Možnosti aplikace umělých neuronových sítí.

Rozměr: px
Začít zobrazení ze stránky:

Download "Možnosti aplikace umělých neuronových sítí."

Transkript

1 Bankovní institut vysoká škola Praha Katedra informačních technologií a elektronického obchodování Možnosti aplikace umělých neuronových sítí. Bakalářská práce Autor: Dinara Yestayeva Informační technologie, AIS Vedoucí práce: doc. Ing. Stanislav Horný, Csc. Praha Duben, 2009

2 Prohlášení: Prohlašuji, že jsem bakalářskou práci zpracovala samostatně a s použitím uvedené literatury V Praze dne 15 dubna 2009 Dinara Yestayeva

3 Poděkování Děkují svému vedoucímu této práce panu doc. Ing. Stanislavu Hornému,Csc. za vedení a podporu. Chtěla bych taky poděkovat mé rodině a mým kamarádkám za jejich velkou podporu během mého studia a při psaní bakalářské práce..

4 Anotace V bakalářské práci jsou projednány základy teorie neuronových sítí, dovolujících soustředit se dále ke konkrétním strukturám, algoritmům a ideologii praktického použití v počítačových aplikacích. Jsou interpretovány základy teorie umělých neuronových sítí. Je vysvětlen prostor neuronových sítí v evoluci inteligentních systémů. Jsou zde pojednány všeobecné otázky použití umělých neuronových sítí v systémech řízení a komunikací. Jsou zde vyznačeny výhody, které poskytuje použití technologie neuronových formací při řešení mnohých netradičních, ale i tradičních úloh řízení a komunikací. V bakalářské práci jsou pojednány různé oblasti používání i využití umělých neuronových sítí, ale také jejich způsobilost ke studiu ( k procesu nastavení architektury sítě a významu synoptických přenosů) pro efektivní řešení vytčeného úkolu. V současné době umělé neuronové sítě jsou významné pro rozšíření koncepcí výpočtů. Klíčová slova: neuronová sit', umělá intelegence, neuron, perceptron. Abstract The diploma thesis describes the basic theory of neural networks, which further dealt with specific structures, algorithms, and adaptation of these networks in computer applications. Describes the basis of artificial neural networks. Shows the neural networks place in intelligent systems evaluation. Considers the general issues of applying artificial neural networks in communication and system control. Outlines the benefits of using neuroinformational technology to solve as unconventional or conventional problems of management and communication. Gives the examples of application both of nanoengineering and neural networks. The diploma thesis makes out different areas of application and using artificial neural networks, as well as their ability to learn the process of setting network architecture and weights of synaptic connections for the effective solution of the problem. Nowadays, the artificial neural networks are an important extension of the notion of computation. Keywords: neural network, artificial intelligence, neuron.

5 Obsah Úvod Pojem a vlastnosti neuronových sítí Metoda mikrobiologie. Biologický neuron Umělé neuronové sítě. Pojem formálního neuronu a vícevrstvového perceptronu Typy neuronových sítí Konekcionismus Nanotechnologie Pojem, historie Předmět, cíle a hlavní směry v oblasti nanotechnologií Uplatnění nanoinženerii a neuronových sítí Špionáž a potlačení bolesti pomocí neurotechnologií Lékařství Rizika Možnosti použití neuronových sítí Místo neuronových sítí mezi jinými metodami řešení úloh Robotika jako směr UI Perspektivy Budoucnost Výsledky Závěr Seznam použitých obrázků Seznam použité literatury Přílohy... 49

6 Úvod. Není to dávno, kdy lidstvo vstoupilo do nového XXI. století. Uplynulé století pro lidstvo znamenalo událostí různé povahy (pozitivní i negativní): dvě světové války, vynález jaderných zbraní, vynález personálního počítače (PC), projektování a následné vytvoření mezinárodní počítačové sítě Internet, apod. XXI. století. Na co se můžeme těšit? Zkusme zobecnit nejnerealističtější předpovědí i když všechny jsou založeny na existujících projektech. Zde jsou hlavní technologie, které budou určovat naši budoucnost v příštím století. Nanotechnologie. Jedná se o kvalitativní změnu na novou technologickou úroveň je to skok od manipulace s látkou k manipulaci s jednotlivými atomy. Manipulace budou provedeny pomocí nanostrojů mechanismů a robotů o velikosti molekul. Které budou pracovat s atomy a molekulami ze kterých budou vytvářet všechno, co existuje stejně jako budova se staví z cihel 1. Umělá inteligence. Je to vynalez člověka, který již brzy překoná člověka v jeho schopnostech (dokonce i v tvořivosti). Protože na rozdíl od lidí, bude mít příležitost nejen poznávat, ale také se zlepšovat. Umělá inteligence bude schopná změnit architekturu svého umělého mozku, pokud to budou vyžadovat nové dovednosti. Na rozdíl od kyborga člověk, který snadno operuje trojrozměrnými objekty, nikdy nedokáže pochopit, řekněme pětiměrné objekty. 2 Robotizace. Roboty budou plnit úkoly, které jsou obtížné nebo vůbec nejsou možné pro nanostroje, například výstavba velkých staveb, jako jsou domy. Genetické inženýrství. Početné vesmírné lety. Lidstvo začne dobývat vesmír. Nanotechnologie vyřeší problém hladu, protože potraviny budou k dispozici téměř z čehokoliv. Zmizí ekonomika (v současném slova smyslu) a to kvůli bezvýznamnosti rozdělení bohatství. Bude vyřešen problém chudoby. Gerontologie. Dosažení osobní nesmrtelnosti lidí, zavedením do organizmu molekulárních robotů, které zabraní stárnutí buněk, jakož i restrukturalizaci a vylepšení 1 Galcov, Maxim. Nanotechnologie: zachránění nebo uhynutí?[online] c2003[cit ] dostupný z 2 Ladikov, Pavel. Cesta k umělému intelektu. [online]c1998 [cit ]Chap. 25 dostupný z 6

7 tkaní lidského těla. Oživení a vyléčení beznadějně nemocných lidí, kteří byli zmražení v současné době metodami kryoniky. 3 Toto všechno velmi silně zapůsobí na lidskou psychiku. Konec konců, člověk nebude muset spěchat. Protože bude mít před sebou celou věčnost. Dojde ke zmizení trestné činnosti, protože nebude existovat k ní důvod. Dojde ke zmizení průmyslu. Náhrada tradiční metody výroby za výrobu molekulárními roboty veškerých předmětů spotřeby přímo z atomů a molekul. Až do osobních syntetizérů a kopírovacích zařízení, umožňujících výrobu jakéhokoli objektu 4. To by vyřešilo problém znečištění životního prostředí. Globální telekomunikace poskytnou příležitost k vytvoření skutečné demokracie, protože se každý bude podílet na všech rozhodnutích týkajících se veřejnosti. V dané bakalářské práci zkusme rozebrat co to je umělé neuronové sítě. V posledních desetiletích se ve světě bouřlivě rozvíjí nová oblast aplikované matematiky, specializující se na umělé neuronové sítě (UNS). Naléhavost výzkumu v tomto směru je potvrzena spoustou různých aplikací UNS. Je to automatizace procesů rozeznávání obrazů, adaptivní řízení, aproximace funkcionálů, prognózování, tvorba expertních systémů, organizace asociativní paměti a mnohá další uplatnění. S pomocí UNS můžeme, například, předpovídat ukazatele burzovního trhu, uskutečňovat odhalování optických nebo zvukových signálů, vytvářet učící se systémy, schopné řídit automobil při zaparkování nebo syntetizovat řeč dle textu. Teorie neuronových sítí nastoluje obsáhlý okruh otázek z různých oblastí vědy: biofyziky, matematiky, informatiky, techniky integrovaných obvodů a technologie. Proto je pojem neuronové sítě složité přesně definovat. Umělé neuronové sítě (UNS). 5 Znamenají síť prvků umělých neuronů propojených mezi sebou synoptickými přenosy. Síť zpracovává vstupní informaci a v procesu změny stavu dočasně formuje soubor výstupních signálů. 3, 4 Yagodin, S. Nanotechnologie.perspektivy vývoje.[online]c2007[cit ] dostupný z 5 Umělá neuronová sít (UNS) je struktura určena pro distribuované paralelní zpracování dat. Zdroj: 7

8 Práce sítě sestává v přeměně vstupních signálů, výsledkem čehož je se mění vnitřní stav sítě a formují se výstupní účinky. Obvykle UNS operují s číselnými, nikoliv symbolickými hodnotami. Většina modelů UNS vyžaduje zaškolení. Ve většině případů zaškolení takový výběr parametrů sítě, při kterých síť zdolává určený problém. Zaškolení - to je úloha vícenásobné optimalizace a pro její řešení existuje množství algoritmů. Umělé neuronové sítě sada matematických a algoritmických metod pro řešení rozsáhlého okruhu úloh. Vyčlením charakteristické rysy umělých neurosítí jako univerzálního nástroje pro řešení úloh: 1. UNS poskytují možnost lépe pochopit organizaci nervového systému člověka zvířat na středních úrovních: paměť, zpracování senzorových informací, motoriky. UNS prostředek zpracování informace: a) pružný model pro nelineární aproximaci vícenásobných funkcí; b)prostředek prognózování v čase pro procesy závisící na mnoha proměnných; c)třídič mnohých příznaků, způsobující rozbití vstupního prostoru na oblasti; d)prostředek odhalování obrazů; e)nástroj pro hledání asociací; f)model pro vyhledávání zákonitostí v množství údajů. 2. UNS jsou nezávislé na omezení obyčejných počítačů díky paralelnímu zpracování a silné provázanosti neuronů. 3. V perspektivě UNS musíme pomoci pochopit principy, na kterých jsou postaveny vyšší funkce nervového systému: vědomí, emoce, myšlení. Cílem bakalářské práce je studium základních konceptů umělých neuronových sítí a možnost jejich použití. V souladu s vytčeným cílem byly určeny základní úkoly výzkumu: 1.objasnit neuronové sítě; 2.posoudit pojem a vlastnosti biologického neuronu; 3. posoudit vzájemné vztahy neuronových sítí a nanotechnologií; 4.posoudit pojem umělých neuronových sítí a jejich historický rozvoj; 5.vysvětlit pojem formálního neuronu a vícevrstvového perceptronu; 6.posoudit druhy neuronových sítí; 8

9 7.prozkoumat jevy konekcionismu; 8.určit místo neuronových sítí mezi jinými metodami řešení úloh; 9.udělat přehled základních sfér použití neuronových sítí; 10.prozkoumat robotiku jako směr umělé inteligence. 9

10 1. Pojem a vlastnosti neuronových sítí 1.1 Metoda mikrobiologie. Biologický neuron Umělé neuronové sítě jsou indukované biologií, protože sestávají z prvků, jejichž funkční možnosti jsou analogické většině základních funkcí biologického neuronu. Tyto prvky potom uspořádají způsobem, který může odpovídat (nebo neodpovídat) anatomii mozku. K předmětu neurobiologie patří studium nervového systému a jejího hlavního orgánu mozku. Principiální otázkou pro tuto nauku je vyjasnění vztahů mezi skladbou nervového systému a jeho funkcí. Průzkum se provádí na několika úrovních: molekulární, buněčné, na úrovni jednotlivého orgánu, celého organizmu a dále na úrovni společenské skupiny. Tímto způsobem se klasický neurobiologický přístup skládá v postupný posuv od elementárních forem směrem k jejich složitosti. Pro naše praktické cíle bude východiskem buněčná úroveň. Podle současného názoru, jmenovitě na souhrnu elementárních molekulárních chemicko biologických procesech, probíhajících v izolované buňce, formuje jí jako elementární procesor, schopný jednoduchého přepracování informace. Modelování biologických neuronových sítí je opodstatněné a perspektivní. Ale podle výzkumu UNS je nevyhnutelné mít matematický model biologického neuronu a biologické neuronové sítě. Centrální nervová soustava má buněčnou stavbu. Jednotka nervová buňka, neuron. Neuron má následující základní vlastnosti: 1. Zúčastňuje se látkové výměny a rozptyluje energii. Mění vnitřní stavbu s průběhem času, reaguje na vstupní signály a formuje výstupní účinky a proto je aktivním dynamickým systémem. 2. Má množství synapse kontaktů pro přenos informace. 3. Neuron spolupůsobí cestou výměny elektrochemických signálů dvou typů: elektrotonické (s útlumem) a nervovými impulzy (zátavami), rozšiřujícími se bez útlumu. 10

