Testování neuronových sítí pro prostorovou interpolaci v softwaru GRASS GIS
|
|
- Jakub Beran
- před 6 lety
- Počet zobrazení:
Transkript
1 Testování neuronových sítí pro prostorovou interpolaci v softwaru GRASS GIS Veronika NEVTÍPILOVÁ Gisáček 2013 Katedra Geoinformatiky Univerzita Palackého v Olomouci
2 Cíle otestovat kvalitu interpolace pomocí n. sítí z modulu ann.* v programu GRASS GIS porovnat modul ann.* s metodami IDW a kriging srovnat modul ann.* s jinými neuronovými sítěmi (v R Project)
3 Data uměle vytvořená data v programu R 3 datasety s rozdílnými parametry náhodně vybráno 724 bodů jako trénovací data zbylých 300 bodů jako testovací data rozsah hodnot okolo -1 Ű 1
4 Modul ann.* několik skriptů v jazyce Python vícevrstvý perceptron s učícím algoritmem backpropagation vstupní data pro trénování sítě musí být rastrová vytváří soubor s uloženým nastavením sítě vytváří speciální soubor pro trénování dat trénuje vytvořenou síť a poté s ní počítá
5 Interpolace v GRASS GIS - ann.* trénovací soubor vytvořen z rastrových dat vstupní rastr vytvořen krigingem v R síť se třemi skrytými vrstvami a počtem neuronů 32, 38, 27 trénovací soubor vytvořen z vektorových dat vstupní vektor - původní body vytvořené v R síť se třemi skrytými vrstvami a počtem neuronů 32, 38, 27 síť se třemi skrytými vrstvami a počtem neuronů 20, 25, 17
6 Interpolace v R Project vícevrstvý perceptron s učícím algoritmem backpropagation balíček nnet síť se jednou skrytou vrstvou a počtem neuronů 28 balíček neuralnet síť se čtyřmi skrytými vrstvami a počtem neuronů 24, 15, 10, 5
7 Kvalita interpolace Hodnoty RMSE pro síť učenou z rastru RMSE členitost členitost členitost Procentuální srovnání RMSE vzhledem k rozsahu dat procentuální hodnota RMSE členitost členitost členitost
8 Kvalita interpolace Původní rastr Interpolovaný rastr Porovnání původního rastru s rastrem interpolovaným pomocí neuronové sítě (členitost 1)
9 Kvalita interpolace Rozdíl hodnot z mezi novým a původním rastrem (členitost 1)
10 Kvalita interpolace Hodnoty RMSE pro síť učenou z vektoru (počty n. 20, 25, 17) RMSE členitost členitost členitost Procentuální srovnání RMSE vzhledem k rozsahu dat procentuální hodnota RMSE členitost členitost členitost
11 Srovnání metod srovnávány výsledky sítí natrénovaných z vektorových dat sítě z modulu ann.* vyšší RMSE než u metod IDW a kriging interpolace pomocí neuronových sítí časově nejnáročnější metody IDW a kriging uživatelsky přívětivější
12 Srovnání metod 0.20 RMSE metoda n. sí IDW kriging lenitost 1 lenitost 2 lenitost 3 Srovnání RMSE pro všechny členitosti pro GRASS GIS (síť 32, 38, 27)
13 Srovnání metod RMSE metoda n. sí IDW kriging lenitost 1 lenitost 2 lenitost 3 Srovnání RMSE pro všechny členitosti pro GRASS GIS (síť 20, 25, 17)
14 Srovnání metod Hodnoty RMSE pro všechny členitosti pro GRASS GIS n. síť n. síť IDW kriging (32, 38, 27) (20, 25, 17) členitost členitost členitost
15 Srovnání metod - výsledné rastry síť 32, 38, 27 síť 20, 25, 17 IDW kriging
16 Srovnání metod - rozdílové rastry síť 32, 38, 27 - IDW síť 20, 25, 17 - IDW síť 32, 38, 27 - kriging síť 20, 25, 17 - kriging
