Rozpoznávání captcha obrázků
|
|
- Romana Štěpánková
- před 8 lety
- Počet zobrazení:
Transkript
1 Rozpoznávání captcha obrázků Tomáš Pop Lukáš Bajer
2 Idea - cíl Captcha bezpečnostní kód, který se opisuje má zabránit automatizovanému využití webvé služby snaha o obecný nástroj každá typ captcha obrázků je jiný modulární stavba obrazové procesory, separátory písmen, rozpoznávací algoritmy => snadné učení jakýchkoli dalších typů captcha souborů učení z adresáře 2
3 Postup Příprava obrázku prahování (tresholding) převedení na černobílý obrázek ~ vektor 0, 1 aplikace různých filtrů před a po prahování oddělení jednotlivých písmen, která po prahování splývají separace písmen flat-fill po sloupcích Učení neuronové sítě backropagation mnoho volitelných parametrů které jsou asi ty správné? s počtem znaků prudce roste počet epoch nutných k naučení 3
4 Příprava obrázku filtry, prahování 4
5 Separace písmen, normalizace Podle největšího písmena je vybrána velikost na ní se pak ostatní písmena roztáhnou pro Telefonicu O2 je to 14 x 16 pixelů Vstupní vektory velikosti 288 5
6 Problémy písmena je někdy těžké oddělit překryvy písmen tečky, háčky,čárky co je šum, co tam patří ke kterému písmenu znaménko patří skoro se vším se jde vyrovnat ale znamená to hodně práce psaní speciálních filtrů pro typ obrázků ztráta původní myšlenky Obecné filtry a separátory písmen nemají vždy dobré výsledky flat-fill Telefonice uřeže tečky nad i 6
7 Neuronové sítě - BackPropagation Vrstevnatá sít, zpětné šíření implementovaná s momentem učení a bez prahů neuronů použitá topologie , odzkoušeno , pro několik vzorů se učí rychle a dobře pro 7 Telefonicy písmen po 200 epochách úspěšnost na učící množině 100%, na testovací okolo 95% hodně vzorů se učí pomalu a... pro 32 písmen Telefonicy je po 200 epochách úspěšnost asi 25%, po 600 epochách asi 50%, po 1000 epochách asi 72% na učící množině i po 1000 epochách se síť učí (na validační množině se zlepšuje) akorát se mi nechtělo čekat déle než přes noc 7
8 Neuronové sítě - BackPropagation Parametry jsou důležité experimentálně jde učení hodně zrychlit lambda = 0,2 moment učení = 1 parametr učení 0,5 velikost epochy okolo 30 vzorů Výběr pořadí vzorů k učení vzory nevolit náhodně ale tak, aby se střídali písmena jinak se síť naučí vzor, který dostane hodně krát na začátku a nasaturuje se Jde tomu zabránit malým parametrem učení ale pak se síť učí pomalu 8
9 Neuronové sítě - BackPropagation Zkušenosti, poučení Je lepší se učit pomalu a dlouho ale zas to nepřehnat, dojde k přeučení. jak dochází ke zhoršení na validační množiněčastěji než v každé 4 epoše, síť už se moc nezlepší Předzpracování vzorů je klíčové ostatní asi jako u všeho... Vektory, které jsou si podobné se síť učí špatně např: 2 x z, ale toho jsou si výrobci vědomi, většinou se nepoužívají znaky 1 l, 0 o, 3 8,... Inicializace vah je klíčová pro rychlost učení i výsledky experimentálně nejlepší random okolo 0, 001 0, 20 9
10 Neuronové sítě - BackPropagation Kam dál PCA analýza vzorů je obvykle 32, tj vektory délky 5 až 6 by mohly teoreticky stačit délka vstupního vektoru je 288 PCA analýza v Matlabu PCA analýza ignorující vektory přispívající >> [pn, ps1] = mapstd(p); >> [ptrans, ps2] = processpca(pn, 0.02); >> whos ptrans P Name Size Bytes Class P 288x double array ptrans 13x double array k celkovému rozptylu 2% a méně redukuje původních 288 na 14 bitů za cenu přijatelné ztráty přesnosti můžeme snížit i počet skrytých neuronů na 15 (bez PCA: MSE = , zastavení pro MSE < , s PCA: MSE = , zastavení zhoršením validač. testů) nalezené normalizační a konverzní matice lze snadno použít v PHP 10
11 Neuronové sítě - BackPropagation Implementace v jiném jazyce a efektivněji PHP není pro několika hodinové výpočty stavěné implementace je školní snadno čitelná, snadno zkontrolovatelná, ale nepříliš efektivní trénink sítě např. v Matlabu (neděje se často), rozpoznávání sítí on-line v PHP již není výpočetně náročné Víc experimentovat s parametry a topologií topologii a parametry jsem vyčetl zčlánku o OCR přes NN měli o hodně rychlejší učení (na počet epoch)» => buď máme chybu v implementaci (spíš ne)» => měli jiné podmínky a možná by se jiná síť učila lépe Implementace dalších učících algoritmů učení s momentem (traingdm) dosahuje chyby MSE = 0.01 po cca 1000 epochách, MSE = po cca ep. Resilient Backpropagation (trainrp) se zastavuje po 22 epochách s chybou cca 10-6
