SCIENTIFIC PAPERS OF THE UNIVERSITY OF PARDUBICE APLIKACE NEURONOVÝCH SÍTÍ PRO DETEKCI PORUCH SIGNÁLŮ
|
|
- Milada Staňková
- před 4 lety
- Počet zobrazení:
Transkript
1 SCIENTIFIC PAPERS OF THE UNIVERSITY OF PARDUBICE Seres B The Jan Perner Transport Faculty 5 (1999) APLIKACE NEURONOVÝCH SÍTÍ PRO DETEKCI PORUCH SIGNÁLŮ Mchal MUSIL Katedra provozní spolehlvost, dagnostky a mechanky v dopravě 1. Úvod Neuronové sítě představují v současné době jeden z hlavních prostředků pro vytváření systémů s umělou ntelgencí. Aplkační oblast neuronových sítí je značně rozsáhlá. Neuronové sítě jsou označovány jako tzv. učící se systémy. Př procesu učení se sítě jsou na vstupy sítě přváděny tzv. trénovací obrazce pro které je předem známý správný výstup. Na základě konfrontace správného výstupu a skutečného výstupu sítě jsou prováděny zásahy do neuronové sítě tak aby výsledná odchylka byla mnmální. Po ukončení procesu učení se sítě je jž síť použta pro konkrétní vstupní sgnály pro které síť generuje příslušné výstupní sgnály. Obsahem tohoto článku bude seznámení se se základním neuronovým sítěm a některým algortmy a pravdly pro učení se sítě. Dále bude popsán způsob mplementace neuronových sítí v prostředí Matlabu. Jako konkrétní aplkace neuronových sít zde bude popsáno použtí sítí pro predkc a detekc poruch sgnálů. 2. Neuronová síť - základní pojmy V rozsahu tohoto článku se budeme zabývat pouze jednou třídou neuronových sítí, tzv. vícevrstvých perceptronových sítí (Mult-Layer Perceptron networks MLP networks). Scentfc Papers of the Unversty of Pardubce Seres B - The Jan Perner Transport Faculty 5 (1999)
2 Elementární neuron je tvořen konečným počtem vstupů x, aktvační funkcí a, přenosovou funkcí f a jedním výstupem y. Každý vstup neuronu může být modfkován prostřednctvím váhy vstupu w j, která reprezentuje možnost působení konkrétního vstupu na výstup neuronu. Výpočty vah vstupů neuronů představují hlavní část učících algortmů sítí. Počáteční nastavení vah je buď provedeno automatcky na určté výchozí hodnoty nebo na konkrétní hodnoty zadané užvatelem. x y a f w j Obr.1 Elementární neuron vstupy neuronu výstup neuronu aktvační funkce přenosová funkce váhy jednotlvých vstupů Každý neuron transformuje vstupní hodnoty alespoň dvěma funkcem : Aktvační funkce agreguje hodnoty vstupů a posouvá agregovanou hodnotu vzhledem k určtému aktvačnímu prahu. Tato funkce je zpravdla lneární : Přenosová funkce : n a (k) = = w (k) x (k) + x j 1 j j 0 převádí hodnotu aktvační funkce do hodnoty výstupu neuronu. Zpravdla se používají tyto přenosové funkce : lneární skoková y (k) = K a (k) y (k) = 1,a (k) h1 y (k) = 0,a (k) h1 Mchal Musl: Aplkace neuronových sítí pro detekc poruch sgnálů
3 sgmodální y (k) = 1 /( 1+ exp( ba (k))) Konkrétním propojením vstupů a výstupů více neuronů vznká neuronová síť. Neuronová síť je charakterzována třem hlavním vlastnostm. První vlastností je topologe sítě, která určuje vlastní propojení jednotlvých neuronů sítě. Dalším vlastnostm jsou typ přenosové funkce sítě a metoda učení se sítě. Neuronová síť má také určtý počet vrstev. Na obr. 2 je zobrazena síť obsahující tř vrstvy - vstupní, skrytou a výstupní. Vstupní a výstupní vrstvy jsou určeny počtem a typem vstupních a výstupních proměnných modelovaného systému. Počet neuronů skryté vrstvy není zcela lbovolný a je dán typem sítě a aplkací sítě. Např. velký počet neuronů urychluje dobu učení se sítě, ovšem znesnadňuje testování sítě. VRSTVY : vstupní skrytá výstupní - y(k) 1 - y(k-1) 2 h1 - y(k-2) 3 h2 4 h3 h4 o2 - y(k+1) - y(k-n) 15 H8 Obr.2 Neuronová síť 3. Proces učení se sítě Proces učení sítě představuje ve většně případů ladění vah vstupů neuronů. Jen v ojednělých případech se uvažuje o změně topologe sítě. Procedury nastavování vah v sobě obsahují jednak určtou strateg a jednak numercké postupy vyjádřené matematckým vztahy. Základ pro algortmy učení se sítí poskytují dvě pravdla a to jsou Hebbovo pravdlo a Delta pravdlo. Hebbovo pravdlo : Delta pravdlo: w (k + 1) = η a (k) y (k) j w (k + 1) = η (s (k) a (k)) y (k) j j j Scentfc Papers of the Unversty of Pardubce Seres B - The Jan Perner Transport Faculty 5 (1999)
4 kde w j (k+1)... je změna váhy w j (k). Předpokládá se korekce w j (k+1) = w j (k) + w j (k+1), kde a(k)... představuje aktvační funkc a -tém neuronu s(k)... představuje vzor na který je -tý neuron trénován η... konstanta určující rychlost učení se sítě Dalším algortmem pro učení se sítí je tzv. "Back Propagaton", který je založen na postupné mnmalzac kvadrátu odchylky gradentovou metodou (Detaly např. ve zdrojích [1], [2], [3]). 4. Implementace neuronových sítí Jednou ze snadno dostupných možností pro prác s neuronovým sítěm se jeví využtí systému Matlab-Smulnk a jeho Neural Network Toolbox. Tento toolbox umožňuje mplementac několka typů sít a různých algortmů učení se sítě. V Smulnku je vytvořeno blokové schéma systému, kde je možno nastavt základní parametry neuronové sítě. Vlastní proces učení se sítě probíhá na úrovn Matlabu. Proces učení se sítě je realzován pomocí funkcí pro ncalzac sítě (ntff), smulac běhu sítě (smuff), trénování sítě algortmem back propagaton (tranbp). Na obr. 3 je blokové schéma systému s neuronovou sítí vytvořeného v prostředí Smulnk. Obr. 3 Blokové schéma neuronové sítě určené pro predkc sgnálů Mchal Musl: Aplkace neuronových sítí pro detekc poruch sgnálů