17 Srovnání n. sítí mezi GRASS GIS a R sítě z modulu ann.* vyšší RMSE než sítě z balíčků nnet a neuralnet interpolace pomocí sítí z modulu ann.* časově náročnější sítě v R více možností nastavení parametrů
18 Srovnání n. sítí mezi GRASS GIS a R Hodnoty RMSE pro všechny členitosti pro GRASS GIS a R Project n. síť n. síť nnet neuralnet (20, 25, 17) (32, 38, 27) členitost členitost členitost
19 Srovnání n. sítí mezi GRASS GIS a R síť 32, 38, 27 síť 20, 25, 17 nnet neuralnet
20 Závěry modul ann.* je možné využít k interpolaci výsledky modulu ann.* jsou o něco horší než u metod IDW a kriging nevýhoda modul ann.* - používání rastrových dat neuronové sítě časově náročnější použití neuronových sítí je náročné pro nezkušené uživatele
Algoritmy 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
Neuronové 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
3. 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
K 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
Algoritmy prostorových analýz KMA/APA
Algoritmy prostorových analýz KMA/APA Testování vhodnosti použití vybrané interpolace na soubor dat 1. 2. 2010 Michal Kepka Obsah 1. Úvod... 3 2. Metodika testování... 3 2.1. Hodnotící kritéria... 3 3.
Rosenblattův 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
Rozpoznávání 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
Učící se klasifikátory obrazu v průmyslu
Učící se klasifikátory obrazu v průmyslu FCC průmyslové systémy s.r.o. FCC průmyslové systémy je technicko obchodní společností, působící v oblasti průmyslové automatizace. Tvoří ji dvě základní divize:
Vytěžování znalostí z dat
Pavel Kordík, Josef Borkovec (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 8 1/26 Vytěžování znalostí z dat Pavel Kordík, Josef Borkovec Department of Computer Systems Faculty of Information
Úvod Příklad Výpočty a grafické znázornění. Filip Habr. České vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská
Neuronové sítě-delta učení Filip Habr České vysoké učení technické v Praze Fakulta jaderná a fyzikálně inženýrská 30. března 2009 Obsah prezentace Obsah prezentace Delta učení 1 Teorie k delta učení 2
Architektura - 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
Trénování 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
Neuronové 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
ú Í Š Š Ť Í Š Š ň Ó Š Í Í Š Í ž Í Í Í ú Š Ů Č Š Š Á Í Š ú Í Ť Ů Í ž ž Ť Š Í ž ú ž Č ž Ú ž ť Í Í ú Ú ž ú ú Í ž Í Í Í ú ú Ú Í Ó ú Í Ů ú ú Ú Ó Í Í Í ú ú ž ú Í ú ž Č Ú Í ň É Í ú Í ú Í Č ň ň Č Ú ň ň ž Í Í ž
Á Ý Á Í Š š ů Š ž ú ř ž ú ř ř š ů ř ř ů Ů ř ů ň ů ř š é ů ž ř š ž é ř é ř š š ž ř ž ř ů ž ř ů ž ů é ř ž é ž ž ř ř ň ž ř ř ů š é ř ž ů ŠÍ é ř ň ů ř š é ř é ř š é ů ž š é ů é ú š é ž š š é é ř é é š ř ň
Emergence 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
Projekční 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
Využití 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
9. přednáška z předmětu GIS1 Digitální model reliéfu a odvozené povrchy. Vyučující: Ing. Jan Pacina, Ph.D.
