MESTERSÉGES INTELLIGENCIA MÓDSZEREK ALKALMAZÁSA A TECHNOLÓGIAI ELÕTERVEZÉSBEN
|
|
- Jázmin Hegedüs
- 7 évvel ezelőtt
- Látták:
Átírás
1 1 MIKÓ Balázs 1, Dr. SZEGH Imre 2, KUTROVÁCZ Lajos 3 MESTERSÉGES INTELLIGENCIA MÓDSZEREK ALKALMAZÁSA A TECHNOLÓGIAI ELÕTERVEZÉSBEN 1 - doktorandusz; 2 - mûszaki tudományok kandidátusa, egyetemi docens; 3 - tanszéki mérnök Budapesti Mûszaki Egyetem, Gépgyártástechnológia Tanszék A cikk a technológiai elõtervezés bizonyos feladatainak automatizálására kifejlesztett, mesterséges intelligencia módszerekre alapuló megoldásait ismerteti. Kitér az eset-alapú tervezés, a mesterséges neurális hálók és a szabály-alapú következtetés alkalmazására. A technológiai elõtervezés automatizálásával több mint tíz éve foglalkozunk a BME Gépgyártástechnológia Tanszékén. Jelen kutatás az OTKA T számú projekt támogatásával folyik. 1. BEVEZETÉS A technológiai elõtervezés a technológiai tervezés legmagasabb szintje, a technológizálás stratégiája. A tervezési szint feladata: a gyártási folyamat elvi vázlatának összeállítása; becsült költség és normaadatok képzése a vállalatvezetés és a termelésirányítás részére; az elõgyártmány gyártás, az alkatrészgyártás és a szerelés technológiai folyamatainak tervezéséhez szükséges információk összeállítása; a gyártástervezés stratégiájának meghatározása. A technológiai elõtervezés a vállalatvezetéssel, a termelésirányítással, konstrukciós tervezéssel és a technológiai folyamattervezéssel tart kapcsolatot (Ábra 1.). Elõgyártmány gyártási folyamatainak tervezése Termelésirányítás Vállalatirányítás Technológiai elõtervezés Alkatrészgyártás folyamattervezése Konstrukciós tervezés Szerelés folyamattervezése Ábra 1. A technológiai elõtervezés kapcsolata a környezetével A technológiai elõtervezés eredményeit elsõsorban a technológiai tervezés alacsonyabb szintjei hasznosítják, de kulcsfontosságúak a konstrukciós tervezés, a
2 2 termelésirányítás, a készletgazdálkodás, a vállalatirányítás közép- és hosszútávú tervkészítõi részére is. Az eredmények jól hasznosíthatók ajánlati technológiák, árajánlatok, beruházási tervek kidolgozása során is. A kutatási feladat megoldása során a feladatok jellegébõl adódóan a mesterséges intelligencia módszerek alkalmazása látszott célravezetõnek. A mesterséges intelligencia kutatás ma már nagyon szerteágazó területekkel rendelkezik. Kutatásaink során az eset-alapú következtetés, a szabály-alapú következtetés és a mesterséges neurális hálók nyújtotta lehetõségeket vizsgáltuk. 2. ESET-ALAPÚ KÖVETKEZTETÉS A mérnöki gondolkodás egyik fontos jellemzõje, hogy a szakmaspecifikus ismeretek jelentõs részét a konkrét feladatok megoldása révén gyûjti össze. A "fontos" ismeretek idõvel egyre finomulnak, a kevésbé fontosak elhalványulnak. Az emberi gondolkodás ilyen megközelítését modellezi az eset-alapú következtetés módszere, amely a problémákat a korábban megoldott feladatok dokumentumainak visszakeresése és adaptálása révén oldja meg. E módszer alkalmazását a technológiai elõtervezésben egyrészt a gyorsan és dinamikusan változó gyártási környezet, másrészt a gyors válaszokat követelõ döntési helyzetek motiválják. A módszer hatékony alkalmazásának feltétele: az esetek célszerû kódolása; a megfelelõ technológiai terv gyors elõkeresése; a hasonlóság mértékének megállapítása; az egyszerû adaptálhatóság biztosítása; az esetbázis (technológiai tervek) folyamatos frissítése. Az eset-alapú következtetés folyamata (Ábra 2.) nagyon egyszerû. Tároljuk az egyedi eseteket, - az esetek konkrét megoldásaival reprezentálva - létrehozva ezzel az esetbázist. Az új feladat megoldása során elõszõr kiválasztjuk az esetbázisból a leginkább hasonlót, majd annak megoldását adaptáljuk az új esetre, végül az így keletkezett új tervezési eredményeket felvesszük az esetbázisba, ami a módszer tanuló konponensét jelenti ([2.]).
3 3 Új probléma Indexelés Visszakeresés Esetbázis Hasonló esetek Választás Javasolt megoldás Tanulás Adaptálás Ellenörzés Megoldás Ábra 2. Az eset-alapú következtetés folyamata Az esetalapú következtetést az alkatrészek vázlatos technológiai terveinek meghatározása során alkalmaztuk, amely számos elõtervezéssel kapcsolatos feladat alapja, de valószínûsíthetõ, hogy eredményesen hasznosítható az elõgyártmányok és a szerelés vázlatos technológiai terveinek elkészítésére is. 2.1 Az esetek reprezentálása Egy eset alapú következtetésre épülõ szakértõi rendszer fejlesztése során számos problémát meg kell oldani. Ez elsõ ilyen probléma az esetek reprezentálása. Egy eset leírása két részbõl áll. Egyrészt egy szituáció leírásából, másrészt ebben a szituációban alkalmazandó megoldásból. Vázlatos technológiai tervek elõállítása során a szituáció egy alkatrésznek felel meg, az alkalmazandó megoldás pedig az alkatrészhez tartozó technológiai tervnek.
