Kovács Ernő 1, Füvesi Viktor 2
|
|
- Oszkár Nagy
- 8 évvel ezelőtt
- Látták:
Átírás
1 Kovács Ernő 1, Füvesi Viktor 2 1 Miskolci Egyetem, Elektrotechnikai - Elektronikai Tanszék 2 Miskolci Egyetem, Alkalmazott Földtudományi Kutatóintézet 1 HU-3515 Miskolc-Egyetemváros 2 HU-3515 Miskolc-Egyetemváros, Pf. 2 1 elkke@uni-miskolc.hu; 2 fuvesi@akki.hu Műszaki Tudomány az Észak-Kelet Magyarországi Régióban
2 1. Indítómotor 2. Mérőpad 3. Modellezés differenciál egyenletekkel 4. Modellezés neurális hálóval 5. Modellezés adattáblával 2/33
3 2 1 indítómotor 4 2 behúzó tekercs 3 fogaskerék 4 ház 3 1 3/33
4 1. Indítómotor 2. Mérőpad 3. Modellezés differenciál egyenletekkel 4. Modellezés neurális hálóval 5. Modellezés adattáblával 4/33
5 1 - indítómotor 2 tengely kapcsoló 3 mágnesporos fék fék vezérlője 4 3 5/33
6 szögsebesség nyomaték áram feszültség 6/33
7 1. Indítómotor 2. Mérőpad 3. Modellezés differenciál egyenletekkel 4. Modellezés neurális hálóval 5. Modellezés adattáblával 7/33
8 I R a L a ω M t J red U U i R g L g U i K 1 (1) Armatúra egyenlet: di dt ( U ( Ra Rg ) I K1 )/( La Lg ) (2) Rendszer mozgásegyenlete: d ( K2I M t ) / J red dt (3) 8/33
9 9/33
10 Mért: I, U, ω, M terh Mérésekből számított: di/dt, dω/dt Közelített: R, L, K 1, K 2, J red Keresett paraméter Átlagérték Szórás R [Ω] L [mh] K 1 [V/perc] K 2 [Nm/A] J red [kgm 2 ] /33
11 1. Indítómotor 2. Mérőpad 3. Modellezés differenciál egyenletekkel 4. Modellezés neurális hálóval 5. Modellezés adattáblával 11/33
12 Bemeneti mennyiségek Kimeneti mennyiségek Áram (I) Feszültség (U) Motor Szögsebesség (ω) Leadott nyomaték (M) 12/33
13 Bementi réteg Rejtett réteg Kimeneti réteg 13/33
14 Virtual inputs SISO - Single Input Single Output System u(t) ~ y ( t ) Z -1 u(t-1) Z -1 u(t-2) Z -1 u(t-3) Egy rétegű neurális hálózat ~ y( t) f ut, ut 1, ut 2,..., ut n n (4) 14/33
15 Bemenet Kimenet Bemenet Kimenet adatsor Validáló mintakészlet adatsor Tanító mintakészlet adatsor adatsor 15/33
16 Bemenet Kimenet Bemenet Kimenet adatsor adatsor adatsor adatsor eredeti simított tükrözött simított d0s0 d0s1 d1s0 d1s1 16/33
17 Bemenetek száma 1,, 6 1, 11, 21, 101 Neuronok száma a rejtett rétegben 17/33
18 Virtuális bemenetek száma Virtuális bemenetek száma AIC MSE w b nlog 2 (5) MSE BIC nlog MSE w blogn (6) FPE MSE nlog 1 n n n w b n w b MSE nlog y y i1 ~ 2 (7) (8) Rejtett neuronok száma R 2 R 2 1 n y y i1 MSE 2 (9) Pearson s korrelációs együttható Rejtett neuronok száma 18/33
19 AIC BIC FPE AIC BIC FPE d0s0 d0s1 d1s0 d1s1 AIC 0, , , , BIC 0, , , ,12911 FPE 0, , , , MSE 0, , , , Összesített MSE érték a különféle validáló mintakészletekre a szimulációs mezőn a különféle leállító kritériumok használata mellett 19/33
20 Regressziós egyenes meredeksége Lineáris regresszió a valós és közelített kimenet között d0s0 d0s1 d1s0 d1s1 Különféle modellek 20/33
21 Közelített adatsor Közelített adatsor Skálázott szögsebesség érték Skálázott szögsebesség érték adatsor Tanító mintakészlet adatsor Validáló mintakészlet Valós adatsor Valós adatsor 21/33
22 d0s0 d0s1 MSE MSE MSE MSE Rejtett neuronok száma d1s0 Rejtett neuronok száma d1s1 Rejtett neuronok száma Rejtett neuronok száma 22/33
23 MSE MSE MSE MSE d0s0 d0s1 Bemenetek száma Bemenetek száma d1s0 d1s1 Bemenetek száma Bemenetek száma 23/33
24 1. Indítómotor 2. Mérőpad 3. Modellezés differenciál egyenletekkel 4. Modellezés neurális hálóval 5. Modellezés adattáblával 24/33
25 ) )/( ( ) ~ ( d d d d z d z d z d z d t z 2 2 ) ( ) ( y y x x d i i i (10) (11) 25/33
