsledky Zhodnocení a závěr Popis problému Jedná se o praktický problém, kdy
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,
VíceLineární klasifikátory
Lineární klasifikátory Lineární klasifikátory obsah: perceptronový algoritmus základní verze varianta perceptronového algoritmu přihrádkový algoritmus podpůrné vektorové stroje Lineární klasifikátor navrhnout
VíceAnalýza dat pomocí systému Weka, Rapid miner a Enterprise miner
Vysoká škola ekonomická v Praze Analýza dat pomocí systému Weka, Rapid miner a Enterprise miner Dobývání znalostí z databází 4IZ450 XXXXXXXXXXX Přidělená data a jejich popis Data určená pro zpracování
Více7. Rozdělení pravděpodobnosti ve statistice
7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,
VíceGeoinformační technologie
Geoinformační technologie Geografické informační systémy (GIS) Výukový materiál l pro gymnázia a ostatní středn ední školy Gymnázium, Praha 6, Nad Alejí 1952 Vytvořeno v rámci projektu SIPVZ 1357P2006
VíceVÝUKA SYSTÉMU IDRISI NA KATEDŘE GEOINFORMATIKY PŘÍRODOVĚDECKÉ FAKULTY UNIVERZITY PALACKÉHO V OLOMOUCI
VÝUKA SYSTÉMU IDRISI NA KATEDŘE GEOINFORMATIKY PŘÍRODOVĚDECKÉ FAKULTY UNIVERZITY PALACKÉHO V OLOMOUCI Vilém Pechanec, Pavel SEDLÁK http://www.geoinformatics.upol.cz Geoinformatika v Olomouci ECO-GIS Centrum
VícePV021: Neuronové sítě. Tomáš Brázdil
1 PV021: Neuronové sítě Tomáš Brázdil Cíl předmětu 2 Na co se zaměříme Základní techniky a principy neuronových sítí (NS) Přehled základních modelů NS a jejich použití Co si (doufám) odnesete Znalost základních
VíceKlasifikace a rozpoznávání. Lineární klasifikátory
Klasifikace a rozpoznávání Lineární klasifikátory Opakování - Skalární součin x = x1 x 2 w = w T x = w 1 w 2 x 1 x 2 w1 w 2 = w 1 x 1 + w 2 x 2 x. w w T x w Lineární klasifikátor y(x) = w T x + w 0 Vyber
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
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 5. Odhady parametrů základního souboru Mgr. David Fiedor 16. března 2015 Vztahy mezi výběrovým a základním souborem Osnova 1 Úvod, pojmy Vztahy mezi výběrovým a základním
VíceLaserové skenování (1)
(1) Prohloubení nabídky dalšího vzdělávání v oblasti zeměměřictví a katastru nemovitostí ve Středočeském kraji CZ.1.07/3.2.11/03.0115 Projekt je finančně podpořen Evropským sociálním fondem astátním rozpočtem
VíceVyužití metod strojového učení v bioinformatice David Hoksza
Využití metod strojového učení v bioinformatice David Hoksza SIRET Research Group Katedra softwarového inženýrství, Matematicko-fyzikální fakulta Karlova Univerzita v Praze Bioinformatika Biologické inspirace
VíceÚvod do zpracování signálů
1 / 25 Úvod do zpracování signálů Karel Horák Rozvrh přednášky: 1. Spojitý a diskrétní signál. 2. Spektrum signálu. 3. Vzorkovací věta. 4. Konvoluce signálů. 5. Korelace signálů. 2 / 25 Úvod do zpracování
Více4.2.12 Spojování rezistorů I
4.2.2 Spojování rezistorů Předpoklady: 4, 4207, 420 Jde nám o to nahradit dva nebo více rezistorů jedním rezistorem tak, aby nebylo zvenku možné poznat rozdíl. Nová součástka se musí vzhledem ke zbytku
VíceKompenzovaný vstupní dělič Analogový nízkofrekvenční milivoltmetr
Kompenzovaný vstupní dělič Analogový nízkofrekvenční milivoltmetr. Zadání: A. Na předloženém kompenzovaném vstupní děliči k nf milivoltmetru se vstupní impedancí Z vst = MΩ 25 pf, pro dělící poměry :2,
VíceDPZ Dálkový Průzkum Země. Luděk Augusta Aug007, Vojtěch Lysoněk Lys034
DPZ Dálkový Průzkum Země 1 Obsah Úvod Historie DPZ Techniky DPZ Ukázky 2 DPZ znamená Dálkový průzkum Země nám dává informace o vlastnostech objektů na zemském povrchu s využitím informací získaných v globálním
VíceUčící se klasifikátory obrazu v průmyslu
Učící se klasifikátory obrazu v průmyslu FCC průmyslové systémy s.r.o. FCC průmyslové systémy je technicko obchodní společností, působící v oblasti průmyslové automatizace. Tvoří ji dvě základní divize:
VíceL A TEX Barevné profily tiskových zařízení (tiskárny, plotry)
Semestrální práce z předmětu Kartografická polygrafie a reprografie L A TEX Barevné profily tiskových zařízení (tiskárny, plotry) Autor: Petr Douša, Jan Antropius Editor: Ivana Řezníková Praha, duben 2011
VíceIdrisi Andes aneb co bude nového ve verzi 15.0
Idrisi Andes aneb co bude nového ve verzi 15.0 Ing. Martin KLIMÁNEK Mendelova zemědělská a lesnická univerzita v Brně Lesnická a dřevařská fakulta Ústav 411 Geoinformačních technologií Idrisi 15.0 The
Vícedoc. Dr. Ing. Elias TOMEH Elias Tomeh / Snímek 1
doc. Dr. Ing. Elias TOMEH e-mail: elias.tomeh@tul.cz Elias Tomeh / Snímek 1 Frekvenční spektrum Dělení frekvenčního pásma (počet čar) Průměrování Časovou váhovou funkci Elias Tomeh / Snímek 2 Vzorkovací
VícePokročilé neparametrické metody. Klára Kubošová
Pokročilé neparametrické metody Klára Kubošová Pokročilé neparametrické metody Výuka 13 přednášek doplněných o praktické cvičení v SW Úvod do neparametrických metod + princip rozhodovacích stromů Klasifikační
Více