2 Struktura ortogonální neuronové sítě
|
|
- Matěj Havlíček
- před 5 lety
- Počet zobrazení:
Transkript
1 XXXII. Senar ASR '7 Instruents and Control, Farana, Sutný, Kočí & Babuch (eds) 7, VŠB-UO, Ostrava, ISBN Neural Netork Usng Orthogonal Actvaton Functon Využtí ortogonální aktvační funkce v neuronové sít ŠKUOVÁ, Jolana Ing., VŠB U Ostrava, jolana.skutova@vsb.cz, Abstrakt: V oblast odelování nebo řízení neuronových sítí se často využívá neuronová síť se zpětný šíření, tzv. perceptronová neuronová síť, která se potýká s probléy lokálního na, nízkou rychlostí konvergence, volbou počátečních paraetrů vah a počte neuronů. V toto příspěvku je prezentována ortogonální neuronová síť s jednou skrytou vrstvou, která využívá ortogonální aktvační funkce. ato neuronová síť uožňuje odstrant výše uvedené probléy. Klíčová slova: odelování, neuronová síť, ortogonální funkce, řízení systéu, trénování Úvod Neuronové sítě v oblast odelování funkcí, odelování reálných systéů, řízení a optalzace systéů, robotce jsou v současné době běžně využívány. Nejčastěj aplkovaný neuronový sítě jsou zde dopředné vícevrstvé sítě, konkrétně podle typu použté aktvační funkce perceptronové a radální sítě. Př jejch aplkac se vyskytují probleatcké ísta s rychlostí konvergence trénnkového algortu, dosažení globálního na algortu poklesu gradentu, volba počátečních hodnot paraetrů neuronové sítě apod. V řadě publkací se řeší právě různé etodky pro odstranění těchto probléů a jední z radkálních přístupů je volba nové struktury neuronové sítě, která dokáže tyto probleatcká ísta odstrant. ento příspěvek popsuje jný typ neuronové sítě s netradční vntřní uspořádání vazeb ez neurony a ortogonální type aktvační funkce. V závěru jsou předloženy výsledky sulačního odelování ortogonální neuronové sítě pro zvolenou nelneární funkc. Struktura ortogonální neuronové sítě ONN (orthogonal neural netork) je dopředná neuronová síť s několka vstupy a jední výstupe (ISO ultple nput snge output), která využívá ve vntřní skryté vrstvě ortogonální aktvační funkce ve skrytých neuronech (obrázek ). Vstupy neuronové sítě se rozvětvují do bloku ortogonálních neuronů pro daný vstup. Počet neuronů pro každý vstup je lbovolný a prvníu neuronu odpovídá první řád ortogonální funkce a -téu neuronu odpovídá -tý řád ortogonální funkce. Počet ortogonálních neuronů je dán vztahe: N ortg = N, () = kde je počet vstupů ONN a N je počet neuronů (aální řád ortogonální funkce) pro každý vstup. Další vrstvu neuronové sítě tvoří uzly vytvořené kobnací součnů jednotlvých výstupů z ortogonálních neuronů a to je ožné vyjádřt jako φ ( ) φ ( ) = n K n n, () = = [ K je -rozěrný vstupní vektor, φn je výstup ortogonální kde ] funkce pro každý skrytý neuron. [LEONDES 998] 47
2 Výstup ONN je dán součte všech výstupních uzlů z předchozí vrstvy () a lze je ateatcky vyjádřt takto: yˆ N (, ˆ ) = ( ) = Φ ( ) n = N n = n ˆ K φ. (3) n nkn kde Φ () je transforovaný vstupní vektor a ŵ je transforovaný vektor vah neuronové sítě. Orthogonal functon Produkt functon Su functon K N K N N K N K N K N Σ y N K N N K N N N K N Obrázek Struktura ortogonální neuronové sítě (ONN) Ortonorální aktvační funkce Rychlost konvergence, která je pro perceptronové č radální neuronové sítě, probleatcký íste, je díky použtí ortonorálních funkcí jako aktvačních funkcí v neuronové sít větší. Funkce φ jsou ortogonální na ntervalu [ n, a ] tehdy, pokud pro n ně platí Φ a ( N ) ( N ) φ ( ) φ j ( ) d = δj, (4) n kde δ j je Kroneckerův sybol, pro který platí pokud = j δ j = (5) pokud j Estuje řada ortonorálních polynoů, např. Hertovy, Legendrovy, Laguerrovy, Chebysevovy a Fourerovy polynoy [WIKIPEDIA]. Zatí byly aplkovány Legendrovy a Fourerovy polynoy pro odelování dané nelneární funkce. ONN s využtí Fourerových polynoů jako ortogonálních aktvačních funkcí neuronové sítě neěly tak kvaltní výsledky, takže další eperenty byly realzovány pouze s Legendrový polynoy. 48
3 3 etoda trénování ONN Pro nastavení vah ortogonální neuronové sítě se využívá algortus poklesu gradentu, který vychází z kvadratcké chyby trénování neuronové sítě ) E = e = ( y y), (6) kde e je chyba ez y (aktuální výstup) a y ) (výstupe ONN). Algortus poklesu gradentu postupuje sěre záporného gradentu a adaptace paraetrů vah neuronové sítě se provádí dle vztahu ) E Δ = δ ), (7) kde Δ ) je zěna paraetrů vah, δ je paraetr rychlost trénování, paraetr ) pak označuje stavové váhy před jejch adaptací a E se ohodnocující funkce. edy adaptace paraetrů ONN probíhá podle algortu okažtého poklesu gradentu ) ) ( t) = ( t ) + δeφ( t), (8) kde Φ(t) je transforovaný vstupní vektor obsahující ortogonální funkce. Paraetr rychlost trénování je z důvodu zajštění stablty trénování ONN nutné zvolt dle vztahu < δ <. (9) Φ Φ Paraetr rychlost trénování je jední z paraetrů, které jsou součástí eperentu př získávání optálního odelu neuronové sítě v závslost na zvolené odelované systéu. [LEONDES 998] 4 odelování nelneární funkce V toto příspěvku jsou uvedeny výsledky s odelování nelneární funkce. Výsledky jsou ezkroke ez další výzkunou prací v oblast odelování reálné soustavy, případně aplkací ortogonální sítě v procesu řízení. Prozatí