Ambiens szabályozás problémája Kontroll és tanulás-1
|
|
|
- Gréta Kis
- 7 évvel ezelőtt
- Látták:
Átírás
1 Ambiens szabályozás problémája Kontroll és tanulás-1 Ambiens (fizikai) tér Ambiens Intelligencia szenzorok beavatkozók Ágens szervezet AmI - megfigyelés, elemzés - tervezés, megtanulás AmI - statikus - (folyamatosan) adaptív (fuzzy) tanulás problémája -on-line -ritka adat -nem stacionárius környezet 1
2 megfigyelések (kontextus) fuzzy leíró modell megfigyelések (kontextus) megfigyelések (kontextus) fuzzy jósló modell (leíró modell végrehajtása)
3 The Essex intelligent Dormitory (idorm) Szenzorok Beltéri fényszint szenzor, kültéri fényszint szenzor, beltéri hőmérséklet szenzor, kültéri hőmérsékleti szenzor, páratartalom szenzor, széknyomás szenzor, ágynyomás szenzor, jelenlét szenzor, telefon státusz szenzor. Beavatkozók fűtőtest, hűtő ventilátor, 4 szabályozható kis lámpa, ablaksötétítő, asztali lámpa, ágy melletti lámpa, PC szövegszerkesztő alkalmazás, PC média lejátszó alkalmazás. L. X.Wang and J. M. Mendel, Generating fuzzy rules by learning from examples, IEEE Trans. Syst., Man, Cybern., vol. 22, pp , Dec L.X. Wang, The WM Method Completed: A Flexible Fuzzy System Approach to Data Mining, IEEE Trans. on Fuzzy Systems, Vol. 11, No. 6, Dec 2003, pp F. Doctor, H. Hagras, and V. Callaghan, A Fuzzy Embedded Agent-Based Approach for Realizing Ambient Intelligence in Intelligent Inhabited Environments IEEE Trans. on Syst., Man, Cybern. Part A: Systems and Humans, Vol. 35, No. 1, Jan 2005, pp
4 Adaptive Online Fuzzy Inference System (AOFIS) One-shot Felhasználó monitorozása I/O adatok begyűjtése Tagsági függvények azonosítása Fuzzy szabályok azonosítása Control loop Szenzorok/felhasználói beavatkozások monitorozása Tanult szabályok adaptálása
5 I/O adatok begyűjtése Felhasználó berendezéseket kezel pillanatfelvétel aktuális bemenetekről (szenzor állapotok) és kimenetekről (beavatkozók új, felhasználó állította állapotai) Pillanatfelvételek kumulálása (pl. 3 nap idorm) ( x ( t), y ( t) ), t 1, 2,... N n bemeneti változó x ( x 1, ) T n x n R befolyásolja k kimeneti y ( y 1, ) T k y k R változót idorm: 7 szenzor bemenet, 10 beavatkozó kimenet = 17 dimenzió Előre kivetítve: dimenzió átka probléma
6 I/O adatok begyűjtése Előre kivetítve: dimenzió átka probléma
7 dimenzió átka probléma 100 adat 1, 2, 3dimenzióban
8 Tagsági függvények azonosítása klaszterezés - hasra ütés, vagy
9 Tagsági függvények azonosítása Double Clustering: Fuzzy-C-Means (FCM) + hierarchical clustering FCM algoritmus Initialize U=[uij] matrix, U(0) Update U(k), U(k+1) If U(k+1) - U(k) < then STOP; otherwise cont
10
11 Hierarchikus klaszterezés FCM algoritmus: c1, c2, c p R r minden klaszterközpont egy r-dim vektor minden bemenet/kimenet számára - 1-dim centroid értékek Iteratív újra klaszterezés középpontok majdani tagsági függvények (majdnem) középpontjai K j (j = 1,2,..., r) a középpontok (tagsági függvények) kívánt száma (felbontás) Algoritmus minden lépésében a két legközelebbi elem összemosódik Ismétlés minden dimenzió szerint.
12 Tagsági függvények származtatása Gauss-féle tagsági függvények (előny, hátrány) Szétválasztó pontok származtatása: Gauss-paraméterek számítása: - a két szomszédos tagsági függvény átlapolódás mértéke. Szélső ( határ ) tagsági függvények kinyújtása végtelenbe 1 érték szinten.
13 Fuzzy szabályok kinyerése Mendel Wang (MW) módszer javított változata Fuzzy szabályok one-pass származtatása megfigyelt adatokból l = 1,2,...,M, M a szabályok száma, l szabály indexe minden bemenethez q számú fuzzy halmaz minden kimenethez h számú fuzzy halmaz
14 VIMIM137 14
15 1. lépés Minden I/O adatpár esetén Tagsági függvényértékek számítása Minden bemeneti s változóra (s = 1,...,n), megtalálni minden q = 1,...,V által generált szabály szabályok max. száma Tényleges szabályok domináns régióban legalább egy adatpont van. 1 db. szabály minden adatpontra, max-t adó fuzzy halmazok beválasztásával.
16 Szabály súlya Szabály által lefedett régióhoz tartozó pontok erőssége. 1. Lépés ismétlése minden t adatpontra, végül N db. szabály.