5 5. Využtí neuronových sítí pro predkc a detekc poruch sgnálů Konkrétní aplkací neuronových sítí mplementovaných v prostředí Matlabu je využtí těchto sítí pro predkc a detekc poruch sgnálů. Tento systém nachází uplatnění tam kde je nutné testovat sgnály zda se v nch nevyskytují chyby, které mohou vznknout př snímání nebo přenosu sgnálů, další využtí je u dagnostckých systémů, kde výstupní sgnál zařízení má svůj konkrétní tvar a př určtých poruchách zařízení se toto projeví ve výstupním (např. akustckém) sgnálu. Úkolem neuronové sítě je detekovat chyby v sgnálu a na základě jejch struktury tyto chyby jednoznačně rozpoznat. Využtí neuronové sítě pro rozpoznávání chyb v sgnálech přnáší mnohem přesnější určení konkrétních chyb než např. př klascké frekvenční analýze sgnálu. Prncp detekce poruch pomocí predkce průběhu sgnálu je následující: Neuronová síť provádí predkc průběhu vstupního sgnálu vždy z několka předcházejících vzorků sgnálu. Vzorek sgnálu y(k+1)(resp. y(k+m)) je predkován např. z pět předcházejících vzorků tedy ze vzorků y(k), y(k-1), y(k-2), y(k-3),y(k-4). Na první pohled by se mohlo zdát, že kvalta predkce roste z délkou zpracovávané "hstore" sgnálu. Ovšem není tomu tak a je třeba pro každý sgnál najít optmální n délku hstore. Na druhé straně je však téměř jsté, že s rostoucí délkou predkce (m) se kvalta predkovaného sgnálu zhoršuje. k-n k-2 k-1 k k+1 k+2 k+m Obr 4. Predkce k-tého vzorku sgnálu z n předcházejících vzorků Prvním krokem musí být samozřejmě proces učení sítě, kdy je na vstup sítě přváděna posloupnost tzv. učebních párů. Prvním členem páru je n-tce vzorků y(k),, y(k-n+1), druhým členem páru je hodnota y(k+1) (rep. y(k+m)) učeného sgnálu.. Na obr. 3. je naznačeno zpracování učebních párů, kdy odezva sítě (tj. y*(k+1), (resp. y*(k+m)) na vložený vstupní pár je porovnávána se skutečnou hodnotou sgnálu y(k+1), (resp. y(k+m)) průběhem sgnálu a na základě zjštěných rozdílů se provádí korekce vah vstupů jednotlvých neuronů. Proces učení končí v okamžku dosažení chyby (rozdílu sgnálů) předem zadané užvatelem. Poté je jž "naučená" síť provozována v pracovním režmu, kdy je na vstup sítě přváděn reálný sgnál obsahující chyby. Protože síť byla Scentfc Papers of the Unversty of Pardubce Seres B - The Jan Perner Transport Faculty 5 (1999)
6 naučená na bezchybný sgnál, bude zde každá chyba patrná protože průběh predkovaného vzorku bude odlšný od průběhu vzorku sgnálu s chybou. Každý tento rozdíl se projeví na výstupu sítě, kde je vzájemně porovnáván sgnál vstupní a sgnál predkovaný. Program využívající ncalzačních, smulačních a trénovacích funkcí prostředí Matlab/Smulnk umožňuje vypsovat jak okamžté, tak celkové chyby sgnálu. Na obr. 3 je zřejmé blokové schéma systému pro detekc poruch sgnálu jenž je predkován z pět předchozích vzorků. Prvním konkrétním příkladem je rozpoznávání chyb v čstě snusovém sgnálu ve kterém jsou smulovány chyby výpadku několka vzorků sgnálu. Síť je tedy nejprve naučena na bezchybný průběh sgnálu (v tomto případě 1000 vzorků) a dále je na vstup sítě přváděn sgnál obsahující chyby (jako příklad byla zvolena chyba cyklckého výpadku několka vzorků sgnálu). Průběh tohoto sgnálu je zřejmý z obr. 5 kde je zobrazen jednak průběh predkovaného sgnálu a jednak průběh chybového vstupního sgnálu. V grafu je zároveň zobrazována okamžtá chyba sgnálu, zde jsou jednotlvé chybné vzorky jednoznačně zřejmé. Výstupem neuronové sítě je tedy kromě okamžté chyby sgnálu také celková chyba jejíž hodnota je pro různé typy chyb odlšná. Na základě testování několka chybových sgnálů s různým chybam lze tedy stanovt konkrétní hodnoty nebo ntervaly celkové chyby odpovídající konkrétním chybám, takto lze tedy detekovat nejen to že sgnál obsahuje chyby, ale lze určt o jakou chybu se jedná. Je tedy ovšem nutné předem provést testování všech uvažovaných chybových sgnálů. Je jasné že v určtých případech bude docházet k překrývání se typů chyb proto je nutné vždy předem provést rozdělení chyb a jednoznačné přřazení celkové chyby ke konkrétnímu chybovému sgnálu. Je tedy nutné přesně znát strukturu uvažovaných chyb která se určuje z možného reálného výskytu chyb a tyto sgnály otestovat neuronovou sítí a zjstt do jaké míry je síť schopna jednotlvé chyby rozlšt. Obr. 5 Detekce poruch v snusovém sgnálu (poruchy = výpadky vzorků sgnálu) Mchal Musl: Aplkace neuronových sítí pro detekc poruch sgnálů
7 Struktura použté neuronové sítě : vstupní vrstva (FL) - 9 tansg neuronů, skrytá vrstva (SL) - 15 tansg neuronů, výstupní vrstva (OL) - 1 pureln neuron, počet trénovacích vektorů (TV) , velkost povolené chyby (Err) - 0,0001 rychlost učení se sítě (LR) - 0,0005,počet epoch (E) Dále je uveden příklad chyby která se projevuje lmtací špček snusového sgnálu, na obr.6 je průběh vstupního reálného sgnálu a na obr. 7 je průběh chybového sgnálu vypočteného jako rozdíl vstupního sgnálu a predkovaného sgnálu. Na průběhu chybového sgnálu jsou jednoznačně patrná místa výskytu jednotlvých chyb. Síť je nejprve neučena na bezchybný průběh sgnálu se stejným parametry jako v předcházejícím případě (obr. 5) Obr. 6 Reálný sgnál obsahující chyby typu lmtace špček Obr. 7 Chybový sgnál vypočtený jako rozdíl skutečného a predkovaného sgnálu Scentfc Papers of the Unversty of Pardubce Seres B - The Jan Perner Transport Faculty 5 (1999)