byly úspěšně proveden návrh a odladění algortu pro realzac a trénování ONN v prograu atlab/sulnk, optalzace zdrojového kódu kvůl nezbytné rychlost prograového kódu. Ověření a eperenty s návrhe konkrétní struktury byly provedeny tedy na odelování zvolené nelneární funkce, která je dána vztahe: y ( ) =. () + e Struktura neuronové sítě byla tvořena jední vstupe a jední výstupe nelneární funkce, ve skryté vrstvě bylo neuronů s ortogonální funkcí typu Legendrova aktvační funkce. řádu až. řádu. Pracovní oblast vstupního sgnálu odpovídá ntervalu hodnot [-,5;.,5]. rénování ONN probíhalo v epochách (epocha odpovídá jednou cyklu trénnkového algortu pro celou trénnkovou nožnou dat). aální počet epoch pro kvaltní výsledky adaptace paraetrů ONN byl zvolen. Paraetr rychlost konvergence byl otázkou eperentů a pro tyto grafy sulací nelneární funkce byl nastaven na hodnotu čtvrtny aální hodnoty paraetru vz. (9). Počáteční hodnoty vah jsou dány náhodně v rozsahu ntervalu hodnot [-;]. Př několkanásobné spuštění algortu trénování s různý ncalzační hodnota paraetrů vah neuronové sítě bylo prokázáno dosažení globálního na. Konečné hodnoty vah ONN se ustálly s vel alý chyba o několk řádů nžších než výstupní hodnoty na stejné nu. V případě, že váhy se v poslední cyklu trénování neuronové sítě ustálí na konstantní hodnotě po dobu jednoho cyklu (epochy), pak je ožné výsledné paraetry vah neuronové sítě použít pro off-lne aplkac neuronové sítě. V případě, že hodnoty paraetrů vah pro poslední epochu nepředstavují příku rovnoběžnou osou, ale kolísají, pak ůže být odelovaná funkce zatížena nepřjatelnou chybou pro další využtí, nebo je ožné aplkovat 49
4 on-lne trénnkový algortus neuronové sítě, ale zde zase není zajštěna globální robustnost a stablta. V prograu Sulnk byly vytvořeny a realzovány jednotlvé řády Legendrova polynou. Obtížnou částí realzace bylo, za přspění nálního počtu bloků, sestavení celé neuronové sítě, zejéna kobnační část s bloky Product. e Chyba ortogonaln neuronove ste pro odelovanou nelnearn funkc y Aktuální výstup y a výstup ONN pro první a poslední epochu trénování první epocha poslední epocha aktuální výstup výstup ONN -.epocha výstup ONN -.epocha Obrázek Chyba ONN pro danou nelneární funkc Adaptace paraetru vah ONN Obrázek 3 Aktuální výstup a výstup ONN pro danou nelneární funkc Konvergence trénování ONN E n Obrázek 4 Hodnoty paraetrů vah ONN pro první (plná čára) epochu a poslední (tečkovaná čára) epochu trénování Obrázek 5 Konvergence ortogonální neuronové sítě př trénování 5 Závěr Ortogonální neuronové sítě odstraňují některé zásadní probleatcké ísta aplkace perceptronových neuronových sítí, jako je rychlost konvergence algortu trénování, dosažení globálního na př trénování neuronové sítě. Na rozdíl od perceptronových sítí však vyžaduje jný typ trénnkové nožny dat pro získání robustního odelu neuronové sítě. V současnost probíhají testy a eperenty s volbou počtu a typu vstupů, type trénnkové nožny dat a počte ortogonálních neuronů (řádu Legendrova polynou) pro konkrétní reálný tlakovzdušný systé. V dostupných publkacích z oblast aplkací neuronových sítí estuje také řada schéat pro řízení systéu s využtí neuronových sítí, a proto je ve stavu výzkuu a testování návrh vhodné struktury za účele získání kvaltního řízení. Příspěvek byl vytvořen ve spoluprác a za podpory grantu GAČR No /6/49. 5
5 6 Použtá lteratura GUO, B. & YU, J. 6. odel Adaptve Control Based on a Copound Orthogonal Neural Netork. Internatonal Journal of Inforaton echnology, vol., no. 5, 99-7 LEONDES, C Control and Dynac Systes. Acadec Press. 438 pg. ISBN SOLOWAY, D. & HALEY, P. J Neural Generalzed Predctve Control. A Neton- Raphson Ipleentaton. Proceedngs of the IEEE CCA/ISIC/CACSD, IEEE Paper No. ISIAC-A5., Sept WIKIPEDIA. he Free Encyclopeda. [onlne].poslední aktualzace Dostupný z : <URL: YANG, S. S. & SENG, C. S An Orthogonal Neural Netork for Functon Approaton. IEEE rans. Syst., an, Cybern., vol. 6, no. 5, pp
P i= Od každého obrázku sady odečteme průměrný obraz (provedeme centrování dat): (2)
METODA PCA A JEJÍ IMPLEMENTACE V JAZYCE C++ Lukáš Frtsch, Ing. ČVUT v Praze, Fakulta elektrotechncká, Katedra radoelektronky Abstrakt Metoda PCA (Prncpal Coponent Analyss- analýza hlavních koponent) ůže
VíceUmělé neuronové sítě a Support Vector Machines. Petr Schwraz
Umělé neuronové sítě a Support Vector Machnes Petr Schraz scharzp@ft.vutbr.cz Perceptron ( neuron) x x x N f() y y N f ( x + b) x vstupy neuronu váhy jednotlvých vstupů b aktvační práh f() nelneární funkce
VíceNÁVRH DECENTRALIZOVANÉHO ŘÍZENÍ METODOU DYNAMICKÉ KOMPENZACE. Milan Cepák, Branislav Rehák, Vladimír Havlena ČVUT FEL, katedra řídicí techniky
ÁVR DECETRALIZVAÉ ŘÍZEÍ METDU DYAMICÉ MPEZACE Mlan Cepák, ranslav Rehák, Vladír avlena ČVUT FEL, katedra řídcí technky Abstrakt: Tento příspěvek se zabývá návrhe decentralzovaného řízení rozlehlých systéů
VíceVyužití přímé inverzní metody pro řízení reálných systémů
XXVI. ASR '2001 Seminar, Instruments and Control, Ostrava, April 26-27, 2001 Paper 70 Využití přímé inverzní metody pro řízení reálných systémů ŠKUTOVÁ, Jolana Ing., Katedra ATŘ-352, VŠB-TU Ostrava, 17.
