APLIKACE METOD UMĚLÉ INTELIGENCE PŘI PREDIKCI CHEMICKÉHO SLOŽENÍ RAFINAČNÍCH STRUSEK
|
|
- Zdenka Kovářová
- před 8 lety
- Počet zobrazení:
Transkript
1 APLIKACE METOD UMĚLÉ INTELIGENCE PŘI PREDIKCI CHEMICKÉHO SLOŽENÍ RAFINAČNÍCH STRUSEK APPLICATION OF ARTIFICIAL INTELLIGENCE METHODS FOR PREDICTION OF CHEMICAL COMPOSITION OF REFINING SLAG Zora Jančíková a Jan Melecký b Pavel Švec a a VŠB-TU Ostrava, Tř.17.listopadu 15, Ostrava - Poruba, ČR, zora.jancikova@vsb.cz, pavel.svec@vsb.cz b ArcelorMittal Ostrava a.s., Vratimovská 689, Ostrava - Kunčice, ČR, Jan.Melecky@arcelormittal.com Abstrakt Příspěvek se zabývá problematikou aplikace umělých neuronových sítí pro predikci chemického složení rafinačních strusek s cílem optimalizovat výrobní proces a zlepšit ekonomiku výroby. První část příspěvku obsahuje hodnocení chemických parametrů vybraných typů pánvových strusek, které vznikají při mimopecním zpracování ocelí ve společnosti ArcelorMittal a.s. Hlavní pozornost je zaměřena na metalurgické parametry zkušebních taveb a jejich porovnání s běžnou technologií. Teoretické výpočty umožní ušetřit část metalurgického vápna a ředicích přísad na bázi Al O 3. Využití neuronových sítí je výhodné všude tam, kde je třeba postihnout složité vzájemné vztahy mezi procesními daty. Přesnější výsledky predikcí různých metalurgických parametrů s využitím neuronových sítí jsou důsledkem toho, že aplikace neuronových sítí umožňuje nalezení vazeb mezi parametry procesu, které při použití běžných metod nelze vysledovat pro jejich vzájemné interakce, značné množství údajů, dynamiku a z toho plynoucí časovou náročnost. Contribution deals with application of artificial neural networks for prediction of chemical composition of refining slag with aim to optimize production process and to improve production economics. The first part of the paper contains the evaluation of chemical parameters of the selected kinds of ladle slag that are formed during the ladle processing of steel at the ArcelorMittal Ostrava Company. Main interest is paid to metallurgical parameters of test heats and their comparison with the common technology. The theoretical calculations will enable to save part of metallurgical lime and Al O 3 flux additions. Exploitation of neural networks is advantageous, if it is necessary to express complex mutual relations among sensor-based data. More accurate results of predictions of different metallurgical parameters with exploitation of neural networks follow on the fact that application of neural networks enables assignment of relations among process parameters which are not possible to be traced using common methods due to their mutual interactions, considerable amount of data, dynamics and thus following time demands. 1. ÚVOD Rafinační strusky mají rozhodující význam pro mimopecní zpracování oceli. Čistota oceli a obsah síry ve vyráběné oceli závisí především na chemickém složení rafinačních strusek, jejich množství a na kinetice promísení strusky s kovem. Důležitým faktorem je samozřejmě doba zpracování oceli. 1
2 Rafinační strusky jsou bazické a redukčního charakteru a hlavními složkami jsou následující oxidy: CaO, Al O 3, SiO a MgO. Jelikož obsahy MgO pocházejí vesměs z vyzdívek odlévacích pánví (pokud nejsou používána dolomitická vápna), odvisí tyto zejména od opotřebení vyzdívek, přičemž se pohybují v rafinačních struskách převážně v rozmezí 7 až 10 hm. %. Chemická složení strusek mají zásadní vliv na teploty likvidu, a tudíž na rychlost jejich tvorby a tekutost. Toto je zřejmé z ternárního diagramu CaO-Al O 3 -SiO viz obr. č. 1. Obr. 1. Ternární diagram CaO-Al O 3 -SiO Fig. 1. System CaO-Al O 3 -SiO V průběhu zpracování oceli na pánvové peci v Ocelárně společnosti ArcelorMittal Ostrava a.s. jsou přidávány základní dvě struskotvorné přísady, a sice vápenné brikety a ředicí přísada na bázi Al O 3 (Alcaten). Tímto způsobem je prováděna úprava chemického složení, případně množství rafinační strusky. Obsahy SiO ve strusce jsou závislé hlavně na složení oceli a vnosech z jednotlivých dezoxidačních, legujících a struskotvorných přísad [1]. Doposud jsou množství struskotvorných přísad přidávány na základě chemického složení tzv. příjezdových strusek na pánvovou pec, resp. znalosti složení strusek odebraných po odpichu z odlévací pánve. Tyto jsou ovšem často heterogenní, což mnohdy vede ke zkreslenému rozhodnutí o množstvích přidávaných struskotvorných přísad. Pro posouzení optimálních přídavků uvedených přísad byly u konečných (odjezdových) strusek z pánvové pece stanovovány obsahy tzv. volného vápna a porovnávány měrné spotřeby vápenných briket na shodné poklesy síry v rafinované oceli za srovnatelných podmínek a u stejných značek oceli. Rozbor ukázal, že poměrně dost taveb má určitý podíl nezreagovaného (volného) vápna, což svědčí o nadbytečném množství přisazovaného vápna. Rovněž odchylky v měrných spotřebách vápna na odstranění 0,001 hm. % síry z oceli ukázaly, že existují rezervy v odhadovaných množstvích, zejména struskotvorných přísad. Za tímto účelem bylo rozhodnuto posoudit možnosti aplikace neuronových sítí pro predikci chemického složení rafinačních strusek, což by ve svém důsledku vedlo k úspoře struskotvorných přísad a počtu analytických stanovení.