26 Terhelés [Nm] Szögsebesség [1/perc] Szögsebesség Feszültség [V] 26/33
27 Négyzetes hiba Közelített adatsor Szögsebesség érték [1/perc] adatsor Valós adatsor adatsor 27/33
28 Terhelés [Nm] Áram[A] Áram[A] Feszültség [V] 28/33
29 Négyzetes hiba Közelített adatsor Szögsebesség érték [1/perc] adatsor Valós adatsor adatsor 29/33
30 Futási idő [s] Normalizált MSE MSE és osztásszám kapcsolat 1,2 1 0,8 0,6 0,4 0, Felhasznált szomszédok száma Tengelyenkénti osztásszám Adatbázis tengelyenkénti osztásszáma 30/33
31 módszer számításigény pontosság hátrány Differenciál egyenlet közepes közepes Vizsgált rendszer pontosabb ismerete szükséges Neurális hálózat nagy nagy Nehéz jó tanító mintakészletet kialakítani Adattábla kicsi kicsi Gyenge dinamika 31/33
32 Aktuátor modellezése differenciálegyenletek segítségével Modell validálás több mérés alapján Neurális hálózat alkalmazása aktuátor modellezéséhez Betanító és feldolgozó programok fejlesztése C/C++ nyelven Különféle felépítésű hálózat használata Optimális modell kiválasztása, különféle irodalomból ismert modellkiválasztó mennyiségeke alkalmazása mellett a háló által közelített és a megkívánt minta regresszió analízise Adatbázisos modell kialakítása a motor áramának és a szögsebességének közelítésére 32/33
33
Mobil Gamma-log berendezés hajtásláncának modellezése LOLIMOT használatával
Mobil Gamma-log berendezés hajtásláncának modellezése LOLIMOT használatával Füvesi Viktor 1, Kovács Ernő 2, Jónap Károly 3, Vörös Csaba 4 1,4 tudományos s. munkatárs, 2 PhD, egyetemi docens, 3 PhD, tudományos
RészletesebbenINDÍTÓMOTOR MODELLEZÉSE KÜLÖNFÉLE MÓDSZEREKKEL STARTER MOTOR MODELING WITH DIFFERENT METHODS
INDÍTÓMOTOR MODELLEZÉSE KÜLÖNFÉLE MÓDSZEREKKEL STARTER MOTOR MODELING WITH DIFFERENT METHODS KOVÁCS Ernő 1, FÜVESI Viktor 2 1 Egyetemi docens, PhD; 2 tudományos segédmunkatárs 1 Miskolci Egyetem, Elektrotechnikai
RészletesebbenINDÍTÓMOTOROK MODELLEZÉSÉRE ALKALMAS MÓDSZEREK ÖSSZEHASONLÍTÓ ELEMZÉSE
Miskolci Egyetem, Multidiszciplináris tudományok, 1. kötet (2011) 1. szám, pp. 197-204. INDÍTÓMOTOROK MODELLEZÉSÉRE ALKALMAS MÓDSZEREK ÖSSZEHASONLÍTÓ ELEMZÉSE Kovács Ernő 1, Füvesi Viktor 2 1 Egyetemi
RészletesebbenNeurális hálózatok bemutató
Neurális hálózatok bemutató Füvesi Viktor Miskolci Egyetem Alkalmazott Földtudományi Kutatóintézet Miért? Vannak feladatok amelyeket az agy gyorsabban hajt végre mint a konvencionális számítógépek. Pl.:
RészletesebbenAKTUÁTOR MODELLEK KIVÁLASZTÁSA ÉS OBJEKTÍV ÖSSZEHASONLÍTÁSA
AKTUÁTOR MODELLEK KIVÁLASZTÁSA ÉS OBJEKTÍV ÖSSZEHASONLÍTÁSA Kovács Ernő 1, Füvesi Viktor 2 1 Egyetemi docens, PhD; 2 tudományos segédmunkatárs 1 Eletrotechnikai és Elektronikai Tanszék, Miskolci Egyetem
RészletesebbenHibadetektáló rendszer légtechnikai berendezések számára
Hibadetektáló rendszer légtechnikai berendezések számára Tudományos Diákköri Konferencia A feladatunk Légtechnikai berendezések Monitorozás Hibadetektálás Újrataníthatóság A megvalósítás Mozgásérzékelő
RészletesebbenNeurális hálózatok.... a gyakorlatban
Neurális hálózatok... a gyakorlatban Java NNS Az SNNS Javás változata SNNS: Stuttgart Neural Network Simulator A Tübingeni Egyetemen fejlesztik http://www.ra.cs.unituebingen.de/software/javanns/ 2012/13.
RészletesebbenDFTH november
Kovács Ernő 1, Füves Vktor 2 1,2 Elektrotechnka és Elektronka Tanszék Mskolc Egyetem 3515 Mskolc-Egyetemváros tel.: +36-(46)-565-111 mellék: 12-16, 12-18 fax : +36-(46)-563-447 elkke@un-mskolc.hu 1, elkfv@un-mskolc.hu
RészletesebbenIrányításelmélet és technika I.