12 Reálná data 12
13 Neuronové sítě - BackPropagation Výsledky a průběh učení Pro 7 písmen z Telefonicy ne zcela oddělená učící a validační množina ne stejná obsahovala asi ½ učících vzorů (jsou si hodně podobná) V tabulce je konečný výsledek učení 7 písmen se síť naučí spolehlivě během asi 500 epoch tj 250 sekund u mě na počítači (při vstupu 10x11px) Výsledek na dalších snímcích je po 900 epochách Na grafech je průběh učení Chyba stále klesá rozdíl chyby má celkem zajímavý průběh zpočátku občas záporná, což moc není vidět Grafy jsou upravené, tak aby byly pěkněčitelné 13
14 Reálná data - Výsledky 14
15 Reálná data Vývoj chyby 15
16 Reálná data Vývoj odpovědi 16
17 Reálná data - hodnocení Na Telefonice... věříme, že by po dost dlouhém učení by byla dostatečně velká síť reálně použitelná Na Wikipedii... věříme, že by po dost dlouhém učení by byla dostatečně velká síť reálně použitelná Úspěšnost je ale výrazně menší než na Telefonice ale pro několik (5) vzorů se to zdálo slibné Zde i na Telfonice není problém poznat, zda jsme uspěli => opakování pokusů :-) Na Google... mizerná úspěšnost hlavně předzpracování i učení nic moc Vyžadovalo by hodně práce, a úspech není rozhodně zaručen 17
Jak bude zítra? Skoro jako dneska. Dan Lessner
Jak bude zítra? Skoro jako dneska. Dan Lessner Osnova O čem budu mluvit Motivace, popis problému Vhodná data Použitá architektura sítě Zajímavá zjištění Kde je zakopaný pes? Tady Co teď s tím Další zajímavá
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
VíceStudentská tvůrčí a odborná činnost STOČ 2015
Studentská tvůrčí a odborná činnost STOČ 2015 NÁVRH A REALIZACE ALGORITMU PRO SYSTÉM LIMITNÍHO OZAŘOVÁNÍ David OCZKA Vysoká škola báňská - Technická univerzita Ostrava Fakulta elektrotechniky a informatiky
VíceTypy umělých neuronových sítí
Tp umělých neuronových sítí umělá neuronová síť vznikne spojením jednotlivých modelů neuronů výsledná funkce sítě je určena způsobem propojení jednotlivých neuronů, váhami těchto spojení a způsobem činnosti
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
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
VícePREDIKCE DÉLKY KOLONY V KŘIŽOVATCE PREDICTION OF THE LENGTH OF THE COLUMN IN THE INTERSECTION
PREDIKCE DÉLKY KOLONY V KŘIŽOVATCE PREDICTION OF THE LENGTH OF THE COLUMN IN THE INTERSECTION Lucie Váňová 1 Anotace: Článek pojednává o předpovídání délky kolony v křižovatce. Tato úloha je řešena v programu
VíceROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky a mezioborových inženýrských studií ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE AUTOREFERÁT DISERTAČNÍ PRÁCE 2005 JOSEF CHALOUPKA
VíceZískávání znalostí z dat
Získávání znalostí z dat Informační a komunikační technologie ve zdravotnictví Získávání znalostí z dat Definice: proces netriviálního získávání implicitní, dříve neznámé a potencionálně užitečné informace
VíceImplementace numerických metod v jazyce C a Python
Fakulta elektrotechnická Katedra matematiky Dokumentace k semestrální práci Implementace numerických metod v jazyce C a Python 2013/14 Michal Horáček a Petr Zemek Vyučující: Mgr. Zbyněk Vastl Předmět:
Více% vyhledání prvku s max. velikostí v jednotlivých sloupcích matice X
%------------------------------------- % 4. cvičení z předmětu PPEL - MATLAB %------------------------------------- % Lenka Šroubová, ZČU, FEL, KTE % e-mail: lsroubov@kte.zcu.cz %-------------------------------------
VícePŘEDNÁŠKA KURZU MPOV
1 PŘEDNÁŠKA KURZU MPOV Strojové rozpoznávání kódů a znaků P. Petyovský (email: petyovsky@feec.vutbr.cz) kancelář SD3.152, Technická 12 2 rev. 2015.3 Pojmy a opakování Strojové čtení Braillova písma Popis
VíceN-trophy. kvalifikace KVÍK! Soòa Dvoøáèková - Kristýna Fousková - Martin Hanžl. Gymnázium, Brno-Øeèkovice. http://kvik.wz.cz
N-trophy kvalifikace KVÍK! Gymnázium, Brno-Øeèkovice http://kvik.wz.cz KVÍK! O svíèce a plamínku Svíèky jsou vyrábìny z velkého množství rùzných látek, resp. smìsí. Zhruba mùžeme svíèky rozdìlit na parafínové,
Více5. Maticová algebra, typy matic, inverzní matice, determinant.