17 VIMIM137 17
18 2. lépés Sok adatpont sok szabály sok szabály ugyanazzal az IF résszel sok szabály konfliktusban áll (ugyanaz az IF, eltérő következmény) Azonos IF résszel rendelkező szabályok egyetlenegy szabályba! N szabályból M szabálycsoport: azonos IF rész i-ik csoport - N l db. szabály u = 1,...N l a csoport adatindexe Konfliktuscsoporthoz tartozó szabályok átlagos kimenete (konfliktusban lévő következmények összemosása)
19 N l szabály összekombinálása egyetlenegy szabályba A kimeneti halmaz megválasztása: W kimeneti fuzzy halmaz közül megtalálni azt, amire: h = 1,2,...,W, -re, az eredmény:
20 súly av következmény VIMIM137 20
21 FLC
22 Online adaptáció és life-long tanulás Felhasználót közelítő módon modellező FLC tanulása Felhasználói viselkedésváltozáshoz adaptálás gyorsan, nem zavaró módon Nem-zavaró: AmI döntés felülbírása, kézi vezérlés, berendezések átállítása Kézi vezérlés érzékelése - szabályok on-line adaptálása - új szabályok hozzáadása (új preferenciák) Tanulási tehetetlenség okos késleltetés, nincs kapkodás és mi lenne, ha a viselkedésváltozás már igen lényeges?
23 Kézi vezérlés érzékelése pillanatfelvétel szabályadaptációs mechanizmus Bemeneti x vektor minden paramétere szabály előfeltétel halmaza tagsági érték szintje? Szabály súlya: bemeneti tagsági értékek szorzata (szabály elsütési súlya) (nagyobb nullánál) Felhasználói beavatkozás értékéhez max. tagsági szintet adó kimeneti fuzzy halmaz beválasztása az összes elsüthető szabály következményébe minden h = 1,2,...,W -nek -t használjuk, ahol c = 1,2..,k.
24 Ha a felhasználói beavatkozásnál nincs elsüthető szabály, új szabályt adunk hozzá szabálybázishoz Ehhez azonosítani kell a bemenetre nem nulla értéket adó halmazokat Szabályrács (minden azonosított bemeneti kombináció) Következmény megválasztása Új szabályok hozzáadása ha aktuális helyzethez (kézi vezérlés nélkül) sincs elsüthető szabály: új szabály: feltétel = környezet aktuális állapota következmény = beavatkozók aktuális állapota
25 Felbontás, elegendő modell tanulása? Extrapolálás, ahol mérés nincs? - lehet ez egyáltalán? - szabályközpont - szomszédos szabály - max.szab.csoport - középpont szomszédokból B( ) B( ) 25
TARTALOMJEGYZÉK. TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS A lágy számításról A könyv célkitűzése és felépítése...
TARTALOMJEGYZÉK TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS...1 1. A lágy számításról...2 2. A könyv célkitűzése és felépítése...6 AZ ÖSSZETEVŐ LÁGY RENDSZEREK...9 I. BEVEZETÉS...10 3. Az összetevő
Adatbányászati 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
Keresés 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)
Babeş Bolyai Tudományegyetem, Kolozsvár Matematika és Informatika Kar Magyar Matematika és Informatika Intézet
/ Babeş Bolyai Tudományegyetem, Kolozsvár Matematika és Informatika Kar Magyar Matematika és Informatika Intézet / Tartalom 3/ kernelek segítségével Felügyelt és félig-felügyelt tanulás felügyelt: D =
Számítógépes 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
AKTUÁTOR 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
A F u z z y C L I P S a l a p j a i
A F u z z y C L I P S a l a p j a i A CLIPS rendszer bovítése a bizonytalan információk hatékony kezelése céljából. K é t f é l e b i z o n y t a l a n s á g t á m o g a t á s a : Pontosan nem megfogalmazható
Fuzzy Rendszerek. 2. előadás Fuzzy következtető rendszerek. Ballagi Áron egyetemi adjunktus. Széchenyi István Egyetem, Automatizálási Tsz.
Fuzzy Rendszerek 2. előadás Fuzzy következtető rendszerek Ballagi Áron egyetemi adjunktus Széchenyi István Egyetem, Automatizálási Tsz. Fuzzy következtető rendszer Fuzzy következtető Szabálybázis Fuzzifikáló
Intelligens irányítások
Intelligens irányítások Fuzzy következtető rendszerek Ballagi Áron Széchenyi István Egyetem Automatizálási Tsz. 1 Fuzzy következtető rendszer Fuzzy következtető Szabálybázis Fuzzifikáló Defuzzifikáló 2
Stratégiák tanulása az agyban
Statisztikai tanulás az idegrendszerben, 2019. Stratégiák tanulása az agyban Bányai Mihály banyai.mihaly@wigner.mta.hu http://golab.wigner.mta.hu/people/mihaly-banyai/ Kortárs MI thispersondoesnotexist.com
Fuzzy Rendszerek. 3. előadás Alkalmazások. Ballagi Áron egyetemi adjunktus. Széchenyi István Egyetem, Automatizálási Tsz.