VíceMěření příkonu míchadla při míchání suspenzí
U8 Ústav procesní a zpracovatelské technky FS ČVUT v Praze Měření příkonu rotačních íchadel př íchání suspenzí I. Úkol ěření V průyslu téěř 60% všech operacích, kdy je íchání používáno, představuje íchání
Více3. Vícevrstvé dopředné sítě
3. Vícevrstvé dopředné sítě! Jsou tvořeny jednou nebo více vrstvami neuronů (perceptronů). Výstup jedné vrstvy je přitom připojen na vstup následující vrstvy a signál se v pracovní fázi sítě šíří pouze
VíceSIMULACE VAZEB MEZI VÁLCOVACÍMI STOLICEMI
SIMULACE VAZEB MEZI VÁLCOVACÍMI STOLICEMI Ing. Aleš Galuška VŠB-TU Ostrava Astract Tento řísěvek se zaývá sulací vaze ez válcovací stolce. Vycházeje ze tří vaze, kde uvažuje tyto: konace vazy ružné a lastcké,
VíceIvana Linkeová SPECIÁLNÍ PŘÍPADY NURBS REPREZENTACE. 2 NURBS reprezentace křivek
25. KONFERENCE O GEOMETRII A POČÍTAČOVÉ GRAFICE Ivana Lnkeová SPECIÁLNÍ PŘÍPADY NURBS REPREZENTACE Abstrakt Příspěvek prezentuje B-splne křvku a Coonsovu, Bézerovu a Fergusonovu kubku jako specální případy
VíceNávody na cvičení. Prof. Ing. Jiří Militký CSc. EUR ING Ing. Miroslava Maršálková
VLASTNOSTI VLÁKEN Návody na cvčení Pro. Ing. Jří Mltký CSc. EUR ING Ing. Mroslava Maršálková TU Lberec 3 Náplň cvčení z předětu VLASTNOSTI VLÁKEN NÁPLŇ CVIČENÍ:. týden Úvod, bezpečnostní předpsy, poůcky.
VíceVyužití neuronové sítě pro identifikaci realného systému
1 Portál pre odborné publikovanie ISSN 1338-0087 Využití neuronové sítě pro identifikaci realného systému Pišan Radim Elektrotechnika 20.06.2011 Identifikace systémů je proces, kdy z naměřených dat můžeme
VíceSCIENTIFIC PAPERS OF THE UNIVERSITY OF PARDUBICE APLIKACE NEURONOVÝCH SÍTÍ PRO DETEKCI PORUCH SIGNÁLŮ
SCIENTIFIC PAPERS OF THE UNIVERSITY OF PARDUBICE Seres B The Jan Perner Transport Faculty 5 (1999) APLIKACE NEURONOVÝCH SÍTÍ PRO DETEKCI PORUCH SIGNÁLŮ Mchal MUSIL Katedra provozní spolehlvost, dagnostky
VíceÝ Á Ě ÝÚ Ř Ř ň ň ň ý ě ň ý ň ý ň ň ň Ů Ú š ě ý š ž ě ě Ú Č Ú ě ú Č ý Ú ě Ř ě ě ě ý ě ě ě ě š ě Ú Č ý ť ť š ý ě Š ý Š ě ě ý ě ě ě ý Ó ě ě ě ě ý ě š ě Č ě š ě ě ě ý ě ý ě ý ě ě ý ě ě ě ú Í Š Š š ě Š ě Š
VíceIterační výpočty. Dokumentace k projektu pro předměty IZP a IUS. 22. listopadu projekt č. 2
Dokumentace k projektu pro předměty IZP a IUS Iterační výpočty projekt č.. lstopadu 1 Autor: Mlan Setler, setl1@stud.ft.vutbr.cz Fakulta Informačních Technologí Vysoké Učení Techncké v Brně Obsah 1 Úvod...
VíceMODELOVÁNÍ A SIMULACE
MODELOVÁNÍ A SIMULACE základní pojmy a postupy vytváření matematckých modelů na základě blancí prncp numerckého řešení dferencálních rovnc základy práce se smulačním jazykem PSI Základní pojmy matematcký
VícePřemysl Žiška, Pravoslav Martinek. Katedra teorie obvodů, ČVUT Praha, Česká republika. Abstrakt
ALGORITMUS DIFERENCIÁLNÍ EVOLUCE A JEHO UŽITÍ PRO IDENTIFIKACI NUL A PÓLŮ PŘE- NOSOVÉ FUNKCE FILTRU Přemysl Žška, Pravoslav Martnek Katedra teore obvodů, ČVUT Praha, Česká republka Abstrakt V příspěvku
Víceě ě š é Č ě ě š Š š Č ú ě ě ě ě ó š ě ě š é ě é š ě é é é ě é é ěž ě Ž ě ě ě ů ě š ů ů é Ž ňů ňů Ž Ž é ňů ů ď é ů ď é ů Ý ď é é ňů ňů ě ů ňů ů ů ě é ňů Ý ě Ý ď é é š Ž š š Ž ě Ž ů ě š ě Ž Ž š ě é Ž Ž š
VíceVÝZNAM VLASTNÍCH FREKVENCÍ PRO LOKALIZACI POŠKOZENÍ KONZOLOVÉHO NOSNÍKU
VÝZNAM VLASTNÍCH FREKVENCÍ PRO LOKALIZACI POŠKOZENÍ KONZOLOVÉHO NOSNÍKU Ing. Petr FRANTÍK, Ph.D., Ing. David LEHKÝ, Ph.D., Ústav stavební echaniky, Fakulta stavební, Vysoké učení technické v Brně, tel.:
VíceVytěžování znalostí z dat
Pavel Kordík, Josef Borkovec (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 8 1/26 Vytěžování znalostí z dat Pavel Kordík, Josef Borkovec Department of Computer Systems Faculty of Information
VíceMechatronické systémy s elektronicky komutovanými motory
Mechatroncké systémy s elektroncky komutovaným motory 1. EC motor Uvedený motor je zvláštním typem synchronního motoru nazývaný též bezkartáčovým stejnosměrným motorem (anglcky Brushless Drect Current
VíceÚvod 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
VíceRekonstrukce objektu a pozice pozorovatele z 2D pohledů
Západočeská unverzta v Plzn Fakulta aplkovaných věd Katedra nforatky a výpočetní technky Dploová práce Rekonstrukce objektu a pozce pozorovatele z D pohledů Plzeň 004 Ladslav Lang Abstrakt Anotace v češtně