11 Existují dva způsoby pro vytvoření umělých neuronových sítí. Informační způsob: je lhostejno, jaké mechanizmy spočívají na pracovním základu umělých neuronových sítí, důležité je pouze, aby při řešení úloh informační procesy v UNS podobné biologickým. Biologický: při modelování je důležitá biopodobnost a nevyhnutelně detailně studovat práci biologického neuronu. Největší práce ve výzkumu biologických neuronových sítí vykonali Andrew Haxley, Alan Hodgin, Bernard Kats, John Ekkles, Steven Kuffler. Neurony jsou velmi různorodé podle tvaru, který závisí na jejich výskytu v nervovém systému a zvláštností působení. Na obrázku 1 je zobrazeno schéma stavby typického neuronu. Obrázek 1. Obecné schéma stavby biologického neuronu Zdroj: Tělo buňky obsahuje množství rozvětvených výhonků dvou typů. Výhonky prvního typu, nazývané dendrity pro jejich podobu s korunou rozkošatého stromu, slouží jako vstupní kanály nervových impulzů od druhých neuronů. Tyto impulzy vstupují do somy nebo těla buňky o rozměru od 3 do 100 mikronů, vyvolávaje její vybuzení, které se prozatím rozšiřuje po výstupním výhonku druhého typu, - axonu. Délka axonů znatelně předčí rozměry dendritů, ve zvláštních případech dostihuje centimetrů a dokonce metrů. Gigantický axon kalmara má tloušťku asi milimetr, ale právě jeho pozorování posloužilo k vyjasnění mechanizmu přenosu nervových impulzů mezi neurony. Tělo neuronu, vyplněné vodivým iontovým roztokem, je obaleno membránou tloušťky 75 angströmů 6, vyznačující se nízkou vodivostí. Mezi vnitřním povrchem 6 Ångström (symbol Å) je jednotka délky. Hodnota jednoho angstromu je rovna 0,1 nm neboli m. Často se používá při vyjadřování velikostí atomů, délek chemických vazeb nebo vlnových délek spektrálních čar. 11

12 membrány axonu a vnějším prostředím je podporována různost elektrických potenciálů. To se uskutečňuje pomocí molekulárního mechanizmu iontových čerpadel, vytvářejících rozdílnou koncentraci kladných iontů K+ a Na + uvnitř a vně buňky. Propustnost membrány neuronu je selektivní pro tyto ionty. Uvnitř axonu buňky, nacházející se ve stavu klidu, se aktivní pohyb iontů snaží podporovat koncentraci iontů draslíku vyšší, než iontů sodíku, tedy v kapalině, obklopující axon, se objevuje vyšší koncentrace iontů Na+. Pasivní difúze pohyblivějších iontů draslíku je přivádí k intenzivnímu výstupu z buňky, což podmiňuje jeho celkově záporný klidový potenciál vnějšího prostředí, činící asi 65 milivoltů. Při působení stimulujících signálů od druhých neuronů mění membrána axonu dynamicky svoji vodivost. Toto se děje, když sumární vnitřní potenciál převyšuje prahovou hodnotu rozsahu -50mV. Membrána na krátkou dobu, trvající asi 2 milisekundy, mění svoji polaritu (depolarizuje se) a dosahuje potenciálu působnosti asi +40 mv. Na mikroúrovni se to vysvětluje jako krátkodobé zvýšení propustnosti membrány pro ionty Na+ a jejich aktivním vstupem do axonu. Později, podle výstupu iontů draslíku, se kladný náboj z vnitřní strany membrány přemění na záporný a nastává tzv. refrakce, která trvá asi 200 milisekund. V průběhu této doby je neuron zcela pasivní, prakticky beze změny zachovává potenciál uvnitř axonu na hladině asi -70 mv. Impuls depolarizace buněčné membrány, se rozšiřuje podél axonu prakticky bez útlumu, jsouce podporován lokálními iontovými gradienty. Rychlost přemísťování impulzu je poměrně malá a činí 100 až 1000 centimetrů za vteřinu. Vybuzení neuronu impulzem se přenese na druhé neurony, které jsou tímto způsobem nasyceny vodivou sítí nervových impulzů. Části membrány na axonu, kde jsou rozmístěny oblasti kontaktu axonu daného neuronu s dendrity jiných neuronů se nazývají synapsi. V oblasti synapse, vyznačujícího se složitou stavbou, probíhá výměna informací o vybuzení mezi neurony. Mechanizmy synoptického přenosu jsou dost složité a různorodé. Mohou mít chemickou i elektrickou podstatu. V chemické synapsi se v přenosu impulzů účastní specifické chemické látky - neuromediátory, vyvolávající změny propustnosti lokální oblasti membrány. V závislosti na typu vyráběného mediátoru může synapse disponovat budící (efektivně vodící vybuzení) nebo brzdící působností. Obvykle na všech výhoncích jednoho neuronu se vyrábí jeden a tentýž mediátor, u proto se neuron 12

13 celkově chová jako brzdící nebo budící. Toto důležité pozorování přítomnosti neuronů různých typů v následujících kapitolách se bude zásadně používat při projektování umělých systémů. Biologický neuron obsahuje následující elementární články (obrázek 2): Obrázek 2. Biologický neuron. Zdroj: Tělo buňky soma: obsahuje jádro, mitochondrii (zabezpečuje buňky energií), jiné orgány, podporující životní činnost buňky. Dendrity vstupní vlákna, přijímají informaci od jiných neuronů. Aktivita v dendritech se mění plynule. Jejich délka není obvykle větší než 1 mm. Membrána udržuje stálé složení cytoplazmy uvnitř buňky, zabezpečuje přenos nervových impulzů. Cytoplazma vnitřní prostředí buňky. Odlišuje se koncentrací iontů K+, Na+, Ca ++ a jiných látek ve srovnání s mimobuněčným prostředím. Axon, jeden nebo žádný v každé buňce, - dlouhý, někdy více než metr, výstupní nervové vlákno buňky. Impulz se generuje v axonovém pahrbku. Axon zabezpečuje převedení impulzu a přenos působení na jiné neurony nebo svalová vlákna. Na konci se axon často větví. 13

14 Synapse (zápoj) místo kontaktu nervových vláken předává vzruch od buňky k buňce. Přenos přes synapsi je téměř vždy jednosměrný. Rozlišují se presynaptické a postsynaptické buňky podle směru přenosu impulzu. Schwannovy buňky. Specifické buňky, téměř celkově sestávající z myelinu, organického izolantu. Těsně ovinují nervové vlákno 250 vrstvami (myelinová pochva). Neizolovaná místa nervového vlákna mezi Schwannovými buňkami se jmenují zářezy Ranvierovy. Na úkor myelinové izolace vzrůstá rychlost šíření nervových impulzů na 5 10 násobek a zmenšují se ztráty energie při vedení impulzů. Myelinovaná vlákna se vyskytují pouze u vyšších zvířat. V centrální nervové soustavě člověka se nachází 100 až 1000 typů nervových buněk v závislosti na zvoleném stupni rozlišení. Odlišují se tvarem dendritů, výskytem a délkou axonů a rozlišením synapsí okolo buňky. Buňky jsou mezi sebou silně svázány. U neuronu může být více než 1000 synapsí. Funkčně podobné buňky vytvářejí shluky, kulovité nebo paralelně vrstvené. V mozku jsou vyčleněny stovky shluků. Kůra hlavního mozku také shluk. Tloušťka kůry 2 mm, plocha okolo čtvereční stopy. 1.2 Umělé neuronové sítě. Pojem formálního neuronu a vícevrstvového perceptronu Umělé neuronové sítě (UNS) se stavějí na principech organizace a fungování biologických analogů. Jsou schopny řešit široký okruh úkolů rozeznávání obrazů, identifikace, prognózování, optimalizace, řízení složitých objektů. Další zvýšení kapacity (výkonnosti) počítačů závisí ve velké míře na UNS, konkrétně na neurokomputerech (NK), jejichž základe tvoří neuronová síť. Termín neuronové sítě byl zformulován uprostřed 50-tých let 20. století. Základní výsledky jsou spojeny se jmény U.McCullocha, D.Hebba, F. Rosenblatta, M. Minského, J. Hopfielda. Uvedu krátkou historickou informaci. Roku 1943 W. McCulloch a W.Pitts navrhli model neuronu a zformulovali základní poučky teorie fungování mozku. Roku 1949 D. Hebb vyslovil myšlenky o charakteru spojení neuronů mozku a jejich součinnost (buněčné soubory, synoptická tvárnost). Jako první navrhl pravidla studia neuronové sítě. 14

15 Roku 1957 F. Rosenblatt vypracoval principy uspořádání a fungování perceptronů, navrhla variantu na světě prvního neurokomputeru Mark. Roku 1959 D. Hubei a T. Wiesel předvedli rozložený a rovnoběžný charakter uchování a zpracování informací v biologických neuronových sítích. V letech Aktivní výzkumy v oblasti umělých neuronových sítí, například ADALINA a MADALINA W. Widrow (roky ), asociační matrice K. Steinbucha (1961). Roku 1969 Publikace knihy M. Minského a S. Paperta Perceptrony, ve které se prokazuje principiální omezenost možností perceptronů. Vyhasínání zájmu o umělé neuronové sítě. V létech Aktivní vypracování v oblasti perceptronů v SSSR (hlavní zákazníci vojenské rezorty). Konec 90-tých let Obnovení zájmu o umělé neuronové sítě jako následek nahromadění nových znalostí o činnosti mozku, ale také významného vývoje mikroelektroniky a výpočetní techniky. V létech J. Hopfield navrhl soustavu optimalizujících neuronových sítí, modelující asociační paměť. Roku 1985 Příchod prvních komerčních neurokomputerů, např. Mark III firmy TRW (USA). Roku 1987 Začátek rozsáhlého financování návrhů v oblasti UNS a NK v USA, Japonsku a Západní Evropě (japonský program Human Frontiers a evropský program Basic Research in Adaptive Intelligence and Neurocomputing ). Roku 1989 Projektování a výzkumy v oblasti UNS a NK jsou prováděny prakticky všemi velkými elektrotechnickými firmami. Neurokomputery se stávají jedním z největších sektorů trhu (za dva roky vyrostl objem prodeje pětinásobně). Agenturou DARPA (Defense Advanced Research Projects Agency) ministerstva obrany USA bylo započato financování programu výroby velmi rychle pracujících vzorů NK pro různá použití. Roku 1992 Práce v oblasti UNS se nacházejí ve stádiu intenzivního rozvoje. Každoročně se konají desítky mezinárodních konferencí a fór o neuronových sítích, počet specializovaných periodických vědeckých publikací uvedené tématiky dosáhlo dvou desítek názvů. Roku 1996 Počet mezinárodních konferencí o UNS a NK dosáhlo sta. 15