8 Dalším příkladem je detekce výskytu chyby výpadku vzorků v reálném sgnálu získaném př tenzometrckých měřeních. Na obr. 8 je vstupní sgnál a na obr. 9 sgnál chybový, kde je opět jednoznačně zřejmé místo výskytu poruchy (chybový sgnál je 20 x zvětšený) Tme (second) Tme (second) Obr. 8 Reálný sgnál obsahující chyby typu výpadky vzorků (vlevo) a průběh sgnálu predkovaného neuronovou sítí (vpravo) Struktura neuronové sítě : vstupní vrstva (FL) - 26 tansg neuronů, skrytá vrstva (SL) - 50 tansg neuronů, výstupní vrstva (OL) - 1 pureln neuron, počet trénovacích vektorů (TV) , velkost povolené chyby (Err) - 0,001, rychlost učení se sítě (LR) - 0,0005,počet epoch (E) Obr. 9 Chybový sgnál vypočtený jako rozdíl skutečného a predkovaného sgnálu Závěr Hlavním cílem tohoto článku bylo popsat možnost aplkace neuronových sítí pro detekce poruch sgnálů. Pro aplkac na lbovolný typ sgnálu s různým typy chyb je vždy Mchal Musl: Aplkace neuronových sítí pro detekc poruch sgnálů
9 nejprve nutné síť "naučt" na bezchybný sgnál a dále síť otestovat se všem uvažovaným typy chyb a provést jednoznačné přřazení chybového sgnálu ke konkrétnímu typu chyby. S jednou sítí však vystačíme pouze v nejjednodušších případech (eventuálně pro jednou poruchu). V případech složtějších, s možností výskytu několka poruch naráz, je nutno pracovat s několka sítěm (pro každou poruchu mnmálně jedna síť) a často je nutno programové prostředky doplňovat specálním teoretckým konstrukcem, vz: např. [4]. Mnohdy je jednokroková predkce pomocí MLP sítí velm optmstcká (slná korelace na hodnotu y(k)) a je nutno j doplnt případy vícekrokových predkcí. Mnohdy an to nestačí a pro opravdu složté sgnály je nutno využít sítí s radální bázovou funkcí (RBF), jak bylo ukázáno např. v prác [7], anebo aplkovat některý ze specálních typů sítí (např. z rodny ART detaly ve zdroj [2]). Aplkace neuronových sítí v dagnostce je v současné době velm častá [5], [6] a obstojí ve srovnání s klasckým neklasckým dagnostckým metodam [8], [9],[10]. Lektoroval: Prof. Ing. Jří Bíla, DrSc. Předloženo: v prosnc Lteratura [1] Bíla, J. : Umělá ntelgence a neuronové sítě v aplkacích. (2. přepracované vydání). Vydavatelství ČVUT, Praha [2] Šnorek, M. a Jřna, M.: Neuronové sítě a neuropočítače. ČVUT, Praha, [3] Drábek, V. : Spolehlvost a dagnostka. SNTL, Brno 1983 [4] Bíla, J. and Kořan, L.: Applcaton of Matrods n Fault Detecton. In: Proc. Of 12th Int. Conference Process Control 99, Hgh Tatras, S.R., Vol. 1., 1999: pp [5] Bíla, J., Kreld, M., Houfek, P- and Koran, L.: Neural Networks n Ultrasonc Testng of Thn Walled Welded Constructons used n Aerospace Industry. In: Proc. Of 5th Int. Conference on Sof Computng MENDEL 99, Brno, C.R., 1999: pp [6] Kredl, M. : Dagnostcké systémy. Vydavatelství ČVUT, Praha 1995 [7] Vtkaj, J.: Analyss of Chaotc Sgnals by means of Nonlnear Methods. In: Proc. Of 4th Int. Conf. on Soft Computng, Brno, C.R., 1998: pp [8] Lánský, M. : Teore automatzovaných dagnostckých systémů v dopravě a spojích. Nadas, Praha 1990 [9] Natke, H.G. : Enführung n Theore und Praxs der Zetrehenanalyse und Modalanalyse. Veweg, Wesbaden 1983 [10] Sýkora, J. : Dagnostka telekomunkačních zařízení.vydavatelství ČVUT, Praha 1991 Scentfc Papers of the Unversty of Pardubce Seres B - The Jan Perner Transport Faculty 5 (1999)
10 Resumé APLIKACE NEURONOVÝCH SÍTÍ PRO DETEKCI PORUCH SIGNÁLŮ Mchal MUSIL Příspěvek se zabývá využtím neuronových sítí v oblastech predkce sgnálů a detekce poruch sgnálů. Je zde také popsována teore prncpu algortmů pro učení se neuronových sítí a dále mplementace neuronových sítí v prostředí programového systému Matlab a Smulnk. Summary THE APPLICATION NEURAL NETWORKS FOR DETECTION DISTURBANCES SIGNAL Mchal MUSIL The paper deals wth under-used to be utlse neural networks n area predcate sgnal and detecton dsturbances sgnal. Is here also state theory tenet algorthm for study neural networks and further mplementaton neural networks n world programmatc system Matlab and Smulnk. Zusammenfassung DIE APPLIKATION DER NEURONNETZE FÜR NACHWEISE DEFEKTEN SIGNALE Mchal MUSIL Der Betrag beschäftg sch mt de Verwendung der Neuronnetze m Berech der Prädkat der Sgnale und Nachwese Deffekten Sgnale. Im Betrag wrd auch de Theore des Prnzpes der Algorthmus für Lernen der Neuronnetze und weter Implementanz der Neuronnetze n Mleu des Programmsystems Matlab und Smulnk beschreben. Mchal Musl: Aplkace neuronových sítí pro detekc poruch sgnálů
Iterační výpočty. Dokumentace k projektu pro předměty IZP a IUS. 22. listopadu projekt č. 2
Dokumentace k projektu pro předměty IZP a IUS Iterační výpočty projekt č.. lstopadu 1 Autor: Mlan Setler, setl1@stud.ft.vutbr.cz Fakulta Informačních Technologí Vysoké Učení Techncké v Brně Obsah 1 Úvod...