9. přednáška z předmětu GIS1 Digitální model reliéfu a odvozené povrchy Vyučující: Ing. Jan Pacina, Ph.D. e-mail: jan.pacina@ujep.cz Lehký úvod Digitální modely terénu jsou dnes v geoinformačních systémech
Ing. 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
1/2008 Geomorphologia Slovaca et Bohemica
1/2008 Geomorphologia Slovaca et Bohemica HODNOCENÍ PŘESNOSTI DIGITÁLNÍCH MODELŮ RELIÉFU JANA SVOBODOVÁ* Jana Svobodová: Evaluation of digital elevation model accuracy. Geomorphologia Slovaca et Bohemica,
Možnosti modelování lesní vegetační stupňovitosti pomocí geoinformačních analýz
25. 10. 2012, Praha Ing. Petr Vahalík Ústav geoinformačních technologií Možnosti modelování lesní vegetační stupňovitosti pomocí geoinformačních analýz 21. konference GIS Esri v ČR Lesní vegetační stupně
KLASIFIKÁTOR 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
Národní informační středisko pro podporu kvality
Národní informační středisko pro podporu kvality 19.6.2008 Využití umělých neuronových sítí - seminář ČSJ 1 Seminář ČSJ - J. NPJ Tupa Využití umělých neuronových sítí pro řešení predikčních, regresních
Umělé 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
Digitální model reliéfu (terénu) a analýzy modelů terénu
Digitální model reliéfu (terénu) a analýzy modelů terénu Digitální modely terénu jsou dnes v geoinformačních systémech hojně využívány pro různé účely. Naměřená terénní data jsou často zpracována do podoby
PROBLEMATICKÉ ASPEKTY GEOREFERENCOVÁNÍ MAP
Digitální technologie v geoinformatice, kartografii a DPZ PROBLEMATICKÉ ASPEKTY GEOREFERENCOVÁNÍ MAP Katedra geomatiky Fakulta stavební České vysoké učení technické v Praze Jakub Havlíček, 22.10.2013,
Deep learning v jazyku Python
Deep learning v jazyku Python Barevné obrázky 1 Deep learning v jazyku Python Barevné obrázky Deep learning v jazyku Python Barevné obrázky 2 Obrázek 2.12: Gradientní sestup po 2D ztrátové ploše (dva učební
Kybernetika a umělá inteligence, cvičení 10/11
Kybernetika a umělá inteligence, cvičení 10/11 Program 1. seminární cvičení: základní typy klasifikátorů a jejich princip 2. počítačové cvičení: procvičení na problému rozpoznávání číslic... body za aktivitu
5. 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
5. 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
Rastrové digitální modely terénu
Rastrové digitální modely terénu Rastr je tvořen maticí buněk (pixelů), které obsahují určitou informaci. Stejně, jako mohou touto informací být typ vegetace, poloha sídel nebo kvalita ovzduší, může každá
Algoritmy 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.
Neuronové 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
Digitální model reliéfu (terénu) a analýzy modelů terénu
Digitální model reliéfu (terénu) a analýzy modelů terénu Digitální modely terénu jsou dnes v geoinformačních systémech hojně využívány pro různé účely. Naměřená terénní data jsou často zpracována do podoby
1 Obsah přípravné fáze projektu Poohří
1 Obsah přípravné fáze projektu Poohří V rámci projektu Poohří budou pro účely zatápění povrchových hnědouhelných dolů modelovány a predikovány pohyby nadzemních i podzemních vod a jejich předpokládané
Nástroj pro výpočet času vítěze tratě v orientačním běhu.