Fuzzy Rendszerek 3. előadás Alkalmazások Ballagi Áron egyetemi adjunktus Széchenyi István Egyetem, Automatizálási Tsz. 1 IEEE fuzzy szabályozások felmérése [1996] Több mint 1100 sikeres fuzzy alkalmazás
Intelligens beágyazott rendszer üvegházak irányításában
P5-T6: Algoritmustervezési környezet kidolgozása intelligens autonóm rendszerekhez Intelligens beágyazott rendszer üvegházak irányításában Eredics Péter, Dobrowiecki P. Tadeusz, BME-MIT 1 Üvegházak Az
Korszerű információs technológiák
MISKOLCI EGYETEM GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR Korszerű információs technológiák Megerősítéses tanulási módszerek és alkalmazásaik Tompa Tamás tanársegéd Általános Informatikai Intézeti Tanszék Miskolc,
Algoritmusok Tervezése. Fuzzy rendszerek Dr. Bécsi Tamás
Algoritmusok Tervezése Fuzzy rendszerek Dr. Bécsi Tamás Bevezetés Mese a homokkupacról és a hidegről és a hegyekről Bevezetés, Fuzzy történet Két értékű logika, Boole algebra Háromértékű logika n értékű
Neurális 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.
Megerősítéses tanulási módszerek és alkalmazásaik
MISKOLCI EGYETEM GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR Megerősítéses tanulási módszerek és alkalmazásaik Tompa Tamás tanársegéd Általános Informatikai Intézeti Tanszék Miskolc, 2017. szeptember 15. Tartalom
end function Az A vektorban elõforduló legnagyobb és legkisebb értékek indexeinek különbségét.. (1.5 pont) Ha üres a vektor, akkor 0-t..
A Név: l 2014.04.09 Neptun kód: Gyakorlat vezető: HG BP MN l 1. Adott egy (12 nem nulla értékû elemmel rendelkezõ) 6x7 méretû ritka mátrix hiányos 4+2 soros reprezentációja. SOR: 1 1 2 2 2 3 3 4 4 5 6
GDF Fuzzy Robot Műhely
GDF Fuzzy Robot Műhely Kovács János, Vári Kakas István 2, Gábor Dénes Főiskola,2 Alap- és Műszaki Tudományi Intézet, Budapest, Hungary 2. nov. 8. GDF-FRM Kezdeti lépések: A Gábor Dénes Főiskolán (GDF)
7. Régió alapú szegmentálás
Digitális képek szegmentálása 7. Régió alapú szegmentálás Kató Zoltán http://www.cab.u-szeged.hu/~kato/segmentation/ Szegmentálási kritériumok Particionáljuk a képet az alábbi kritériumokat kielégítő régiókba
Integrált Vezérlés. S-NET Mini MST-S3W. Dynamic Compatibility Option
92 Integrált Vezérlés S-NET Mini A nagyobb rendszerek esetében az energetikai optimumok, és a felhasználói igények kiszolgálása érdekében ügyeletet. - MST-S3W Zónaszabályzó Gyermek zár beállítási Üzemmód
Valós idejű kiberfizikai rendszerek 5G infrastruktúrában
Valós idejű kiberfizikai rendszerek 5G infrastruktúrában dr. Kovácsházy Tamás BME-MIT khazy@mit.bme.hu 1 Kiberfizikai rendszer (CPS, Cyber-Physical System) Egy olyan elosztott, kiterjedt informatikai és
A Jövő Internet kihívásai A jövő információs és kommunikációs technológiai MTA TRB és IB közös tudományos ülés november 17.
A Jövő Internet kihívásai A jövő információs és kommunikációs technológiai MTA TRB és IB közös tudományos ülés 2010. november 17. Dr. Szabó Róbert, e. docens Nagysebességű Hálózatok Laboratorium (HSNLab)
Számítógépvezérelt 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
Multi-20 modul. Felhasználói dokumentáció 1.1. Készítette: Parrag László. Jóváhagyta: Rubin Informatikai Zrt.
Multi-20 modul Felhasználói dokumentáció. Készítette: Parrag László Jóváhagyta: Rubin Informatikai Zrt. 49 Budapest, Egressy út 7-2. telefon: +36 469 4020; fax: +36 469 4029 e-mail: info@rubin.hu; web:
Gépi tanulás a gyakorlatban. Bevezetés
Gépi tanulás a gyakorlatban Bevezetés Motiváció Nagyon gyakran találkozunk gépi tanuló alkalmazásokkal Spam detekció Karakter felismerés Fotó címkézés Szociális háló elemzés Piaci szegmentáció analízis
1. Alapfogalmak Algoritmus Számítási probléma Specifikáció Algoritmusok futási ideje
1. Alapfogalmak 1.1. Algoritmus Az algoritmus olyan elemi műveletekből kompozíciós szabályok szerint felépített összetett művelet, amelyet megadott feltételt teljesítő bemeneti adatra végrehajtva, a megkívánt
É ő ő íí í ú í ő Ő ő ü ü ü ü ü Ü Ü ő ő ő ő í ő ő ő í íí í ő ű í Ó Ó Ó í Ö Ö í Á Ö Ü Ö É í Ö í ő Ö Ö Ö Á í Á ő ő ő ő É Í Í ő ú Ú ú Ö í ő Á Ö ő Í Í ő ű í ő ú ü íí í Ö ő ő ő ő Í ő ő ő ő í ő ő ő ő í É É í
Í ö Í ű ú ö ö ú ö É í í ö Ó ű í ö ö í ö ö ö í í ö í í ö ö í ö ö ö ű í ö ö ö ö ö ö ö ú ö í ö ö í ö ö ö ö ö ú ű ű ú ö ö í ö É í ö ö í ö ö ö ú ű ö ö í ö ú ű ö ö í í ú ö ö í ö í í ö ö ö ú ö ö ö ö Í ö ú ö ú
Ő Ö ö Ö É Á Ü É ó É ó ü É É Ö Ö Á É Ő ú É Á ú Ő Ö Ü Ö Ö ü ó ó ü Ü ű ö ú ó Á í ó ö ö ö ö ó ü í í Á í Ó í ó ü Ö ö ú ó ó ö ü ó ó ö í í ű ö ó í ü í ö í í ű ö ü Ő ü ú Ö ö ó ö ó ö ö ö ü ó ö í ó Ö ö Ő ü Ö Ö ü
ú ű ö ö ü ü Í ö ö ö ö É Í É ú ú É ú ú ö É ö Í Ü ú Í ö ö Í ú ö ö ö ö ü ö ö ú ü Ü ö ü Í ö ö ű ö ö Í ű ú ö ö ö ö Í ö ö ű ö ö Í ü Í ü ú Í É ö ö ü ö ö Ü ö ö Í ü Í ö ü Í Í ö Í ö Í ü ö ú Í ú Í ö É ú Í ö ö Í É
É ö ö Í Í Í Ó Í Í Á Ó Á Ü Ú Í Á Á ű Á Ó Í Í É Á Ó Á Á ö ö Á Í Á Á ö ö ű ö ö Í Í ű Ö ű ö ö ű Í Í Ü ö ö Ó ű Í ö ö Í ö ö Ó ö Ö Í ö ö Ö ö ű ö ö Ó Í ű Ó ö ö ű ö ű Ö Ü Ö ű ű ö ö ö ö ö ö Íö ö Í Ö Ó ű ö ű ö ö
ő ö é ü ö é Ö é ő ü é í ü é é ő ö é ő ö Á ó ü ö é í é ö é Ö é ő ü ü é í é é ó é é í í é é ő ü í ő Ö í é ő é é ő é ő éü ú ü ö ő í Ú Ú ö É í í ü ó ó ó ü ő ö é í ó ö é í ö é é í ö é ó ű ő ö é ő ű ő í é í
ö Á ö É É ü ü É É Ő ö É ö Á ó ü É Ó Ö Á ú é ü ö é Ö é ü é é ü ü é é Ü é ö ö Ö ö é Á é é é é é ó é é é é ü é ö ö ö í é ü ú é é é ü ü é é é ü é é ö é ö é é ó ö ü é é é é ó ó ö í ó é ó é é é ó é é é ű ö é
Á Á É Á Ü ö ű ű ő í ő ö ő í ő ö í É ő í ű ö ő ő í ö ü ő ő ü ő ü í ö ö ü ö ü ő ő ü ü ő ü ö ő ő ő ő íő ö ö ö ü ő ő ő ő í ú ő ő í ü ö ő í ű ü ö ő ő ő ő í ú ö ö ő ö ö ö ö ü ő ő ö ő ő í í ő ö ü ö í ö ö ö ö
ó Í ó ó Ü ó ő Ú ő É ó É Í ő Ö ő ő ó Íó ó Ú ó É Ö ó ő ő Ú Íő ő ő ő ő ő Ú ő ó ó ő ő ő ő ó ő ő ő ő ő ő Í ő ő ó ő ő ó ő Í ő ó ő ő ő ő ő ó ó ó ő ő ó ő ő ő ő ő ő ó ő ő ő ó ő ő Á ű ő ő ő ő ő ő Í ó ő ő ő ő ó ó
Á Á Í ó ó ó ö ó Ü ö ú Í ó ö ö ó ú ö ó ö ö Ü ö ú ó ó ó ó ö ü ó ö ö ü Ü ö ö ú ó ó ö ú ö ó ó ó ó ö ó ö ó ö ó ö ű ö ö ö ű ö ö ű ö ö ö ű ö ö ó ö ö ó ó ü ö ö ű ö ö ö ó ö ű ö Ü ö ö ú ó ö ó ü ü ö ü ü ö Í ö ü ö
ó ő ó ó ö ö ú Á Í ö ó ő ö ú Í ó ü ó ő ö ú ö ó ő ó ő ü ő ű ö ö ü ő ü ó Ó ö ó ó ő ő ő ö Í ó ö ö ö ó ő ö ő Í ü ö ö ö ö ö ö ő ö ö ö ö ú ú ű ö ű ó ó ö ö ő ű ö ú ö ö ö ö ö ó Á ö ö ö ő ő ó ő ő Ö ő ú ó ö ú ú ű
ű í ö ö Á ü ü ö ö ö í í É ú ú ö ö ű í ö ü ö ú ü ű ú ö í í ú ö ú í ö ü í í ö í Á Ó É í ű ö ü ö ü ú ü ö ü ú ű ö ü ű ü í ü ű ü ü ö ű í ü í ö ü í í í í ö í ö ö ö Á ű ú ű ö ö ű í ö ö í ú í í ű í ö ú ö ö í Á
ö ú í í í ő ű Ü Ű Í í Ő Á Á Ö Ő Ű Í ö ú í í í ú ő ö ű í í í ö Ó ő í í í ö ú í ö ö ö ö Ü ő ö ö ö ú ű ő ú ű ö ö ú ö ö ő Ü ö ö í í ő ö í í í í í í ö ö í ö ö í í ő í ő ö ő í ú í ö í ö í í ö ű ö ö Ó Ü ö ő ő