Irányításelmélet és technika I. Elektromechanikai rendszerek dinamikus leírása Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék amagyar@almos.vein.hu
RészletesebbenTanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function
Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Tanulás pszichológiai szinten Classical conditioning Hebb ötlete: "Ha az A sejt axonja elég közel van a B sejthez,
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenMérési adatok illesztése, korreláció, regresszió
Mérési adatok illesztése, korreláció, regresszió Korreláció, regresszió Két változó mennyiség közötti kapcsolatot vizsgálunk. Kérdés: van-e kapcsolat két, ugyanabban az egyénben, állatban, kísérleti mintában,
RészletesebbenIntelligens Rendszerek Gyakorlata. Neurális hálózatok I.
: Intelligens Rendszerek Gyakorlata Neurális hálózatok I. dr. Kutor László http://mobil.nik.bmf.hu/tantargyak/ir2.html IRG 3/1 Trend osztályozás Pnndemo.exe IRG 3/2 Hangulat azonosítás Happy.exe IRG 3/3
RészletesebbenSzámítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 7.
Számítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 7. előadás Szederkényi Gábor Pázmány Péter Katolikus Egyetem Információs
RészletesebbenNeurális hálózatokon alapuló modellezés és hibadiagnosztika villamos hajtások példáján keresztül
Neurális hálózatokon alapuló modellezés és hibadiagnosztika villamos hajtások példáján keresztül Ph.D. védés Jelölt: Okleveles gépészmérnök, tudományos segédmunkatárs Témavezető: Dr. Kovács Ernő Társ-témavezető:
RészletesebbenIrányításelmélet és technika II.
Irányításelmélet és technika II. Legkisebb négyzetek módszere Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék amagyar@almos.vein.hu 200 november
RészletesebbenGEOSTATISZTIKA. Földtudományi mérnöki MSc, geofizikus-mérnöki szakirány. 2018/2019 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ
GEOSTATISZTIKA Földtudományi mérnöki MSc, geofizikus-mérnöki szakirány 2018/2019 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ Miskolci Egyetem Műszaki Földtudományi Kar Geofizikai és Térinformatikai Intézet
RészletesebbenBevezetés a neurális számításokba Analóg processzortömbök,
Pannon Egyetem Villamosmérnöki és Információs Tanszék Bevezetés a neurális számításokba Analóg processzortömbök, neurális hálózatok Előadó: dr. Tömördi Katalin Neurális áramkörök (ismétlés) A neurális
RészletesebbenForgalmi modellezés BMEKOKUM209
BME Közlekedésüzemi és Közlekedésgazdasági Tanszék Forgalmi modellezés BMEKOKUM209 Szimulációs modellezés Dr. Juhász János A forgalmi modellezés célja A közlekedési igények bővülése és a motorizáció növekedése
RészletesebbenStatisztika I. 12. előadás. Előadó: Dr. Ertsey Imre
Statisztika I. 1. előadás Előadó: Dr. Ertsey Imre Regresszió analízis A korrelációs együttható megmutatja a kapcsolat irányát és szorosságát. A kapcsolat vizsgálata során a gyakorlatban ennél messzebb
RészletesebbenGenerátor differenciálvédelmi funkció blokk leírása
Generátor differenciálvédelmi funkció blokk leírása Dokumentum azonosító: V1.2 Budapest, 2015. május A leírás verzió-információja Verzió Dátum Változás Szerkesztette 1.1 2015-05-25 Első verzió, angolból
RészletesebbenTanulás tanuló gépek tanuló algoritmusok mesterséges neurális hálózatok
Zrínyi Miklós Gimnázium Művészet és tudomány napja Tanulás tanuló gépek tanuló algoritmusok mesterséges neurális hálózatok 10/9/2009 Dr. Viharos Zsolt János Elsősorban volt Zrínyis diák Tudományos főmunkatárs
Részletesebben2.Előadás ( ) Munkapont és kivezérelhetőség
2.lőadás (207.09.2.) Munkapont és kivezérelhetőség A tranzisztorokat (BJT) lineáris áramkörbe ágyazva "működtetjük" és a továbbiakban mindig követelmény, hogy a tranzisztor normál aktív tartományban működjön
RészletesebbenBudapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék. Neurális hálók. Pataki Béla
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Neurális hálók Előadó: Előadás anyaga: Hullám Gábor Pataki Béla Dobrowiecki Tadeusz BME I.E. 414, 463-26-79
RészletesebbenElektronika 2. TFBE1302
Elektronika 2. FBE1302 áplálás FBE1302 Elektronika 2. Analóg elektronika Az analóg elektronikai alkalmazásoknál a részfeladatok többsége több alkalmazási területen is előforduló, közös feladat. Az ilyen
RészletesebbenRegresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.
Regresszió Csorba János Nagyméretű adathalmazok kezelése 2010. március 31. A feladat X magyarázó attribútumok halmaza Y magyarázandó attribútumok) Kérdés: f : X -> Y a kapcsolat pár tanítópontban ismert
RészletesebbenA 27/2012 (VIII. 27.) NGM rendelet 29/2016 (VIII.26) NGM rendelet által módosított) szakmai és vizsgakövetelménye alapján.