16 Roku 1997 Roční objem prodeje na trhu UNS a NK převýšil 2 miliardy dolarů, ale každoroční nárůst tvořil 50% cí roky. Přechod na submikronové a nanotechnologie, ale také úspěchy molekulární a biomolekulární technologie přináší principiálně nové architektury a technologie v konstrukci tvorby neurokomputerů. Neuronovými sítěmi se myslí výpočetní struktury, které modelují jednoduché biologické procesy, obvykle asociujících s procesy lidského mozku. Představují samostatné i paralelní systémy, schopné adaptivního studia cestou analýzy kladných a záporných působení. Základním invertorem v daných sítích je umělý neuron nebo jednoduše neuron, nazvaný analogicky s biologickým prototypem. Posoudíme osnovy stavby umělých neuronových sítí. Biologický neuron složitý systém, jehož matematický model není dodnes postaven. Bylo uvedeno množství modelůvyznačujících se složitostí výpočtů a shodou s reálným neuronem. Jeden z důležitých formální neuron (FN, obrázek 3). Nehledě na jednoduchost FN, sítě, postavené z takových neuronů mohou zformovat libovolnou vícerozměrnou funkci na výstupu. Obrázek 3 Formální neuron 7 Osnovu každé NS tvoří poměrně jednoduché, ve většině případů identické prvky (buňky), imitující práci neuronů mozku. Dále se neuronem bude chápat umělý neuron, tj. buňka NS. Každý neuron je charakterizován svým současným stavem analogicky s nervovými buňkami mozku, které mohou být vybuzeny a nebo zabrzděny. Má mnoho synapsí jednosměrných vstupních vazeb, spojených s výstupy jiných neuronů, ale má také axon výstupní vazbu daného neuronu, ze které signál (vybuzení nebo brzdění) přestupuje na synapse následujících neuronů. Celkový vzhled neuronu uveden na obrázku 4. 7 Zajencev I.V. Neuronové sítě: základní modely. Učební pomůcka pro kurz Neuronové sítě pro studenty 5 kurzu magisterského studia katedry elektroniky fyzikální fakulty Voroněžské Státní univerzity. Voroněž,1999,str.21 16

17 Neuron sestává z váženého sumátoru a nelineárního prvku. Každá synapse je charakterizována velikostí synoptické vazby nebo její váhou wi, která je ve fyzickém smyslu ekvivalentem vodivosti. Probíhající synapse neuronu se určuje jako vážená suma vstupů: NET = n i= x i w i 1 (1) Obrázek 4 Umělý neuron 8 Výstup neuronu je funkcí jeho stavu: kde x i vstupní signály, souhrn všech vstupních signálů neuronu tvoří vektor x; w i - hmotnostní koeficienty, souhrn hmotnostních koeficientů tvoří vektor vah w; NET - zvážená suma vstupních signálů, význam NET se předává na nelineární prvek; Q - prahová úroveň daného neuronu; F - nelineární funkce, nazývaná funkce aktivace. Neuron má několik vstupních signálů x a jeden výstupní signál OUT. Parametry neuronu, určujícími jeho činnost, jsou: vektor vah w, prahová hladina Q a druh aktivace F. Nelineární funkce f se jmenuje aktivační a může být rozličného druhu. (přesněji je to vysvětleno v příloze č. 1) 8 Kudrin R. Tvoření umělé inteligence// Komputeru,2003,č.21,str.25 (upraveno autorem) 17

18 Čili model formálního neuronu není biopodobný a spíše podobný matematické abstrakci, nežli živému neuronu. Proto podivněji prokazuje mnohotvárnost úloh, řešených s pomocí těchto neuronů a univerzálnost obdržených algoritmů. Formální neurony se mohou sjednocovat v síti různým způsobem. Nejrozšířenějším typem sítě se stal vícevrstvový perceptron (obrázek 5). Obrázek 5. Vícevrstvový perceptron 9 Síť sestává z libovolného množství vrstev neuronů. Neurony každé vrstvy se sjednocují s neurony předcházející a následující vrstvy podle principu každý s každým. První vrstva (zleva) se nazývá senzorová nebo vstupní, vnitřní vrstvy se jmenují skryté nebo asociativní, poslední (nejvíce napravo, na obrázku sestává z jednoho neuronu) výstupní nebo výslednicová. Množství neuronů ve vrstvách může být libovolné. Obvykle je ve všech skrytých vrstvách stejné množství neuronů. Označíme množství vrstev a neuronů ve vrstvě. Vstupní vrstva: NI neuronů; NH neuronů v každé skryté vrstvě; NO výstupních neuronů. x vektor vstupních signálů sítě, y vektor výstupních signálů. Existuje chaos s výpočtem vrstev v síti. Vstupní vrstva nedělá žádné výpočty, ale pouze rozděluje vstupní signály, proto ho občas sčítají, někdy ne. Označíme za NL plné množství vrstev v síti počítaje vstupní. 9 Zajencev I.V. Neuronové sítě: základní modely. Učební pomůcka pro kurz Neuronové sítě pro studenty 5 kurzu magisterského studia katedry elektroniky fyzikální fakulty Voroněžské Státní univerzity. - Voroněž, 1999,str.24 18

19 Ve vícevrstvovém perceptronu není zpětných vazeb. Takové modely se nazývají sítěmi přímého šíření. Ony nemají vnitřní stavbu a nedovolují bez přídavných příjmů modelovat vývoj dynamických systémů. 1.3 Typy neuronových sítí Široký okruh úloh, řešený NS, nedovoluje v současné době vytvářet univerzální, výkonné sítě, což vynucuje rozpracovávat specializované NS, fungujících podle různých algoritmů. Modely NS mohou být programového i přístrojového provedení. Nehledě na podstatné rozdíly, jednotlivé typy NS mají něklik společných rysů. Za prvé, osnovu každé neuronové sítě tvoří poměrně jednoduché, většinou jednotypové prvky (buňky), imitující práci neuronů mozku. Podotýkáme, za druhé, že princip paralelního zpracování signálů, které se dosahuje cestou sjednocení velkého množství neuronů v tzv. vrstvě a spojení určitým vzorem neuronů různých vrstev, ale také, v některých konfiguracích, i neuronů jedné vrstvy mezi sebou, přičemž zpracování vzájemného působení všech neuronů probíhá ve vrstvách. 10 Jako vzor jednoduché NS prozkoumáme tříneuronový perceptron (obrázek 6), tj. Takovou síť, jejíž neurony mají aktivační funkci ve formě jednotkového skoku. Někdy se perceptronem nazývá libovolná vrstvová struktura, avšak se i dále perceptronem chápe jenom síť, sestávající z neuronů s aktivačními funkcemi jednotkového skoku. (binární síť). Na n vstupů přicházejí nějaké signály, přecházející po synapsích na 3 neurony, vytvářející jednotkovou vrstvu této NS a význačné 3 signály: n y j = f xi wij i= 1 j=1...3 (2) 10 KudrinG. Tvoření umělého intelektu// Kompjutry, 2003,č.21,str.26 19

20 obrázek 6: jednovrstvový perceptron 11 Je očividné, že všechny váhové koeficienty signálů synapsí vrstvy neuronů je možno zavést do matrice W, ve které každý prvek Wij definuje veličinu i-té vazby j-tého neuronu. Tímto způsobem proces, probíhající v NS, může být zapsán v matriční formě: Y=F(XW) (3) kde X a Y patří vstupním a výstupním signálním vektorům, F (V) aktivační funkce, používaná po částech ke komponentům vektoru V. Teoreticky počet vrstev a počet neuronů může být v každé vrstvě libovolný, nicméně je fakticky omezen kapacitou komputeru nebo specializovanými čipy, kterými jsou realizovány NS. Čím složitější je NS, tím rozsáhlejší úlohy jí podřízené. Výběr struktury NS se uskutečňuje v souladu se zvláštnostmi a složitostí úlohy. Pro řešení některých jednotlivých typů úloh už existují z dnešního hlediska optimální konfigurace, popsané například v 12 a v jiných publikacích, sepsaných na konci článku. Pokud však úloha nemůže být srovnána ani s jedním ze známých typů, zpracovateli nezbývá než řešit složitý problém syntézy novou konfigurací. 11 Kudrin R. Tvorba umělé inteligence// Komputery,2003,č.21,str Richard P. Lippmann, An Introduction to Computing withneural Nets, IEEE Acoustics, Speech, and Signal ProcessingMagazine, April

21 Obrázek 7. Dvouvrstvý perceptron 13 Přitom se řídí několika stěžejními principy: možnosti sítě vzrůstají se zvětšením počtu buněk v síti, těsnosti vazeb mezi nimi a počtem vyhrazených vrstev ( vliv počtu vrstev na schopnost sítě splňovat klasifikaci plochých obrazců je uvedeno na obrázku 8 z 14 ; zavedení zpětných vazeb zároveň se zvětšením možností sítě zvedá otázku o dynamické odolnosti sítě; složitost algoritmů fungování sítě (včetně, například, zavedení několika typů synapsí budících, brzdících aj.) také pomáhá síle NS. Otázka nevyhnutelnosti dostatečných vlastností sítě pro řešení toho nebo jiného druhu úloh představuje celý směr neurokompjuterové vědy. Ačkoliv problém syntézy NS silně závisí na řešené úloze, dát obecná a podrobná doporučení je obtížné. Ve většině případů je optimální varianta získatelná na základě intuice. Je očividné, že proces fungování NS, tj. podstaty činnosti, které je schopna plnit, závisí na kapacitě synaptických vazeb, proto zadání určité struktury NS, odpovídající jakémukoliv úkolu, zadavatel úkolu musí najít optimální význam všech proměnných váhových koeficientů ( některé synaptické vazby mohou být konstantní). Tato etapa se nazývá studiem NS, podle toho, do jaké míry bude kvalitně splněn, závisí schopnost sítě řešit vytčené problémy v době expluatace. V etapě studia kromě parametru kvality výběru vah hraje důležitou roli doba studia. Zpravidla jsou tyto dva parametry svázány nepřímou závislostí a je nutno je volit na základě kompromisu. Studium NS může probíhat s učitelem a nebo bez něj. V prvním případě se sítě předkládají jako vstupní, tak i žádané výstupní signály, a ona podle některého vnitřního 13 Kudrin R. Tvorba umělé inteligence// Komputery, 2003,č.21, str Richard P. Lippmann, An Introduction to Computing withneural Nets, IEEE Acoustics, Speech, and Signal ProcessingMagazine, April

22 algoritmu dolaďuje váhy svých synaptických vazeb. Ve druhém případě se výstupy NS formují samostatně, ale váhy se mění podle algoritmu a respektují pouze vstupní od nich odvozené signály. Existuje velké množství různých algoritmů studia, které se rovněž dělí na dvě velké třídy: deterministický a stochastický. V prvním u nich dolaďování vah představuje pevnou posloupnost činností, podřizující se náhodnému procesu. Rozvíjej další otázku o případné klasifikaci NS, je důležité zmínit existenci binárních a analogových sítí. První z nich operují s dvojkovými signály a výstup neuronu může nabývat pouze dvou hodnot: logickou nulu ( zabrzděný stav) a logickou jedničku ( vybuzený stav). Do této třídy sítí patří i výše posouzený perceptron, protože výstupy jeho neuronů, formované funkcí jednotkového skoku, jsou rovny buď 0 nebo 1. V analogových sítích jsou výstupní hodnoty neuronů schopny přijímat spojité hodnoty, což by mohlo znamenat přeměnu aktivační funkce neuronů perceptronu na sigmoid. Ještě jedna klasifikace dělí NS synchronní a asynchronní. V prvním případě v každém čase mění svůj stav jenom jeden neuron. Ve druhém- stav se mění najednou v celé skupině neuronů zpravidla v celé vrstvě. Algoritmicky se časový sled v NS zadává iteračním vykonáním identických činností neuronů. Dále budou zkoumány pouze synchronní NS. Sítě je také možno klasifikovat podle počtu vrstev. Na obrázku 4 je představen dvouvrstvý perceptron, vzniklý z perceptronu z obrázku 3 a doplněním druhé vrstvy, složeného ze dvou neuronů. Tady je vhodné upozornit na důležitou roli nelineárnosti aktivační funkce, protože pokud ona nemá danou vlastnost nebo nevstoupila do algoritmu práce každého neuronu, výsledek fungování jakékoliv r-vrstvé NS s váhovými matricemi W(i), i = 1,2,...r pro každou vrstvu i by spočíval v násobení vstupního vektoru signálů X na matrici W (Σ) =W (1) W (2)... W (p) (4) to znamená fakticky by byla taková r-vrstvová NS ekvivalentní jednovrstvové NS s váhovou matricí jediné vrstvy W (Σ) : Y=XW (Σ) (5) Pokračujíc v rozhovoru o nelineárnosti je možné poznamenat, že se někdy zavádí i do synaptických vazeb. Většina NS dodnes poznaných se používá pro nalezení vzorce (1) rozptýlené sumy vstupů neuronu, avšak v některých uplatněních NS je užitečné zavést jiný zápis, například: 22