Ő Ö Ü Ö Ö ő ü ó í ü ü ő ü ó Ö ó ő ó ó ő ó ő í ő í ü ő ö ö ö ü í ü ö ö ö ö Ö ő ő Ö ő í ó ő ó ő Ö í ő ő ő ő ü ő ő ö ó ű ö ó ö ú ő ő ó ü ö í ü ö ö ó í ú ő ó ő í ö ö ö í ő ö ő ő ó ü ö ú ü ő ó ó ő ó ő ó í í
É É É Ó Ö É í Ö ő ü ó ő ó ű Á ű ó ő ó ü ó ő ű ő Ö ü É É É ó É ó ü ű í Ö ü ó ű í ó ő ó ő ü ó ü ő ó É Í ő ő ő Ú ó ő ő ő ó ű ó ő ó ü ő ő ő í ü ő ü ő ó Ü ő ó ő ő ó ő Ú ő ő ó ő í ó ő ü ó Í ő ő ü ő É í ő ü ó
ú Ö ü ő ő ú ú ű ő í ó ó í ó ú ő ü ú ű ő í ó ó í ó ű í ó ő Í ő ü ú ő ő í ó ú Ö ő Ü ó ő ő É ó ó ó ó ő ő ú ű ő í ó ú ű ő ú ú ő ű ő í ő ó í ű ő ü ú ó ő ő ó ű ő ő í í í í ó ű ú ő Á ó ő Á ú ó ó ő ó í ó ű í í
ú ő ó ú ö ő ü ú ö ő ó ó ó ü ő í ö í ó ú ő ó ó ó ú ó ú ó ő ő ö ö ő ó ú ó ő ó ő í Á Á ö ö ó ő ú ö ő ú ó í ő ü ü ü í ú ü ü ü ó ú í ü í ó ő ó ő í ú ü ú ó ü ü ö ó ü ó í ü ó ő ö ö í ü ú ó ő ó í ó ő ó í ó ó í
Á ó ü ő Ö Á ü ó ü ő Í ü Í Ó ü ő ő ó ó ó Í ó ü ó ő ő ó ó ü ú Í ő ő ó Ó ő ó ü ó Á ü ó ő ó Í Á Í ő ó ó ó ő ő Á ó ó ú ő Í ő ű ó Ó ü ó ó ú ó ő ú ü ő ó ó ó ő ó ó Ö ó ó ő ó ő ó ő ü ű ő ó ó ő ú ő ú ü Í ü ő ó ó
ü ö Ö ü ó ü ó ó ó Á Ő É ö Ö ü ó ü ú ó ó ó ö ó í í ö ú Ó É ö Ö ü ó ü ü ó ó ó ö ó í ü ö Ö ó ü ü ü ó ó ó ö ó ü í í í ó í ú ű ű ü ű ú í ü ö ö í ö ú ü ó ú ú ű í ü ö ö ó ú ó í ü ú ó ü ó ó ű ó í ü ű ü í ű í
Á Ó Á Ü ő ű Ú ö í ő Ó ú ö Á ú Ű Ó ű Ó í ű ö í ö ő ö ö í ö ö ő É ö Á ű Ó ö Á Ó ö í Á í í ö ű ö ú ö ö ú ö Ú ö ű Ó Ú ö Á í Ó í í Í í í Í ö Ú ö Á ú í Ó ő í ú ö Á ú Á í ú ö Á ú í ö Á ú í Ó ö ű Ó Ú Ú ű ő ö ü
í ö ő í ú ö ö í íí ü Ú Í Á ú ü í ö í ő í ö ő ű Í í ö ü ü ő ő ú í ő í ő ü ü ő Í ő Í í ü ö ö ö ö í ű ő ö ö ö í ü í Ó ö í ő ő í í ő Ó Ú Ő Íő Ő Ó ő ö ő ü ű í í ü ú Ő Í ő ő ő í ü ő É í Ő í ü ü ö ő í ü ö ö ü
ö Ö ö Ö ö ö ö ö ö ö ö Ö ö Ö ö ö ö ö ö ű ö ö ö ö Ö ö Ő Ü ö ö Ö Ö ö ö ö ö ö ö ö ö Ü ö ö ö ű ö ö ö ö ű ö ű ö Ö Ü Ü ö ö ú Ű ÍŐ Ö Ő ÍŐ ö ö ö ö ű ö Ö Ö Ó ö ö Ö ö ö Ö ö ö Ö ö ű ö ö É ö ö Í Á Á Ő ű ö ű ú Ö Ü Á
í ö Ö Á í ö í í ö í ö ö í í ö ö ö ö í í ö í ö í ö í ü í í ö í í í í í ö ö í í í ú ö í í ö Á Á Á ü ú í ö Á í í í ö í í ü ö ö ö ö í ö í í í ú í í ű ú í í í í ö í ű í ö ö ü ö ű ö ö í í í í í ö ü í ö í ö ű
ö é Ö é ü ö é ü ö é Ö é ü í ü ü ü é é ü é é Ö ö é é é é ö ü ö ü ö é é ö é é ö é é ö ö é í é ü é é é í é ö é é ö é ö é ü é ü ú é é é é é í é é é é ö ö é é ö ö é é í í é í é ü ö ü Á é ö Á í ö í é ö ü ö é
ü ó Ö ü í ü ü ü ö É ó ó í ó ó ö ó ö ö ö í í ű ü ü ü Í í ü ü ü ö í ó í ó ó í ó í É ü ö í Í É í ö ú í ó í ö ö ó í ö ó ó ó ö ó ö í í ó ó í ó ó Ö í ö ö ó ö ó ú ó ö ó í ó ó í í ü ó í ö ó ó ü ü ó ö ó ú í ó í
Í ú ó ú ó ú ó ó Á ó ó ö ű ú Á ú ó ó ó Í ó ö ö ö Í ö ó ó ö ó ó ó ö ó ö ö ö ö ó ö ó ö ó ü ó ó ü ó ü ö ö ö ö Ő ó ó Íó ó ó ü ó ű ó ó ű ű ó ö ü ö ú ö ü ű ö ö ö ö ó ú ö ö ö ü Í Í Í Á ó ó ú ü ú Á ü ö Á ó ü ó
ü Ü ö ö ú Í ó í í ó ó ó ü ó ű ó í ó ó í ö ó ö ú ü ö Í í í ó ó ó ó Í ó ü ű ó í ó ó í ó Í í ó ü ö ú ó ó ó í í ó í í ű í ü ö í ó í ö í ú ó í ú ü ú Í í ü Í í í ó ü ö í ó í ó ü ö ó Í í í ó Í É ó ó ó Í í ö ö
BIZONYTALAN ADATOK KEZELÉSE: FUZZY SZAKÉRTŐI RENDSZEREK
BIZONYTALAN ADATOK KEZELÉSE: FUZZY SZAKÉRTŐI RENDSZEREK Szakértői rendszerek, 14. hét, 2008 Tartalom 1 Bevezető 2 Fuzzy történelem A fuzzy logika kialakulása Alkalmazások Fuzzy logikát követ-e a világ?
A jövő Internetje. HTE Közgyűlés 2010. május 20. Dr. Szabó Róbert, e. docens. http://www.tmit.bme.hu
BME TMIT VIK A jövő Internetje HTE Közgyűlés 2010. május 20. Dr. Szabó Róbert, e. docens Budapesti Műszaki és Gazdaságtudományi Egyetem http://www.tmit.bme.hu Tartalom Hol vagyunk ma? Jövő Internet: fókusz