Uživatelský manuál pro práci s nástrojem pro výpočet času vítěze tratě v orientačním běhu v prostředí ArcGIS Desktop 10.1 Nástroj pro výpočet času vítěze tratě v orientačním běhu. Martin KLÍCHA Olomouc,
Digitální kartografie 7
Digitální kartografie 7 digitální modely terénu základní analýzy a vizualizace strana 2 ArcGIS 3D Analyst je zaměřen na tvorbu, analýzu a zobrazení dat ve 3D. Poskytuje jak nástroje pro interpolaci rastrových
Univerzita Palackého v Olomouci, Přírodovědecká fakulta, Katedra geoinformatiky Zpracoval: Václav KUDĚLKA, Filip HRIC, Zdena DOBEŠOVÁ, Olomouc 2014
QGIS 2.4.0 Processing modeler manuál Univerzita Palackého v Olomouci, Přírodovědecká fakulta, Katedra geoinformatiky Zpracoval: Václav KUDĚLKA, Filip HRIC, Zdena DOBEŠOVÁ, Olomouc 2014 Dokument podléhá
Digitální modely terénu a vizualizace strana 2. ArcGIS 3D Analyst
Brno, 2014 Ing. Miloš Cibulka, Ph.D. Cvičení č. 7 Digitální kartografie Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na
Porovnání navržených a současných zón odstupňované ochrany přírody v CHKO Poodří Soubor map se specializovaným obsahem
Porovnání navržených a současných zón odstupňované ochrany přírody v CHKO Poodří Soubor map se specializovaným obsahem Vratislava Janovská, Petra Šímová Česká zemědělská univerzita v Praze Fakulta životního
PV021 Vícevrstvá neuronová síť pro rozeznávání mikroteček. Matúš Goljer, Maroš Kucbel, Michal Novotný, Karel Štěpka 2011
PV021 Vícevrstvá neuronová síť pro rozeznávání mikroteček Matúš Goljer, Maroš Kucbel, Michal Novotný, Karel Štěpka 2011 Úkol sítě Rozeznávat obrázky obsahující fluorescenční mikrotečky od obrázků s nespecifickým
StatSoft 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
AUTOMATICKÁ DETEKCE JAZYKA TEXTOVÉHO DOKUMENTU LANGUAGE IDENTIFICATION OF TEXT DOCUMENT
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÉ GRAFIKY A MULTIMÉDIÍ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER GRAPHICS AND
Použití technik UI v algoritmickém obchodování II
Použití technik UI v algoritmickém obchodování II Matematicko-fyzikální fakulta Univerzity Karlovy v Praze 7. dubna 2014 Anotace Anotace Anotace Anotace Obchodování připomenutí problému Anotace Anotace
Dálkový průzkum Země. Klasifikace obrazu
Dálkový průzkum Země Klasifikace obrazu Neřízená klasifikace v IDRISI Modul CLUSTER (Image Processing / Hard Classifiers) využívá techniku histogramových vrcholů pásma pro klasifikaci výsledný obraz volba
Analýza 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
N-LETOST SRÁŽEK A PRŮTOKŮ PŘI POVODNI 2002
N-LETOST SRÁŽEK A PRŮTOKŮ PŘI POVODNI 2002 MARTIN STEHLÍK* * Oddělení povrchových vod, ČHMÚ; e-mail: stehlikm@chmi.cz 1. ÚVOD Povodeň v srpnu 2002 v České republice byla způsobena přechodem dvou frontálních
Digitální modely terénu (9-10) DMT v ArcGIS Desktop
Digitální modely terénu (9-10) DMT v Desktop Ing. Martin KLIMÁNEK, Ph.D. 411 Ústav geoinformačních technologií Lesnická a dřevařská fakulta, Mendelova zemědělská a lesnická univerzita v Brně 1 Digitální
VYUŽITÍ 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
Preceptron přednáška ze dne
Preceptron 2 Pavel Křížek Přemysl Šůcha 6. přednáška ze dne 3.4.2001 Obsah 1 Lineární diskriminační funkce 2 1.1 Zobecněná lineární diskriminační funkce............ 2 1.2 Učení klasifikátoru........................