5. Maticová algebra, typy matic, inverzní matice, determinant. Matice Matice typu m,n je matice složená z n*m (m >= 1, n >= 1) reálných (komplexních) čísel uspořádaných do m řádků a n sloupců: R m,n (resp.
VíceHardwarová akcelerace HD videa v návaznosti na architektury čipu grafických karet
Martin Hyndrich HYN039 Hardwarová akcelerace HD videa v návaznosti na architektury čipu grafických karet 1. Úvod Na úvod bych se chtěl zmínit, nebo spíše popsat nynější standardní formáty videa. Dále také
VíceKLASIFIKÁTOR IZOLOVANÝCH SLOV NA BÁZI UMĚLÉ NEURONOVÉ SÍTĚ
KLASIFIKÁTOR IZOLOVANÝCH SLOV NA BÁZI UMĚLÉ NEURONOVÉ SÍTĚ David Juráček PČR MŘ Brno Abstrakt V příspěvku je demonstrováno využití umělé neuronové sítě pro klasifikaci izolovaných slov od vybrané skupiny
Více1. Úvod do genetických algoritmů (GA)
Obsah 1. Úvod do genetických algoritmů (GA)... 2 1.1 Základní informace... 2 1.2 Výstupy z učení... 2 1.3 Základní pomy genetických algoritmů... 2 1.3.1 Úvod... 2 1.3.2 Základní pomy... 2 1.3.3 Operátor
Více1. HDR. 2. Test Práce ve Windows. 3. Tilt-shift efekt. 4. Excel tisk a tvorba grafů. Informatika Ditta Kukaňová
1. HDR ANOTACE: Výuka tématu grafika, rastrová grafika, práce s programem Zoner Photo Studio KLÍČOVÁ SLOVA: HDR, Zoner Photo Studio, efekty, ořez, rastrová grafika 2. Test Práce ve Windows ANOTACE: Test
VíceGrafická data jsou u 2D vektorové grafiky uložena ve voxelech NEPRAVDA Grafická data jsou u rastrové grafiky uložena v pixelech PRAVDA Grafická data
Grafická data jsou u 2D vektorové grafiky uložena ve voxelech Grafická data jsou u rastrové grafiky uložena v pixelech Grafická data jsou u vektorové grafiky uložena v pixelech Na rozdíl od rastrové grafiky
VíceKombinatorická optimalizace
České Vysoké Učení Technické v Praze Fakulta Elektrotechnická Kombinatorická optimalizace Petr Kubašta Dvojrozměrný řezný problém Praha, 2012 1 Zadání Firma zabývající se výrobou dětských hraček řeší problém,
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
VíceŘešení problému vážené splnitelnosti booleovské formule pokročilou iterativní metodou
Řešení problému vážené splnitelnosti booleovské formule pokročilou iterativní metodou 1 SPECIFIKACE ÚLOHY Cílem této úlohy bylo použít vybranou pokročilou iterativní metodou pro řešení problému vážené
VíceLASEROVÉ SVAZKY PRO OPTICKÉ MANIPULACE
LASEROVÉ SVAZKY PRO OPTICKÉ MANIPULACE Katedra optiky, PřF UP 17. Listopadu 50, 772 07 Olomouc Řešitelé grantu MPO: Z. Bouchal, Z. Hradil, J. Řeháček, J. Wagner, I. Vyšín PGS studenti : R. Čelechovský,
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
VíceHMOTNÝ BOD, POHYB, POLOHA, TRAJEKTORIE, DRÁHA, RYCHLOST
Škola: Autor: Šablona: Vzdělávací obor: Tematický okruh: Téma: Masarykovo gymnázium Vsetín Mgr. Vladislav Válek VY_32_INOVACE_MGV_F_SS_1S1_D02_Z_MECH_Hmotny_bod_r ychlost_pl Člověk a příroda Fyzika Mechanika
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)
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
Vícev Praze mezi kanály EEG Ondřej Drbal 5. ročník, stud. sk. 9
České vysoké učení technické v Praze Algoritmy pro měření zpoždění mezi kanály EEG Ondřej Drbal 5. ročník, stud. sk. 9 31. března 23 Obsah 1 Zadání 1 2 Uvedení do problematiky měření zpoždění signálů 1
VícePrognóza poruchovosti vodovodních řadů pomocí aplikace Poissonova rozdělení náhodné veličiny
Prognóza poruchovosti vodovodních řadů pomocí aplikace Poissonova rozdělení náhodné veličiny Ing. Jana Šenkapoulová VODÁRENSKÁ AKCIOVÁ SPOLEČNOST, a.s. Brno, Soběšická 156, 638 1 Brno ÚVOD Každé rekonstrukci
VíceImplementace A* algoritmu na konkrétní problém orientace v prostoru budov
Implementace A* algoritmu na konkrétní problém orientace v prostoru budov Popis problému Orientaci ve známém prostředí lze převést na problém nalezení cesty z místa A do místa B. Obecně platí, že robot
VíceBřetislav Fajmon, UMAT FEKT, VUT Brno. Poznámka 1.1. A) první část hodiny (cca 50 minut): představení všech tří metod při řešení jednoho příkladu.