Közösség detektálás gráfokban
Közösség detektálás gráfokban Önszervező rendszerek Hegedűs István Célkitűzés: valamilyen objektumok halmaza felett minták, csoportok detektálása csakis az egyedek közötti kapcsolatok struktúrájának a
Teljesen elosztott adatbányászat alprojekt
Teljesen elosztott adatbányászat alprojekt Hegedűs István, Ormándi Róbert, Jelasity Márk Big Data jelenség Big Data jelenség Exponenciális növekedés a(z): okos eszközök használatában, és a szenzor- és
EEE Kutatólaboratórium MTA-SZTAKI Magyar Tudományos Akadémia
DElosztott I S T R I B U T EEsemények D EV E N T S A NElemzé A L Y S I S se R E SKutatólaboratór E A R C H L A B O R A T Oium R Y L I D A R B a s e d S u r v e i l l a n c e Városi LIDAR adathalmaz szegmentációja
Gépi tanulás a Rapidminer programmal. Stubendek Attila
Gépi tanulás a Rapidminer programmal Stubendek Attila Rapidminer letöltése Google: download rapidminer Rendszer kiválasztása (iskolai gépeken Other Systems java) Kicsomagolás lib/rapidminer.jar elindítása
Intelligens 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
Probabilisztikus funkcionális modellek idegrendszeri adatok elemzésére
Probabilisztikus funkcionális modellek idegrendszeri adatok elemzésére Bányai Mihály! MTA Wigner FK! Computational Systems Neuroscience Lab!! KOKI-VIK szeminárium! 2014. február 11. Struktúra és funkció
Dinamikus 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.
FUZZY RENDSZER GENERÁLÁSA SZABÁLYBÁZIS BŐVÍTÉSSEL FUZZY SYSTEM GENERATION BY RULE BASE EXTENSION
FUZZY RENDSZER GENERÁLÁSA SZABÁLYBÁZIS BŐVÍTÉSSEL FUZZY SYSTEM GENERATION BY RULE BASE EXTENSION Johanyák Zsolt Csaba, Kovács Szilveszter 2 Kecskeméti Főiskola, GAMF Kar, Kalmár Sándor Informatikai Intézet,
Adatbányászat: Klaszterezés Haladó fogalmak és algoritmusok
Adatbányászat: Klaszterezés Haladó fogalmak és algoritmusok 9. fejezet Tan, Steinbach, Kumar Bevezetés az adatbányászatba előadás-fóliák fordította Ispány Márton Logók és támogatás A tananyag a TÁMOP-4.1.2-08/1/A-2009-0046
Neurális 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.:
NÉGY EGYLÉPÉSES FUZZY SZABÁLY-INTERPOLÁCIÓS MÓDSZER ÁTTEKINTÉSE
Johanyák Zs. Cs., Berecz A.: Négy egylépéses fuzzy szabály-interpolációs módszer áttekintése, AGTEDU 2008, A Magyar Tudomány Ünnepe alkalmából rendezett tudományos konferencia kiadványa, Bács-Kiskun Megyei
DIGITÁLIS TECHNIKA I
DIGITÁLIS TECHNIKA I Dr. Kovács Balázs Dr. Lovassy Rita Dr. Pődör Bálint Óbudai Egyetem KVK Mikroelektronikai és Technológia Intézet 6. ELŐADÁS Arató Péter: Logikai rendszerek tervezése, Tankönyvkiadó,
Minden az adatról. Csima Judit. 2015. február 11. BME, VIK, Csima Judit Minden az adatról 1 / 41
Minden az adatról Csima Judit BME, VIK, Számítástudományi és Információelméleti Tanszék 2015. február 11. Csima Judit Minden az adatról 1 / 41 Adat: alapfogalmak Adathalmaz elvileg bármi, ami információt
Megerősítéses tanulás
Megerősítéses tanulás elméleti kognitív neurális Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer lab) Vision I Approximate inference II:
Fuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában
Budapesti Műszaki és Gazdaságtudományi Egyetem Fuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában Cselkó Richárd 2009. október. 15. Az előadás fő témái Soft Computing technikák alakalmazásának
Irányításelmélet és technika II.