23 n 2 i i= 1 s = x w nebo dokonce i (6) n (( ) mod ) s = xi x i+ 1 n wi i= 1 (7) Otázka tkví v tom, jestli zpracovatel NS jasně pochopil, pro co to dělá, jakými významnými vlastnostmi tímto dodatečně nadal neuron a jakých se zbavil. Zavedení takového druhu nelineárnosti, obecně řečeno, zvětšuje výpočetní sílu sítě, tzn. Dovoluje z menšího počtu neuronů s nelineárními synapsemi zkonstruovat NS, konající práci obyčejné NS s velkým počtem standardních neuronů a složitější konfigurací. 15 Nyní prozkoumáme jednu nuanci, dříve záměrně vynechanou. Z obrázku funkce jednotkového skoku vidíme, že prahová hodnota T, v obecném případě, může nabývat libovolné hodnoty. Nejenom to, ona může přijímat nějakou libovolnou, předem neznámou hodnotu, která se zahrnuje ve stadiu studia do váhového keoficientu. Totéž patří k centrálnímu bodu sigmoidní závislosti, která se může posunovat po ose X napravo i nalevo, ale také ke všem jiným aktivačním funkcím. Toto nicméně není odraženo ve vzorci (1), který by musel být upraven takto: n s = x w T i= 1 i i Věc je v tom, že se takový posun obyčejně zavádí cestou doplnění vrstvy neuronů ještě jedním vstupem, vybuzující dodatečnou synapsi každého z neuronů, jehož hodnota se vždy rovná 1. Udělíme tomuto vstupu číslo 0. Potom n s = xi wi i= 0 (9) kde wo = -T, xo = 1. (8) Je vidět, že rozdíl vzorců (1) a (9) pozůstává pouze ve způsobu číslování vstupů. Jaké úlohy může řešit NS? Zhruba řečeno, práce všech sítí je omezena klasifikací (zobecnění) vstupních signálů, náležejících n rozměrnému hyperprostoru, podle nějakého množství tříd. Z matematického pohledu se to provádí rozdělením hyperprostoru hyperrovinami (zápis pro případ jednovrstvého perceptronu) 15 Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press,

24 n i= 1 x w = T i ik k, k=1...m (10) Každá získaná oblast je oblastí definování jedné třídy. Počet takových tříd pro jednu NS perceptronového typu nepřevyšuje 2, kde m počet výstupů sítě. Avšak ne všechny mohou být rozděleny danou NS. 1.4 Konekcionismus Neuronové sítě jsou sítě, sestávající z jednoduchých prvků formálních neuronů spojených mezi sebou. Neurony se modelují poměrně jednoduchými automaty, ale všechna složitost, pružnost fungování a jiné důležité vlastnosti jsou definovány vazbami mezi neurony. Každá vazba je znázorňována jako celkem jednoduchý prvek sloužící přenosu signálu. Souhrn ideí, určující popsanou reprezentaci mozku, nese název konekcionalismus (anglicky connection vazba,spojení). Konekcionismus operuje řadou jednoduchých ideí, zahrnujících pojem homogennosti (stejnorodosti) systému (prvky jsou stejné a neobyčejně jednoduché, všechny jsou určeny strukturou vazeb), spolehlivosti systému proti nespolehlivým prvkům, holografičnosti systému při porušení náhodně vybrané části systému zachovává svoje užitné vlastnosti. 16 S konekcionismem je pevně svázán následující blok ideí: 1.stejnorodost systému (prvky jsou shodné a neobyčejně prosté, všechny jsou určeny strukturou vazeb); 2.spolehlivé systémy z nespolehlivých prvků a analogová renezance - použití jednoduchých analogových prvků; 3. holografické systémy při poruše náhodně zvolené části systému zachovává užitné vlastnosti. Existuje veliká třída úloh: neuronové systémy asociační paměti, statistické zpracování, filtrace a jiné, pro kteréžto vazby se vytvářejí podle zřejmých vzorců. Ale ještě více úloh ( dle rozsahu dosavadních použití) potřebuje nerozvinutý proces. Dle analogie s výzkumem zvířat nebo člověka tento proces také nazývají studiem. Studium se obvykle dělá takto: existuje úlohář sada příkladů se zadanými odpověďmi. Tyto příklady předpokládají systém. Neurony dostávají podle vstupních vazeb 16 Komašinskyj V., Smirnov D. Neuronové sítě a jejich použití v systémech řízení a spojů.-m.: Horká linka Telekom,2002.-str.4 24

25 signály - podmínky příkladu, přemění je, několikrát obměňují přetvořenými signály a nakonec dají odpověď rovněž soubor signálů. Odchylka od správné odpovědi se pokutuje. Studium sestává z minimalizace pokuty jako (skryté) funkce vazeb. Latentní studium přivádí k tomu, že struktura vazeb se stává nepochopitelná - neexistuje jiný způsob jí přečíst, kromě vypuštění funkce sítě. Je velice složité odpovědět na otázku: Jak neuronová síť dostává výsledek? - tj. postavit pro člověka logickou konstrukci, reprodukující činnost sítě. Tento jev je možno nazvat logickou neprůhledností neuronových sití, studovaných podle nejasných pravidel. Na druhé straně při použití neuronových sítí v expertních systémech vzniká potřeba pročíst a logicky zinterpretovat znalosti, zpracované sítí. Pro to slouží metody kontrastování zisk logicky průhledných neuronových sítí implicitními metodami. 25

26 nm). 17 Na druhé straně předmětem nanotechnologie mohou být makroskopické objekty, 2. Nanotechnologie 2.1 Pojem, historie K tomu abychom začali analýzu a konsolidaci neuronových sítí a nanotechnologií rozebereme poslední (nanotechnologie) protože tak či onak neuronové sítě byly prezentovány v předchozích a následujících kapitolách. Co je to nanotechnologie? Čemu se podobá fulleren a čím je unikátní nanotrubice? Pojem nanotechnologie jako souboru metod pro práci s objekty menšími než 10 nm nedostatečně přesně popsuje jak předmět, tak i její rozdíl od tradičních technologií a vědeckých oborů. Na jedné straně objekty nanotechnologií mohou mít charakteristickou velikost uvedeného rozsahu: nanočástice, nanoprašky (objekty, u nichž tři charakteristické velikosti v rozmezí až do 100 nm); nanotrubice, nanovlákna (objekty, které mají dvě charakteristické velikosti v rozmezí až do 100 nm); nanofolie (objekty, které mají jeden charakteristický parametr v rozmezí až do 100 kontrolovaná atomová struktura kterých je vytvořena s rozlišením na úrovni jednotlivých atomů. S myšlenkou o vytvoření technologií v měřítku nanometrů poprvé přišel laureát Nobelovy ceny Richard Feynman, který v roce 1959 mluvil o problematice kontrolování a řízení struktury látky v intervalu velmi malých rozměrů - Přednáška There is plenty of space on the botám : žádný fyzikální nebo chemický zákon nebrání nám měnit vzájemnou polohu atomů. Pojem nanotechnologie byl zaveden japonem Norio Taniguchi v roce 1974, kdy navrhl takto nazývat techniků a nástroje, které jsou menší než jeden mikron, stejně jako dal stručně definici nanotechnologie: jako interdisciplinární, tvořící technologii, která umožňuje technologicky (reprodukovatelně, dle uvedených postupů) zkoumat, provádět manipulaci a zpracování materiálu v rozsahu a tolerancí 0,1 / 100 nm. V roce 1985 Richard Smalley objevil fullereny - molekuly uhlíku ve tvaru koule (molekula S60, v niž atomy uhlíku jsou umístěny v rozích pětiúhelníků a hexagonů a tvoří

27 tvar koule). V roce 1991 Suomi Iiyama zaměstnanec společnosti NEC objevil uhlíkové nanotrubice. Nanotechnologie mohou pomoci lidstvu dosáhnout velmi náročných (i fantastických) úkolů: vytvořit moderní průmyslové technologií na atomární a molekulární úrovni; vytvořit pevné látky a povrchy (materiály a folií) s modifikovanou molekulární strukturou, které budou základem velmi pevných kovů, textilů, plastů, autoregeneračních materiálů; nových chemických látek a to cestou komponování molekul, tj. bez chemických reakcí; logických nanoelementů a nanopočítačů (miniaturizace a zvyšování výkonu počítačů) a nových typů supravodičů (mimořádně studených); výpočetních zařízení na základě bílkovinných molekul; umělých analogů živých organismů (rostlin a živočichů); nanorobotů, nanostrojů (nanomotorů), precizních (přesných) nanomanipulátorů; lékařských robotů pro implantaci do těla (za účelem odstranění genetických a fyziologických poškození na buněčné úrovni a vyšší úrovní); vytvoření automaticky množících se systémů založených na principech biologických analogů - bakterií, virů, prvoků. První prostředky nanotechniky vynalezli v IBM. V roce 1982, Gerd Binnig a Genirh Rorer, kteří postavili rastrový tunelový mikroskop, za což obdrželi Nobelovu cenu, a již v roce atomové sílový mikroskop, který umožňuje zkoumat atomy nejen kovů Předmět, cíle a hlavní směry v oblasti nanotechnologií. Zvláštním rysem nanotechnologií je to, že veškeré procesy a úkony probíhají v pásmu nanometrů. V tomto rozmezí surovinami jsou jednotlivé atomy, molekuly, molekulární systémy, na rozdíl od obvyklých v tradiční technologií mikroné nebo mikroskopické množství materiálu, které obsahují alespoň miliardu atomů a molekul. Na rozdíl od tradiční technologie, nanotechnologie má individuální přístup, diky kterému vnější řízení dosahuje jednotlivých atomů a molekul, které umožňuje vytvořit bezvadný 18 Kobayasi, N. Úvod do nanotechnologií. Binom : laboratoř znalosti s

28 materiál s novými fyzikálně-chemickými a biologickými vlastnostmi a také novou třídu strojů s charakteristickými nanomerovymi rozměry. Analýza současného stavu umožňuje určit v nanotechnologie řadu důležitých směrů. 1. Molekulární design. Preparace molekul a syntéza nových molekul v silně nehomogenních (různorodých) elektromagnetických polích. 2. Nanomateriálovedení. Vytvoření bezvadných vysoce-pevných materiálů, materiálů s vysokou vodivostí. 3. Nanostrojírenství. Vytvoření skenujících tunelových mikroskopů, atomových silových mikroskopů (AFM), magnetických mikroskopů, více-hrotových systémů pro molekulární projektování, miniaturních dokonalé citlivých senzorů, nanorobotů. 4. Nanoelektronika. Konstruování nanometrických součástek počítačů budoucí generace, nanospojů, polních tranzistorů, usměrňovačů, displejů, akustických systémů. 5. Nanooptika. Vytvoření nanolaserů, syntéza více-hrotových systémů s nanolasery. 6. Nanokatalýza. Vývoj katalyzátoru s nanostrukturami pro třídy reakcí selektivní katalýzy. 7. Nanolékařství. Projektování nanonástrojů pro ničení virů, lokální opravy orgánů, transportu velmi přesných dávek léků na určená místa živého organismu. 8. Nanotribologie. Zjištění připojení nanostruktury materiálů a třecích sil a využití těchto znalostí k výrobě perspektivných párů tření. 9. Řízené jaderné reakce. Nanourychlovače částic, nestatistické jaderné reakce Uplatnění nanoinženerii a neuronových sítí Z výše uvedeného materiálu je zřejmé, že nanotechnologii je určená ohromující role ve vývoji lidstva. Základní propojení neuronových sítí a nanotechnologii je vidět v nanostrojírenství, nanolékařství. Vzhledem k tomu, že primární roli nanorobotů s UI na základě neuronových sítí výstavby je vhodné v těchto oborech vědy vývoj budoucích bioneurosítí a nano uplatnění. Díky nanotechnologiím v posledních letech neurovědy se vyvíjí doopravdy rycjle. Existují neurony na křemíkových čipech, umělá synaptická spojení, a dokonce i celé nervové systémy, kombinované s logickými klíči