VíceAlgoritmy a struktury neuropočítačů ASN P4. Vícevrstvé sítě dopředné a Elmanovy MLNN s učením zpětného šíření chyby
Algoritmy a struktury neuropočítačů ASN P4 Vícevrstvé sítě dopředné a Elmanovy MLNN s učením zpětného šíření chyby Vrstevnatá struktura - vícevrstvé NN (Multilayer NN, MLNN) vstupní vrstva (input layer)
Více2. RBF neuronové sítě
2. RBF neuronové sítě Kapitola pojednává o neuronových sítích typu RBF. V kapitole je popsána základní struktura tohoto typu neuronové sítě. Poté následuje definice a charakteristika jednotlivých radiálně
VíceSIMULACE A ŘÍZENÍ PNEUMATICKÉHO SERVOPOHONU POMOCÍ PROGRAMU MATLAB SIMULINK. Petr NOSKIEVIČ Petr JÁNIŠ
bstrakt SIMULCE ŘÍZENÍ PNEUMTICKÉHO SERVOPOHONU POMOCÍ PROGRMU MTL SIMULINK Petr NOSKIEVIČ Petr JÁNIŠ Katedra automatzační technky a řízení Fakulta stroní VŠ-TU Ostrava Příspěvek popsue sestavení matematckého
VíceAlgoritmy a struktury neuropočítačů ASN - P11
Aplikace UNS při rozpoznání obrazů Základní úloha segmentace obrazu rozdělení obrazu do několika významných oblastí klasifikační úloha, clusterová analýza target Metody Kohonenova metoda KSOM Kohonenova
VíceStaré mapy TEMAP - elearning
Staré mapy TEMAP - elearnng Modul 4 Kartometrcké analýzy Ing. Markéta Potůčková, Ph.D., 2013 Přírodovědecká fakulta UK v Praze Katedra aplkované geonformatky a kartografe Kartometre a kartometrcké vlastnost
VíceSIMULACE. Numerické řešení obyčejných diferenciálních rovnic. Měřicí a řídicí technika magisterské studium FTOP - přednášky ZS 2009/10
SIMULACE numercké řešení dferencálních rovnc smulační program dentfkace modelu Numercké řešení obyčejných dferencálních rovnc krokové metody pro řešení lneárních dferencálních rovnc 1.řádu s počátečním
Víceu (x i ) U i 1 2U i +U i+1 h 2. Na hranicích oblasti jsou uzlové hodnoty dány okrajovými podmínkami bud přímo
Metoda sítí základní schémata h... krok sítě ve směru x, tj. h = x x q... krok sítě ve směru y, tj. q = y j y j τ... krok ve směru t, tj. τ = j... hodnota přblžného řešení v uzlu (x,y j ) (Possonova rovnce)
VíceANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT. Institut biostatistiky a analýz
ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT prof. Ing. Jiří Holčík,, CSc. NEURONOVÉ SÍTĚ otázky a odpovědi 1 AKD_predn4, slide 8: Hodnota výstupu závisí na znaménku funkce net i, tedy na tom, zda bude suma
VíceNumerické metody a programování. Lekce 7
Numerické metody a programování Lekce 7 Řešení nelineárních rovnic hledáme řešení x problému f x = 0 strategie: odhad řešení iterační proces postupného zpřesňování řešení výpočet skončen pokud je splněno
Více1 CHYBY, VARIABILITA A NEJISTOTY INSTRUMENTÁLNÍCH MĚŘENÍ
1 CHYBY, VARIABILITA A NEJISTOTY INSTRUMENTÁLNÍCH MĚŘENÍ Účele ěření je stanovení velkost ěřené velčny, charakterzující určtou specfckou vlastnost. Specfkace ěřené velčny ůže vyžadovat údaje o dalších
VíceNumerická integrace konstitučních vztahů
Numercká ntegrace konsttučních vztahů Po výočtu neznámých deformačních uzlových arametrů v každé terac NR metody je nutné stanovt naětí a deformace na rvcích. Nař. Jednoosý tah (vz obr. vravo) Pro nterval
VíceTestování neuronových sítí pro prostorovou interpolaci v softwaru GRASS GIS
Testování neuronových sítí pro prostorovou interpolaci v softwaru GRASS GIS Veronika NEVTÍPILOVÁ Gisáček 2013 Katedra Geoinformatiky Univerzita Palackého v Olomouci Cíle otestovat kvalitu interpolace pomocí
VíceKonverze kmitočtu Štěpán Matějka
1.Úvod teoretcký pops Konverze kmtočtu Štěpán Matějka Směšovač měnč kmtočtu je obvod, který přeměňuje vstupní sgnál s kmtočtem na výstupní sgnál o kmtočtu IF. Někdy bývá tento proces označován také jako
VíceÉ Ý Á Ů Ú Ř Á ý Ú š Ú ú ú ú ú š š ů Ž ů Ž ů Ž ž ý š š ý š Ž ů ž Ž š Š ů Ž Ž Ú ů š ý ý ýš ú Ž š ů ý ú ů ý š Ú š Ž ů Ž Ú Ž ý Ů ň ú ú ý ú Č ý Ú ý ý Ž ú ž ý ů Ú ž ů ý Ú ý š Ž ý ů Ú š ú ý ý ý Ž Í ý ů š Ž Ž
VíceDIPLOMOVÁ PRÁCE UNIVERZITA PALACKÉHO V OLOMOUCI KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY
UNIVERZITA PALACKÉHO V OLOMOUCI PŘÍRODOVĚDECKÁ FAKULTA KATEDRA MATEMATICKÉ ANALÝZY A APLIKACÍ MATEMATIKY DIPLOMOVÁ PRÁCE Mateatka úvěrů Vedoucí dploové práce: Mgr Eva Bohanesová, PhD Rok odevzdání: 2010