VíceSIMULACE A ŘÍZENÍ PNEUMATICKÉHO SERVOPOHONU POMOCÍ PROGRAMU MATLAB SIMULINK. Petr NOSKIEVIČ Petr JÁNIŠ
bstrakt SIMULCE ŘÍZENÍ PNEUMTICKÉHO SERVOPOHONU POMOCÍ PROGRMU MTL SIMULINK Petr NOSKIEVIČ Petr JÁNIŠ Katedra automatzační technky a řízení Fakulta stroní VŠ-TU Ostrava Příspěvek popsue sestavení matematckého
VíceSCIENTIFIC PAPERS OF THE UNIVERSITY OF PARDUBICE OPTIMALIZACE STRUKTURY NEURONOVÝCH SÍTÍ APLIKOVANÝCH V REÁLNÝCH TECHNICKÝCH PROSTŘEDÍCH
SCIENTIFIC PAPERS OF THE UNIVERSITY OF PARDUBICE Series B The Jan Perner Transport Faculty 8 (2002) OPTIMALIZACE STRUKTURY NEURONOVÝCH SÍTÍ APLIKOVANÝCH V REÁLNÝCH TECHNICKÝCH PROSTŘEDÍCH Michal MUSIL
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
VíceNUMERICAL INTEGRATION AND DIFFERENTIATION OF SAMPLED TIME SIGNALS BY USING FFT
NUMERICAL INTEGRATION AND DIFFERENTIATION OF SAMPLED TIME SIGNALS BY USING FFT J. Tuma Summary: The paper deals wth dfferentaton and ntegraton of sampled tme sgnals n the frequency doman usng the FFT and
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
VíceLokace odbavovacího centra nákladní pokladny pro víkendový provoz
Markéta Brázdová 1 Lokace odbavovacího centra nákladní pokladny pro víkendový provoz Klíčová slova: odbavování záslek, centrum grafu, vážená excentrcta vrcholů sítě, časová náročnost odbavení záslky, vážená
VíceIvana Linkeová SPECIÁLNÍ PŘÍPADY NURBS REPREZENTACE. 2 NURBS reprezentace křivek
25. KONFERENCE O GEOMETRII A POČÍTAČOVÉ GRAFICE Ivana Lnkeová SPECIÁLNÍ PŘÍPADY NURBS REPREZENTACE Abstrakt Příspěvek prezentuje B-splne křvku a Coonsovu, Bézerovu a Fergusonovu kubku jako specální případy
VíceMOŽNOSTI PREDIKCE DYNAMICKÉHO CHOVÁNÍ LOPAT OBĚŽNÝCH KOL KAPLANOVÝCH A DÉRIAZOVÝCH TURBÍN.
MOŽNOSTI PREDIKCE DYNAMICKÉHO CHOVÁNÍ LOPAT OBĚŽNÝCH KOL KAPLANOVÝCH A DÉRIAZOVÝCH TURBÍN. Mroslav VARNER, Vktor KANICKÝ, Vlastslav SALAJKA ČKD Blansko Strojírny, a. s. Anotace Uvádí se výsledky teoretckých
VíceUmělé neuronové sítě a Support Vector Machines. Petr Schwraz
Umělé neuronové sítě a Support Vector Machnes Petr Schraz scharzp@ft.vutbr.cz Perceptron ( neuron) x x x N f() y y N f ( x + b) x vstupy neuronu váhy jednotlvých vstupů b aktvační práh f() nelneární funkce
VícePřemysl Žiška, Pravoslav Martinek. Katedra teorie obvodů, ČVUT Praha, Česká republika. Abstrakt
ALGORITMUS DIFERENCIÁLNÍ EVOLUCE A JEHO UŽITÍ PRO IDENTIFIKACI NUL A PÓLŮ PŘE- NOSOVÉ FUNKCE FILTRU Přemysl Žška, Pravoslav Martnek Katedra teore obvodů, ČVUT Praha, Česká republka Abstrakt V příspěvku
VíceDigitální přenosové systémy a účastnické přípojky ADSL
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta elektrotechncká LABORATORNÍ ÚLOHA Č. 2 Dgtální přenosové systémy a účastncké přípojky ADSL Vypracoval: Jan HLÍDEK & Lukáš TULACH V rámc předmětu: Telekomunkační
VíceVLIV VELIKOSTI OBCE NA TRŽNÍ CENY RODINNÝCH DOMŮ
VLIV VELIKOSTI OBCE NA TRŽNÍ CENY RODINNÝCH DOMŮ Abstrakt Martn Cupal 1 Prncp tvorby tržní ceny nemovtost je sce založen na tržní nabídce a poptávce, avšak tento trh je značně nedokonalý. Nejvíce ovlvňuje
Více2 Struktura ortogonální neuronové sítě
XXXII. Senar ASR '7 Instruents and Control, Farana, Sutný, Kočí & Babuch (eds) 7, VŠB-UO, Ostrava, ISBN 978-8-48-7-4 Neural Netork Usng Orthogonal Actvaton Functon Využtí ortogonální aktvační funkce v
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
VícePOUŽITÍ METODY PERT PŘI ŘÍZENÍ PROJEKTŮ
5. Odborná konference doktorského studa s meznárodní účastí Brno 003 POUŽITÍ METODY PERT PŘI ŘÍZEÍ PROJEKTŮ A USAGE OF PERT METHOD I PROJECT MAAGEMET Vladslav Grycz 1 Abstract PERT Method and Graph theory
VíceVytěžování 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
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
VíceDopravní plánování a modelování (11 DOPM )
Department of Appled Mathematcs Faculty of ransportaton Scences Czech echncal Unversty n Prague Dopravní plánování a modelování (11 DOPM ) Lekce 5: FSM: rp dstrbuton Prof. Ing. Ondře Přbyl, Ph.D. Ing.