A 27/2012 (VIII. 27.) NGM rendelet 29/2016 (VIII.26) NGM rendelet által módosított) szakmai és vizsgakövetelménye alapján. Szakképesítés, azonosító száma és megnevezése 54 522 01 Erősáramú elektrotechnikus
RészletesebbenEgyenáramú szervomotor modellezése
Egyenáramú szervomotor modellezése. A gyakorlat élja: Az egyenáramú szervomotor mködését leíró modell meghatározása. A modell valdálása számításokkal és szotverejlesztéssel katalógsadatok alapján.. Elmélet
RészletesebbenNeurális hálózatokon alapuló modellezés és hibadiagnosztika villamos hajtások példáján keresztül. Ph.D. értekezés
MISKOLCI EGYETEM GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR hibadiagnosztika villamos hajtások példáján keresztül Ph.D. értekezés Készítette: okleveles gépészmérnök SÁLYI ISTVÁN GÉPÉSZETI TUDOMÁNYOK DOKTORI ISKOLA
RészletesebbenTartalomjegyzék I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE
Tartalomjegyzék 5 Tartalomjegyzék Előszó I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE 1. fejezet: Kontrollált kísérletek 21 1. A Salk-oltás kipróbálása 21 2. A porta-cava sönt 25 3. Történeti kontrollok 27 4. Összefoglalás
RészletesebbenOsztályozás, regresszió. Nagyméretű adathalmazok kezelése Tatai Márton
Osztályozás, regresszió Nagyméretű adathalmazok kezelése Tatai Márton Osztályozási algoritmusok Osztályozás Diszkrét értékkészletű, ismeretlen attribútumok értékének meghatározása ismert attribútumok értéke
RészletesebbenSzéladatok homogenizálása és korrekciója
Széladatok homogenizálása és korrekciója Péliné Németh Csilla 1 Prof. Dr. Bartholy Judit 2 Dr. Pongrácz Rita 2 Dr. Radics Kornélia 3 1 MH Geoinformációs Szolgálat pelinenemeth.csilla@mhtehi.gov.hu 2 Eötvös
RészletesebbenBevezetés a Korreláció &
Bevezetés a Korreláció & Regressziószámításba Petrovics Petra Doktorandusz Statisztikai kapcsolatok Asszociáció 2 minőségi/területi ismérv között Vegyes kapcsolat minőségi/területi és egy mennyiségi ismérv
RészletesebbenVisszacsatolt (mély) neurális hálózatok
Visszacsatolt (mély) neurális hálózatok Visszacsatolt hálózatok kimenet rejtett rétegek bemenet Sima előrecsatolt neurális hálózat Visszacsatolt hálózatok kimenet rejtett rétegek bemenet Pl.: kép feliratozás,
RészletesebbenMit látnak a robotok? Bányai Mihály Matemorfózis, 2017.
Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017. Vizuális feldolgozórendszerek feladatai Mesterséges intelligencia és idegtudomány Mesterséges intelligencia és idegtudomány Párhuzamos problémák
RészletesebbenELTE TáTK Közgazdaságtudományi Tanszék GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó június
GAZDASÁGSTATISZTIKA GAZDASÁGSTATISZTIKA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi
RészletesebbenMESTERSÉGES INTELLIGENCIÁN ALAPULÓ MÓDSZER ELEKTROMECHANIKUS AKTUÁTOR HIBADIAGNOSZTIKÁJÁRA
Multidiszciplináris tudományok, 3. kötet. (2013) sz. pp. 225-240. MESTERSÉGES INTELLIGENCIÁN ALAPULÓ MÓDSZER ELEKTROMECHANIKUS AKTUÁTOR HIBADIAGNOSZTIKÁJÁRA Füvesi Viktor 1, Kovács Ernő 2 1 Tudományos
RészletesebbenMűveleti erősítők - Bevezetés
Analóg és digitális rsz-ek megvalósítása prog. mikroák-kel BMEVIEEM371 Budapesti Műszaki és Gazdaságtudományi Egyetem Műveleti erősítők - Bevezetés Takács Gábor Elektronikus Eszközök Tanszéke (BME) 2014.
RészletesebbenE23 laboratóriumi mérés Fizikai Tanszék
E23 laboratóriumi mérés Fizikai Tanszék Kondenzátor kisütő áramának időbeli változása 1. A mérés célja, elve A kondenzátorok és tekercsek az egyenáramú hálózatokban triviálisan működnek (a kondenzátor
RészletesebbenKeresés képi jellemzők alapján. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Keresés képi jellemzők alapján Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Lusta gépi tanulási algoritmusok Osztályozás: k=1: piros k=5: kék k-legközelebbi szomszéd (k=1,3,5,7)
RészletesebbenBevezetés a méréstechnikába és jelfeldolgozásba. Tihanyi Attila április 17.