Břetislav Fajmon, UMAT FEKT, VUT Brno Poznámka 1.1. A) první část hodiny (cca 50 minut): představení všech tří metod při řešení jednoho příkladu. Na jiných příkladech je téma podrobně zpracováno ve skriptech
VíceText úlohy. Kolik je automaticky generovaných barev ve standardní paletě 3-3-2?
Úloha 1 Kolik je automaticky generovaných barev ve standardní paletě 3-3-2? a. 256 b. 128 c. 216 d. cca 16,7 milionu Úloha 2 Jaká je výhoda adaptivní palety oproti standardní? a. Menší velikost adaptivní
VíceModely diskrétní náhodné veličiny. Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Po(λ) je možné použít jako model náhodné veličiny, která nabývá hodnot 0, 1, 2,... a udává buď počet událostí,
VícePokročilé metody učení neuronových sítí. Tomáš Řehořek tomas.rehorek@fit.cvut.cz
Pokročilé metody učení neuronových sítí Tomáš Řehořek tomas.rehorek@fit.cvut.cz Problém učení neuronové sítě (1) Nechť N = (V, I, O, S, w, f, h) je dopředná neuronová síť, kde: V je množina neuronů I V
Více2. Matice, soustavy lineárních rovnic
Matice, soustavy lineárních rovnic Tento učební text byl podpořen z Operačního programu Praha- Adaptabilita Irena Sýkorová Některé vlastnosti matic Uvažujmečtvercovoumatici A=(a ij ) n n Matice Asenazývásymetrická,jestližeplatí
VíceVýznamná diskrétní rozdělení pravděpodobnosti
Alternativní rozdělení Příklad Střelec vystřelí do terče, pravděpodobnost zásahu je 0,8. Náhodná veličina X udává, jestli trefil: položíme X = 1, jestliže ano, a X = 0, jestliže ne. Alternativní rozdělení
VícePřednáška 13 Redukce dimenzionality
Vytěžování Dat Přednáška 13 Redukce dimenzionality Miroslav Čepek Fakulta Elektrotechnická, ČVUT Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti ČVUT (FEL) Redukce dimenzionality 1 /
VíceStatistické metody v digitálním zpracování obrazu. Jindřich Soukup 3. února 2012
Statistické metody v digitálním zpracování obrazu Jindřich Soukup 3. února 2012 Osnova Úvod (Neparametrické) odhady hustoty pravděpodobnosti Bootstrap Použití logistické regresi při klasifikaci Odhady
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
VíceKONTROLA PŘESNOSTI VÝROBY S VYUŽITÍM MATLABU
KONTROLA PŘESNOSTI VÝROBY S VYUŽITÍM MATLABU Ing. Vladislav Matějka, Ing. Jiří Tichý, Ing. Radovan Hájovský Katedra měřicí a řídicí techniky, VŠB-TU Ostrava Abstrakt: Příspěvek se zabývá možností využít
Více1.0 Lekce 1: Seznámení s prostøedím. 2.0 Lekce 2: Základní opravy fotografie
Adobe PHOTOSHOP 7.0 Obsah: 1.0 Lekce 1: Seznámení s prostøedím 1.1 Vektory a bitmapy 1.2 Grafické formáty 1.3 Pracovní plocha 1.3.1 Volba z panelu nástrojù 1.3.2 Panel nástrojù 1.4 Zaèátek 2.0 Lekce 2:
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
VíceSetting up Spark Ignition Engine Control Unit Nastavování řídicích jednotek zážehových motorů automobilů
XXIX. ASR '2004 Seminar, Instruments and Control, Ostrava, April 30, 2004 113 Setting up Spark Ignition Engine Control Unit Nastavování řídicích jednotek zážehových motorů automobilů JURÁK, Michal Ing.,
VíceNěkolik poznámek na téma lineární algebry pro studenty fyzikální chemie
Několik poznámek na téma lineární algebry pro studenty fyzikální chemie Jiří Kolafa Vektory. Vektorový prostor Vektor je často zaveden jako n-tice čísel, (v,..., v n ), v i R (pro reálný vektorový prostor);
Více6. T e s t o v á n í h y p o t é z
6. T e s t o v á n í h y p o t é z Na základě hodnot z realizace náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Používáme k tomu vhodně
VíceLaboratorní zdroj - 6. část