VíceŘEŠENÍ PROBLÉMU LOKALIZACE A ALOKACE LOGISTICKÝCH OBJEKTŮ POMOCÍ PROGRAMOVÉHO SYSTÉMU MATLAB. Vladimír Hanta 1, Ivan Gros 2
ŘEŠENÍ PROBLÉMU LOKALIZACE A ALOKACE LOGISTICKÝCH OBJEKTŮ POMOCÍ PROGRAMOVÉHO SYSTÉMU MATLAB Vladmír Hanta 1 Ivan Gros 2 Vysoká škola chemcko-technologcká Praha 1 Ústav počítačové a řídcí technky 2 Ústav
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
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
VíceMĚRNÁ DEFORMAČNÍ ENERGIE OTEVŘENÉHO OCELOVÉHO
MĚRNÁ DEFORMAČNÍ ENERGIE OTEVŘENÉHO OCELOVÉHO PROFILU NAMÁHANÉHO TLAKEM ZA OHYBU SPECIFIC STRAIN ENERGY OF THE OPEN CROSS-SECTION SUBJECTED TO COUPLED COMPRESSION AND BENDING I. Kološ 1 a P. Janas 2 Abstract
VíceRegresní a korelační analýza
Regresní a korelační analýza Závslost příčnná (kauzální). Závslostí pevnou se označuje případ, kdy výskytu jednoho jevu nutně odpovídá výskyt druhé jevu (a často naopak). Z pravděpodobnostního hledska
VíceOptimalizační přístup při plánování rekonstrukcí vodovodních řadů
Optmalzační přístup př plánování rekonstrukcí vodovodních řadů Ladslav Tuhovčák*, Pavel Dvořák**, Jaroslav Raclavský*, Pavel Vščor*, Pavel Valkovč* * Ústav vodního hospodářství obcí, Fakulta stavební VUT
Více2. Definice pravděpodobnosti
2. Defnce pravděpodobnost 2.1. Úvod: V přírodě se setkáváme a v přírodních vědách studujeme pomocí matematckých struktur a algortmů procesy dvojího druhu. Jednodušší jsou determnstcké procesy, které se
VíceALGORITMUS SILOVÉ METODY
ALGORITMUS SILOVÉ METODY CONSISTENT DEFORMATION METHOD ALGORITHM Petr Frantík 1, Mchal Štafa, Tomáš Pal 3 Abstrakt Příspěvek se věnuje popsu algortmzace slové metody sloužící pro výpočet statcky neurčtých
Více9. Měření kinetiky dohasínání fluorescence ve frekvenční doméně
9. Měření knetky dohasínání fluorescence ve frekvenční doméně Gavolův experment (194) zdroj vzorek synchronní otáčení fázový posun detektor Měření dob žvota lumnscence Frekvenční doména - exctace harmoncky
VíceANALÝZA RIZIKA A CITLIVOSTI JAKO SOUČÁST STUDIE PROVEDITELNOSTI 1. ČÁST
Abstrakt ANALÝZA ZKA A CTLOST JAKO SOUČÁST STUDE POVEDTELNOST 1. ČÁST Jří Marek Úspěšnost nvestce závsí na tom, jaké nejstoty ovlvní její předpokládaný žvotní cyklus. Pomocí managementu rzka a analýzy
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
VíceMetody zvýšení rozlišovací obrazů
XXVI. ASR '21 Semnar, Instruments and Control, Ostrava, Aprl 26-27, 21 Paper 7 Metody zvýšení rozlšovací obrazů BRADÁČ, Frantšek Ing., Ústav výrobních strojů, systémů a robotky, Vysoké učení techncké v
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
VíceÚvod Terminologie Dělení Princip ID3 C4.5 CART Shrnutí. Obsah přednášky
Obsah přednášky. Úvod. Termnologe 3. Základní dělení 4. Prncp tvorby, prořezávání a použtí RS 5. Algortmus ID3 6. C4.5 7. CART 8. Shrnutí A L G O RI T M Y T E O R I E Stromové struktury a RS Obsah knhy
Více6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu
6. Demonstrační smulační projekt generátory vstupních proudů smulačního modelu Studjní cíl Na příkladu smulačního projektu představeného v mnulém bloku je dále lustrována metodka pro stanovování typů a
VíceMetody vícekriteriálního hodnocení variant a jejich využití při výběru produktu finanční instituce
. meznárodní konference Řízení a modelování fnančních rzk Ostrava VŠB-TU Ostrava, Ekonomcká fakulta, katedra Fnancí 8. - 9. září 200 Metody vícekrterálního hodnocení varant a ech využtí př výběru produktu
VíceMechatronické systémy s elektronicky komutovanými motory
Mechatroncké systémy s elektroncky komutovaným motory 1. EC motor Uvedený motor je zvláštním typem synchronního motoru nazývaný též bezkartáčovým stejnosměrným motorem (anglcky Brushless Drect Current
VíceFORANA. 1. Úvod. 2 Vznik akustického signálu řeči v mluvidlech. Pavel GRILL 1, Jana TUČKOVÁ 2
FORANA Pavel GRILL 1, Jana TUČKOVÁ 2 České vysoké učení techncké v Praze, Fakulta elektrotechncká, Katedra teore obvodů Abstrakt Jedním z příznaků vývojové dysfáze je částečná porucha tvorby a porozumění
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
VíceMetamodeling. Moderní metody optimalizace 1
Metamodelng Nejmodernějšíoblast optmalzace Určena zejména pro praktckéaplkace s velkým výpočetním nároky Vycházíz myšlenky, že reálnéoptmalzační problémy nejsou sce konvení, ale jsou do značnémíry hladké
VíceNeuronové sítě v DPZ
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 Neuronové sítě
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
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
VíceIng. Marek Němec PREDIKCE POTŘEBY VODY POMOCÍ NEURONOVÝCH SÍTÍ PREDICTION OF WATER REQUIREMENTS USING NEURAL NETWORK
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA STAVEBNÍ Program doktorského studa: STAVEBNÍ INŽENÝRSTVÍ Obor doktorského studa: ZDRAVOTNÍ A EKOLOGICKÉ INŽENÝRSTVÍ Ing. Marek Němec PREDIKCE POTŘEBY VODY POMOCÍ