3 . UMĚLÉ NEURONOVÉ SÍTĚ Neuronové sítě jsou vhodné pro aproximaci vztahů mezi různými procesními daty, zejména pak mezi daty nestrukturovanými s vysokým stupněm nelinearity a daty nepřesnými a neúplnými. Jsou schopny modelovat chování systémů s velmi složitou vnitřní strukturou a s poměrně komplikovanými vnějšími projevy, kdy analytický popis je značně složitý, případně vůbec neexistuje. Nabízejí zajímavý alternativní přístup vůči klasickým způsobům vyhodnocování statistických dat (jako je např. regresní analýza), jsou schopny modelovat i závislosti, které se regresními postupy velice obtížně řeší, a jsou zároveň schopny postihnout mnohem složitější vztahy než tyto metody. Jsou vhodné pro modelování chování složitých soustav zvláště proto, že jejich typickou vlastností je schopnost vlastního učení na naměřených datech a schopnost zevšeobecňování. Dovedou zachytit a vhodným způsobem vyjádřit obecné vlastnosti dat a vztahů mezi nimi a naopak potlačit vazby, které se vyskytují sporadicky nebo nejsou dostatečně spolehlivé a pevné. Nevýhodou neuronových sítí je, že zpravidla nelze předem odhadnout velikost chyby, která je silně závislá na parametrech sítě a na kvalitě dat v trénovací množině. Návrh struktury a parametrů neuronové sítě vyžaduje určitou zkušenost. Rovněž při optimalizaci navržené sítě hrají důležitou roli zkušenost, intuice a experimentování. Pro všechny typy predikcí se v podstatě hodí neuronové sítě, které jsou univerzálními aproximátory funkcí, tedy zejména sítě, využívající pro své učení algoritmus zpětného šíření (Back-propagation). Tento algoritmus je vhodný pro učení vícevrstvých sítí s dopředným (feedforward) šířením, které jsou tvořeny minimálně třemi vrstvami neuronů: vstupní, výstupní a alespoň jednou skrytou vrstvou (obr. ). Mezi dvěma sousedními vrstvami se pak nachází tzv. úplné propojení neuronů, tedy každý neuron nižší vrstvy je spojen se všemi neurony vrstvy vyšší. Učení se v neuronové síti realizuje nastavováním vah synapsí w ij mezi neurony. U sítě s algoritmem Back-propagation probíhá učení metodou učení s učitelem, kdy se neuronová síť učí srovnáním aktuální hodnoty výstupu neuronové sítě s žádanou hodnotou. Postupným nastavováním vah synapsí se algoritmus snaží dosáhnout minimálního rozdílu mezi žádanou hodnotou a hodnotou na výstupu neuronové sítě. Obr.. Topologie vícevrstvé neuronové sítě s dopředným šířením Fig.. Topology of multilayer feedforward neural network Míru nepřesnosti mezi predikovanou hodnotou výstupu neuronové sítě a skutečnou hodnotou výstupu objektu vyjadřuje predikční chyba. V technických aplikacích se chyba převážně vyjadřuje následujícími vztahy []: vztah pro výpočet chyby RMS (Root Mean Squared) - nekompenzuje použité jednotky: 3
4 RMS= n 1 0 ( y o ) i n 1 i (1) vztah pro výpočet relativní chyby REL_RMS - kompenzuje použité jednotky: REL_RMS n 1 0 = n 1 ( yi oi) ( y ) 0 i () kde - n je počet vzorů trénovací nebo testovací množiny y i - jsou predikované hodnoty výstupu neuronové sítě o i - jsou skutečné hodnoty výstupu objektu 3. PREDIKCE CHEMICKÉHO SLOŽENÍ RAFINAČNÍCH STRUSEK Před samotným návrhem neuronové sítě pro predikci chemického složení rafinačních strusek bylo nutné provést úpravu dat pro učení sítě. Jako vstupní data byly použity údaje o složení strusek z první zkoušky pánvové pece a množství přidávaných dezoxidačních, legujících a struskotvorných přísad. Výstupní data představovala složení strusky z poslední zkoušky na pánvové peci. Tato data byla následně upravena do tvaru vhodného pro aplikaci neuronové sítě. Celá databáze byla rozdělena na data, na kterých se bude síť učit a na data, na kterých se bude následně ověřovat přesnost predikce, tedy schopnost generalizace neuronové sítě (obr. 3). Obr. 3. Upravená data pro trénování sítě Fig. 3. Treated data for network training 4
5 Obr. 4. Okno s parametry vytvořených neuronových sítí Fig. 4. Window with results of created neural networks Na základě takto upravených dat bylo postupně navrženo deset umělých neuronových sítí. Neuronové sítě byly vytvořeny v programovém prostředku STATISTICA Neural Networks. Tento systém umožňuje mimo jiné vytvoření skupiny rozdílných neuronových sítí, výběr nejvhodnější sítě s nejlepším výkonem, obsahuje výkonné vyšetřovací a analytické techniky umožňující volbu vhodných vstupních proměnných pro analýzu vyšetřovaných dat (algoritmy pro výběr vlastností vstupů). Dále umožňuje získat souhrnné popisné statistiky, provádět citlivostní analýzu a vytvářet odezvové grafy. Před učením neuronové sítě si program automaticky rozdělí data do tří skupin na trénovací množinu, validační množinu a testovací množinu. Parametry těchto skupin pak určují, zda se síť dobře naučila, není-li přeučená a jestli je její chyba