2. 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
ití 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
Rozpoznávání a klasifikace fotografií pivních přepravek
Rozpoznávání a klasikace fotograí pivních přepravek Seminární práce z předmětu Neuronové sítě v aplikacích: Rozpoznávání obrazu Ondřej Veselý, N-II Inženýrská informatika, Automatizace řízení a informatika
VÝUKA SYSTÉMU IDRISI NA KATEDŘE GEOINFORMATIKY PŘÍRODOVĚDECKÉ FAKULTY UNIVERZITY PALACKÉHO V OLOMOUCI
VÝUKA SYSTÉMU IDRISI NA KATEDŘE GEOINFORMATIKY PŘÍRODOVĚDECKÉ FAKULTY UNIVERZITY PALACKÉHO V OLOMOUCI Vilém Pechanec, Pavel SEDLÁK http://www.geoinformatics.upol.cz Geoinformatika v Olomouci ECO-GIS Centrum
LOKALIZACE ZDROJŮ AE NEURONOVÝMI SÍTĚMI NEZÁVISLE NA ZMĚNÁCH MATERIÁLU A MĚŘÍTKA
LOKALIZACE ZDROJŮ AE EUROOVÝMI SÍTĚMI EZÁVISLE A ZMĚÁCH MATERIÁLU A MĚŘÍTKA AE SOURCE LOCATIO BY EURAL ETWORKS IDEPEDET O MATERIAL AD SCALE CHAGES Milan CHLADA, Zdeněk PŘEVOROVSKÝ Ústav termomechaniky
Automatizace tvorby výškopisu pro mapy velkého měřítka v prostředí ArcGIS
Automatizace tvorby výškopisu pro mapy velkého měřítka v prostředí ArcGIS Aleš Tippner Oldřich Kafka / Zeměměřický úřad Jakub Lysák / Přírodovědecká fakulta UK v Praze O čem bude prezentace Úkol: Z digitálního
Algoritmy a struktury neuropočítačů ASN - P1
Algoritmy a struktury neuropočítačů ASN - P1 http://amber.feld.cvut.cz/ssc www.janatuckova.cz Prof.Ing. Jana Tučková,CSc. Katedra teorie obvodů K331 kancelář: 614, B3 tel.: 224 352 098 e-mail: tuckova@fel.cvut.cz
, ČVUT v Praze Připravil: Ing. Zdeněk Patočka Letecké laserové skenování a jeho využití v inventarizaci lesa
22. 10. 2015, ČVUT v Praze Připravil: Ing. Zdeněk Patočka Letecké laserové skenování a jeho využití v inventarizaci lesa Ing. Zdeněk Patočka Ústav hospodářské úpravy lesů a aplikované geoinformatiky, LDF
Fiala 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
IBM 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
METODIKA 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
2C06028-00-Tisk-ePROJEKTY
Stránka. 27 z 50 3.2. ASOVÝ POSTUP PRACÍ - rok 2009 3.2.0. P EHLED DÍL ÍCH CÍL PLÁNOVANÉ 2009 íslo podrobn Datum pln ní matematicky formulovat postup výpo t V001 výpo etní postup ve form matematických
ANALÝZA 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
ANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT RNDr. Eva Janoušová INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ HODNOCENÍ ÚSPĚŠNOSTI KLASIFIKACE A SROVNÁNÍ KLASIFIKÁTORŮ ÚVOD Vstupní data Subjekt Objem hipokampu Objem komor Skutečnost
Geoinformační technologie
Geoinformační technologie JDKEY1 1 GEOINFORMATIKA nový vítr v do plachet geografie obor zabývající se informacemi o prostorových objektech, procesech a vazbách mezi nimi geoinformační technologie = konkrétn
Algoritmus a implementace
Projekt MapAwareness Starcraft 2 je strategická hra od společnosti Blizzard Entertainment. Jedním z herních prvků je i minimapa, která zobrazuje zobrazuje clou herní mapu ve zmenšené dvourozměrné podobě
SAMIRA Dostupná satelitní data. Roman Juras, Jana Ďoubalová
SAMIRA Dostupná satelitní data Roman Juras, Jana Ďoubalová Roman.juras@chmi.cz Jana.doubalova@chmi.cz Mapování znečištění pomocí kombinace dat: staniční měření, satelitní data a model (CTM) Produkty družice
Monitoring šíření organizmů s využitím techniky DPZ a GIS
Monitoring šíření organizmů s využitím techniky DPZ a GIS Petra Hesslerová & Petra Šímová Katedra aplikované geoinformatiky a územního plánování, Fakulta životního prostředí ČZU v Praze Možnosti DPZ x
Modelové 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