29 Malá společnost Nantero oznámila o stvoření nového experimentálního modelu elektronické paměti fungujícího na principu uhlíkových nanotrubic. Inženýrům se podařilo umístit na křemíkové desce standardní velikosti 10 miliard paměťových buněk, z nichž každá se skládá z několika nanotrubic. Za účelem výroby paměti se používají standardní fotolitografický proces: za prvé, na substrát z oxidu křemičitého se nanáší nanotrubice, a při dalším zpracování chybně orientované trubice se odstraňují. To znamená, že vývojářům se podařilo překonat komplikacím při umístění jednotně orientovaných v prostoru nanotrubic. Schéma paměti představuje sebou dvě desky z oxidu křemičitého, umístěné nad sebou ve vzdálenosti cca 100 nm. Nanotrubice jakoby se zavěšení na horní desce. Při podání elektrického proudu na dolní desku, trubice mění svou aktuální polohu a spojují obě desky. Tento stav buňky odpovídá bitu o hodnotě 1. Pokud trubice nezamýká desky, toto odpovídá logické 0. Poloha nanotrubice se určuje působením sil Van der Waalse, které působí nezávisle na výskytu elektrické energie. Elektrický impuls je zapotřebí pouze pro změnu polohy trubek. Toto přepnutí trvá asi 0,5 ns na rozdíl od 10 ns v moderních operačních pamětích. Hustota záznamů informací v buňce NRAM neustále roste a nejlepší je již srovnatelná s hustotou záznamů informací na čipech operační paměti. V budoucnu, hustota záznamu dat by mohla dosáhnout bilión bitů na čtvereční centimetr, což je o 1000 krát větší, než moderní operační paměť. V budoucnu se společnost rozhodla pro vytvoření neuronové sítě s vysokou stabilitou a vysokou rychlost zpracování a přenosu dat na co nejmenším počtu kanálů. Nicméně, úvod na trh nové paměť je stále ještě daleko. Uhlíkové nanotrubice jsou stále drahý a exotický materiál a výroba NRAM, i když založené na tradiční fotolitografii, vyžaduje implementaci do průmyslu. Nicméně řešení nabízené NRAM by se mohlo v perspektivě ukázat jako žádané na počítačovém trhu Špionáž a potlačení bolesti pomocí neurotechnologií. Vojensko-průmyslový komplex. Zejména potřeby obrany, geopolitické ambice, zápas za životně důležité zdroje a reálie závodů ve zbrojení mezi přední supervelmocí, jsou hnací silou vývoje nových technologií v oblasti vyzbrojování. Nanotechnologie není výjimkou, naopak, možností kontroly látky na úrovni jednotlivých atomů a molekul, určují pro ni 20 &perpage=

30 zvláštní postavení. Analýza této oblasti je obtížná protože vojenský vývoj v oblasti nanotechnologií je utajeným. Je možné uvést jen pár obecných směrů a údajů, únik kterých sankcionuje ve vlastním zájmu vojenské rezorty. Špionáž a potlačení bolesti pomocí neurotechnologií. Studií jsou směrované na oblasti neuronových technologií, vývoj kterých povede ke vzniku bojového nanozařízení, určených pro špionáž, nebo převzetí kontroly nad funkcí lidského organizmu, pomocí připojení přes nanovybavení na nervový systém. V laboratořích NASA je stvořen model zařízení pro zachycení vnitřní řeči. Fotonové komponenty nanostruktur, které mohou přijímat a zpracovávat obrovské množství informací budou tvořit základ vesmírného monitorovacího systému, pozemního sledování a špionáže. S pomocí nanovybavení implantovaného do mozku je možno získat umělé (technické) vidění s rozšířeným rozsahem vnímání, ve srovnání s biologickým zrakem. Systém potlačení bolesti u vojáků, pomoci implantace do těla a mozku, tzv. NanoNeuron Synthetic Neural Circuit Device, který je vyvinut v texaské universitě a předpokládá použití speciálních neuročipů. Špionáže pro přípravu útočných operací je realizován v systému senzorů chytrý prach a nebo Smart dust. Vývojem takových nanometrických senzorů se zabývá skupina vědců pod vedením profesora chemie a biochemie Michaele Sailora z kalifornijské university v San Diegu (University of California, San Diego) Lékařství Vývoj nanoneuroceutických přípravků. Dalším směrem nanolékařství je perspektiva vývoje nanoneuroceutiků, přípravku působících na duševní stav osoby na molekulární úrovni. Neuroceutici otevírají perspektivu pro intracelulární regulaci biochemie nervové systémy člověka, a to bez vedlejších účinků moderních léků, které určeny k udržení duševního, citového a smyslového zdraví

31 2.4 Rizika Rozvoj nanotechnologií přináší několik velmi důležitých otázek. V první řadě filosofického rázu. Molekulární nanotechnologie, které mohou zničit civilizaci na druhou stranu mají velký tvořivý potenciál. Tím se odlišuje, např. od jaderné energetiky, neodolatelná sila, která je mnohem vhodnější pro ničení. Stále zůstává riziko nepředvídatelného chování nanosystémů a jejich vyváznutí z pod kontroly člověka. Je napsáno dost článků a povídek o vzpouře počítačů proti člověku. Ale praxe vývoje počítačových systémů ukazuje, že se nic takového nestává a do budoucna se nestane. Nebezpečí tohoto druhu se vyskytne pouze v případě, pokud si systém sám sebe pozná a kdy u něj vzniknou vlastní cíle. V současné fázi vývoje chování počítačových systémů jsou příliš úzce omezeno algoritmickými programy. Navíc, tyto algoritmy jsou jen slabě spojené s životním prostředím, počítače teprve nyní začínají být vybavení audio vizuálními prostředky v podobě mikrofonů a kamer, a nemají prakticky žádné organy vlivu na okolní objekty. Vývoj nanopočítačů nevyhnutelně bude spojen s vytvořením neuronových sítí, které umožňují náhodné reakce na vnější vlivy, a růstem součinnosti (vztahů) počítač okolní svět. Spolu s obrovským zvýšením rychlosti a paměti v těchto systémech lze očekávat spontánní abiogenezi vědomí. Avšak k odmítnutí plnit vůli člověka může dojít nejen kvůli tomu, že nanosistémy začnou projevovat svou vůli, které vzdoruje vůli člověka, ale z důvodu nedostatku pochopení lidmi následků výkonu vlastních přání nanosistémy. Člověk nemůže předvídat všechny dopady činností nanosystémů kvůli jejich velmi vysoké komplikovanosti. Kromě spontánního nepodřízení systémů v důsledku vlastní vůli nebo hlouposti člověka, existuje mnoho příležitostí k poruchám nanosistemů splnit vůli člověka. Některé části těchto poruch je možno, teoreticky předejít, další části se vyhnout v zásadě nelze. Je téměř nemožné, aby se zabránilo vzpoře nanosystému pokud přání několika osob jsou vzájemně vylučující. V tomto případě nanosystém, během provádění příkazů jednoho člověka nebude poslouchat ostatních. Však těmito otázky se zabývá teorie systémů. Nanoroboty v tomto ohledu nebudou se lišit od současných a budoucích robotů, ledaže neuroprocesorem. Jenže chování neurosystémů, navzdory nedostatku hardwarových implementací jsou dostatečně dobře vyvinuté a prozkoumané. 31

Neuropočítače. podnět. vnímání (senzory)

Neuropočítače. 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

Více

Algoritmy a struktury neuropočítačů ASN - P1

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

Více

1 VZNIK, VÝVOJ A DEFINICE MECHATRONIKY

1 VZNIK, VÝVOJ A DEFINICE MECHATRONIKY 1 VZNIK, VÝVOJ A DEFINICE MECHATRONIKY 1.1 VÝVOJ MECHATRONIKY Ve vývoji mechatroniky lze vysledovat tři období: 1. etapa polovina 70. let, Japonsko, založení nového oboru shrnuje poznatky z mechaniky,

Více

VODA S ENERGIÍ Univerzita odhalila tajemství vody Objev hexagonální vody

VODA S ENERGIÍ Univerzita odhalila tajemství vody Objev hexagonální vody VODA S ENERGIÍ Univerzita odhalila tajemství vody Objev hexagonální vody Čtvrté skupenství vody: Hexagonální voda: Na univerzitě ve Washingtonu bylo objeveno čtvrté skupenství vody, což může vysvětlit

Více

Bakalářský stupeň studia V odborném studiu lze na Přírodovědecké fakultě JU studovat několik biologicky zaměřených oborů, které mají mnohaletou

Bakalářský stupeň studia V odborném studiu lze na Přírodovědecké fakultě JU studovat několik biologicky zaměřených oborů, které mají mnohaletou Bakalářský stupeň studia V odborném studiu lze na Přírodovědecké fakultě JU studovat několik biologicky zaměřených oborů, které mají mnohaletou historii spojenou s Biologickou fakultou JU: Biofyzika -

Více

Ambasadoři přírodovědných a technických oborů. Ing. Michal Řepka Březen - duben 2013

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

Více

5. Umělé neuronové sítě. Neuronové sítě

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

Více

INFORMAČNÍ A ŘÍDÍCÍ SYSTÉMY PRO TECHNOLOGICKÉ PROCESY (Soudobé vážicí systémy se zaměřením na zemědělskou výrobu)

INFORMAČNÍ A ŘÍDÍCÍ SYSTÉMY PRO TECHNOLOGICKÉ PROCESY (Soudobé vážicí systémy se zaměřením na zemědělskou výrobu) INFORMAČNÍ A ŘÍDÍCÍ SYSTÉMY PRO TECHNOLOGICKÉ PROCESY (Soudobé vážicí systémy se zaměřením na zemědělskou výrobu) Jan Havel Ing. Jan Havel, DrSc., TONAVA, a.s. Úpice Anotace: Problematika informačních

Více

Název: Hmoto, jsi živá? I

Název: Hmoto, jsi živá? I Název: Hmoto, jsi živá? I Výukové materiály Téma: Obecné vlastnosti živé hmoty Úroveň: střední škola Tematický celek: Obecné zákonitosti přírodovědných disciplín a principy poznání ve vědě Předmět (obor):

Více

Neuronové sítě Ladislav Horký Karel Břinda

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

Více

Učební osnovy předmětu Biologie

Učební osnovy předmětu Biologie (kvinta a sexta) Učební osnovy předmětu Biologie Charakteristika předmětu Vyučovací předmět vychází ze vzdělávací oblasti Člověk a příroda, vzdělávacích oborů Biologie a Geologie. Integruje část vzdělávacího

Více

Rozvoj vzdělávání žáků karvinských základních škol v oblasti cizích jazyků Registrační číslo projektu: CZ.1.07/1.1.07/02.0162

Rozvoj vzdělávání žáků karvinských základních škol v oblasti cizích jazyků Registrační číslo projektu: CZ.1.07/1.1.07/02.0162 ZŠ Určeno pro Sekce Předmět Rozvoj vzdělávání žáků karvinských základních škol v oblasti cizích jazyků Registrační číslo projektu: CZ.1.07/1.1.07/02.0162 Téma / kapitola Dělnická 6. 7. třídy ZŠ základní

Více

Pojmové mapy ve výuce fyziky

Pojmové mapy ve výuce fyziky Pojmové mapy ve výuce fyziky Renata Holubová Přírodovědecká fakulta UP Olomouc, e-mail: renata.holubova@upol.cz Úvod Rámcové vzdělávací programy mají pomoci dosáhnout u žáků přírodovědné gramotnosti. Tento