Irányításelmélet és technika II. Modell-prediktív szabályozás Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék amagyar@almos.vein.hu 2010 november
Objektumorientált Programozás III.
Objektumorientált Programozás III. Vezérlési szerkezetek ismétlés Matematikai lehetőségek Feladatok 1 Hallgatói Tájékoztató A jelen bemutatóban található adatok, tudnivalók és információk a számonkérendő
HU-3515 Miskolc-Egyetemváros tel.: +36-(46)-565-111 mellék: 12-16, 12-18, fax : +36-(46)-563-447 2 elkke@uni-miskolc.hu
Összetett mechatronikai rendszer hibadetektálása és hiba identifikációja Complex mechatronic system fault detection and fault identification FÜVESI Viktor 1, KOVÁCS Ernő 2 4 tudományos segédmunkatárs,
UJJLENYOMAT OLVASÓ. Kezelői Kézikönyv
UJJLENYOMAT OLVASÓ Kezelői Kézikönyv 2 Funkció leírása Belépés programozási módba MESTER kód megváltoztatása Új felhasználói ujjlenyomat hozzáadása Felhasználói ujjlenyomat törlése F1/F2-S egyszerűsített
SZENZOROKRA ÉPÜLŐ ADAPTÍV RENDSZERMODELL
infokommunikációs technológiák SZENZOROKRA ÉPÜLŐ ADAPTÍV RENDSZERMODELL Dr. Jaskó Szilárd Pannon Egyetem, MIK, Nagykanizsai kampusz Kanizsa Felsőoktatásáért Alapítvány 2015 VIRTUÁLIS STRUKTÚRA 2 VIRTUÁLIS
Mesterséges 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
CIDRA-RE C CIDRA-RI C vezérlés
CIDRA összes: 5, oldal 1 CIDRA-RE C CIDRA-RI C vezérlés CIDRA összes: 5, oldal 2 Bemenet/Kimenet funkciók Kapocs Funkció Leírás L-N Táp Bement 230 Vac 50 Hz (L-fázis/N-semleges) 3-4-5 Motor 1 Csatlakozás
Intelligens Érzékelők
Intelligens Érzékelők 1. előadás Készítette: Dr. Füvesi Viktor 2016. 2. Előadó Dr. Füvesi Viktor ME AFKI Alkalmazott Földtudományi Kutatóintézet Műszerfejlesztési és Informatikai Osztály Email: fuvesi@afki.hu,
Tűzjelző központok FC360
Cerberus TM FIT Tűzjelző központok FC360 FC361-ZZ, FC361-ZA, FC361-YZ, FC361-YA Tűzjelző központ (1 hurokkal) címzett perifériákhoz beépített kezelő egységgel 1 hurok max. 126 címzett eszközzel vagy 2
MSP430 programozás Energia környezetben. Analóg jelek mérése
MSP430 programozás Energia környezetben Analóg jelek mérése 1 Hőmérés a beépített szenzorral /* TemperatureSensor: Hőmérés a beépített hőmérővel. A jobb feloldás érdekében a beépített 1.5 V-os referenciához
Tanulás 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,
Mit 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
Gyakorló feladatok adatbányászati technikák tantárgyhoz
Gyakorló feladatok adatbányászati technikák tantárgyhoz Buza Krisztián Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem Klaszterezés kiértékelése Feladat:
I. LABOR -Mesterséges neuron
I. LABOR -Mesterséges neuron A GYAKORLAT CÉLJA: A mesterséges neuron struktúrájának az ismertetése, neuronhálókkal kapcsolatos elemek, alapfogalmak bemutatása, aktivációs függvénytípusok szemléltetése,
HCE80/HCC80/HCE80R/HCC80R
HCE80/HCC80/HCE80R/HCC80R PADLÓFŰTÉSI ZÓNA SZABÁLYZÓK TERMÉK LEÍRÁS TULAJDONSÁGOK Könnyű és gyors telepítés az új vezetékezéssel Dugaszolható csatlakozók kábelszorítóval Integrált szivattyú relé a szivattyú
6. Fuzzy irányítási rendszerek
6. Fuzzy irányítási rendszerek Gépi intelligencia I. Fodor János BMF NIK IMRI NIMGI1MIEM Tartalomjegyzék I 1 Bevezetés 2 Fuzzy irányítási rendszerek felépítése A szabálybázis Az illeszkedés mértékét meghatározó
Minőségbiztosítás a hegesztésben. Méréstechnika. Előadó: Nagy Ferenc
Minőségbiztosítás a hegesztésben Méréstechnika Minőségbiztosítás és -felügyelet HKS termékportfólió: ívhegesztéshez Dokumentálás Felügyelet / Hiba-felismerés WeldScanner WeldQAS ThermoProfilScanner Hegesztési