VíceMĚRNÁ DEFORMAČNÍ ENERGIE OTEVŘENÉHO OCELOVÉHO
MĚRNÁ DEFORMAČNÍ ENERGIE OTEVŘENÉHO OCELOVÉHO PROFILU NAMÁHANÉHO TLAKEM ZA OHYBU SPECIFIC STRAIN ENERGY OF THE OPEN CROSS-SECTION SUBJECTED TO COUPLED COMPRESSION AND BENDING I. Kološ 1 a P. Janas 2 Abstract
VíceŤ ď Í Í ó ř á ů ř á ť ř á á á ů ě ř ý Á ř ř ř ě é ř é ě á ý á á á ý á ř ě á ě š ě ý š ě ř ř ě ý ť á ú ú ž ů ýů ě ó é š ě é é šř ř ě ě ý é š šř á á ě á š ě ž á á šř š ě é é ř áž é é ě ě á á á é ř ý š é
VíceHUDEBNÍ EFEKT DISTORTION VYUŽÍVAJÍCÍ ZPRACOVÁNÍ PŘÍRŮSTKŮ SIGNÁLŮ ČASOVĚ
HUDEBÍ EFEKT DISTORTIO VYUŽÍVAJÍCÍ ZPRACOVÁÍ PŘÍRŮSTKŮ SIGÁLŮ ČASOVĚ VARIATÍM SYSTÉMEM Ing. Jaromír Mačák Ústav telekomunkací, FEKT VUT, Purkyňova 118, Brno Emal: xmacak04@stud.feec.vutbr.cz Hudební efekt
VíceLOGICKÉ OBVODY J I Ř Í K A L O U S E K
LOGICKÉ OBVODY J I Ř Í K A L O U S E K Ostrava 2006 Obsah předmětu 1. ČÍSELNÉ SOUSTAVY... 2 1.1. Číselné soustavy - úvod... 2 1.2. Rozdělení číselných soustav... 2 1.3. Polyadcké číselné soustavy... 2
VíceKinetika spalovacích reakcí
Knetka spalovacích reakcí Základy knetky spalování - nauka o průběhu spalovacích reakcí a závslost rychlost reakcí na různých faktorech Hlavní faktory: - koncentrace reagujících látek - teplota - tlak
VíceSpojité regulátory - 1 -
Spojté regulátory - 1 - SPOJIÉ EGULÁOY Nespojté regulátory mají většnou jednoduchou konstrukc a jsou levné, ale jsou nevhodné tím, že neudržují regulovanou velčnu přesně na žádané hodnotě, neboť regulovaná
Víceí I - 13 - Průchod a rozptyl záření gama ve vrstvách materiálu Prof. Ing. J. Šeda, DrSc. KDAIZ - PJPI
- 13 - í Průchod a rozptyl záření gama ve vrstvách materálu Prof. ng. J. Šeda, DrSc. KDAZ - PJP Na našem pracovšt byl vypracován program umožňující modelovat průchod záření gama metodou Monte Carlo, homogenním
VíceOtto DVOŘÁK 1 NEJISTOTA STANOVENÍ TEPLOTY VZNÍCENÍ HOŘLAVÝCH PLYNŮ A PAR PARABOLICKOU METODOU PODLE ČSN EN 14522
Otto DVOŘÁK 1 NEJISTOTA STANOVENÍ TEPLOTY VZNÍCENÍ HOŘLAVÝCH PLYNŮ A PAR PARABOLICKOU METODOU PODLE ČSN EN 145 UNCERTAINTY OF DETEMINATION OF THE AUTO-IGNITION TEMPERATURE OF FLAMMABLE GASES OR VAPOURS
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ ŘÍZENÍ TROJFÁZOVÉHO ASYNCHRONNÍHO MOTORU
VYOKÉ UČENÍ TECHNICKÉ V BNĚ BNO UNIVEITY OF TECHNOLOGY FAKULTA TOJNÍHO INŽENÝTVÍ ÚTAV MECHANIKY TĚLE, MECHATONIKY A BIOMECHANIKY FACULTY OF MECHANICAL ENGINEEING INTITUTE OF OLID MECHANIC, MECHATONIC AND
VíceZÁPADOČESKÁ UNIVERZITA V PLZNI
ZÁPADOČESKÁ UNIVERZITA V PLZNI FAKULTA STROJNÍ Semestrální práce z předmětu MM Stanovení deformace soustav ocelových prutů Václav Plánčka 6..006 OBSAH ZADÁNÍ... 3 TEORETICKÁ ČÁST... 4 PRAKTICKÁ ČÁST...
VícePříprava ke státním maturitám 2011, vyšší úroveň obtížnosti materiál stažen z www.e-matematika.cz
Příprava ke státním maturtám 0, všší úroveň obtížnost materál stažen z wwwe-matematkacz 80 60 Jsou dána čísla s 90, t 5 0 Ve stejném tvaru (součn co nejmenšího přrozeného čísla a mocnn deset) uveďte čísla
VíceNumerická matematika 1. t = D u. x 2 (1) tato rovnice určuje chování funkce u(t, x), která závisí na dvou proměnných. První
Numercká matematka 1 Parabolcké rovnce Budeme se zabývat rovncí t = D u x (1) tato rovnce určuje chování funkce u(t, x), která závsí na dvou proměnných. První proměnná t mívá význam času, druhá x bývá
Více1 Elektrotechnika 1. 11:00 hod. R. R = = = Metodou postupného zjednodušování vypočtěte proudy všech větví uvedeného obvodu. U = 60 V. Řešení.
A : hod. Elektrotechnika Metodou postupného zjednodušování vypočtěte proudy všech větví uvedeného obvodu. R I I 3 R 3 R = 5 Ω, R = Ω, R 3 = Ω, R 4 = Ω, R 5 = Ω, = 6 V. I R I 4 I 5 R 4 R 5 R. R R = = Ω,
VíceUmělé neuronové sítě
Umělé neuronové sítě 17. 3. 2018 5-1 Model umělého neuronu y výstup neuronu u vnitřní potenciál neuronu w i váhy neuronu x i vstupy neuronu Θ práh neuronu f neuronová aktivační funkce 5-2 Neuronové aktivační
VíceNUMERICAL INTEGRATION AND DIFFERENTIATION OF SAMPLED TIME SIGNALS BY USING FFT
NUMERICAL INTEGRATION AND DIFFERENTIATION OF SAMPLED TIME SIGNALS BY USING FFT J. Tuma Summary: The paper deals wth dfferentaton and ntegraton of sampled tme sgnals n the frequency doman usng the FFT and
VíceMOŽNOSTI PREDIKCE DYNAMICKÉHO CHOVÁNÍ LOPAT OBĚŽNÝCH KOL KAPLANOVÝCH A DÉRIAZOVÝCH TURBÍN.