Více

ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT. Institut biostatistiky a analýz

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

Více

Fiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc

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

Více

Základní pojmy a historie výpočetní techniky

Základní pojmy a historie výpočetní techniky Základní pojmy a historie výpočetní techniky Vaše jméno 2009 Základní pojmy a historie výpočetní techniky...1 Základní pojmy výpočetní techniky...2 Historický vývoj počítačů:...2 PRVOHORY...2 DRUHOHORY...2

Více

Přírodou inspirované metody umělé inteligence

Přírodou inspirované metody umělé inteligence Přírodou inspirované metody umělé inteligence Roman Neruda Ústav informatiky AVČR roman@cs.cas.cz Nové Hrady, červenec 2012 Od Darwina a Mendela... ... k inteligentním agentům. Umělá inteligence 2 přístupy

Více

ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE

ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky a mezioborových inženýrských studií ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE AUTOREFERÁT DISERTAČNÍ PRÁCE 2005 JOSEF CHALOUPKA

Více

Srovnávací tabulka: Věcný záměr zákona o vysokých školách

Srovnávací tabulka: Věcný záměr zákona o vysokých školách Srovnávací tabulka: věcný záměr zákona o vysokých školách (2. verze ze dne 9.5.2011) a platná právní úprava (zákon č. 111/1998 Sb., o vysokých školách a o změně a doplnění dalších zákonů (zákon o vysokých

Více

4. Zpracování signálu ze snímačů

4. Zpracování signálu ze snímačů 4. Zpracování signálu ze snímačů Snímače technologických veličin, pasivní i aktivní, zpravidla potřebují převodník, který transformuje jejich výstupní signál na vhodnější formu pro další zpracování. Tak

Více

PROCESOR. Typy procesorů

PROCESOR. Typy procesorů PROCESOR Procesor je ústřední výkonnou jednotkou počítače, která čte z paměti instrukce a na jejich základě vykonává program. Primárním úkolem procesoru je řídit činnost ostatních částí počítače včetně

Více

Pro zředěné roztoky za konstantní teploty T je osmotický tlak úměrný molární koncentraci

Pro zředěné roztoky za konstantní teploty T je osmotický tlak úměrný molární koncentraci TRANSPORTNÍ MECHANISMY Transport látek z vnějšího prostředí do buňky a naopak se může uskutečňovat dvěma cestami - aktivním a pasivním transportem. Pasivním transportem rozumíme přenos látek ve směru energetického

Více

Inteligentní systémy a neuronové sítě

Inteligentní systémy a neuronové sítě Inteligentní systémy a neuronové sítě Arnošt Veselý, Česká zemědělská univerzita, Kamýcká, Praha 6 - Suchdol Summary: In the article two main architectures of inteligent systems: logical-symbolic and connectionist

Více

EKONOMIKA VEŘEJNÉHO SEKTORU 1

EKONOMIKA VEŘEJNÉHO SEKTORU 1 Metodický list č. 1 EKONOMIKA VEŘEJNÉHO SEKTORU 1 Název tematického celku: Úvod do předmětu ekonomika veřejného sektoru, veřejný sektor a veřejná správa. Cíl: Základním cílem tohoto tematického celku je

Více

Supravodiče. doc. Ing. Jiří Vondrák, DrSc. Získání nejnižších teplot - Kamerlingh-Onnes, kapalné hélium

Supravodiče. doc. Ing. Jiří Vondrák, DrSc. Získání nejnižších teplot - Kamerlingh-Onnes, kapalné hélium Supravodiče doc. Ing. Jiří Vondrák, DrSc. Získání nejnižších teplot - Kamerlingh-Onnes, kapalné hélium 1911 : studium závislosti odporu kovů na teplotě Rtuť : měrný odpor původní publikace : ρ < 10-8 Ω

Více

Policejní akademie České republiky v Praze BEZPEČNOST INFORMACÍ

Policejní akademie České republiky v Praze BEZPEČNOST INFORMACÍ Policejní akademie České republiky v Praze Fakulta bezpečnostního managementu PRŮVODCE KOMBINOVANÝM STUDIEM Metodická studijní opora BEZPEČNOST INFORMACÍ Bakalářský studijní program Veřejná správa, studijní

Více

Neuronové sítě (11. přednáška)

Neuronové sítě (11. přednáška) Neuronové sítě (11. přednáška) Machine Learning Naučit stroje se učit O co jde? Máme model výpočtu (t.j. výpočetní postup jednoznačně daný vstupy a nějakými parametry), chceme najít vhodné nastavení parametrů,

Více

2. RBF neuronové sítě

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

Více

Vysoká škola ekonomická v Praze. Fakulta managementu v Jindřichově Hradci. Diplomová práce. Bc. Natalija Lichnovská

Vysoká škola ekonomická v Praze. Fakulta managementu v Jindřichově Hradci. Diplomová práce. Bc. Natalija Lichnovská Vysoká škola ekonomická v Praze Fakulta managementu v Jindřichově Hradci Diplomová práce Bc. Natalija Lichnovská 2008 Vysoká škola ekonomická v Praze Fakulta managementu v Jindřichově Hradci Vyhodnocení

Více

Je pachová zátěž problémem? Eva Rychlíková Zdravotní ústav Kolín

Je pachová zátěž problémem? Eva Rychlíková Zdravotní ústav Kolín Je pachová zátěž problémem? Eva Rychlíková Zdravotní ústav Kolín Richard Axel a Linda Bucková, Nobelova cena za lékařství a fyziologii za rok 2004: Čichový systém savců rozlišuje velké množství různých

Více

Pojem architektura je převzat z jiného oboru lidské činnosti, než počítače.

Pojem architektura je převzat z jiného oboru lidské činnosti, než počítače. 1 Architektura počítačů Pojem architektura je převzat z jiného oboru lidské činnosti, než počítače. Neurčuje jednoznačné definice, schémata či principy. Hovoří o tom, že počítač se skládá z měnších částí

Více

TRANSFORMACE RELAČNÍHO DATOVÉHO MODELU NA OBJEKTOVÝ TRANSFORMATION OF RELATIONAL TO OBJECT DATA MODEL

TRANSFORMACE RELAČNÍHO DATOVÉHO MODELU NA OBJEKTOVÝ TRANSFORMATION OF RELATIONAL TO OBJECT DATA MODEL TRANSFORMACE RELAČNÍHO DATOVÉHO MODELU NA OBJEKTOVÝ TRANSFORMATION OF RELATIONAL TO OBJECT DATA MODEL Vít Holub Anotace Článek poskytne čtenáři základní přehled v datových modelech, ukáže výhody a nevýhody

Více

Prognostické metody. Prognostické metody. Vybrané prognostické metody ANALÝZA DAT V REGIONALISTICE. Doc. Ing. Alois Kutscherauer, CSc.

Prognostické metody. Prognostické metody. Vybrané prognostické metody ANALÝZA DAT V REGIONALISTICE. Doc. Ing. Alois Kutscherauer, CSc. Prognostické metody ANALÝZA DAT V REGIONALISTICE Prognostické metody Doc. Ing. Alois Kutscherauer, CSc. Prognostická praxe uplatňuje velké množství různých přístupů a metod (formalizovaných, intuitivních

Více

Úvod. Důležité odkazy:

Úvod. Důležité odkazy: Úvod Publikace Školy a školská zařízení přináší základní údaje za oblast školství v České republice ve školním roce 2014/15. Představuje vybrané statistické ukazatele o počtu škol, tříd, dětí, žáků a studentů

Více

EVA VOLNÁ MARTIN KOTYRBA MICHAL JANOŠEK VÁCLAV KOCIAN

EVA VOLNÁ MARTIN KOTYRBA MICHAL JANOŠEK VÁCLAV KOCIAN Doc. RNDr. PaedDr. Eva Volná, PhD. RNDr. Martin Kotyrba, Ph.D. RNDr. Michal Janošek, Ph.D. Mgr. Václav Kocian UMÌLÁ INTELIGENCE Rozpoznávání vzorù v dynamických datech Praha 2014 Anotace: Cílem knihy je

Více

ADAPTACE 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 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

Vytěžování znalostí z dat

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

Více

3. D/A a A/D převodníky

3. D/A a A/D převodníky 3. D/A a A/D převodníky 3.1 D/A převodníky Digitálně/analogové (D/A) převodníky slouží k převodu číslicově vyjádřené hodnoty (např. v úrovních TTL) ve dvojkové soustavě na hodnotu nějaké analogové veličiny.

Více

Architektura počítačů

Architektura počítačů Architektura počítačů Studijní materiál pro předmět Architektury počítačů Ing. Petr Olivka katedra informatiky FEI VŠB-TU Ostrava email: petr.olivka@vsb.cz Ostrava, 2010 1 1 Architektura počítačů Pojem

Více

PODNIKAVOST, PODNIKÁNÍ A JEJICH MÍSTO V RÁMCI VZDĚLÁVACÍHO PROCESU

PODNIKAVOST, PODNIKÁNÍ A JEJICH MÍSTO V RÁMCI VZDĚLÁVACÍHO PROCESU PODNIKAVOST, PODNIKÁNÍ A JEJICH MÍSTO V RÁMCI VZDĚLÁVACÍHO PROCESU Monika PISKORZOVÁ, Pavlína HRONOVÁ Vysoká škola podnikaní, katedra Podnikaní monika.piskorzova@vsp.cz, pavlina.hronova@vsp.cz Abstrakt

Více

Aplikace číslicového řízení

Aplikace číslicového řízení Aplikace číslicového řízení Učební text VOŠ a SPŠ Kutná Hora Řízení spotřeby Proč regulovat spotřebu obtížná regulace velkých energetických zdrojů převedení regulace na stranu odběratele tarifní systém

Více

Učební osnova předmětu stavba a provoz strojů

Učební osnova předmětu stavba a provoz strojů Učební osnova předmětu stavba a provoz strojů Obor vzdělání: 23 41 M/01 Strojírenství Délka a forma studia: 4 roky, denní Celkový počet hodin za studium: 13 Platnost od: 1.9.2009 Pojetí vyučovacího předmětu

Více

VÝZVA K PODÁNÍ NABÍDEK DO VÝBĚROVÉHO ŘÍZENÍ NA VEŘEJNOU ZAKÁZKU MALÉHO ROZSAHU ZADÁVACÍ PODMÍNKY

VÝZVA K PODÁNÍ NABÍDEK DO VÝBĚROVÉHO ŘÍZENÍ NA VEŘEJNOU ZAKÁZKU MALÉHO ROZSAHU ZADÁVACÍ PODMÍNKY VÝZVA K PODÁNÍ NABÍDEK DO VÝBĚROVÉHO ŘÍZENÍ NA VEŘEJNOU ZAKÁZKU MALÉHO ROZSAHU ZADÁVACÍ PODMÍNKY Název zakázky: Systém pro nukleofekci buněk 1. Identifikační údaje zadavatele Název zadavatele: ÚSTAV HEMATOLOGIE

Více

Zoltán Szabó, Jan Münz

Zoltán Szabó, Jan Münz PŘÍPRAVA ROZŠÍŘENÍ BAKALÁŘSKÉHO STUDIJNÍHO PROGRAMU BIOMEDICÍNSKÁ A KLINICKÁ TECHNIKA O OBOR BIOMEDICÍNCKÁ INFORMATIKA Zoltán Szabó, Jan Münz Anotace V současné době na ČVUT, Fakultě biomedicínského inženýrství

Více

V 70. letech výzkumy četnosti výskytu instrukcí ukázaly, že programátoři a

V 70. letech výzkumy četnosti výskytu instrukcí ukázaly, že programátoři a 1 Počítače CISC a RISC V dnešní době se ustálilo dělení počítačů do dvou základních kategorií podle typu použitého procesoru: CISC - počítač se složitým souborem instrukcí (Complex Instruction Set Computer)