Laboratorní zdroj - 6. část Publikované: 20.05.2016, Kategória: Silové časti www.svetelektro.com V tomto článku popíšu způsob, jak dojít k rovnicím (regresní funkce), které budou přepočítávat milivolty
VíceElektrotechnické znač Elektrotechnické zna k č y k transformátor ů v jednopólových schématech Značky ve schématech El kt e ro kt t h ec ni k c á kká
Transformátory Ing. Tomáš Mlčák, Ph.D. Fakulta elektrotechniky a informatiky VŠB TO atedra elektrotechniky www.fei.vsb.cz fei.vsb.cz/kat45 TZB III Fakulta stavební Elektrotechnické značky transformátorů
VíceÚvod do mobilní robotiky AIL028
Lokalizace zbynek.winkler at mff.cuni.cz http://robotika.cz/guide/umor05/cs 21. listopadu 2005 1 Tank Auto 2 Relativní versus absolutní Kalmanův filtr Lokalizace Kde to jsem? Obsah sledování pozice (position
VíceDetekce obličeje v obraze s využitím prostředí MATLAB
Detekce obličeje v obraze s využitím prostředí MATLAB T. Malach, P. Bambuch, J. Malach EBIS, spol. s r.o. Příspěvek se zabývá detekcí obličeje ve statických obrazových datech. Algoritmus detekce a trénování
VícePřepočet provozních stavů sítě daných: Výpočet ztrát a kapacitních proudů v síti: Výpočet zkratových poměrů v síti:
Přepočet provozních stavů sítě daných: změnou topologie sítě (nová přípojnice, transformátor, vedení resp. kabel v síti) změnou zapojení sítě (změna provozu přípojnic resp. směrů napájení sítě) změnou
Více- transpozice (odlišuje se od překlopení pro komplexní čísla) - překlopení matice pole podle hlavní diagonály, např.: A.' ans =
'.' - transpozice (odlišuje se od překlopení pro komplexní čísla) - překlopení matice pole podle hlavní diagonály, např.: A.' 1 4 2 5 3-6 {} - uzavírají (obklopují) struktury (složené proměnné) - v případě
VíceMetodika. Architecture First. Rudolf Pecinovský rudolf@pecinovsky.cz
Copyright Rudolf Pecinovský, Soubor: 2014_Comm_PrW_Architecture First Methodology.doc, verze 1.00.2413, uloženo po 9.6.2014 14:43 1 z 39 Metodika Architecture First Rudolf Pecinovský rudolf@pecinovsky.cz
Vícevzorek1 0.0033390 0.0047277 0.0062653 0.0077811 0.0090141... vzorek 30 0.0056775 0.0058778 0.0066916 0.0076192 0.0087291
Vzorová úloha 4.16 Postup vícerozměrné kalibrace Postup vícerozměrné kalibrace ukážeme na úloze C4.10 Vícerozměrný kalibrační model kvality bezolovnatého benzinu. Dle následujících kroků na základě naměřených
VíceVYBRANÉ PROBLÉMY ČASOVÉ OPTIMALIZACE ZDROJOVÉHO KÓDU V PROSTŘEDÍ MATLAB
K. Zaplatílek: Vybrané problémy časové optimalizace P1 VYBRANÉ PROBLÉMY ČASOVÉ OPTIMALIZACE ZDROJOVÉHO KÓDU V PROSTŘEDÍ MATLAB Prof. Ing. Karel Zaplatílek, Ph.D. Katedra elektrotechniky; Fakulta vojenských
VíceFiltrace snímků ve frekvenční oblasti. Rychlá fourierova transformace
Filtrace snímků ve frekvenční oblasti Rychlá fourierova transformace semestrální práce z předmětu KIV/ZVI zpracoval: Jan Bařtipán A03043 bartipan@students.zcu.cz Obsah Úvod....3 Diskrétní Fourierova transformace
VíceOtočný stůl nové koncepce pro multifunkční obráběcí centrum
Otočný stůl nové koncepce pro multifunkční obráběcí centrum Ing. Ondřej Kubera Vedoucí práce: Ing. Lukáš Novotný, Ph.D. Abstrakt Příspěvek popisuje novou koncepci otočného stolu s prstencovým motorem,
VíceDálkový průzkum Země. Ústav geoinformačních technologií Lesnická a dřevařská fakulta MENDELU
Dálkový průzkum Země Ústav geoinformačních technologií Lesnická a dřevařská fakulta MENDELU Klasifikace obrazu Klasifikaci můžeme obecně definovat jako seskupování vzájemně si podobných prvků (entit) do
VíceGRAFICKÉ ROZHRANÍ V MATLABU PRO ŘÍZENÍ DIGITÁLNÍHO DETEKTORU PROSTŘEDNICTVÍM RS232 LINKY