Ambasadoři přírodovědných a technických oborů. Ing. Michal Řepka Březen - duben 2013
Ambasadoři přírodovědných a technických oborů Ing. Michal Řepka Březen - duben 2013 Umělé neuronové sítě Proč právě Neuronové sítě? K čemu je to dobré? Používá se to někde v praxi? Úvod Umělé neuronové
PREDIKCE 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
Dobývání 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,
Rastrová reprezentace geoprvků model polí Porovnání rastrové a vektorové reprezentace geoprvků Digitální model terénu GIS 1 153GS01 / 153GIS1
GIS 1 153GS01 / 153GIS1 Martin Landa Katedra geomatiky ČVUT v Praze, Fakulta stavební 14.11.2013 Copyright c 2013 Martin Landa Permission is granted to copy, distribute and/or modify this document under
Porovnání rychlosti mapového serveru GeoServer při přístupu k různým datovým skladům
Porovnání rychlosti mapového serveru GeoServer při přístupu k různým datovým skladům Bakalářská práce 2014 Autor: Adam Schreier Garant práce: Jan Růžička Obsah prezentace 1.Seznámení s řešeným problémem
Ž ť ď ť ž ť ťď Ď ž ž ť Ž Č Č ž Ž ž Ď ť ť Ď ž ž ž Ď ž ť ť ž ž ž ž Í É Č ž ž ž ť ž Ď ž Ď ť ž ž ž ž ž ť ť Ď Ú ž ž Š ž ž ž ž ž ž ž ž Í Ž ž Í Č Ú ž Č ž ž Ž ž ž Ž ž Č Č ž ž ž ž ť ž Č Č ž ž ž ž Ř Šť ž Š Ž ž ž
Ú É Á Č ď Ú ž Ů ž Á Á ž Á Ř É š Ú Ě Ě Ť ž Ú Í Č Ů Ú ů ž Ý ú ú Č ž ú ž ď ž ů ů ú š š ž Ů ž š Á ť Á ú Ů ž ť šť šť ž š ž ů ž ž Ů ž ž š ž š ž Ů Á šť šť ž šť ž š šť ž ž Ů Í ž ž ž š ž ŠÍ ž Á Ý š ž ž Ů ž ů Ů
Algoritmy 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)
Přehled technologií mapových serverů ve státní správě
Přehled technologií mapových serverů ve státní správě Digitální technologie v geoinformatice, kartografii a DPZ Ing. Arnošt Müller OBSAH 1. ÚVOD cíle, pojmy 2. VÝSTUPY 3. ZÁVĚR ÚVOD Papír Desktop GIS Server
š ž Ú ú š ž š ó ó š ď ž š š š ž ď Ž Í ž š Ž š Í ž š Ž ž ž ó ž š š š ó ž š š ž ó š ó ú š š š ž š ď š ž ó ú š Ž š ž É š š š š ž š š š š ž š š š Ž ž ž š š ž ž ň š Ž ú ž š š ň ž š ž ž š š Ř É š Ř Á É Ů Ž Í
Grafický software ve výuce a pro výuku
Grafický software ve výuce a pro výuku Software v prostředí školy Výběr softwaru Cena a licence Kompatibilita Platforma Podpora souborových formátů, sdílení Účel: výuka Počítačová grafika Výuka počítačové
Moderní 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:
Proč je potřeba řešit autorské právo?
Proč je potřeba řešit autorské právo? RNDr. Alena Vondráková, Ph.D., RNDr. Jan Brus, Ph.D. alena.vondrakova@upol.cz. jan.brus@upol.cz Katedra geoinformatiky, Univerzita Palackého v Olomouci Projekt je
POKROČILÁ KARTOGRAFICKÁ TVORBA v prostředí ArcMap
Konference GIS Esri v ČR POKROČILÁ KARTOGRAFICKÁ TVORBA v prostředí ArcMap ALENA VONDRÁKOVÁ KATEDRA GEOINFORMATIKY UNIVERZITA PALACKÉHO V OLOMOUCI alena.vondrakova@upol.cz PROČ PRÁVĚ TOTO TÉMA? WORKSHOP
Fakulta informačních technologií VUT Brno. Předmět: Srovnání klasifikátorů Autor : Jakub Mahdal Login: xmahda03 Datum:
Fakulta informačních technologií VUT Brno Předmět: Projekt: SRE Srovnání klasifikátorů Autor : Jakub Mahdal Login: xmahda03 Datum: 9.12.2006 Zadání Vyberte si jakékoliv 2 klasifikátory, např. GMM vs. neuronová
GEOGRAFICKÉ INFORMAČNÍ SYSTÉMY
GEOGRAFICKÉ INFORMAČNÍ SYSTÉMY KGI/APGPS RNDr. Vilém Pechanec, Ph.D. Univerzita Palackého v Olomouci Univerzita Palackého v Olomouci INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Environmentální vzdělávání rozvíjející
Neuronové sítě výuka2
Neuronové sítě výuka2 Neuronové sítě jsou definovány jako nedeklarativní systémy umělé inteligence. Nedeklarativní jsou v tom smyslu, že nemusíme předem definovat pravidla, kterými se neuronová síť řídí.