Více

1 Měření na Wilsonově expanzní komoře

1 Měření na Wilsonově expanzní komoře 1 Měření na Wilsonově expanzní komoře Cíle úlohy: Cílem této úlohy je seznámení se základními částicemi, které způsobují ionizaci pomocí Wilsonovi mlžné komory. V této úloze studenti spustí Wilsonovu mlžnou

Více

4. ZPŮSOBY ZÍSKÁVÁNÍ TECHNOLOGICKÝCH INFORMACÍ Z VOZIDEL...

4. ZPŮSOBY ZÍSKÁVÁNÍ TECHNOLOGICKÝCH INFORMACÍ Z VOZIDEL... 4. ZPŮSOBY ZÍSKÁVÁNÍ TECHNOLOGICKÝCH INFORMACÍ Z VOZIDEL... Mnoho renomovaných výrobců se zaměřuje na lepší využití silničních vozidel a zapojení informačních technologií do řízení provozu. Jednou z nich

Více

SPECIFICKÝCH MIKROPROGRAMOVÝCH ARCHITEKTUR

SPECIFICKÝCH MIKROPROGRAMOVÝCH ARCHITEKTUR EVOLUČNÍ NÁVRH A OPTIMALIZACE APLIKAČNĚ SPECIFICKÝCH MIKROPROGRAMOVÝCH ARCHITEKTUR Miloš Minařík DVI4, 2. ročník, prezenční studium Školitel: Lukáš Sekanina Fakulta informačních technologií, Vysoké učení

Více

1. VYMEZENÍ ODBORNÉ STÁŽE

1. VYMEZENÍ ODBORNÉ STÁŽE 1. VYMEZENÍ ODBORNÉ STÁŽE Šablona stáže představuje základní rámec odborné stáže pro typovou pozici a obsahuje požadavky na obsah a průběh stáže, na stážistu i na poskytovatele stáže. Bílá pole označují

Více

Neuronové sítě. Vlasta Radová Západočeská univerzita v Plzni katedra kybernetiky

Neuronové sítě. Vlasta Radová Západočeská univerzita v Plzni katedra kybernetiky Neuronové sítě Vlasta Radová Západočeská univerzita v Plzni katedra kybernetiky Motivace pro výzkum umělých neuronových sítí lidský mozek pracuje jiným způsobem než běžné číslicové počítače počítače přesně

Více

VNITŘNÍ ZDROJE A SCHOPNOSTI ORGANIZACE

VNITŘNÍ ZDROJE A SCHOPNOSTI ORGANIZACE VNITŘNÍ ZDROJE A SCHOPNOSTI ORGANIZACE Ú V O D 1. VÝVOJ STRATEGICKÝCH PŘÍSTUPŮ 1.1 Historický přehled strategických přístupů 1.2 Přehled významných strategických přístupů 1.2.1 Hierarchické pojetí strategie

Více

Ukázka knihy z internetového knihkupectví www.kosmas.cz

Ukázka knihy z internetového knihkupectví www.kosmas.cz Ukázka knihy z internetového knihkupectví www.kosmas.cz Prof. MUDr. Otomar Kittnar, CSc., MBA, MUDr. Mikuláš Mlček, Ph.D. ATLAS FYZIOLOGICKÝCH REGULACÍ Editor: Prof. MUDr. Otomar Kittnar, CSc., MBA Autoři:

Více

nano.tul.cz Inovace a rozvoj studia nanomateriálů na TUL

nano.tul.cz Inovace a rozvoj studia nanomateriálů na TUL Inovace a rozvoj studia nanomateriálů na TUL nano.tul.cz Tyto materiály byly vytvořeny v rámci projektu ESF OP VK: Inovace a rozvoj studia nanomateriálů na Technické univerzitě v Liberci Zdravotní rizika

Více

Elektrická impedanční tomografie

Elektrická impedanční tomografie Biofyzikální ústav LF MU Projekt FRVŠ 911/2013 Je neinvazivní lékařská technika využívající nízkofrekvenční elektrické proudy pro zobrazení elektrických vlastností tkaní a vnitřních struktur těla. Různé

Více

SYSTÉM PRO AUTOMATICKÉ OVĚŘOVÁNÍ ZNALOSTÍ

SYSTÉM PRO AUTOMATICKÉ OVĚŘOVÁNÍ ZNALOSTÍ SYSTÉM PRO AUTOMATICKÉ OVĚŘOVÁNÍ ZNALOSTÍ PŘIBYL VLADIMÍR Fakulta managementu, Vysoká škola ekonomická v Praze, Jarošovská 1117/II, 377 01 Jindřichův Hradec priby-vl@fm.vse.cz Abstrakt: Příspěvek se zabývá

Více

STANOVENÍ VODNÍHO POTENCIÁLU REFRAKTOMETRICKY

STANOVENÍ VODNÍHO POTENCIÁLU REFRAKTOMETRICKY Úloha č. 1 Stanovení vodního potenciálu refraktometricky - 1 - STANOVENÍ VODNÍHO POTENCIÁLU REFRAKTOMETRICKY VODNÍ POTENCIÁL A JEHO SLOŽKY Termodynamický stav vody v buňce můžeme porovnávat se stavem čisté

Více

9 FYZIKA. 9.1 Charakteristika vyučovacího předmětu. 9.2 Vzdělávací obsah

9 FYZIKA. 9.1 Charakteristika vyučovacího předmětu. 9.2 Vzdělávací obsah 9 FYZIKA 9.1 Charakteristika vyučovacího předmětu Obsahové vymezení Vzdělávací obsah vyučovacího předmětu je vytvořen na základě rozpracování oboru Fyzika ze vzdělávací oblasti Člověk a příroda. Vzdělávání

Více

Pokroky matematiky, fyziky a astronomie

Pokroky matematiky, fyziky a astronomie Pokroky matematiky, fyziky a astronomie Emil Calda; Oldřich Odvárko Speciální třídy na SVVŠ v Praze pro žáky nadané v matematice a fyzice Pokroky matematiky, fyziky a astronomie, Vol. 13 (1968), No. 5,

Více

Počítačové kognitivní technologie ve výuce geometrie

Počítačové kognitivní technologie ve výuce geometrie Počítačové kognitivní technologie ve výuce geometrie Jiří Vaníček Univerzita Karlova v Praze - Pedagogická fakulta 2009 Počítačové kognitivní technologie ve výuce geometrie Abstrakt Kniha se zabývá využíváním

Více

Nervová soustává č love ká, neuron r es ení

Nervová soustává č love ká, neuron r es ení Nervová soustává č love ká, neuron r es ení Pracovní list Olga Gardašová VY_32_INOVACE_Bi3r0110 Nervová soustava člověka je pravděpodobně nejsložitěji organizovaná hmota na Zemi. 1 cm 2 obsahuje 50 miliónů

Více

Výzva a zadávací dokumentace k podlimitní veřejné zakázce na stavební práce

Výzva a zadávací dokumentace k podlimitní veřejné zakázce na stavební práce Statutární město Brno, MČ Brno-Kohoutovice Výzva a zadávací dokumentace k podlimitní veřejné zakázce na stavební práce dle 38 a v souladu 44 zákona č. 137/2006 Sb. o veřejných zakázkách, ve znění pozdějších

Více

ROZVOJ ROZUMOVÝCH SCHOPNOSTÍ PŘEDŠKOLÁK EDŠKOLÁKŮ FORMOU HER, HLAVOLAMŮ A VHODNÝCH ČINNOSTÍ

ROZVOJ ROZUMOVÝCH SCHOPNOSTÍ PŘEDŠKOLÁK EDŠKOLÁKŮ FORMOU HER, HLAVOLAMŮ A VHODNÝCH ČINNOSTÍ ROZVOJ ROZUMOVÝCH SCHOPNOSTÍ PŘEDŠKOLÁK EDŠKOLÁKŮ FORMOU HER, HLAVOLAMŮ A VHODNÝCH ČINNOSTÍ - PhDr. Jitka Fořtíková, Ph.D. - CENTRUM NADÁNÍ Lidský mozek má více než 100 miliard neuronů, a z každého z nich

Více

POŽÁRNÍ TAKTIKA. Proces hoření

POŽÁRNÍ TAKTIKA. Proces hoření MV- Ř EDITELSTVÍ H ASIČ SKÉHO ZÁCHRANNÉHO SBORU ČR O DBORNÁ PŘ ÍPRAVA JEDNOTEK POŽÁRNÍ OCHRANY KONSPEKT POŽÁRNÍ TAKTIKA 1-1-01 Základy požární taktiky Proces hoření Zpracoval : Oldřich VOLF HZS okresu

Více

přetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat

přetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat Zkouška ISR 2013 přetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat 1. Rozdílné principy u induktivního a deduktivního

Více

Vliv barometrického tlaku na úroveň hladiny vody v pozorovacích vrtech

Vliv barometrického tlaku na úroveň hladiny vody v pozorovacích vrtech Vliv barometrického tlaku na úroveň hladiny vody v pozorovacích vrtech JAN KAŠPÁREK Klíčová slova: pozorovací vrt barometrický tlak podzemní voda SOUHRN Příspěvek se zabývá vlivem změn barometrického tlaku

Více

Dynamické kritické jevy

Dynamické kritické jevy Dynamické kritické jevy statické vs. dynamické Ve statické situaci je kritické chování určeno: i. dimenzí parametru uspořádání ii. dimenzí fyzikálního prostoru každý obor začíná nejprve statickými jevy

Více

NSWI /2011 ZS. Principy cpypočítačůčů aoperačních systémů ARCHITEKTURA

NSWI /2011 ZS. Principy cpypočítačůčů aoperačních systémů ARCHITEKTURA Principy cpypočítačůčů aoperačních systémů ARCHITEKTURA Literatura W.Stallings: Computer Organization & Architecture J.L.Hennessy, P.A.Patterson: Patterson: Computer Architecture: a Quantitative Approach

Více

Nanotechnologie. Autor: Mgr. Stanislava Bubíková. Datum (období) tvorby: 29. 5. 2013. Ročník: devátý

Nanotechnologie. Autor: Mgr. Stanislava Bubíková. Datum (období) tvorby: 29. 5. 2013. Ročník: devátý Nanotechnologie Autor: Mgr. Stanislava Bubíková Datum (období) tvorby: 29. 5. 2013 Ročník: devátý Vzdělávací oblast: Člověk a příroda / Chemie / Chemie a společnost 1 Anotace: Žáci se seznámí s nanotechnologiemi.