MOŽNOSTI PREDIKCE DYNAMICKÉHO CHOVÁNÍ LOPAT OBĚŽNÝCH KOL KAPLANOVÝCH A DÉRIAZOVÝCH TURBÍN. Mroslav VARNER, Vktor KANICKÝ, Vlastslav SALAJKA ČKD Blansko Strojírny, a. s. Anotace Uvádí se výsledky teoretckých
VíceELEKTRICKÝ POHON S ASYNCHRONNÍM MOTOREM
4 EEKTCKÝ POHON AYNCHONNÍ OTOE Asynchronní otory (A), zvláště pa s otvou naráto, jsou jž řadu let nejrozšířenější eletrootory na naší planetě. talo se ta díy jejch onstruční jednoduchost, nízé ceně, vysoé
VíceV xv x V V E x. V nv n V nv x. S x S x S R x x x x S E x. ln ln
Souhrn 6. přednášky: 1) Terodynaka sěsí a) Ideální sěs: adtvta objeů a entalpí, Aagatův zákon b) Reálná sěs: pops poocí dodatkových velčn E Def. Y Y Y, d Aplkace: - př. obje reálné dvousložkové sěs V xv
VíceElektrotechnika 1. Garant předmětu: doc. Ing. Jiří Sedláček, CSc. Autoři textu:
Elektrotechnka arant předětu: doc ng Jří Sedláček, CSc Autoř textu: doc ng Jří Sedláček, CSc doc ng Mloslav Stenbauer, PhD Brno, leden Elektrotechnka Předluva Předkládaná skrpta slouží jako základní studjní
VíceRobustnost regulátorů PI a PID
Proceedings of International Scientific Conference of FME Session 4: Automation Control and Applied Informatics Paper 45 Robustnost regulátorů PI a PID VÍTEČKOVÁ, Miluše Doc. Ing., CSc., katedra ATŘ, FS
VíceDirectional Vehicle Stability Prototyping Using HIL Simulation Ověření systému řízením jízdy automobilu metodou HIL simulací
XXXII. Semnar AS '2007 Instruments and ontrol, arana, Smutný, Kočí & Babuch (eds) 2007, VŠB-TUO, Ostrava, ISBN 978-80-248-1272-4 Drectonal Vehcle Stablty rototypng Usng HIL Smulaton Ověření systému řízením
Víceď ě č č č ř ě č úě ň ú ď Ď Ť Ú ř ř Ň ě É ř ř ú č Ó É š Í ě ó ř ě úč Ú ó č ó ř ř É ř É É É ě É ú ě č ť ó É ď ť ú ě Ď É š úó ť úč Í Ý Á š ě ě ě š ť ř Ňů č ú Č č úč č ř Č ř Á Á ř ř ř ť š ě š ě ě ň č ň ě ú
VíceKatedra obecné elektrotechniky Fakulta elektrotechniky a informatiky, VŠB - TU Ostrava 4. TROJFÁZOVÉ OBVODY
Katedra obecné elektrotechnky Fakulta elektrotechnky a noratky, VŠB - T Otrava 4. TROJFÁOVÉ OBVODY 4. Úvod 4. Trojázová outava 4. Spojení ází do hvězdy 4.4 Spojení ází do trojúhelníka 4.5 Výkon v trojázových
VíceMetody vícekriteriálního hodnocení variant a jejich využití při výběru produktu finanční instituce
. meznárodní konference Řízení a modelování fnančních rzk Ostrava VŠB-TU Ostrava, Ekonomcká fakulta, katedra Fnancí 8. - 9. září 200 Metody vícekrterálního hodnocení varant a ech využtí př výběru produktu
VíceZáklady elektrotechniky
Základy elektrotechniky 3. přednáška Řešení obvodů napájených haronický napětí v ustálené stavu ZÁKADNÍ POJMY Časový průběh haronického napětí: kde: U u U. sin( t ϕ ) - axiální hodnota [V] - úhlový kitočet
VíceNG C Implementace plně rekurentní
NG C Implementace plně rekurentní neuronové sítě v systému Mathematica Zdeněk Buk, Miroslav Šnorek {bukz1 snorek}@fel.cvut.cz Neural Computing Group Department of Computer Science and Engineering, Faculty
VíceModelování rizikových stavů v rodinných domech
26. 28. června 2012, Mkulov Modelování rzkových stavů v rodnných domech Mlada Kozubková 1, Marán Bojko 2, Jaroslav Krutl 3 1 2 3 Vysoká škola báňská techncká unverzta Ostrava, Fakulta strojní, Katedra
Více4 Parametry jízdy kolejových vozidel
4 Parametry jízdy kolejových vozdel Př zkoumání jízdy železnčních vozdel zjšťujeme většnou tř základní charakterstcké parametry jejch pohybu. Těmto charakterstkam jsou: a) průběh rychlost vozdel - tachogram,
VíceRegresní a korelační analýza
Regresní a korelační analýza Závslost příčnná (kauzální). Závslostí pevnou se označuje případ, kdy výskytu jednoho jevu nutně odpovídá výskyt druhé jevu (a často naopak). Z pravděpodobnostního hledska
VíceŽ ř Í Š ř ř ř ř š ř ř š ř ť ř ý ý ž ú ó ú Š Í Á É ř ř ř é é ř ř š ř é Ž é š é ř ů é é Ž é ž ř é é ř ž é ř é ú ý é é é Ž ř ž ž é é š ň é ř é š é ú é ž ř é Š Í ž ý ů é ř é ž ř ď é Š ý ú ř ř ž ž ř ř Í é š
VíceKorelační energie. Celkovou elektronovou energii molekuly lze experimentálně určit ze vztahu. E vib. = E at. = 39,856, E d
Korelační energe Referenční stavy Energ molekul a atomů lze vyjádřt vzhledem k různým referenčním stavům. V kvantové mechance za referenční stav s nulovou energí bereme stav odpovídající nenteragujícím
VíceAlgoritmy a struktury neuropočítačů ASN - P10. Aplikace UNS v biomedicíně