GRAFICKÉ ROZHRANÍ V MATLABU PRO ŘÍZENÍ DIGITÁLNÍHO DETEKTORU PROSTŘEDNICTVÍM RS232 LINKY Jiří Šebesta Ústav radioelektroniky, Fakulta elektroniky a komunikačních technologií Vysoké učení technické v Brně
VícePodmínky pro hodnocení žáků v předmětu informatika
Podmínky pro hodnocení žáků v předmětu informatika Prima Prezentace jedna známka Textový editor automatické tvary - jedna známka Textový editor práce s textem- jedna známka Sekunda Grafika jedna známka
VíceNeuronová síť. x 2 x 3. σ j. x 4. x 5. Menu: QCExpert Prediktivní metody
Neuronová síť Menu: QCExpert Prediktivní metody Neuronová síť Neuronová síť (Artificial Neural Network, ANN, resp. NN) je velmi populární a výkonná metoda, která se používá k modelování vztahu mezi vícerozměrnou
VíceENERGETICKÝ DISPEČINK. základní informace o službě
ENERGETICKÝ DISPEČINK základní informace o službě EnD - Energetický dispečink Energetický dispečink EnD Služba pro vlastníky a provozovatele budov Primárně zaměřena na budovy státní správy, místní samosprávy,
VíceSměrovací protokoly, propojování sítí
Směrovací protokoly, propojování sítí RNDr. Ing. Vladimir Smotlacha, Ph.D. Katedra počítačových systémů Fakulta informačních technologií České vysoké učení technické v Praze Vladimír Smotlacha, 2011 Počítačové
VícePodmínky pro hodnocení žáků v předmětu informatika
Podmínky pro hodnocení žáků v předmětu informatika Prima Prezentace jedna známka Textový editor automatické tvary - jedna známka Textový editor práce s textem- jedna známka Sekunda Grafika jedna známka
VíceVYUŽITÍ NEURONOVÝCH SÍTÍ PROSTŘEDÍ MATLAB K PREDIKCI HODNOT NÁKLADŮ PRO ELEKTRICKÉ OBLOUKOVÉ PECE
VYUŽITÍ NEURONOVÝCH SÍTÍ PROSTŘEDÍ MATLAB K PREDIKCI HODNOT NÁKLADŮ PRO ELEKTRICKÉ OBLOUKOVÉ PECE V. Hon VŠB TU Ostrava, FEI, K455, 17. Listopadu 15, Ostrava Poruba, 70833 Abstrakt Neuronová síť (dále
VíceMěření průtoku kapaliny s využitím digitální kamery
Měření průtoku kapaliny s využitím digitální kamery Mareš, J., Vacek, M. Koudela, D. Vysoká škola chemicko-technologická Praha, Ústav počítačové a řídicí techniky, Technická 5, 166 28, Praha 6 e-mail:
VíceZápadočeská univerzita v Plzni. Fakulta aplikovaných věd. Katedra kybernetiky BAKALÁŘSKÁ PRÁCE
Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra kybernetiky BAKALÁŘSKÁ PRÁCE PLZEŇ, 2013 MARTIN TOMAN PROHLÁŠENÍ Předkládám tímto k posouzení a obhajobě bakalářskou práci zpracovanou na
Více+ ω y = 0 pohybová rovnice tlumených kmitů. r dr dt. B m. k m. Tlumené kmity
Tlumené kmit V praxi téměř vžd brání pohbu nějaká brzdicí síla, jejíž původ je v třecích silách mezi reálnými těles. Matematický popis těchto sil bývá dosti komplikovaný. Velmi často se vsktuje tzv. viskózní
Více5.1 Vyhledávací portál uživatelské rozhraní
Uživatelská příručka Uživatelské rozhraní aplikace DoserFindIT se dělí na dvě části vyhledávací portál a administrační rozhraní. Vyhledávácí portál umožňuje základní a rozšířené vyhledávání článků a vyhledávání
VíceACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ
ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ Ročník LII 6 Číslo 3, 2004 Gasser-Müllerův odhad J. Poměnková Došlo: 8.
VíceReference 10. Předpokládejme stavový popis spojitého, respektive diskrétního systému
Módy systému Teorie dynamických systémů Obsah Úvod 2 Příklady 2 3 Domácí úlohy 8 Reference Úvod Řešení stavových rovnic Předpokládejme stavový popis spojitého, respektive diskrétního systému ẋ(t)=ax(t)+bu(t)
VíceIntervalové stromy. Představme si, že máme posloupnost celých čísel p 0, p 1,... p N 1, se kterou budeme. 1. Změna jednoho čísla v posloupnosti.