na testovacích datech minimální. Nejdůležitějším parametrem je testovací chyba sítě, která by měla být co nejmenší. Okno s parametry vytvořených neuronových sítí v systému STATISTICA - Neural Networks je znázorněno na (obr 4). Z deseti navržených sítí, byly vybrány dvě s nejmenší chybou a největším výkonem. Algoritmy neuronových sítí byly vygenerovány v jazyku C++. Tento kód byl vhodně upraven a implementován do připraveného programu, pro zadávání a zpracování dat neuronovou sítí (obr. 5). Program byl vytvořen v C++ Builder, který vytváří aplikace spustitelné pod systémem Windows. Do tohoto programu se dá jednoduše implementovat vygenerovaná neuronová síť s následným ověřením její funkčnosti. Testovací data se do vytvořeného programu vkládají z Excelu. Ukazatelem, zda dává neuronová síť správné výsledky, je rozdíl mezi predikovanými a naměřenými hodnotami výstupních proměnných. Analýza výsledků sítí ukazuje, že u oxidů MgO, CaO, SiO a Al O 3 (dále jen dominantní prvky) je chyba nižší než u FeO, P O 5, MnO, Cr O 3, Fe O 3, S (dále jen zbylé prvky). Dominantní prvky jsou o dva a až tři řády numericky větší než zbylé prvky. Při odhadu se prvky mezi sebou ovlivňují a síť vykazuje u zbylých prvků poměrně velkou chybu. U dominantních prvků je chyba v některých případech malá a v některých případech velká. Pro náš případ je hlavní, aby byla u dominantních prvků chyba co nejmenší, protože se z těchto prvků dále vykresluje ternární diagram (obr. 6), který určuje teplotu likvidu strusek v závislosti na chemizmu strusky. 5
6 Obr. 5. Predikce konečného chemického složení strusky a výpočet chyby Fig. 5. Prediction of chemical composition of slag and error calculation Obr. 6. Ternární diagram Fig. 6. Ternary diagram Dalším krokem se jeví pokus zmenšit chybu zbylých prvků a zmírnit chybu dominantních prvků sítě. Byly vytvořeny dvě neuronové sítě. Jedna pro skupinu prvků dominantních a druhá pro zbylé prvky. Výsledky ukazují, že tato volba přináší daleko menší chyby u zbylých prvků. U dominantních prvků se chyba také mírně snížila. 6
7 Obr. 7. Predikce konečného chemického složení strusky a výpočet chyby Fig. 7. Prediction of chemical composition of slag and error calculation 4. ZÁVĚR Byl vytvořen funkční model predikce konečného chemického složení rafinačních strusek, které vznikají při mimopecním zpracování ocelí, který umožňuje předpovídat složení strusek s dostatečně malou chybou. Předpokládá se pokračovat dále v řešení této problematiky trénováním neuronové sítě na datech jiných značek oceli s cílem vytvořit univerzální model predikce chemického složení rafinačních strusek různých značek oceli, což by ve svém důsledku vedlo k úspoře struskotvorných přísad a počtu analytických stanovení. Uvedené výsledky a dosavadní zkušenosti s aplikacemi neuronových sítí v metalurgickém výzkumu ukazují, že jejich použití v této oblasti je velmi perspektivní. Neuronové sítě se jeví jako nejlepší známá aproximace vztahů mezi různými procesními daty zejména v případech, kdy modelujeme reálné systémy, které se vyznačují vysokým stupněm nelinearity, značnou složitostí a obtížností formálního matematického popisu. Přesnější výsledky predikcí různých metalurgických parametrů s využitím neuronových sítí jsou důsledkem toho, že aplikace neuronových sítí umožňuje nalezení vazeb mezi parametry procesu, které při použití běžných metod nelze vysledovat pro jejich vzájemné interakce, značné množství a dynamiku a z toho plynoucí časovou náročnost. LITERATURA [1] MELECKÝ, J., DOBROVSKÝ, L., DUDEK, R. Posouzení syntetických strusek a jejich provozní využití ve společnosti Mittal Steel Ostrava a.s. In Sborník z konference Iron and steelmaking, Malenovice, XV. mezinárodní vědecká konference, 005. s ISBN [] JANČÍKOVÁ, Z. Umělé neuronové sítě v materiálovém inženýrství. Monografie, GEP ARTS Ostrava, 006. ISBN X [3] HEGER, M., FRANZ, J. DAVID J. Numeric Function Approximation with Utilization of Artificial Intelligence Elements, In 4 th International Carpatian Control Conference 003, Košice, 003, s ISBN
POSOUZENÍ MOŽNOSTI ZPĚTNÉHO VYUŽITÍ ODPADNÍCH PÁNVOVÝCH STRUSEK V SEKUNDÁRNÍ METALURGII
POSOUZENÍ MOŽNOSTI ZPĚTNÉHO VYUŽITÍ ODPADNÍCH PÁNVOVÝCH STRUSEK V SEKUNDÁRNÍ METALURGII EVALUTION OF RECYCLING POSSIBILITY OF WASTE LADLE SLAGS AT SECONDARY METALLURGY Ing. Jan Melecký, CSc.*, Ing. Libor
VíceBriketované ztekucovadlo rafinačních strusek (briketovaná syntetická struska)
Briketované ztekucovadlo rafinačních strusek (briketovaná syntetická struska) Briketované ztekucovadlo rafinačních strusek je vyrobeno ze směsi korundového prášku, dolomitu a dalších přísad. Používá se
VíceEXPLOITATION OF THE ELEMENTS OF ARTIFICIAL INTELLIGENCE FOR TIME PREDICTION OF COOLING DOWN METAL SPECIMENS BEFORE FORMING.