Bevezetés a méréstechnikába és jelfeldolgozásba Tihanyi Attila 2007. április 17. ALAPOK Töltés 1 elektron töltése 1,602 10-19 C 1 C (coulomb) = 6,24 10 18 elemi elektromos töltés. Áram Feszültség I=Q/t
RészletesebbenLineáris regresszió vizsgálata resampling eljárással
Lineáris regresszió vizsgálata resampling eljárással Dolgozatomban az European Social Survey (ESS) harmadik hullámának adatait fogom felhasználni, melyben a teljes nemzetközi lekérdezés feldolgozásra került,
RészletesebbenA 27/2012 (VIII. 27.) NGM rendelet (12/2013 (III.28) NGM rendelet által módosított) szakmai és vizsgakövetelménye alapján.
A 27/2012 (VIII. 27.) NGM rendelet (12/2013 (III.28) NGM rendelet által módosított) szakmai és vizsgakövetelménye alapján. Szakképesítés, azonosító száma és megnevezése 54 522 01 Erősáramú elektrotechnikus
RészletesebbenHaszongépj. Németh. Huba. és s Fejlesztési Budapest. Kutatási. Knorr-Bremse. 2004. November 17. Knorr-Bremse 19.11.
Haszongépj pjármű fékrendszer intelligens vezérl rlése Németh Huba Knorr-Bremse Kutatási és s Fejlesztési si Központ, Budapest 2004. November 17. Knorr-Bremse 19.11.2004 Huba Németh 1 Tartalom Motiváció
RészletesebbenRugalmas állandók mérése
Rugalmas állandók mérése (Mérési jegyzőkönyv) Hagymási Imre 2007. április 23. (hétfő délelőtti csoport) 1. Young-modulus mérése behajlásból 1.1. A mérés menete A mérés elméleti háttere megtalálható a jegyzetben
RészletesebbenDifferenciálegyenletek megoldása Laplace-transzformációval. Vajda István március 21.
Analízis előadások Vajda István 2009. március 21. A módszer alkalmazásának feltételei: Állandó együtthatós, lineáris differenciálegyenletek megoldására használhatjuk. A módszer alkalmazásának feltételei:
RészletesebbenBiomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision
RészletesebbenA végeselem módszer alapjai. 2. Alapvető elemtípusok
A végeselem módszer alapjai Előadás jegyzet Dr. Goda Tibor 2. Alapvető elemtípusok - A 3D-s szerkezeteket vagy szerkezeti elemeket gyakran egyszerűsített formában modellezzük rúd, gerenda, 2D-s elemek,
RészletesebbenMérés és modellezés Méréstechnika VM, GM, MM 1
Mérés és modellezés 2008.02.04. 1 Mérés és modellezés A mérnöki tevékenység alapeleme a mérés. A mérés célja valamely jelenség megismerése, vizsgálata. A mérés tervszerűen végzett tevékenység: azaz rögzíteni
RészletesebbenKOOPERÁCIÓ ÉS GÉPI TANULÁS LABORATÓRIUM
KOOPERÁCIÓ ÉS GÉPI TANULÁS LABORATÓRIUM Kernel módszerek idősor előrejelzés Mérési útmutató Készítette: Engedy István (engedy@mit.bme.hu) Méréstechnika és Információs Rendszerek Tanszék Budapesti Műszaki
RészletesebbenElektronika 1. (BMEVIHIA205)
Elektronika. (BMEVHA05) 5. Előadás (06..8.) Differenciál erősítő, műveleti erősítő Dr. Gaál József BME Hálózati endszerek és SzolgáltatásokTanszék gaal@hit.bme.h Differenciál erősítő, nagyjelű analízis
RészletesebbenDinamikus modellek szerkezete, SDG modellek
Diagnosztika - 3. p. 1/2 Modell Alapú Diagnosztika Diszkrét Módszerekkel Dinamikus modellek szerkezete, SDG modellek Hangos Katalin PE Villamosmérnöki és Információs Rendszerek Tanszék Diagnosztika - 3.
RészletesebbenA kálium-permanganát és az oxálsav közötti reakció vizsgálata 9a. mérés B4.9
A kálium-permanganát és az oxálsav közötti reakció vizsgálata 9a. mérés B4.9 Név: Pitlik László Mérés dátuma: 2014.12.04. Mérőtársak neve: Menkó Orsolya Adatsorok: M24120411 Halmy Réka M14120412 Sárosi
RészletesebbenRegresszió számítás az SPSSben
Regresszió számítás az SPSSben Kvantitatív statisztikai módszerek Petrovics Petra Lineáris regressziós modell X és Y közötti kapcsolatot ábrázoló egyenes. Az Y függ: x 1, x 2,, x p p db magyarázó változótól
RészletesebbenMesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás
Mesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás http:/uni-obuda.hu/users/kutor/ IRE 7/50/1 A neurális hálózatok általános jellemzői 1. A
RészletesebbenRegressziós vizsgálatok
Regressziós vizsgálatok Regresszió (regression) Általános jelentése: visszaesés, hanyatlás, visszafelé mozgás, visszavezetés. Orvosi területen: visszafejlődés, involúció. A betegség tünetei, vagy maga
Részletesebben2. Rugalmas állandók mérése
2. Rugalmas állandók mérése Klasszikus fizika laboratórium Mérési jegyzőkönyv Mérést végezte: Vitkóczi Fanni Jegyzőkönyv leadásának időpontja: 2012. 12. 15. I. A mérés célja: Két anyag Young-modulusának
Részletesebben(Az 1. példa adatai Uray-Szabó: Elektrotechnika c. (Nemzeti Tankönyvkiadó) könyvéből vannak.)