Aplikace UNS v biomedicíně aplikace v medicíně postup při zpracování úloh Aplikace UNS v medicíně Důvod: nalezení exaktnějších, levnějších a snadnějších metod určování diagnóz pro lékaře nalezení šetrnějších
Více7.3.2 Parametrické vyjádření přímky II
7 Paraetriké vyjádření příky II Předpoklady 07001 Pedagogiká poznáka V podstatě pro elou hodinu platí že příklady by neěly působit žáků větší probléy Pokud se probléy objeví (stává se to často) je třeba
VíceTeoretický souhrn k 2. až 4. cvičení
SYSTÉMOVÁ ANALÝZA A MODELOVÁNÍ Teoretcký souhrn k 2. ž 4. cvčení ZS 2009 / 200 . Vyezení zákldních poů.. Systé e Systé e účelově defnovná nožn prvků vze ez n, která spolu se svý vstupy výstupy vykzue ko
VíceDUM č. 16 v sadě. 11. Fy-2 Učební materiály do fyziky pro 3. ročník gymnázia
projekt GML Brno Docens DUM č. 16 v sadě 11. Fy-2 Učební materály do fyzky pro 3. ročník gymnáza Autor: Vojtěch Beneš Datum: 3.3.214 Ročník: 2A, 2C Anotace DUMu: Nestaconární magnetcké pole Materály jsou
VíceEmergence chování robotických agentů: neuroevoluce
Emergence chování robotických agentů: neuroevoluce Petra Vidnerová, Stanislav Slušný, Roman Neruda Ústav Informatiky, AV ČR Kognice a umělý život VIII Praha 28. 5. 2008 Evoluční robotika: EA & neuronové
VíceMetamodeling. Moderní metody optimalizace 1
Metamodelng Nejmodernějšíoblast optmalzace Určena zejména pro praktckéaplkace s velkým výpočetním nároky Vycházíz myšlenky, že reálnéoptmalzační problémy nejsou sce konvení, ale jsou do značnémíry hladké
VícePV021 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
VíceVysoká škola báňská - Technická univerzita Ostrava Fakulta elektrotechniky a informatiky LOGICKÉ OBVODY pro kombinované a distanční studium
Vysoká škola báňská - Techncká unverzta Ostrava Fakulta elektrotechnky a nformatky LOGICKÉ OBVODY pro kombnované a dstanční studum Zdeněk Dvš Zdeňka Chmelíková Iva Petříková Ostrava ZDENĚK DIVIŠ, ZDEŇKA
Vícev cenových hladinách. 2
roblematka reálné konvergence Reálná konvergence vmezuje sblžování ekonomcké úrovn dané zem s vbraným ukazatel vsplých zemí, nebo s jejch například ekonomckým uskupením. ato metoda je založena na konvergenc
VíceMetodický pokyn pro urení optimální velikosti fakturaního vodomru a profilu vodovodní pípojky.
Metodcký pokyn pro urení optální velkost fakturaního vodoru a proflu vodovodní pípojky. Ureno: Vodoprávní úad K využtí : Vlastník a provozovatel vodovod a odbratel ptné vody Mnsterstvo zedlství.j.: 0 535/00-6000
VíceREGRESNÍ ANALÝZA. 13. cvičení
REGRESNÍ ANALÝZA 13. cvčení Závslost náhodných velčn Závslost mez kvanttatvním proměnným X a Y: Funkční závslost hodnotam nezávsle proměnných je jednoznačně dána hodnota závslé proměnné. Y=f(X) Stochastcká
Více11 Tachogram jízdy kolejových vozidel
Tachogram jízdy kolejových vozdel Tachogram představuje znázornění závslost rychlost vozdel na nezávslém parametru. Tímto nezávslým parametrem může být ujetá dráha, pak V = f() dráhový tachogram, nebo
Více5. Umělé neuronové sítě. neuronové sítě. Umělé Ondřej Valenta, Václav Matoušek. 5-1 Umělá inteligence a rozpoznávání, LS 2015
Umělé neuronové sítě 5. 4. 205 _ 5- Model umělého neuronu y výstup neuronu u vnitřní potenciál neuronu w i váhy neuronu x i vstupy neuronu Θ práh neuronu f neuronová aktivační funkce _ 5-2 Neuronové aktivační
VíceARITMETICKOLOGICKÁ JEDNOTKA
Vyšší odborná škola a Střední průmyslová škola elektrotechncká Božetěchova 3, Olomouc Třída : M4 Školní rok : 2000 / 2001 ARITMETICKOLOGICKÁ JEDNOTKA III. Praktcká úloha z předmětu elektroncké počítače
VíceŠroubové kompresory. Řada MSL 2,2-15 kw. Jednoduché a kompletní řešení pro Vaší potřebu stlačeného vzduchu
Šroubové kompresory Řada MSL 2,2-15 kw Jednoduché a kompletní řešení pro Vaší potřebu stlačeného vzduchu CHYTRÉ TECHNICKÉ ŘEŠENÍ Nžší náklady na údržbu a prodloužené servsní ntervaly Velce jednoduchá konstrukce
VícePřednášky část 4 Analýza provozních zatížení a hypotézy kumulace poškození, příklady. Milan Růžička
Přednášky část 4 Analýza provozních zatížení a hypotézy kumulace poškození, příklady Mlan Růžčka mechanka.fs.cvut.cz mlan.ruzcka@fs.cvut.cz Analýza dynamckých zatížení Harmoncké zatížení x(t) přes soubor
VíceVkládání pomocí Viterbiho algoritmu
Vkládání pomocí Vterbho algortmu Andrew Kozlk KA MFF UK C Vkládání pomocí Vterbho algortmu Cíl: Využít teor konvolučních kódů. Motvace: Vterbho dekodér je soft-decson dekodér. Každému prvku nosče přřadíme