VíceHighspeed Synchronous Motor Torque Control
. Regulace momentu vysokootáčkového synchronního motoru Jaroslav Novák, Martn Novák, ČVUT v Praze, Fakulta strojní, Zdeněk Čeřovský, ČVUT v Praze, Fakulta elektrotechncká Hghspeed Synchronous Motor Torque
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
VíceNumerické metody optimalizace
Numercké metody optmalzace Numercal optmzaton methods Bc. Mloš Jurek Dplomová práce 2007 Abstrakt Abstrakt česky Optmalzační metody představují vyhledávání etrémů reálných funkcí jedné nebo více reálných
VíceVÝVOJ SOFTWARU NA PLÁNOVÁNÍ PŘESNOSTI PROSTOROVÝCH SÍTÍ PRECISPLANNER 3D. Martin Štroner 1
VÝVOJ SOFWARU NA PLÁNOVÁNÍ PŘESNOSI PROSOROVÝCH SÍÍ PRECISPLANNER 3D DEVELOPMEN OF HE MEASUREMEN ACCURACY PLANNING OF HE 3D GEODEIC NES PRECISPLANNER 3D Martn Štroner 1 Abstract A software for modellng
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ VĚTRACÍ SYSTÉMY OBYTNÝCH DOMŮ BAKALÁŘSKÁ PRÁCE FAKULTA STROJNÍHO INŽENÝRSTVÍ ENERGETICKÝ ÚSTAV
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA STROJNÍHO INŽENÝRSTVÍ ENERGETICKÝ ÚSTAV FACULTY OF MECHANICAL ENGINEERING ENERGY INSTITUTE VĚTRACÍ SYSTÉMY OBYTNÝCH DOMŮ VENTILATION
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
VíceUniverzita Pardubice Fakulta ekonomicko-správní. Modelování predikce časových řad návštěvnosti web domény pomocí SVM Bc.
Unverzta Pardubce Fakulta ekonomcko-správní Modelování predkce časových řad návštěvnost web domény pomocí SVM Bc. Vlastml Flegl Dplomová práce 2011 Prohlašuj: Tuto prác jsem vypracoval samostatně. Veškeré
VíceMĚŘENÍ ELEKTRICKÝCH PARAMETRŮ V OBVODECH S PWM ŘÍZENÝMI ZDROJI NAPĚTÍ Electric Parameter Measurement in PWM Powered Circuits
Techncká 4, 66 07 Praha 6 MĚŘENÍ ELEKTRICKÝCH PARAMETRŮ V OBVODECH S PWM ŘÍZENÝMI ZDROJI NAPĚTÍ Electrc Parameter Measurement n PWM Powered Crcuts Martn Novák, Marek Čambál, Jaroslav Novák Abstrakt: V
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
VíceANALÝZA RIZIKA A JEHO CITLIVOSTI V INVESTIČNÍM PROCESU
AALÝZA RIZIKA A JEHO CITLIVOSTI V IVESTIČÍM PROCESU Jří Marek ) ABSTRAKT Príspevek nformuje o uplatnene manažmentu rzka v nvestčnom procese. Uvádza príklad kalkulace rzka a analýzu jeho ctlvost. Kľúčové
Více11 Tachogram jízdy kolejových vozidel
Tachogram jízdy kolejových vozdel Tachogram představuje znázornění závslost rychlost vozdel na nezávslém parametru. Tímto nezávslým parametrem může být ujetá dráha, pak V = f() dráhový tachogram, nebo
VíceXXX. ASR '2005 Seminar, Instruments and Control, Ostrava, April 29,
XXX. ASR '2005 Semnar, Instruments and Control, Ostrava, Aprl 29, 2005 449 Usng flockng Algorthm and Vorono Dagram for Moton Plannng of a Swarm of Robots Plánování pohybu skupny robotů pomocí flockng algortmu
VíceSCIENTIFIC PAPERS OF THE UNIVERSITY OF PARDUBICE. OPTIMALIZACE VÝLUKOVÉ ČINNOSTI POMocí SIMULAČNíHO MODELU
SCIENTIFIC PAPERS OF THE UNIVERSITY OF PARDUBICE Series B The Jan Perner Transport Faculty 3 (1997) OPTIMALIZACE VÝLUKOVÉ ČINNOSTI POMocí SIMULAČNíHO MODELU Karel ŠOTEK Katedra informatiky v dopravě Úvod
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
VíceREAKCE POPTÁVKY DOMÁCNOSTÍ PO ENERGII NA ZVYŠOVÁNÍ ENERGETICKÉ ÚČINNOSTI: TEORIE A JEJÍ DŮSLEDKY PRO KONSTRUKCI EMPIRICKY OVĚŘITELNÝCH MODELŮ
RAKC POPTÁVKY DOMÁCNOTÍ PO NRGII NA ZVYŠOVÁNÍ NRGTICKÉ ÚČINNOTI: TORI A JJÍ DŮLDKY PRO KONTRUKCI MPIRICKY OVĚŘITLNÝCH MODLŮ tela Rubínová, Unverzta Karlova v Praze, Centrum pro otázky žvotního prostředí,
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
VíceAplikace simulačních metod ve spolehlivosti
XXVI. ASR '2001 Semnar, Instruments and Control, Ostrava, Aprl 26-27, 2001 Paper 40 Aplkace smulačních metod ve spolehlvost MARTINEK, Vlastml Ing., Ústav automatzace a nformatky, FSI VUT v Brně, Techncká
VíceImplementace bioplynové stanice do tepelné sítě
Energe z bomasy XVII, 13. 15. 9. 2015 Lednce, Česká republka Implementace boplynové stance do tepelné sítě Pavel MILČÁK 1, Jaroslav KONVIČKA 1, Markéta JASENSKÁ 1 1 VÍTKOVICE ÚAM a.s., Ruská 2887/101,
VíceIng. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence
APLIKACE UMĚLÉ INTELIGENCE Ing. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence Aplikace umělé inteligence - seminář ING. PETR HÁJEK, PH.D. ÚSTAV SYSTÉMOVÉHO INŽENÝRSTVÍ A INFORMATIKY
VíceDYNAMICKÉ MODULY PRUŽNOSTI NÁVOD DO CVIČENÍ
DYNAMICKÉ MODUY PRUŽNOSTI NÁVOD DO CVIČNÍ D BI0 Zkušebnctví a technologe Ústav stavebního zkušebnctví, FAST, VUT v Brně 1. STANOVNÍ DYNAMICKÉHO MODUU PRUŽNOSTI UTRAZVUKOVOU IMPUZOVOU MTODOU [ČSN 73 1371]
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
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
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
VícePOLYMERNÍ BETONY Jiří Minster Ústav teoretické a aplikované mechaniky AV ČR, v. v. i.