VYUŽITÍ PRVKŮ UMĚLÉ INTELIGENCE PRO PREDIKCI ČASU CHLADNUTÍ KOVOVÝCH VZORKŮ PŘED TVÁŘENÍM. EXPLOITATION OF THE ELEMENTS OF ARTIFICIAL INTELLIGENCE FOR TIME PREDICTION OF COOLING DOWN METAL SPECIMENS BEFORE
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
VíceMOŽNOSTI PREDIKCE DOSAŽENÍ POŽADOVANÉ LICÍ TEPLOTY OCELI PRO ZAŘÍZENÍ PLYNULÉHO ODLÉVÁNÍ
MOŽNOSTI PREDIKCE DOSAŽENÍ POŽADOVANÉ LICÍ TEPLOTY OCELI PRO ZAŘÍZENÍ PLYNULÉHO ODLÉVÁNÍ PREDICTION POSSIBILITIES OF ACHIEVING THE REQUISITE CASTING TEMPERATURE OF STEEL IN CONTINUOUS CASTING EQUIPMENT
VíceNOVÉ VÝROBNÍ TECHNOLOGIE VYBRANÝCH JAKOSTÍ SE ZAMĚŘENÍM NA SNÍŽENÍ VÝROBNÍCH NÁKLADŮ
NOVÉ VÝROBNÍ TECHNOLOGIE VYBRANÝCH JAKOSTÍ SE ZAMĚŘENÍM NA SNÍŽENÍ VÝROBNÍCH NÁKLADŮ a Miloš MASARIK, b Libor ČAMEK, a Jiří DUDA, a Zdeněk ŠÁŇA a EVRAZ VÍTKOVICE STEEL, a. s., Štramberská 2871/47, Czech
VíceANALYSIS OF CHEMICAL REHEATING OF STEEL BY MEANS OF REGRESSION AND ARTIFICIAL NEURAL NETWORKS. Ondřej Zimný a Jan Morávka b Zora Jančíková a
ANALÝZA CHEMICKÉHO PŘÍHŘEVU OCELI PROSTŘEDNICTVÍM REGRESE A UMĚLÝCH NEURONOVÝCH SÍTÍ ANALYSIS OF CHEMICAL REHEATING OF STEEL BY MEANS OF REGRESSION AND ARTIFICIAL NEURAL NETWORKS Ondřej Zimný a Jan Morávka
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
VíceVLIV PROVOZNÍCH FAKTORŮ NA OPOTŘEBNÍ VYZDÍVKY LICÍCH PÁNVÍ JANČAR, D., HAŠEK, P.* TVARDEK,P.**
METAL 2003 20.-22.5.2003, Hradec nad Moravicí VLIV PROVOZNÍCH FAKTORŮ NA OPOTŘEBNÍ VYZDÍVKY LICÍCH PÁNVÍ 1. ÚVOD JANČAR, D., HAŠEK, P.* TVARDEK,P.** *.VŠB - TU Ostrava **. NOVÁ HUŤ, a.s. Současná doba
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
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
VíceRegulace dávkování surovin pro výrobu slínku - hlavní komponenty cementu
Regulace dávkování surovin pro výrobu slínku - hlavní komponenty cementu The regulation of the dose raw materials for the manufacture clinker - main component of the cement Bc. Radek Žufan Tichý Diplomová
VíceVLIV ZPŮSOBU ODBĚRU VZORKU TEKUTÉ OCELI NA OBSAH KYSLÍKU INFLUENCE OF SAMPLING TO FINAL OXYGEN CONTENT
VLIV ZPŮSOBU ODBĚRU VZORKU TEKUTÉ OCELI NA OBSAH KYSLÍKU INFLUENCE OF SAMPLING TO FINAL OXYGEN CONTENT Pavel Fila a), Martin Balcar a), Josef Svatoň a), Ludvík Martínek a), Václav Švábenský b) a) ŽĎAS,
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:
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
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
Více0,7 0,6 0,5 0,4 0,3 0,2 0,1
VÝVOJ PROSTŘEDKŮ VÝPOČTOVÉ INTELIGENCE PRO MONITOROVÁNÍ A ŘÍZENÍ OCELÁŘSKÝCH VÝROBNÍCH PROCESŮ Miroslav Pokorný¹ Václav Kafka² Zdeněk Bůžek³ 1) VŠB TU Ostrava, FEI, 17. listopadu 15, 708 33 Ostrava, ČR,
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
VíceRecyklace odpadových materiálů
Poslední El Dorado Recyklace odpadových materiálů Technical Excellence Ostrava 16t. Ledna 2014 Typy ocelárenských strusek a spotřeba v dnešních dnech Tandem furnace Slag skimmer Ladle furnace 1 Ladle furnace
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
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
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
VícePARAMETRICKÁ STUDIE VÝPOČTU KOMBINACE JEDNOKOMPONENTNÍCH ÚČINKŮ ZATÍŽENÍ
PARAMETRICKÁ STUDIE VÝPOČTU KOMBINACE JEDNOKOMPONENTNÍCH ÚČINKŮ ZATÍŽENÍ Ing. David KUDLÁČEK, Katedra stavební mechaniky, Fakulta stavební, VŠB TUO, Ludvíka Podéště 1875, 708 33 Ostrava Poruba, tel.: 59
VíceAnalytické metody v motorsportu
Analytické metody v motorsportu Bronislav Růžička Ústav konstruování Odbor konstruování strojů Fakulta strojního inženýrství Vysoké učení č technické v Brně ě 29. června 2011, FSI VUT v Brně, Česká republika