Rozdělování dat do trénovacích a testovacích množin
Rozdělování dat do trénovacích a testovacích množin Marcel Jiřina Rozpoznávání je důležitou metodou při zpracování reálných úloh. Rozpoznávání je definováno dvěma kroky a to pořízením dat o reálném rozpoznávaném
ACTA 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
FOSS4G úspěšné projekty
FOSS4G úspěšné projekty Erika Orlitová GISAT knihovna GDAL - Geospatial Data Abstraction Library vývoj je podporován OSGeo, licence X/MIT práce s rastrovými formáty na úrovni příkazové řádky informace
GIS Idrisi na Fakultě stavební ČVUT v Praze
GIS Idrisi na Fakultě stavební Josef Krása Katedra hydromeliorací a krajinného inženýrství Stavební fakulta Josef.krasa@fsv.cvut.cz Katedra hydromeliorací a krajinného inženýrství výuka - obory Životní
Algoritmy 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
Příloha P.1 Mapa větrných oblastí
Příloha P.1 Mapa větrných oblastí P.1.1 Úvod Podle metodiky Eurokódů se velikost zatížení větrem odvozuje z výchozí hodnoty základní rychlosti větru, definované jako střední rychlost větru v intervalu
PŘEDMLUVA 11 FORMÁLNÍ UJEDNÁNÍ 13
OBSAH PŘEDMLUVA 11 FORMÁLNÍ UJEDNÁNÍ 13 1 ÚVOD, Z. Raida 15 1.1 Mikrovlnné kmitočtové pásmo 15 1.2 Diferenciální formulace Maxwellových rovnic 16 1.3 Integrální formulace Maxwellových rovnic 18 1.4 Obecný
Opensource ve vědě satelitní dálkový průzkum Země
Opensource ve vědě satelitní dálkový průzkum Země Petr Lukeš Centrum výzkumu globální změny, AV ČR, v.v.i. Ústav hospodářské úpravy lesa 1. Dálkový průzkum Země a Czechglobe / ÚHÚL 2. Svobodná data 3.
Aktuální stav vývoje extenze Urban Planner
First StatGIS conference Aktuální stav vývoje extenze Urban Planner Jaroslav Burian GIS v územním plánování v ČR často založeno na zkušenostech a odhadech a nikoliv na výsledcích prostorových analýz, modelování
Popis metod CLIDATA-GIS. Martin Stříž
Popis metod CLIDATA-GIS Martin Stříž Říjen 2008 Obsah 1CLIDATA-SIMPLE...3 2CLIDATA-DEM...3 2.1Metodika výpočtu...3 2.1.1Výpočet regresních koeficientů...3 2.1.2 nalezených koeficientu...5 2.1.3Výpočet
4. Digitální model terénu.
4. Digitální model terénu. 154GEY2 Geodézie 2 4.1 Úvod - Digitální model terénu. 4.2 Tvorba digitálního modelu terénu. 4.3 Druhy DMT podle typu ploch. 4.4 Polyedrický model terénu (TIN model). 4.5 Rastrový
Interpolační funkce. Lineární interpolace
Interpolační funkce VEKTOR RASTR Metody Globální Regrese - trend Lokální Lineární interpolace Výstupy Regrese lokální trend Inverse Distance Weighted IDW Spline Thiessenovy polygony Natural Neighbours