Intervalové stromy Představme si, že máme posloupnost celých čísel p 0, p 1,... p N 1, se kterou budeme průběžně provádět tyto dvě operace: 1. Změna jednoho čísla v posloupnosti. 2. Zjištění součtu čísel
VíceRegistrační číslo projektu: CZ.1.07/1.5.00/34.0553 Elektronická podpora zkvalitnění výuky CZ.1.07 Vzděláním pro konkurenceschopnost
Registrační číslo projektu: CZ.1.07/1.5.00/34.0553 Elektronická podpora zkvalitnění výuky CZ.1.07 Vzděláním pro konkurenceschopnost Projekt je realizován v rámci Operačního programu Vzdělávání pro konkurence
VíceFungování předmětu. Technologické trendy v AV tvorbě, stereoskopie 2
Fungování předmětu 12 vyučovacích hodin ve 4 blocích Evidence docházky Zimní semestr zakončen prezentací Aktuální informace a materiály na smetana.filmovka.cz Technologické trendy v AV tvorbě, stereoskopie
VíceMI-PAA. úkol č.3. Řešení problému batohu dynamickým programováním, metodou větví a hranic a aproximativním algoritmem
Jakub Holý holyjak1@fit.cvut.cz MI-PAA úkol č.3 Řešení problému batohu dynamickým programováním, metodou větví a hranic a aproximativním algoritmem Zadání Naprogramujte řešení problému batohu: 1. metodou
VíceZadání úloh. Úloha 2.1 Trojice. Úloha 2.2 Čerpadlo. (4b) (4b) matematicko-fyzikální časopis ročníkxiv číslo2
Studentský matematicko-fyzikální časopis ročníkxiv číslo2 Ahoj kamarádky a kamarádi, amámetupodzim.veškolejsteužstihlizapadnoutdozajetýchkolejí a venku začíná být škaredě. Přesně tak, jak říká jeden náš
VíceRegistrační číslo Hodnocení - část A Hodnocení - část B Hodnocení - část A+B
PŘIJÍMACÍ TEST Z INFORMATIKY A MATEMATIKY NAVAZUJÍCÍ MAGISTERSKÉ STUDIUM V OBORU APLIKOVANÁ INFORMATIKA FAKULTA INFORMATIKY A MANAGEMENTU UNIVERZITY HRADEC KRÁLOVÉ ČÁST A Registrační číslo Hodnocení -
VíceSemestrální projekt. Předmět: Programování v jazyce C. Zadání: Operace s maticemi. Uživatelský manuál. ver. 1.0
Semestrální projekt Předmět: Programování v jazyce C Zadání: Operace s maticemi Uživatelský manuál ver. 1.0 Jakub Štrouf Obor: Aplikovaná informatika Semestr: 1. Rok: 2009/2010 Obsah: 1. Úvod 1.1. Technická
VíceVÍTKOVICE ITS a.s. Ruská 60, 706 02 Ostrava - Vítkovice
VÍTKOVICE ITS a.s. Ruská 60, 706 02 Ostrava - Vítkovice Analýza a optimalizace výrobních procesů metodami umělé inteligence Aplikace teorie umělé inteligence v podnikových informačních systémech RNDr.
VíceProgramové vybavení počítače
Programové vybavení počítače Číslo projektu Název školy Předmět CZ.1.07/1.5.00/34.0425 INTEGROVANÁ STŘEDNÍ ŠKOLA TECHNICKÁ BENEŠOV Černoleská 1997, 256 01 Benešov IKT Tematický okruh Téma Počítač Programové
VíceWichterlovo gymnázium, Ostrava-Poruba, příspěvková organizace. Maturitní otázky z předmětu INFORMATIKA A VÝPOČETNÍ TECHNIKA
Wichterlovo gymnázium, Ostrava-Poruba, příspěvková organizace Maturitní otázky z předmětu INFORMATIKA A VÝPOČETNÍ TECHNIKA 1. Algoritmus a jeho vlastnosti algoritmus a jeho vlastnosti, formy zápisu algoritmu
VíceRozpoznávání v obraze
Rozpoznávání v obraze AdaBoost a detekce objektů IKR, 2013 Roman Juránek www.fit.vutbr.cz/~ijuranek/personal Detekce objektů Úloha - v daném obraze nalézt objekty určitých tříd
VíceZÁPADOČESKÁ UNIVERZITA V PLZNI FAKULTA ELEKTROTECHNICKÁ. Katedra elektromechaniky a výkonové elektroniky. Regulace jednofázového napěťového střídače
ZÁPADOČESKÁ UNIVERZITA V PLZNI FAKULTA ELEKTROTECHNICKÁ Katedra elektromechaniky a výkonové elektroniky BAKALÁŘSKÁ PRÁCE Regulace jednofázového napěťového střídače vedoucí práce: Ing. Vojtěch Blahník,
VíceLBP, HoG Ing. Marek Hrúz Ph.D. Plzeň Katedra kybernetiky 29. října 2015
LBP, HoG Ing. Marek Hrúz Ph.D. Plzeň Katedra kybernetiky 29. října 2015 1 LBP 1 LBP Tato metoda, publikovaná roku 1996, byla vyvinuta za účelem sestrojení jednoduchého a výpočetně rychlého nástroje pro
VíceÚVOD DO PROBLEMATIKY PIV
ÚVOD DO PROBLEMATIKY PIV Jiří Nožička, Jan Novotný ČVUT v Praze, Fakulta strojní, Ú 207.1, Technická 4, 166 07, Praha 6, ČR 1. Základní princip PIV Particle image velocity PIV je měřící technologie, která
VíceAnalýza spolehlivosti tlakové nádoby metodou Monte Carlo
Analýza spolehlivosti tlakové nádoby metodou Monte Carlo Jakub Nedbálek Abstrakt: Cílem práce je ukázat možnost využití Monte Carlo simulace pro studium úloh z oblasti spolehlivosti. V našem případě máme
VíceAnalýza rozptylu dvojného třídění
StatSoft Analýza rozptylu dvojného třídění V tomto příspěvku si ukážeme konkrétní práci v softwaru STATISTICA a to sice při detekci vlivu jednotlivých faktorů na chování laboratorních krys v bludišti.