Egyenáramú gépek (Az 1. példa adatai Uray-Szabó: Elektrotechnika c. (Nemzeti Tankönyvkiadó) könyvéből vannak.) 1. Párhuzamos gerjesztésű egyenáramú motor 500 V kapocsfeszültségű, párhuzamos gerjesztésű
RészletesebbenRácsvonalak parancsot. Válasszuk az Elsődleges függőleges rácsvonalak parancs Segédrácsok parancsát!
Konduktometriás titrálás kiértékelése Excel program segítségével (Office 2007) Alapszint 1. A mérési adatokat írjuk be a táblázat egymás melletti oszlopaiba. Az első oszlopba kerül a fogyás, a másodikba
RészletesebbenAdatelemzés SAS Enterprise Guide használatával. Soltész Gábor solteszgabee[at]gmail.com
Adatelemzés SAS Enterprise Guide használatával Soltész Gábor solteszgabee[at]gmail.com Tartalom SAS Enterprise Guide bemutatása Kezelőfelület Adatbeolvasás Szűrés, rendezés Új változó létrehozása Elemzések
RészletesebbenIntelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban
Intelligens Rendszerek Elmélete : dr. Kutor László Versengéses és önszervező tanulás neurális hálózatokban http://mobil.nik.bmf.hu/tantargyak/ire.html Login név: ire jelszó: IRE07 IRE 9/1 Processzor Versengéses
RészletesebbenMegújuló energia bázisú, kis léptékű energiarendszer
Megújuló energia bázisú, kis léptékű energiarendszer Molnárné Dőry Zsófia 2. éves doktorandusz hallgató, energetikai mérnök (MSc), BME, Energetikai Gépek és Rendszerek Tanszék, Magyar Energetikai Társaság
RészletesebbenSzámítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 9.
Számítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 9. előadás Szederkényi Gábor Pázmány Péter Katolikus Egyetem Információs
RészletesebbenTEE - Adásvételi szerződés keretében informatikai kutatási eszközök és szoftverek beszerzése a Pázmány Péter Katolikus Egyetem számára
TEE - Adásvételi szerződés keretében informatikai kutatási eszközök és szoftverek beszerzése a Pázmány Péter Katolikus Egyetem számára Közbeszerzési Értesítő száma: 2015/146 Beszerzés tárgya: Árubeszerzés
RészletesebbenBME Hidrodinamikai Rendszerek Tanszék 2. MÉRÉS
2. MÉRÉS VÍZMELEGÍTŐ IDŐÁLLANDÓJÁNAK MEGHATÁROZÁSA 1. Bevezetés A mérés célja, egy vízmelegítő időállandójának meghatározás adott térfogatáram és fűtési teljesítmény mellett. Az időállandó mellett a vízmelegítő
RészletesebbenDinamikus modellek felállítása mérnöki alapelvek segítségével
IgyR - 3/1 p. 1/20 Integrált Gyártórendszerek - MSc Dinamikus modellek felállítása mérnöki alapelvek segítségével Hangos Katalin PE Villamosmérnöki és Információs Rendszerek Tanszék IgyR - 3/1 p. 2/20
RészletesebbenBiometria az orvosi gyakorlatban. Korrelációszámítás, regresszió
SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás
RészletesebbenI. LABOR -Mesterséges neuron
I. LABOR -Mesterséges neuron A GYAKORLAT CÉLJA: A mesterséges neuron struktúrájának az ismertetése, neuronhálókkal kapcsolatos elemek, alapfogalmak bemutatása, aktivációs függvénytípusok szemléltetése,
RészletesebbenSzámítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Számítógépes képelemzés 7. előadás Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Momentumok Momentum-alapú jellemzők Tömegközéppont Irányultáság 1 2 tan 2 1 2,0 1,1 0, 2 Befoglaló
RészletesebbenAnyagvizsgálati módszerek Mérési adatok feldolgozása. Anyagvizsgálati módszerek
Anyagvizsgálati módszerek Mérési adatok feldolgozása Anyagvizsgálati módszerek Pannon Egyetem Mérnöki Kar Anyagvizsgálati módszerek Statisztika 1/ 22 Mérési eredmények felhasználása Tulajdonságok hierarchikus
RészletesebbenIpari kemencék PID irányítása
Ipari kemencék PID irányítása 1. A gyakorlat célja: Az ellenállással melegített ipari kemencék modelljének meghatározása. A Opelt PID tervezési módszer alkalmazása ipari kemencék irányítására. Az ipari
RészletesebbenNagy pontosságú rövidtávú ivóvíz fogyasztás előrejelzés Készítette: Bibok Attila PhD Hallgató MHT XXXIV. Vándorgyűlés
Budapesti Műszaki és Gazdaságtudományi Egyetem Építőmérnöki kar Vízi Közmű és Környezetmérnöki Tanszék Nagy pontosságú rövidtávú ivóvíz fogyasztás előrejelzés Készítette: Bibok Attila PhD Hallgató MHT
RészletesebbenElektromechanikai rendszerek szimulációja
Kandó Polytechnic of Technology Institute of Informatics Kóré László Elektromechanikai rendszerek szimulációja I Budapest 1997 Tartalom 1.MINTAPÉLDÁK...2 1.1 IDEÁLIS EGYENÁRAMÚ MOTOR FESZÜLTSÉG-SZÖGSEBESSÉG
RészletesebbenKorreláció és lineáris regresszió
Korreláció és lineáris regresszió Két folytonos változó közötti összefüggés vizsgálata Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi Fizika és Statisztika I. előadás 2016.11.02.