VíceĚ É ÝÚ Č š Ť Á ť Í ř ů ů ú ů Ú Ž ú ů ů ů ř ř ú ů ů ř ř ř ř ř ň ú Ě Ř Ú Í Í ň ř ň ř ř ř ř Ž ř Í Í ř Ž ů ř ř ú ů ř ř ř ř ř Í ř ř ň ř ř ň ř ň ř ň ř ř ř ř ř ř ř ř ú ř ú Í ř ř ů ř ú ú ř úč ů ř ů ř ř ů ř ř ř
VíceSwarm Intelligence. Moderní metody optimalizace 1
Swarm Intelligence http://pixdaus.com/single.php?id=168307 Moderní metody optimalizace 1 Swarm Intelligence Inteligence hejna algoritmy inspirované chováním skupin ptáků, hmyzu, ryb apod. Particle Swarm
Víceé ť Ú Ě Á Í Ě Ú Í Á ŮÚ ó Ě Á ÁŠ Á Í Ú ú Š é Í ú Ť ů ú ď Ú Ú é Ú ú ť Ú Ú é ó é é ý Í Í ů éú é ú Ú Ú Í Í é é Ú Ú é é é é é é é Í ú ů ň é ý ž Ť Ú Ú ú Í é Ú Í ý Ú ý ď ž é ý é ů é é Ť ďú ď Ú ú ú ó é Ú ó ú é
VíceGlobální matice konstrukce
Globální matice konstrukce Z matic tuhosti a hmotnosti jednotlivých prvků lze sestavit globální matici tuhosti a globální matici hmotnosti konstrukce, které se využijí v řešení základní rovnice MKP: [m]{
VíceBEZSTYKOVÁ KOLEJ NA MOSTECH
7. 9. března 01 01 BEZSTYKOVÁ KOLEJ NA MOSTECH Doc. Ing. Otto Plášek, Ph.D Vysoké učení technické v Brně, Fakulta stavební 1. ÚVOD V současné době probíhá rozsáhlá odborná diskuze ke spolupůsobení ostní
Víceje nutná k tomu, aby byl odhad takto pořízený je potřebná k tomu, aby proměnné-instrumenty vysvětlující veličiny v rovnici je nahrazovaly co
Obecná etod nstruentálních proěnných (G)IV (Generl Instruentl Vrbles ethod) v soustvě sultánních regresních rovnc utor etody: J.D. Srgn [958] Metod nstruentálních proěnných je jstý zobecnění dvoustupňové
Víceš ě ě ý ř ř ě ě ě ý ů ě ě š ř ů é ě š ř ů ý ů é Í ě ě š ř ů ř ř ú ý ů ý ů ě ě š ř ů ž ě š Í ú ř ž é ú é š ě ě é ě ř Í ř ú š ě š ě ř ř é ř ř é é ř ř š Ř Ě Ř Á Í Ř Í ř ě ř ú ř ř ě ě é ú ě ý ú ů ě ě š ř ů
VíceTrénování sítě pomocí učení s učitelem
Trénování sítě pomocí učení s učitelem! předpokládá se, že máme k dispozici trénovací množinu, tj. množinu P dvojic [vstup x p, požadovaný výstup u p ]! chceme nastavit váhy a prahy sítě tak, aby výstup
VíceProtínání vpřed - úhlů, směrů, délek GNSS metody- statická, rychlá statická, RTK Fotogrammetrické metody analytická aerotriangulace
Ing. Pavel Hánek, Ph.D. hanek00@zf.jcu.cz Protínání vpřed - úhlů, sěrů, délek GNSS etody- statická, rychlá statická, RTK Fotograetrické etody analytická aerotriangulace +y 3 s 13 1 ω 1 ω σ 1 Používá se
VíceModelování elektrických sítí KEE/MS Přednáška na téma: Výpočty chodu sítě. Ing. Jan Veleba, Ph.D. doc. Ing. Karel Noháč, Ph.D.
Modelování elektrckých sítí KEE/MS Přednáška na téma: Výpočty chodu sítě Ing. Jan Veleba, Ph.D. doc. Ing. Karel Noháč, Ph.D. Výpočet chodu soustavy Výpočet chodu soustavy Výpočet chodu soustavy Výpočet
Víceýú é ě Ú Č ý ý ď ě č é ě ě ý ě é é ě ď ě ě é č ď ú ý ů ý ů ú Ř ě ý ů ě ě ď ď é ú é č úč ě ě ú é ě ý ě ý ů ý č ě ý ú ů ě ů ý č ě ú Ý ě é č ě ů ž ě ě ě ů ě ý ú ě č č Íě é ó ě č ýúč Ř ý č č ý č ů č ó ý Ř
VíceALGORITMUS SILOVÉ METODY
ALGORITMUS SILOVÉ METODY CONSISTENT DEFORMATION METHOD ALGORITHM Petr Frantík 1, Mchal Štafa, Tomáš Pal 3 Abstrakt Příspěvek se věnuje popsu algortmzace slové metody sloužící pro výpočet statcky neurčtých
VíceVLIV VELIKOSTI OBCE NA TRŽNÍ CENY RODINNÝCH DOMŮ
VLIV VELIKOSTI OBCE NA TRŽNÍ CENY RODINNÝCH DOMŮ Abstrakt Martn Cupal 1 Prncp tvorby tržní ceny nemovtost je sce založen na tržní nabídce a poptávce, avšak tento trh je značně nedokonalý. Nejvíce ovlvňuje
Více8a.Objektové metody viditelnosti. Robertsův algoritmus
8a. OBJEKOVÉ MEODY VIDIELNOSI Cíl Po prostudování této kaptoly budete znát metody vdtelnost 3D objektů na základě prostorových vlastností těchto objektů tvořt algortmy pro určování vdtelnost hran a stěn
VíceUsing a Kalman Filter for Estimating a Random Constant Použití Kalmanova filtru pro výpočet odhadu konstantní hodnoty
II. Semnar ASR 007 Instruments and Control, Farana, Smutný, Kočí & Babuch (eds) 007, VŠB-TUO, Ostrava, ISB 978-80-48-7-4 Usng a Kalman Flter for Estmatng a Random Constant Použtí Kalmanova fltru pro výpočet
VíceCVIČENÍ 4 Doc.Ing.Kateřina Hyniová, CSc. Katedra číslicového návrhu Fakulta informačních technologií České vysoké učení technické v Praze 4.
CVIČENÍ POZNÁMKY. CVIČENÍ. Vazby mezi systémy. Bloková schémata.vazby mezi systémy a) paralelní vazba b) sériová vazba c) zpětná (antiparalelní) vazba. Vnější popis složitých systémů a) metoda postupného
Více