VícePOROVNÁNÍ MIKROČISTOTY OCELI PŘI POUŽITÍ DVOU TYPŮ PONORNÝCH VÝLEVEK. Jaroslav Pindor a Karel Michalek b
POROVNÁNÍ MIKROČISTOTY OCELI PŘI POUŽITÍ DVOU TYPŮ PONORNÝCH VÝLEVEK Jaroslav Pindor a Karel Michalek b a TŘINECKÉ ŽELEZÁRNY, a.s., Průmyslová 1000, 739 70 Třinec-Staré Město, ČR b VŠB-TU Ostrava, FMMI,
VíceHodnocení korozí odolnosti systémů tenká vrstva substrát v prostředí kompresorů
Hodnocení korozí odolnosti systémů tenká vrstva substrát v prostředí kompresorů Analysis of Corrosion Resistance of Systems Thin Films Substrate in Compressors Environment Jiří Hána, Ivo Štěpánek, Radek
VíceHODNOCENÍ POVRCHOVÝCH ZMEN MECHANICKÝCH VLASTNOSTÍ PO ELEKTROCHEMICKÝCH ZKOUŠKÁCH. Klára Jacková, Ivo Štepánek
HODNOCENÍ POVRCHOVÝCH ZMEN MECHANICKÝCH VLASTNOSTÍ PO ELEKTROCHEMICKÝCH ZKOUŠKÁCH Klára Jacková, Ivo Štepánek Západoceská univerzita v Plzni, Univerzitní 22, 306 14 Plzen, CR, ivo.stepanek@volny.cz Abstrakt
VíceLADISLAV RUDOLF. Doc., Ing., Ph.D., University of Ostrava, Pedagogical fakulty, Department of Technical and Vocational Education, Czech Republic
Wydawnictwo UR 2016 ISSN 2080-9069 ISSN 2450-9221 online Edukacja Technika Informatyka nr 2/16/2016 www.eti.rzeszow.pl DOI: 10.15584/eti.2016.2.18 LADISLAV RUDOLF Metodika optimalizačního softwaru vyhodnocení
VíceREGRESNÍ ANALÝZA V PROSTŘEDÍ MATLAB
62 REGRESNÍ ANALÝZA V PROSTŘEDÍ MATLAB BEZOUŠKA VLADISLAV Abstrakt: Text se zabývá jednoduchým řešením metody nejmenších čtverců v prostředí Matlab pro obecné víceparametrové aproximační funkce. Celý postup
Víceití empirických modelů při i optimalizaci procesu mokré granulace léčivl ková SVK ÚOT
Využit ití empirických modelů při i optimalizaci procesu mokré granulace léčivl Jana Kalčíkov ková 5. ročník Školitel: Doc. Ing. Zdeněk k Bělohlav, B CSc. Granulace Prášek Granule Vlhčivo Promíchávání
VíceBRDSM: Komplexní systém dynamického řízení kvality plynule odlévané oceli
BRDSM: Komplexní systém dynamického řízení kvality plynule odlévané oceli Registrační číslo: 132071 Garant výsledku: prof. Ing. Josef Štětina, Ph.D. Typ: Software - R Rok vydání: 30. 12. 2016 Instituce:
VíceVLIV MECHANICKÉHO PORUŠENÍ NA CHOVÁNÍ POVRCHU S TIN VRSTVOU PŘI TEPELNÉM A KOROZNÍM NAMÁHÁNÍ. Roman Reindl, Ivo Štěpánek, Martin Hrdý, Klára Jačková
VLIV MECHANICKÉHO PORUŠENÍ NA CHOVÁNÍ POVRCHU S TIN VRSTVOU PŘI TEPELNÉM A KOROZNÍM NAMÁHÁNÍ Roman Reindl, Ivo Štěpánek, Martin Hrdý, Klára Jačková Západočeská univerzita v Plzni, Univerzitní 22, 306 14
VíceLICÍ PÁNVE V OCELÁRNĚ ARCELORMITTAL OSTRAVA POUŽITÍ NOVÉ IZOLAČNÍ VRSTVY
LICÍ PÁNVE V OCELÁRNĚ ARCELORMITTAL OSTRAVA POUŽITÍ NOVÉ IZOLAČNÍ VRSTVY POURING LADLES IN ARCELORMITTAL OSTRAVA STEEL PLANT - UTILIZATION OF NEW INSULATION LAYER Dalibor Jančar a Petr Tvardek b Pavel
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
VíceVLIV KOROZNÍHO PŮSOBENÍ OCELÍ S VYSOKÝM OBSAHEM MANGANU A CHROMU NA ŽÁRUVZDORNOU KERAMIKU. Libor BRAVANSKÝ, Kateřina KADLÍKOVÁ
VLIV KOROZNÍHO PŮSOBENÍ OCELÍ S VYSOKÝM OBSAHEM MANGANU A CHROMU NA ŽÁRUVZDORNOU KERAMIKU Libor BRAVANSKÝ, Kateřina KADLÍKOVÁ SEEIF Ceramic,a.s., Rájec-Jestřebí, Česká Republika libor.bravansky@ceramic.cz
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
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 LIII 12 Číslo 3, 2005 Vybrané aspekty modelování devizového kurzu
VíceAnalytické metody v motorsportu
Analytické metody v motorsportu Bronislav Růžička školitel : Doc. Ing. Ivan Mazůrek, CSc. Ústav konstruování Odbor konstruování strojů Fakulta strojního inženýrství Vysoké učení technické v Brně 12.listopadu
VíceIng. Tomáš MAUDER prof. Ing. František KAVIČKA, CSc. doc. Ing. Josef ŠTĚTINA, Ph.D.