Odborná skupna Mechanka kompoztních materálů a konstrukcí České společnost pro mechanku s podporou frmy Letov letecká výroba, s. r. o. a Ústavu teoretcké a aplkované mechanky AV ČR v. v.. Semnář KOMPOZITY
VíceZápadočeská univerzita v Plzni Fakulta aplikovaných věd Katedra matematiky. Bakalářská práce. Zpracování výsledků vstupních testů z matematiky
Západočeská unverzta v Plzn Fakulta aplkovaných věd Katedra matematky Bakalářská práce Zpracování výsledků vstupních testů z matematky Plzeň, 13 Tereza Pazderníková Prohlášení Prohlašuj, že jsem bakalářskou
Více27 Systémy s více vstupy a výstupy
7 Systémy s více vstupy a výstupy Mchael Šebek Automatcké řízení 017 4-5-17 Stavový model MIMO systému Automatcké řízení - Kybernetka a robotka Má obecně m vstupů p výstupů x () t = Ax() t + Bu() t y()
VíceURČOVÁNÍ TRENDŮ A JEJICH VÝZNAM PRO EKONOMIKU
URČOVÁNÍ TRENDŮ A JEJICH VÝZNAM PRO EKONOMIKU Rudolf Kampf ÚVOD Pro marketng, management a vůbec pro člověka je jstě důležté vědět, jak se bude vyvíjet stuace v ekonomce, stuace v určtém státě z hledska
VíceL8 Asimilace dat II. Oddělení numerické předpovědi počasí ČHMÚ 2007
L8 Asmlace dat II Oddělení numercké předpověd počasí ČHMÚ 007 Plán přednášky Úvod do analýzy Optmální odhad v meteorolog D případ: demonstrace metod; mult-dmensonální případ; Zavedení předběžného pole;
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
VíceHODNOCENÍ DODAVATELE SUPPLIER EVALUATION
oční 6., Číslo IV., lstopad 20 HODNOCENÍ DODAVATELE SUPPLIE EVALUATION oman Hruša Anotace: Článe se zabývá hodnocením dodavatele pomocí scorng modelu, což znamená vanttatvní hodnocení dodavatele podle
VíceREGRESNÍ ANALÝZA. 13. cvičení
REGRESNÍ ANALÝZA 13. cvčení Závslost náhodných velčn Závslost mez kvanttatvním proměnným X a Y: Funkční závslost hodnotam nezávsle proměnných je jednoznačně dána hodnota závslé proměnné. Y=f(X) Stochastcká
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
VíceMetodika generování a ladění modelů neuronových sítí
Metodika generování a ladění modelů neuronových sítí Martin Moštěk Katedra měřicí a řídicí techniky, FEI, VŠB Technická univerzita Ostrava 17. listopadu 15, 708 33, Ostrava-Poruba martin.mostek@vsb.cz
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.
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
VíceKlasifikace a predikce. Roman LUKÁŠ
1/28 Klasfkace a predkce Roman LUKÁŠ 2/28 Základní pomy Klasfkace = zařazení daného obektu do sté skupny na základě eho vlastností Dvě fáze klasfkace: I. Na základě trénovacích vzorů (u nchž víme, do aké
VíceVyužití přímé inverzní metody pro řízení reálných systémů
XXVI. ASR '2001 Seminar, Instruments and Control, Ostrava, April 26-27, 2001 Paper 70 Využití přímé inverzní metody pro řízení reálných systémů ŠKUTOVÁ, Jolana Ing., Katedra ATŘ-352, VŠB-TU Ostrava, 17.
VíceInterference na tenké vrstvě
Úloha č. 8 Interference na tenké vrstvě Úkoly měření: 1. Pomocí metody nterference na tenké klínové vrstvě stanovte tloušťku vybraného vlákna nebo vašeho vlasu. 2. Pomocí metody, vz bod 1, stanovte ndex
VícePODKLADY PRO PRAKTICKÝ SEMINÁŘ PRO UČITELE VOŠ. Logaritmické veličiny používané pro popis přenosových řetězců. Ing. Bc. Ivan Pravda, Ph.D.