VícePřírodní zdroje. K přírodním zdrojům patří například:
1. SVĚTELNÉ ZDROJE. ŠÍŘENÍ SVĚTLA Přes den vidíme předměty ve svém okolí, v noci je nevidíme, je tma. V za temněné učebně předměty nevidíme. Když rozsvítíme svíčku nebo žárovku, vidíme nejen svítící těleso,
VíceAlgoritmus sledování objektů pro funkční vzor sledovacího systému
Algoritmus sledování objektů pro funkční vzor sledovacího systému Technická zpráva - FIT - VG20102015006 2014-04 Ing. Filip Orság, Ph.D. Fakulta informačních technologií, Vysoké učení technické v Brně
VíceDaniel Honc, František Dušek Katedra řízení procesů a výpočetní techniky, FCHT, Univerzita Pardubice
MTIOVÉ OPERE V SIMULINKU VERZE 4 Daniel Honc, František Dušek Katedra říení procesů a výpočetní techniky, FHT, Univerita Pardubice bstrakt Vere 4 SIMULINKu přinesla principiální měnu možnost pracovat se
Vícezejména Dijkstrův algoritmus pro hledání minimální cesty a hladový algoritmus pro hledání minimální kostry.
Kapitola Ohodnocené grafy V praktických aplikacích teorie grafů zpravidla graf slouží jako nástroj k popisu nějaké struktury. Jednotlivé prvky této struktury mají často přiřazeny nějaké hodnoty (může jít
VíceŠablony, kontejnery a iterátory
11. března 2015, Brno Připravil: David Procházka Šablony, kontejnery a iterátory Programovací jazyk C++ Šablony Strana 2 / 31 Obsah přednášky 1 Šablony 2 Abstraktní datové struktury 3 Iterátory 4 Array
VíceElektronická pošta... 3 Historie... 3 Technické principy... 3 Komunikační protokoly... 3 MBOX... 4 Maildir... 4 Jak funguje e-mail... 5 POP3...
Elektronická pošta Elektronická pošta... 3 Historie... 3 Technické principy... 3 Komunikační protokoly... 3 MBOX... 4 Maildir... 4 Jak funguje e-mail... 5 POP3... 5 IMAP... 6 Výhody a nevýhody IMAP...
VíceGymnázium Vincence Makovského se sportovními třídami Nové Město na Moravě
VY_32_INOVACE_INF_BU_04 Sada: Digitální fotografie Téma: Další parametry snímku Autor: Mgr. Miloš Bukáček Předmět: Informatika Ročník: 3. ročník osmiletého gymnázia, třída 3.A Využití: Prezentace určená
VíceSvětlo vyzařující dioda, též elektroluminiscenční dioda či LED, je elektronická polovodičová součástka obsahující přechod P-N.
Světlo vyzařující dioda, též elektroluminiscenční dioda či LED, je elektronická polovodičová součástka obsahující přechod P-N. Prochází-li přechodem elektrický proud v propustném směru, přechod vyzařuje
Více(n, m) (n, p) (p, m) (n, m)
48 Vícerozměrná kalibrace Podobně jako jednorozměrná kalibrace i vícerozměrná kalibrace se používá především v analytické chemii Bude vysvětlena na příkladu spektroskopie: cílem je popis závislosti mezi
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
Více1.1.7 Rovnoměrný pohyb I
1.1.7 Rovnoměrný pohyb I Předpoklady: 116 Kolem nás se nepohybují jenom šneci. Existuje mnoho různých druhů pohybu. Začneme od nejjednoduššího druhu pohybu rovnoměrného pohybu. Př. 1: Uveď příklady rovnoměrných
Více