OPTIMALIZACE BRAMOVÉHO PLYNULÉHO ODLÉVÁNÍ OCELI ZA POMOCI NUMERICKÉHO MODELU TEPLOTNÍHO POLE Ing. Tomáš MAUDER prof. Ing. František KAVIČKA, CSc. doc. Ing. Josef ŠTĚTINA, Ph.D. Fakulta strojního inženýrství
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
VíceAproximace a vyhlazování křivek
Fakulta chemicko technologická Katedra analytické chemie licenční studium Management systému jakosti Autor: Přednášející: Prof. Ing. Jiří Militký, Csc 1. SLEDOVÁNÍ ZÁVISLOSTI HODNOTY SFM2 NA BARVIVOSTI
VíceSoutěžní příspěvek na konferenci STOČ 2007 k diplomové práci VYUŽITÍ NEURONOVÝCH SÍTÍ PRO PREDIKCI VAD INGOTŮ
Soutěžní příspěvek na konferenci STOČ 2007 k diplomové práci VYUŽITÍ NEURONOVÝCH SÍTÍ PRO PREDIKCI VAD INGOTŮ Jan Bažacký Katedra automatizace a výpočetní techniky v metalurgii VŠB TU Ostrava, 27.3.2007
VíceKOAGULAČNÍ PROCESY PŘI ÚPRAVĚ POVRCHOVÉ VODY
UNIVERZITA PARDUBICE FAKULTA CHEMICKO-TECHNOLOGICKÁ KATEDRA CHEMICKÉHO INŽENÝRSTVÍ KOAGULAČNÍ PROCESY PŘI ÚPRAVĚ POVRCHOVÉ VODY BAKALÁŘSKÁ PRÁCE AUTOR PRÁCE: VEDOUCÍ PRÁCE: Jiří Vašíř Ing. Hana Jiránková,
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
VíceSLEDOVÁNÍ AKTIVITY KYSLÍKU PŘI VÝROBĚ LITINY S KULIČKOVÝM GRAFITEM
86/18 ARCHIWUM ODLEWNICTWA Rok 2006, Rocznik 6, Nr 18 (2/2) ARCHIVES OF FOUNDRY Year 2006, Volume 6, N o 18 (2/2) PAN Katowice PL ISSN 1642-5308 SLEDOVÁNÍ AKTIVITY KYSLÍKU PŘI VÝROBĚ LITINY S KULIČKOVÝM
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
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
VíceTéma 4: Stratifikované a pokročilé simulační metody
0.007 0.006 0.005 0.004 0.003 0.002 0.001 Dlouhodobé nahodilé Std Distribution: Gumbel Min. EV I Mean Requested: 140 Obtained: 141 Std Requested: 75.5 Obtained: 73.2-100 0 100 200 300 Mean Std Téma 4:
VíceBEZCEMENTOVÝ BETON S POJIVEM Z ÚLETOVÉHO POPÍLKU
Sekce X: xxxxxxxxxxxxxxxxxxxxxxxxxxxxxx BEZCEMENTOVÝ BETON S POJIVEM Z ÚLETOVÉHO POPÍLKU Rostislav Šulc, Pavel Svoboda 1 Úvod V rámci společného programu Katedry technologie staveb FSv ČVUT a Ústavu skla
VíceVYUŽITÍ HODNOT JEDNOTLIVÝCH FRAKCÍ VLÁKNINY PRO PREDIKCI PRODUKČNÍ HODNOTY OBJEMNÝCH KRMIV (kukuřičných siláží)
VYUŽITÍ HODNOT JEDNOTLIVÝCH FRAKCÍ VLÁKNINY PRO PREDIKCI PRODUKČNÍ HODNOTY OBJEMNÝCH KRMIV (kukuřičných siláží) Přednáška na UVLF Košice, dne 2.9.2014 Kodeš, A., Hlaváčková, A., Mudřík, Z., Plachý, V.,
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
VíceCYKLICKÁ VRYPOVÁ ZKOUŠKA PRO HODNOCENÍ VÝVOJE PORUŠENÍ A V APROXIMACI ZKOUŠKY OPOTŘEBENÍ. Markéta Podlahová, Ivo Štěpánek, Martin Hrdý
CYKLICKÁ VRYPOVÁ ZKOUŠKA PRO HODNOCENÍ VÝVOJE PORUŠENÍ A V APROXIMACI ZKOUŠKY OPOTŘEBENÍ. Markéta Podlahová, Ivo Štěpánek, Martin Hrdý Západočeská univerzita v Plzni, Univerzitní 22, 306 14 Plzeň, ČR,
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.
VíceTECHNOLOGIE OHREVU PÁNVÍ NA VOD A JEJÍ PRÍNOSY TECHNOLOGY OF HEATING OF VOD LADLES AND ITS BENEFITS. Milan Cieslar a Jirí Dokoupil b
TECHNOLOGIE OHREVU PÁNVÍ NA VOD A JEJÍ PRÍNOSY TECHNOLOGY OF HEATING OF VOD LADLES AND ITS BENEFITS Milan Cieslar a Jirí Dokoupil b a) TRINECKÉ ŽELEZÁRNY, a.s., Prumyslová 1000, 739 70 Trinec Staré Mesto,
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
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
VíceANALÝZY HISTORICKÝCH DEŠŤOVÝCH ŘAD Z HLEDISKA OCHRANY PŮDY PŘED EROZÍ
Rožnovský, J., Litschmann, T. (ed): Seminář Extrémy počasí a podnebí, Brno, 11. března 24, ISBN 8-8669-12-1 ANALÝZY HISTORICKÝCH DEŠŤOVÝCH ŘAD Z HLEDISKA OCHRANY PŮDY PŘED EROZÍ František Toman, Hana Pokladníková
VíceNávrh a implementace algoritmů pro adaptivní řízení průmyslových robotů
Návrh a implementace algoritmů pro adaptivní řízení průmyslových robotů Design and implementation of algorithms for adaptive control of stationary robots Marcel Vytečka 1, Karel Zídek 2 Abstrakt Článek
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 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)
VíceSTANOVENÍ PRŮBĚHU ENTALPIE VYZDÍVKY PRO MODELOVÁNÍ OBĚHU LICÍCH PÁNVÍ V PODMÍNKÁCH OCELÁRNY MITTAL STEEL OSTRAVA
STANOVENÍ PRŮBĚHU ENTALPIE VYZDÍVKY PRO MODELOVÁNÍ OBĚHU LICÍCH PÁNVÍ V PODMÍNKÁCH OCELÁRNY MITTAL STEEL OSTRAVA DETERMINATION OF THE COURSE OF ENTHALPY OF LINING FOR MODELLING OF CIRCULATION OF POURING