Részletesebben4. óra: Egyenlőtlen tér a hazai jövedelemegyenlőtlenségi folyamatok vizsgálata
4. óra: Egyenlőtlen tér a hazai jövedelemegyenlőtlenségi folyamatok vizsgálata Tér és társadalom (TGME0405-E) elmélet 2018-2019. tanév A területi fejlődés és a területi egyenlőtlenségek kapcsolata Visszatérés
RészletesebbenMéréselmélet MI BSc 1
Mérés és s modellezés 2008.02.15. 1 Méréselmélet - bevezetés a mérnöki problémamegoldás menete 1. A probléma kitűzése 2. A hipotézis felállítása 3. Kísérlettervezés 4. Megfigyelések elvégzése 5. Adatok
RészletesebbenSzámítógépes döntéstámogatás. Statisztikai elemzés
SZDT-03 p. 1/22 Számítógépes döntéstámogatás Statisztikai elemzés Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Előadás SZDT-03 p. 2/22 Rendelkezésre
RészletesebbenVillamos mérések. Analóg (mutatós) műszerek. Készítette: Füvesi Viktor doktorandusz
Villamos mérések Analóg (mutatós) műszerek Készítette: Füvesi Viktor doktorandusz rodalom UrayVilmos Dr. Szabó Szilárd: Elektrotechnika o.61-79 1 Alapfogalmak Mutatós műszerek Legegyszerűbbek Közvetlenül
RészletesebbenMinta Írásbeli Záróvizsga és BSc felvételi kérdések Mechatronikai mérnök
Minta Írásbeli Záróvizsga és BSc felvételi kérdések Mechatronikai mérnök Debrecen, 2017. 01. 03-04. Név: Neptun kód: 1. Az ábrán egy hajtás fordulatszám-nyomaték jelleggörbéje látható. M(ω) a motor, az
RészletesebbenKorreláció számítás az SPSSben
Korreláció számítás az SPSSben Kvantitatív statisztikai módszerek Petrovics Petra Statisztikai kapcsolatok Asszociáció 2 minőségi/területi ismérv között Vegyes kapcsolat minőségi/területi és egy mennyiségi
Részletesebben"Flat" rendszerek. definíciók, példák, alkalmazások
"Flat" rendszerek definíciók, példák, alkalmazások Hangos Katalin, Szederkényi Gábor szeder@scl.sztaki.hu, hangos@scl.sztaki.hu 2006. október 18. flatness - p. 1/26 FLAT RENDSZEREK: Elméleti alapok 2006.
RészletesebbenLG Startvert ig5a frekvenciaváltó program paraméterek magyarázata
1 A dokumentum szerzıi jog védelme alatt áll, mindenféle másolása, terjesztése jogi következményeket von maga után! LG Startvert ig5a frekvenciaváltó program paraméterek magyarázata 1. Motorhajtás paraméter
RészletesebbenHáromfázisú aszinkron motorok
Háromfázisú aszinkron motorok 1. példa Egy háromfázisú, 20 kw teljesítményű, 6 pólusú, 400 V/50 Hz hálózatról üzemeltetett aszinkron motor fordulatszáma 950 1/min. Teljesítmény tényezője 0,88, az állórész
RészletesebbenMódszertani Intézeti Tanszéki Osztály. A megoldás részletes mellékszámítások hiányában nem értékelhető!
BGF KKK Módszertani Intézeti Tanszéki Osztály Budapest, 2012.. Név:... Neptun kód:... Érdemjegy:..... STATISZTIKA II. VIZSGADOLGOZAT Feladatok 1. 2. 3. 4. 5. 6. Összesen Szerezhető pontszám 21 20 7 22
Részletesebbentársadalomtudományokban
Gépi tanulás, predikció és okság a társadalomtudományokban Muraközy Balázs (MTA KRTK) Bemutatkozik a Számítógépes Társadalomtudomány témacsoport, MTA, 2017 2/20 Empirikus közgazdasági kérdések Felváltja-e
RészletesebbenIntelligens hatlábú robot kinematikai vizsgálata
Sályi István Gépészeti Tudományok Doktori Iskola Intelligens hatlábú robot kinematikai vizsgálata Füvesi Viktor I. éves doktorandusz Tel: +6-46-565111/1144 e-mail: elkfv@uni-miskolc.hu Témavezető: Dr.
Részletesebbenelektronika AC-Szinkronmotor MY 051/052/053/054
AC-Szinkronmotor MY 01/02/03/04 MY 04 MY 03 MY 02 MY 01 Jellemzõk Kefe nélküli, magas dinamikájú Pozicionáló-motor kompakt kialakítás a ritka-földfém mágnes kis tehetetlenségi nyomaték az optimális rotorkonstrukció
RészletesebbenHogyan lesz adatbányából aranybánya?