Klaszterezés, 2. rész
Klaszterezés, 2. rész Csima Judit BME, VIK, Számítástudományi és Információelméleti Tanszék 208. április 6. Csima Judit Klaszterezés, 2. rész / 29 Hierarchikus klaszterezés egymásba ágyazott klasztereket
Klaszterezés. Kovács Máté március 22. BME. Kovács Máté (BME) Klaszterezés március / 37
Klaszterezés Kovács Máté BME 2012. március 22. Kovács Máté (BME) Klaszterezés 2012. március 22. 1 / 37 Mi a klaszterezés? Intuitív meghatározás Adott dolgokból halmazokat klasztereket alakítunk ki úgy,
LTI Rendszerek Dinamikus Analízise és Szabályozásának Alapjai
Diszkrét és hibrid diagnosztikai és irányítórendszerek LTI Rendszerek Dinamikus Analízise és Szabályozásának Alapjai Hangos Katalin Közlekedésautomatika Tanszék Rendszer- és Irányításelméleti Kutató Laboratórium
Meghibásodások közötti üzemidő (MTBF) 20 5 óra 25 C-on Feszültségtűrés [kv] I/P-O/P: 3kV I/P-FG: 1.5kV O/P-FG: 0.5kV, 1min
![Meghibásodások közötti üzemidő (MTBF) 20 5 óra 25 C-on Feszültségtűrés [kv] I/P-O/P: 3kV I/P-FG: 1.5kV O/P-FG: 0.5kV, 1min](/thumbs/26/8617001.jpg "Meghibásodások közötti üzemidő (MTBF) 20 5 óra 25 C-on Feszültségtűrés [kv] I/P-O/P: 3kV I/P-FG: 1.5kV O/P-FG: 0.5kV, 1min")
TOKOZOTT IPARI TÁPEGYSÉGEK R sorozat 25W-os kimenet 79mm x 51mm x 28mm, TUV, CB, CCC Kompakt egység, nagy megbízhatóság, nagy hatásfok 88-264VAC Névleges bemeneti feszültség [V] 100-240VAC 30A@230VAC max.
Mechatronika segédlet 11. gyakorlat
Mechatronika segédlet 11. gyakorlat 2017. április 23. Tartalom Vadai Gergely, Faragó Dénes Feladatleírás... 2 Konstansok helyettesítése függvénnyel... 2 Megoldás... 2 Irányítás... 3 Megoldás... 4 maxspeed
R2T2. Műszaki leírás 1.0. Készítette: Forrai Attila. Jóváhagyta: Rubin Informatikai Zrt.
R2T2 Műszaki leírás 1.0 Készítette: Forrai Attila Jóváhagyta: Rubin Informatikai Zrt. 1149 Budapest, Egressy út 17-21. telefon: +361 469 4020; fax: +361 469 4029 e-mail: info@rubin.hu; web: www.rubin.hu
Hálózati réteg. WSN topológia. Útvonalválasztás.
Hálózati réteg WSN topológia. Útvonalválasztás. Tartalom Hálózati réteg WSN topológia Útvonalválasztás 2015. tavasz Szenzorhálózatok és alkalmazásaik (VITMMA09) - Okos város villamosmérnöki MSc mellékspecializáció,
TERVEZŐI KONFERENCIA
Kisipari klímák alkalmazása Előadja: Hodermarszki Zsolt KISIPARI KLÍMÁK Fő témák: Multi rendszerek kialakítása, vezérlése CN-csatlakozók, vezérlési opciók DX-kit légkezelő illesztéséhez Multi rendszerek
Gyártórendszerek irányítási struktúrái
GyRDin-10 p. 1/2 Gyártórendszerek Dinamikája Gyártórendszerek irányítási struktúrái Hangos Katalin Villamosmérnöki és Információs Rendszerek Tanszék e-mail: hangos@scl.sztaki.hu GyRDin-10 p. 2/2 Tartalom
Algoritmizálás és adatmodellezés tanítása 2. előadás
Algoritmizálás és adatmodellezés tanítása 2. előadás Tartalom Összegzés vektorra, mátrixra Megszámolás vektorra, mátrixra Maximum-kiválasztás vektorra, mátrixra Eldöntés vektorra, mátrixra Kiválasztás
Flatpack áramellátó rendszer család. Flatpack MPSU rendszer
Flatpack áramellátó rendszer család Az innovatív Flatpack egyenirányító modulok felhasználásával 700 Wattól 60 kw-ig lehet könnyedén kialakítani a felhasználói igényeknek megfelelő gazdaságos rendszert.
Tisztelt Hallgatók! Jó tanulást kívánok, üdvözlettel: Kutor László
Tisztelt Hallgatók! Az alábbi anyaga arra ó, hogy lehessen tudni, mi tartozik egy-egy kérdéshez. Ami itt olvasható, az a éghegy csúcsa. Ha alapos tudást akarnak, a éghegy alát önállóan kell hozzá gyűteniük.