Více2 VLIV POSUNŮ UZLŮ V ZÁVISLOSTI NA TVARU ZTUŽENÍ
Sborník vědeckých prací Vysoké školy báňské - Technické univerzity Ostrava číslo 1, rok 2010, ročník X, řada stavební článek č. 6 Marie STARÁ 1 PŘÍHRADOVÉ ZTUŽENÍ PATROVÝCH BUDOV BRACING MULTI-STOREY BUILDING
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
VícePlánování experimentu
SEMESTRÁLNÍ PRÁCE Plánování experimentu 05/06 Ing. Petr Eliáš 1. NÁVRH NOVÉHO VALIVÉHO LOŽISKA 1.1 Zadání Při návrhu nového valivého ložiska se v prvotní fázi uvažovalo pouze o změně designu věnečku (parametr
VíceAnalytické metody v motorsportu
Analytické metody v motorsportu Bronislav Růžička Ústav konstruování Odbor konstruování strojů Fakulta strojního inženýrství Vysoké učení technické v Brně 26. června 2013, FSI VUT v Brně, Česká republika
VíceSTATISTICKÉ PARAMETRY OCELÍ POUŽÍVANÝCH NA STAVBU OCELOVÝCH KONSTRUKCÍ
STATISTICKÉ PARAMETRY OCELÍ POUŽÍVANÝCH NA STAVBU OCELOVÝCH KONSTRUKCÍ Lubomír ROZLÍVKA, Ing., CSc., IOK s.r.o., Frýdek-Místek, tel./fax: 555 557 529, mail: rozlivka@iok.cz Miroslav FAJKUS, Ing., IOK s.r.o.,
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
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
VíceCtislav Fiala: Optimalizace a multikriteriální hodnocení funkční způsobilosti pozemních staveb
16 Optimální hodnoty svázaných energií stropních konstrukcí (Graf. 6) zde je rozdíl materiálových konstant, tedy svázaných energií v 1 kg materiálu vložek nejmarkantnější, u polystyrénu je téměř 40krát
VíceVliv olejů po termické depolymerizaci na kovové konstrukční materiály
Vliv olejů po termické depolymerizaci na kovové konstrukční materiály Ing. Libor Baraňák Ph. D, doc. Miroslav Bačiak Ph.D., ENRESS s.r.o., Praha baranak@enress.eu Náš příspěvek na konferenci řeší problematiku
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
VíceProjekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma
Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění Jan Klíma Obsah Motivace & cíle práce Evoluční algoritmy Náhradní modelování Stromové regresní metody Implementace a výsledky
VíceZpětnovazební učení Michaela Walterová Jednoocí slepým,
Zpětnovazební učení Michaela Walterová Jednoocí slepým, 17. 4. 2019 V minulých dílech jste viděli Tři paradigmata strojového učení: 1) Učení s učitelem (supervised learning) Trénovací data: vstup a požadovaný
VíceMetody analýzy modelů. Radek Pelánek
Metody analýzy modelů Radek Pelánek Fáze modelování 1 Formulace problému 2 Základní návrh modelu 3 Budování modelu 4 Verifikace a validace 5 Simulace a analýza 6 Sumarizace výsledků Simulace a analýza
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
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,
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
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
VícePREDIKCE VÝROBY FV SYSTÉMŮ
PREDIKCE VÝROBY FV SYSTÉMŮ Petr Wolf petr.wolf@cvut.cz Predikce výroby FV systémů 1 VYUŽITÍ PŘEDPOVĚDI VÝROBY PRO LOKÁLNÍ ŘÍZENÍ Záleží na konkrétním případu - Co je možné lokálně řídit (zátěže, bateriové
VíceStrojové učení Marta Vomlelová
Strojové učení Marta Vomlelová marta@ktiml.mff.cuni.cz KTIML, S303 Literatura 1.T. Hastie, R. Tishirani, and J. Friedman. The Elements of Statistical Learning, Data Mining, Inference and Prediction. Springer
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
VícePOUŽITÍ TECHNICKO EKONOMICKÉ ANALYZY U TEKUTÉHO KOVU
POUŽITÍ TECHNICKO EKONOMICKÉ ANALYZY U TEKUTÉHO KOVU Václav Figala a Václav Kafka b a) VŠB-TU Ostrava, FMMI, Katedra slévárenství,. listopadu, Ostrava Poruba, ČR, figala@volny.cz b) RACIO&RACIO, Vnitřní,
VíceStatistika. Regresní a korelační analýza Úvod do problému. Roman Biskup
Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009
VíceÚVOD DO HLEDÁNÍ ZÁVISLOSTÍ TECHNOLOGICKÝCH A NÁKLADOVÝCH CHARAKTERISTIK PŘI TAVENÍ OCELI NA ELEKTRICKÉ OBLOUKOVÉ PECI
Teorie a praxe výroby a zpracování oceli 2011 ÚVOD DO HLEDÁNÍ ZÁVISLOSTÍ TECHNOLOGICKÝCH A NÁKLADOVÝCH CHARAKTERISTIK PŘI TAVENÍ OCELI NA ELEKTRICKÉ OBLOUKOVÉ PECI Václav Kafka a Lenka Firková b Václav