PODKLADY PRO PRAKTICKÝ SEMIÁŘ PRO ČITELE VOŠ Logartmcké velčny používané pro pops přenosových řetězců Ing. Bc. Ivan Pravda, Ph.D. ATOR Ivan Pravda ÁZEV DÍLA Logartmcké velčny používané pro pops přenosových
VícePosuzování dynamiky pohybu drážních vozidel ze záznamu jejich jízdy
Posuzování dynamky pohybu drážních vozdel ze záznamu jejch jízdy Ing. Jaromír Šroký, Ph.D. ŠB-Techncká unverzta Ostrava, Fakulta strojní, Insttut dopravy, tel: +40 597 34 375, jaromr.sroky@vsb.cz Úvod
VíceKonverze kmitočtu Štěpán Matějka
1.Úvod teoretcký pops Konverze kmtočtu Štěpán Matějka Směšovač měnč kmtočtu je obvod, který přeměňuje vstupní sgnál s kmtočtem na výstupní sgnál o kmtočtu IF. Někdy bývá tento proces označován také jako
Více6 LINEÁRNÍ REGRESNÍ MODELY
1 6 LINEÁRNÍ REGRESNÍ MODELY Př budování regresních modelů se běžně užívá metody nejmenších čtverců. Metoda nejmenších čtverců poskytuje postačující odhady parametrů jenom př současném splnění všech předpokladů
VíceVícekriteriální rozhodování. Typy kritérií
Vícekrterální rozhodování Zabývá se hodnocením varant podle několka krtérí, přčemž varanta hodnocená podle ednoho krtéra zpravdla nebývá nelépe hodnocená podle krtéra ného. Metody vícekrterálního rozhodování
VíceŠroubové kompresory ALBERT. EUROPEAN UNION European Regional Development Fund Operational Programme Enterprise and Innovations for Competitiveness
Šroubové kompresory ALBERT EUROPEAN UNION European Regonal Development Fund Operatonal Programme Enterprse and Innovatons for Compettveness Tradce ve výrobě Průmyslová tradce je základním prvkem, na kterém
VíceStanovení nenasycené hydraulické vodivosti pomocí mini-diskových podtlakových infiltrometrů
Stanovení nenasycené hydraulcké vodvost pomocí mn-dskových podtlakových nfltrometrů Teoretcký úvod nenasycená hydraulcká vodvost Pro řešení mnoha úloh v oblastech vodního hospodářství, ochrany žvotního
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
Více8a.Objektové metody viditelnosti. Robertsův algoritmus
8a. OBJEKOVÉ MEODY VIDIELNOSI Cíl Po prostudování této kaptoly budete znát metody vdtelnost 3D objektů na základě prostorových vlastností těchto objektů tvořt algortmy pro určování vdtelnost hran a stěn
VíceCHYBY MĚŘENÍ. uvádíme ve tvaru x = x ± δ.
CHYBY MĚŘENÍ Úvod Představte s, že máte změřt délku válečku. Použjete posuvné měřítko a získáte určtou hodnotu. Pamětlv přísloví provedete ještě jedno měření. Ale ouha! Výsledek je jný. Co dělat? Měřt
VíceUNIVERZITA PARDUBICE ÚSTAV ELEKTROTECHNIKY A INFORMATIKY POČÍTAČOVÁ PODPORA ŘÍZENÍ ROZSÁHLÝCH PROJEKTŮ BAKALÁŘSKÁ PRÁCE
UNIVERZITA PARDUBICE ÚSTAV ELEKTROTECHNIKY A INFORMATIKY POČÍTAČOVÁ PODPORA ŘÍZENÍ ROZSÁHLÝCH PROJEKTŮ BAKALÁŘSKÁ PRÁCE 2007 MARTIN ŠVÁHA UNIVERZITA PARDUBICE ÚSTAV ELEKTROTECHNIKY A INFORMATIKY POČÍTAČOVÁ
VíceKorelační energie. Celkovou elektronovou energii molekuly lze experimentálně určit ze vztahu. E vib. = E at. = 39,856, E d
Korelační energe Referenční stavy Energ molekul a atomů lze vyjádřt vzhledem k různým referenčním stavům. V kvantové mechance za referenční stav s nulovou energí bereme stav odpovídající nenteragujícím
VíceMODELOVÁNÍ SEISMICKÉHO ZDROJE JAKO REÁLNÁ TESTOVACÍ ÚLOHA PRO NELINEÁRNÍ INVERSNÍ ALGORITMUS
MODELOVÁNÍ SEISMICKÉHO ZDROJE JAKO REÁLNÁ TESTOVACÍ ÚLOHA PRO NELINEÁRNÍ INVERSNÍ ALGORITMUS P. Kolář, B. Růžek, P. Adamová Geofyzkální ústav AV ČR, Praha Abstrakt Pro vyvíjený nelneární nversní algortmus
VíceTransformace dat a počítačově intenzivní metody
Transformace dat a počítačově ntenzvní metody Jří Mltký Katedra textlních materálů, Textlní fakulta, Techncká unversta v Lberc, Lberec, e- mal jr.mltky@vslb.cz Mlan Meloun, Katedra analytcké cheme, Unversta
VíceROZHODOVÁNÍ VE FUZZY PROSTŘEDÍ
ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ Ročník LV 24 Číslo 6, 2007 ROZHODOVÁNÍ VE FUZZY PROSTŘEDÍ V. Konečný Došlo:
VíceMODEL LÉČBY CHRONICKÉHO SELHÁNÍ LEDVIN. The End Stage Renal Disease Treatment Model
ROČNÍK LXXII, 2003, č. 1 VOJENSKÉ ZDRAVOTNICKÉ LISTY 5 MODEL LÉČBY CHRONICKÉHO SELHÁNÍ LEDVIN 1 Karel ANTOŠ, 2 Hana SKALSKÁ, 1 Bruno JEŽEK, 1 Mroslav PROCHÁZKA, 1 Roman PRYMULA 1 Vojenská lékařská akademe
VíceVyužití logistické regrese pro hodnocení omaku
Využtí logstcké regrese pro hodnocení omaku Vladmír Bazík Úvod Jedním z prmárních proevů textlí e omak. Jedná se o poct který vyvolá textle př kontaktu s pokožkou. Je to ntegrální psychofyzkální vlastnost
Více2. ELEKTRICKÉ OBVODY STEJNOSMĚRNÉHO PROUDU
VŠB T Ostrava Faklta elektrotechnky a nformatky Katedra obecné elektrotechnky. ELEKTCKÉ OBVODY STEJNOSMĚNÉHO POD.. Topologe elektrckých obvodů.. Aktvní prvky elektrckého obvod.3. Pasvní prvky elektrckého
VíceADAPTACE PARAMETRU SIMULAČNÍHO MODELU ASYNCHRONNÍHO STROJE PARAMETR ADAPTATION IN SIMULATION MODEL OF THE ASYNCHRONOUS MACHINE
ADAPTACE PARAMETRU SIMULAČNÍHO MODELU ASYNCHRONNÍHO STROJE PARAMETR ADAPTATION IN SIMULATION MODEL OF THE ASYNCHRONOUS MACHINE Oktavián Strádal 1 Anotace: Článek ukazuje použití metod umělé inteligence
Více