Více

Chemie. Charakteristika předmětu

Chemie. Charakteristika předmětu Vzdělávací obor : Chemie Chemie Charakteristika předmětu Chemie je zahrnuta do vzdělávací oblasti Člověk a příroda. Chemie je vyučována v 8. a 9. ročníku s hodinovou dotací 2 hodiny týdně. Převáţná část

Více

1. Snímací část. Náčrtek CCD čipu.

1. Snímací část. Náčrtek CCD čipu. CCD 1. Snímací část Na začátku snímacího řetězce je vždy kamera. Před kamerou je vložen objektiv, který bývá možno měnit. Objektiv opticky zobrazí obraz snímaného obrazu (děje) na snímací součástku. Dříve

Více

NG C Implementace plně rekurentní

NG 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

Více

Matematika a ekonomické předměty

Matematika a ekonomické předměty Matematika a ekonomické předměty Bohuslav Sekerka, Soukromá vysoká škola ekonomických studií Praha Postavení matematiky ve výuce Zaměřím se na výuku matematiky, i když jsem si vědom, toho, že by měl být

Více

Materiály s tvarovou pamětí

Materiály s tvarovou pamětí Materiály s tvarovou pamětí This is a topic Transmisní elektronový mikroskop pro výzkum struktury materiálů (nejen) s tvarovou pamětí na Ústavu fyziky materiálů AV ČR, v. v. i. S jeho pomocí můžeme vidět

Více

II. Vzdělávání vedoucích úředníků

II. Vzdělávání vedoucích úředníků II. Vzdělávání vedoucích úředníků Cílová skupina a účel vzdělávání: Vzdělávání je určeno pro vedoucí úřadů, krajů, statutárních měst a pro tajemníky obcí s rozšířenou působností. Cílem vzdělávacího programu

Více

Manuál pro členy pracovních skupin Sektorové rady k vytváření dílčích kvalifikací

Manuál pro členy pracovních skupin Sektorové rady k vytváření dílčích kvalifikací Manuál pro členy pracovních skupin Sektorové rady k vytváření dílčích kvalifikací (manuál slouží jako doplňující metodika naplňování NSK) Části: I. Základní kroky tvorby hodnoticího standardu dílčí kvalifikace

Více

Magnetická a rychlostní pole v aktivní oblasti (NOAA 7757, 1994) a v jejím okolí

Magnetická a rychlostní pole v aktivní oblasti (NOAA 7757, 1994) a v jejím okolí Magnetická a rychlostní pole v aktivní oblasti (NOAA 7757, 1994) a v jejím okolí V. Bumba, Astronomický ústav Akademie věd České republiky, observatoř Ondřejov, Česká republika, bumba @asu.cas.cz M. Klvaňa,

Více

technologie MAR ASŘ chyba Obr.1. Působení chyby vzniklé v MAR

technologie MAR ASŘ chyba Obr.1. Působení chyby vzniklé v MAR Význam ASŘ při rekonstrukci stokových sítí a ČOV Ing.Oldřich Hladký VAE CONTROLS s.r.o., Ostrava Úvod Nebytnou podmínkou zavádění automatizovaných systémů řízení (ASŘ) v rozličných oborech lidské činnosti

Více

Vzdělávací cíl. Objasnit proces akvizice a jeho význam a úlohu v činnosti subjektu veřejné správy.

Vzdělávací cíl. Objasnit proces akvizice a jeho význam a úlohu v činnosti subjektu veřejné správy. Fakulta vojenského leadershipu Katedra ekonomie Investice a akvizice Téma 2: Proces akvizice - jeho úloha a postavení v životním cyklu systému Brno 2014 Pavel Vyleťal Ing. Pavel Vyleťal, Ph.D. Operační

Více

Obsah DÍL 2 KAPITOLA 6. 6 Automatická regulace 9. 6.1 Základní terminologie historické souvislosti 12

Obsah DÍL 2 KAPITOLA 6. 6 Automatická regulace 9. 6.1 Základní terminologie historické souvislosti 12 Obsah DÍL 2 KAPITOLA 6 6 Automatická regulace 9 6.1 Základní terminologie historické souvislosti 12 6.2 Dynamický systém, nástroje a metody jeho analýzy 18 6.2.1 Popis dynamického systému 19 6.2.2 Simulace

Více

Principy činnosti sběrnic

Principy činnosti sběrnic Cíl přednášky: Ukázat, jak se vyvíjely architektury počítačů v souvislosti s architekturami sběrnic. Zařadit konkrétní typy sběrnic do vývojových etap výpočetních systémů. Ukázat, jak jsou tyto principy

Více

PRINCIPY PRO PŘÍPRAVU NÁRODNÍCH PRIORIT VÝZKUMU, EXPERIMENTÁLNÍHO VÝVOJE A INOVACÍ

PRINCIPY PRO PŘÍPRAVU NÁRODNÍCH PRIORIT VÝZKUMU, EXPERIMENTÁLNÍHO VÝVOJE A INOVACÍ RADA PRO VÝZKUM, VÝVOJ A INOVACE PRINCIPY PRO PŘÍPRAVU NÁRODNÍCH PRIORIT VÝZKUMU, EXPERIMENTÁLNÍHO VÝVOJE A INOVACÍ 1. Úvod Národní politika výzkumu, vývoje a inovací České republiky na léta 2009 až 2015

Více

Základní charakteristika výzkumné činnosti Ústavu fyzikální chemie

Základní charakteristika výzkumné činnosti Ústavu fyzikální chemie Základní charakteristika výzkumné činnosti Ústavu fyzikální chemie Základním předmětem výzkumu prováděného ústavem je chemická termodynamika a její aplikace pro popis vybraných vlastností chemických systémů

Více

Odůvodnění Obecná část Zhodnocení platného právního stavu Odůvodnění navrhované právní úpravy

Odůvodnění Obecná část Zhodnocení platného právního stavu Odůvodnění navrhované právní úpravy Odůvodnění Obecná část Zhodnocení platného právního stavu Na základě zákona č. 458/2000 Sb., o podmínkách podnikání a o výkonu státní správy v energetických odvětvích a o změně některých zákonů (energetický

Více

SPOTŘEBITELSKÝ KOŠ CONSUMER BASKET. Martin Souček

SPOTŘEBITELSKÝ KOŠ CONSUMER BASKET. Martin Souček SPOTŘEBITELSKÝ KOŠ CONSUMER BASKET Martin Souček Abstrakt: Práce se zabývá spotřebitelským košem a jeho vztahem k marketingu. Snaží se popsat vzájemné souvislosti a význam spotřebitelského koše pro marketing

Více

NAIL072 ROZPOZNÁVÁNÍ VZORŮ

NAIL072 ROZPOZNÁVÁNÍ VZORŮ NAIL072 ROZPOZNÁVÁNÍ VZORŮ RNDr. Jana Štanclová, Ph.D. jana.stanclova@ruk.cuni.cz www.cuni.cz/~stancloj LS Zk 2/0 OSNOVA 1. Úvod do rozpoznávání vzorů 2. Bayesovská teorie rozpoznávání 3. Diskriminační

Více

MĚŘENÍ PORUCH PŘEDIZOLOVANÝCH POTRUBNÍCH SYSTÉMŮ POMOCÍ PŘENOSNÉHO REFLEKTOMETRU BDP

MĚŘENÍ PORUCH PŘEDIZOLOVANÝCH POTRUBNÍCH SYSTÉMŮ POMOCÍ PŘENOSNÉHO REFLEKTOMETRU BDP MĚŘENÍ PORUCH PŘEDIZOLOVANÝCH POTRUBNÍCH SYSTÉMŮ POMOCÍ PŘENOSNÉHO REFLEKTOMETRU BDP 103 Doplněk návodu k obsluze BDP 103 14.09.2000 (upraveno 15.02.2005) Tento doplněk předpokládá znalost Návodu k obsluze

Více

SIMPROKIM METODIKA PRO ŠKOLENÍ PRACOVNÍKŮ K IZOVÉHO MANAGEMENTU

SIMPROKIM METODIKA PRO ŠKOLENÍ PRACOVNÍKŮ K IZOVÉHO MANAGEMENTU SIMPROKIM METODIKA PRO ŠKOLENÍ PRACOVNÍKŮ K IZOVÉHO MANAGEMENTU SIMPROKIM Metodika pro školení pracovníků krizového managementu Kolektiv autorů Ostrava, 2014 Autorský kolektiv: doc. Ing. Vilém Adamec,

Více

Každý prostředek se dá efektivně využít, je-li správně uchopen a použit David Nocar

Každý prostředek se dá efektivně využít, je-li správně uchopen a použit David Nocar Informační a komunikační technologie ve vzdělávání NOCAR David Abstrakt: Autor se v článku zaměřuje na současné možnosti využití informačních a komunikačních technologií ve vzdělávání. Poukazuje jak na

Více

Základní škola a mateřská škola, Ostrava-Hrabůvka, Mitušova 16, příspěvková organizace Školní vzdělávací program 2. stupeň, Člověk a příroda.

Základní škola a mateřská škola, Ostrava-Hrabůvka, Mitušova 16, příspěvková organizace Školní vzdělávací program 2. stupeň, Člověk a příroda. Fyzika Fyzika je tou součástí školního vzdělávacího plánu školy, která umožňuje žákům porozumět přírodním dějům a zákonitostem. Dává jim potřebný základ pro lepší pochopení a orientaci v životě. Díky praktickým

Více

Teorie množin. kapitola 2

Teorie množin. kapitola 2 Teorie množin kapitola 2 kapitola 2 část 3 Intervaly Základní poznatky Teorie množin Co po tobě budu dneska chtít? V této podkapitole tě naučím pracovat s intervaly, správně je zapisovat a zakreslovat

Více

Konfigurace řídicího systému technikou Hardware In The Loop

Konfigurace řídicího systému technikou Hardware In The Loop 1 Portál pre odborné publikovanie ISSN 1338-0087 Konfigurace řídicího systému technikou Hardware In The Loop Szymeczek Michal Elektrotechnika, Študentské práce 20.10.2010 Bakalářská práce se zabývá konfigurací

Více

Zadávací dokumentace

Zadávací dokumentace Zadávací dokumentace k nadlimitní veřejné zakázce zadávané v otevřeném řízení dle ust. 21 odst. 1 písm. a) a 27 a násl. zákona č. 137/2006 Sb., o veřejných zakázkách v platném znění (dále také jako zákon

Více

LBP, HoG Ing. Marek Hrúz Ph.D. Plzeň Katedra kybernetiky 29. října 2015

LBP, HoG Ing. Marek Hrúz Ph.D. Plzeň Katedra kybernetiky 29. října 2015 LBP, HoG Ing. Marek Hrúz Ph.D. Plzeň Katedra kybernetiky 29. října 2015 1 LBP 1 LBP Tato metoda, publikovaná roku 1996, byla vyvinuta za účelem sestrojení jednoduchého a výpočetně rychlého nástroje pro

Více

Ekologické spínání. Publikace Platformy ekologického spínání

Ekologické spínání. Publikace Platformy ekologického spínání Ekologické spínání Publikace Platformy ekologického spínání Úvod Tato publikace vyjadřuje stanoviska Platformy ekologického spínání (Green Switching Platform). Shrnuje informace o důsledcích použití skleníkového

Více

Menstruační cyklus. den fáze změny

Menstruační cyklus. den fáze změny Menstruační cyklus Menstruační cyklus Zahrnuje v sobě poměrně složitý děj při kterém dochází ke změnám na vaječníku, děloze (zvláště sliznici děložní), vejcovodech, pochvě. V jeho průběhu dochází ke změnám

Více

Nanotechnologie a jejich aplikace. doc. RNDr. Roman Kubínek, CSc.

Nanotechnologie a jejich aplikace. doc. RNDr. Roman Kubínek, CSc. Nanotechnologie a jejich aplikace doc. RNDr. Roman Kubínek, CSc. Předpona pochází z řeckého νανος což znamená trpaslík 10-9 m 380-780 nm rozsah λ viditelného světla Srovnání známých malých útvarů SPM Vyjasnění

Více

Clemův motor vs. zákon zachování energie

Clemův motor vs. zákon zachování energie Clemův motor vs. zákon zachování energie (c) Ing. Ladislav Kopecký, 2009 V učebnicích fyziky se traduje, že energii nelze ani získat z ničeho, ani ji zničit, pouze ji lze přeměnit na jiný druh. Z této

Více

Ing. Stanislav Jakoubek

Ing. Stanislav Jakoubek Ing. Stanislav Jakoubek Číslo DUMu III/2-3-3-01 III/2-3-3-02 III/2-3-3-03 III/2-3-3-04 III/2-3-3-05 III/2-3-3-06 III/2-3-3-07 III/2-3-3-08 Název DUMu Elektrický náboj a jeho vlastnosti Silové působení

Více

2. Otázky k zamyšlení

2. Otázky k zamyšlení Úloha č. 3: Měření vodního a osmotického potenciálu psychrometricky 1. Co je to vodní potenciál (Ψ w ) systému půda(voda) rostlina atmosféra? Vodní potenciál Ψ w je definován jako aktivita vody v systému.

Více

Vývoj informačních systémů. Obecně o IS

Vývoj informačních systémů. Obecně o IS Vývoj informačních systémů Obecně o IS Informační systém Informační systém je propojení informačních technologií a lidských aktivit směřující k zajištění podpory procesů v organizaci. V širším slova smyslu

Více