VíceVYUŽITÍ SOFTWARU MATHEMATICA VE VÝUCE PŘEDMĚTU MATEMATIKA V EKONOMII 1
VYUŽITÍ SOFTWARU MATHEMATICA VE VÝUCE PŘEDMĚTU MATEMATIKA V EKONOMII 1 Orlando Arencibia, Petr Seďa VŠB-TU Ostrava Abstrakt: Příspěvek je věnován diskusi o inovaci předmětu Matematika v ekonomii, který
VíceMožnosti využití umělé inteligence v optimalizaci pro vyhledávače
Možnosti využití umělé inteligence v optimalizaci pro vyhledávače Ing. Jiří Kutal, Ing. Tereza Varyšová Vysoké učení technické v Brně, Fakulta podnikatelská, Ústav informatiky kutal@fbm.vutbr.cz, varysova@fbm.vutbr.cz
VíceSTUDIJNÍ OPORY S PŘEVAŽUJÍCÍMI DISTANČNÍMI PRVKY PRO VÝUKU STATISTIKY PRVNÍ ZKUŠENOSTI. Pavel Praks, Zdeněk Boháč
STUDIJNÍ OPORY S PŘEVAŽUJÍCÍMI DISTANČNÍMI PRVKY PRO VÝUKU STATISTIKY PRVNÍ ZKUŠENOSTI Pavel Praks, Zdeněk Boháč Katedra matematiky a deskriptivní geometrie, VŠB - Technická univerzita Ostrava 17. listopadu
VíceZMENY POVRCHOVÝCH MECHANICKÝCH VLASTNOSTÍ SYSTÉMU S TENKÝMI VRSTVAMI PO KOMBINOVANÉM NAMÁHÁNÍ. Roman Reindl, Ivo Štepánek
ZMENY POVRCHOVÝCH MECHANICKÝCH VLASTNOSTÍ SYSTÉMU S TENKÝMI VRSTVAMI PO KOMBINOVANÉM NAMÁHÁNÍ Roman Reindl, Ivo Štepánek Západoceská univerzita v Plzni, Univerzitní 22, 306 14 Plzen, CR, ivo.stepanek@volny.cz
VíceDatové sklady ve školství
Datové sklady ve školství aneb evaluace procesu výuky jinak Jana Šarmanová Obsah Business Intelligence a školní výuka Databáze a datové sklady Analýza datového skladu Studie DS pro studijní agendu VŠ Studie
VíceObsah přednášky Jaká asi bude chyba modelu na nových datech?
Obsah přednášky Jaká asi bude chyba modelu na nových datech? Chyba modelu Bootstrap Cross Validation Vapnik-Chervonenkisova dimenze 2 Chyba skutečná a trénovací Máme 30 záznamů, rozhodli jsme se na jejich
Více1 Úvod 1.1 Vlastnosti programového vybavení (SW)
1 Úvod 1.1 Vlastnosti programového vybavení (SW) - dávkové zpracování - omezená distribuce - zakázkový SW - distribuované systémy - vestavěná inteligence - laciný HW - vliv zákazníka 1950 1960 1970 1980
VíceVYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ
VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ Michal Kořenář 1 Abstrakt Rozvoj výpočetní techniky v poslední době umožnil také rozvoj výpočetních metod, které nejsou založeny na bázi
VíceCitlivost kořenů polynomů
Citlivost kořenů polynomů Michal Šmerek Univerzita obrany v Brně, Fakulta ekonomiky a managementu, Katedra ekonometrie Abstrakt Článek se zabývá studiem citlivosti kořenů na malou změnu polynomu. Je všeobecně
VíceDatová věda (Data Science) akademický navazující magisterský program
Datová věda () akademický navazující magisterský program Reaguje na potřebu, kterou vyvolala rychle rostoucí produkce komplexních, obvykle rozsáhlých dat ve vědě, v průmyslu a obecně v hospodářských činnostech.
VíceBETON V ENVIRONMENTÁLNÍCH SOUVISLOSTECH
ACTA ENVIRONMENTALICA UNIVERSITATIS COMENIANAE (BRATISLAVA) Vol. 20, Suppl. 1(2012): 11-16 ISSN 1335-0285 BETON V ENVIRONMENTÁLNÍCH SOUVISLOSTECH Ctislav Fiala & Magdaléna Kynčlová Katedra konstrukcí pozemních
VíceMONITOROVÁNÍ A ŘÍZENÍ VÝROBY OCELI V EOP S VYUŽITÍM METOD UMĚLÉ INTELIGENCE
MONITOROVÁNÍ A ŘÍZENÍ VÝROBY OCELI V EOP S VYUŽITÍM METOD UMĚLÉ INTELIGENCE ARTIFICIAL INTELLIGENCE METHODS IN ELECTRIC ARC FURNACE PROCESS MONITORING AND CONTROL Miroslav Pokorný a Václav Kafka b Zdeněk
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
VíceUsuzování za neurčitosti
Usuzování za neurčitosti 25.11.2014 8-1 Usuzování za neurčitosti Hypotetické usuzování a zpětná indukce Míry postačitelnosti a nezbytnosti Kombinace důkazů Šíření pravděpodobnosti v inferenčních sítích
VíceNAVAŘOVACÍ PÁSKY A TAVIDLA
NAVAŘOVACÍ PÁSKY A TAVIDLA (Pro kompletní sortiment navařovacích pásek a tavidel kontaktujte ESAB) Základní informace o navařování páskovou elektrodou pod tavidlem... J1 Použité normy pro navařovací pásky...
VíceVliv složení třecí vrstvy na tribologii kontaktu kola a kolejnice
Vliv složení třecí vrstvy na tribologii kontaktu kola a kolejnice Daniel Kvarda, Ing. ÚSTAV KONSTRUOVÁNÍ Fakulta strojního inženýrství VUT v Brně Brno, 26.2.2018 Obsah 2/17 Úvod Přírodní kontaminanty Modifikátory
Více