Hogyan lesz adatbányából aranybánya? Szolgáltatások kapacitástervezése a Budapest Banknál Németh Balázs Budapest Bank Fehér Péter - Corvinno Visontai Balázs - KFKI Tartalom 1. Szolgáltatás életciklus 2.
RészletesebbenMechatronika, Optika és Gépészeti Informatika Tanszék MOTOR - BOARD
echatronika, Optika és Gépészeti Informatika Tanszék OTOR - BORD I. Elméleti alapok a felkészüléshez 1. vizsgált berendezés mérést a HPS System Technik (www.hps-systemtechnik.com) rendszereszközök segítségével
RészletesebbenA hallgató neve Minta Elemér A NEPTUN kódja αβγδεζ A tantárgy neve Fizika I. vagy Fizika II. A képzés típusa Élelmiszermérnök BSc/Szőlész-borász
A hallgató neve Minta Elemér A NEPTUN kódja αβγδεζ A tantárgy neve Fizika I. vagy Fizika II. A képzés típusa Élelmiszermérnök BSc/Szőlész-borász /Biomérnök A gyakorlat ideje pl. Hétfő 18-20 Ez egy fiú
RészletesebbenAdatok: R B1 = 100 kω R B2 = 47 kω. R 2 = 33 kω. R E = 1,5 kω. R t = 3 kω. h 22E = 50 MΩ -1
1. feladat R B1 = 100 kω R B2 = 47 kω R C = 3 kω R E = 1,5 kω R t = 4 kω A tranzisztor paraméterei: h 21E = 180 h 22E = 30 MΩ -1 a) Számítsa ki a tranzisztor kollektor áramát, ha U CE = 6,5V, a tápfeszültség
Részletesebben2. Rugalmas állandók mérése jegyzőkönyv javított. Zsigmond Anna Fizika Bsc II. Mérés dátuma: Leadás dátuma:
2. Rugalmas állandók mérése jegyzőkönyv javított Zsigmond Anna Fizika Bsc II. Mérés dátuma: 2008. 09. 17. Leadás dátuma: 2008. 10. 08. 1 1. Mérések ismertetése Az első részben egy téglalap keresztmetszetű
RészletesebbenFIZIKAI KÉMIA II. házi dolgozat. Reakciókinetikai adatsor kiértékelése (numerikus mechanizmusvizsgálat)
FIZIKAI KÉMIA II. házi dolgozat Reakciókinetikai adatsor kiértékelése (numerikus mechanizmusvizsgálat) Készítette: () Kémia BSc 2008 évf. 2010 1 A numerikus mechanizmusvizsgálat feladatának megfogalmazása
RészletesebbenIntelligens Rendszerek Elmélete
Intelligens Rendszerek Elmélete Dr. Kutor László : Mesterséges neurális hálózatok felügyelt tanítása hiba visszateresztő Back error Propagation algoritmussal Versengéses tanulás http://mobil.nik.bmf.hu/tantargyak/ire.html
Részletesebbentöbbfunkciós működésmód többfeszültségű (12 240)V AC/DC a 90.02, 90.03, és foglalatokba dugaszolható
86- Időzítőmodulok 86- Dugaszolható időzítőmodulok a kapcsolórelék időrelékké való átalakításához Több időtartomány, késleltetési idő 0.05 s-tól 100 h-ig LED-es állapotjelzés 86.00 86.30 86.00 86.30 többfunkciós
RészletesebbenLeíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév
Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév A pirossal írt anyagrészeket nem fogom közvetlenül számon kérni a vizsgán, azok háttérismeretként,
RészletesebbenPCS-1000I Szigetelt kimenetű nagy pontosságú áram sönt mérő
GW Instek PCS-1000I Szigetelt kimenetű nagy pontosságú áram sönt mérő Új termék bejelentése A precízen elvégzett mérések nem hibáznak GW Instek kibocsátja az új PCS-1000I szigetelt kimenetű nagypontosságú
RészletesebbenAdatbányászati szemelvények MapReduce környezetben
Adatbányászati szemelvények MapReduce környezetben Salánki Ágnes salanki@mit.bme.hu 2014.11.10. Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Felügyelt
RészletesebbenRegresszió számítás. Tartalomjegyzék: GeoEasy V2.05+ Geodéziai Kommunikációs Program
Regresszió számítás GeoEasy V2.05+ Geodéziai Kommunikációs Program DigiKom Kft. 2006-2010 Tartalomjegyzék: Egyenes x változik Egyenes y változik Egyenes y és x változik Kör Sík z változik Sík y, x és z
Részletesebben2013 ŐSZ. 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét!
GAZDASÁGSTATISZTIKA KIDOLGOZOTT ELMÉLETI KÉRDÉSEK A 3. ZH-HOZ 2013 ŐSZ Elméleti kérdések összegzése 1. Mutassa be az egymintás z-próba célját, alkalmazásának feltételeit és módszerét! 2. Mutassa be az
Részletesebben