4 4 A fõ kérdés, hogyan tudjuk egyszerûen, tömör formában reprezentálni az alkatrészeket. 1-4 K1 - V1 - V2 - V3 - V4 K2 - V1 - V2 - V K3 - V1 - V2 - V3 K4 - V1 - V K5 - V1 - V2 - V3 K6 - V1 - V2 K7 - V1 - V2 - V3 Ábra 3. Kérdésgráf (példa) Az alkatrészek leírása egy irányított gráf segítségével történik (Ábra 3.). Ez a gráf írja le az összes alkatrész technológiai tulajdonságait. A gráf csúcsai kérdéscsoportok formájában reprezentálják az egyedek lehetséges geometriai és technológiai sajátosságait. Adott alkatrész megmunkálási igénye a gráf egy lehetséges útvonalával adható meg, amely tömören az útvonalhoz tartozó csúcsok kódjaival írható le. Ezt nevezzük az alkatrész technológiai kódjának, ami nem más, mint az alkatrész megmunkálási igényét reprezentáló modell. A gráf bonyolultsága a vállalat alkatrészhalmazának összetettségétõl függ és mindíg a konkrét vállalat sajátosságainak figyelembevételével készül. Ezért oly módon lett megalkotva, hogy tehetõvé tegye tetszõleges bonyolultságú, szerkezetû és tetszõleges osztályozási szempontokat tartalmazó struktura kialakítását. A felhasználó a kérdésgráf segítségével, dialógus formájában állítja össze az alkatrészek megmunkálási igényét, a technológiai kódot. 2.2 A hasonlóság megállapítása A hasonlóság megállapításának sikere alapvetõen befolyásolja az egész eljárás sikerét, ezért a folyamat kulcs problémájának tekinthetõ. Kutatásaink során a probléma megoldására mesterséges neurális hálót alkalmaztunk, melynek részletes ismertetését a 3. fejezet tartalmazza.
5 5 2.3 Vázlatos technológiai tervek készítése konkrét alkatrészek technológiai tervei alapján Mint már említettük az eset-alapú tervezési elvet vázlatos technológiai tervek elõállítása során alkalmaztuk. Az elsõ tervezési feladat (Ábra 4.) az alkatrész megmunkálási igényének feltárása. Ez a már említett kérdésgráf segítségével történik, az eredménye pedig az alkatrész technológiai kódja Gyártandó alkatrészek Kérdésgráf Indexelés Technológiai kód Vállalati technológiai tudásbázis (konkrét technológiák esetbázisa) A technológiai analogon kiválasztása A technológiai terv editálása CAD adatbázis (konkrét alkatrészek) Technológiai terv Ábra 4. Technológiai tervek készítése konkrét tervek alapján Az alkatrész technológiai kódjának ismeretében keressük a hasonló technológiai megoldásokat, melyek közül a felhasználó választja ki a számára megfelelõt. Ezt követi a kiválasztott terv adaptálása, melyhez kényelmes, gyors editálási lehetõséget kell biztosítani. Mindkét tevékenységet segíti ha a technológus közben a számítógép képernyõjén látja az alkatrészek rajzait. Ez természetesen akkor valósítható meg, ha az alkatrészek rajzai CAD rendszerrel készültek és a rajzi fájlok rendelkezésre állnak. Végül az elkészült terv az esetbázishoz "fûzhetõ", gazdagítva ezzel a kész technológiák halmazát.
6 6 2.4 Vázlatos technológiai tervek készítése csoporttechnológiák alapján Az eset-alapú következtetés egy sajátos megközelítése a csoporttechnológia alkalmazása, vagy ahogy ezt a számítógépes tervezõrendszerek kapcsán említik, a variáns módszer felhasználása. A módszer alapgondolata az, hogy a technológiailag és geometriailag azonos jellegû munkadarabok egy csoportjára olyan tipizált megoldást dolgozunk ki, amely a csoport minden egyes tagjára nézve magában foglalja az egyedi megoldást is. Gyártandó alkatrész Kérdésgráf Indexelés Vállalati technológiai tudásbázis (csoporttechnológiák esetbázisa) Technológiai kód A csoport technológia kiválasztása CAD adatbázis (komplex alkatrészek) Automatikus adaptálás Csoporttechnológia editálása Vállalati technológiai tudásbázis (konkrét technológiák esetbázisa) Technológiai terv Ábra 5. Tervezés csoporttechnológiák segítségével A tervezés menetét az Ábra 5. szemlélteti. A tervezés menete hasonló az elõzõ fejezetben leírtakhoz. Az alapvetõ eltérés az esetbázis tartalmában rejlik. Míg az elõzõekben ismertetett módszer esetében az esetbázis a konkrét esetek technológiáit, addig a variáns módszernél a komplex alkatrészek csoporttechnológiáit tartalmazza. A tervezés itt is az alkatrész technológiai kódjának összeállításával kezdõdik. A technológiai kód segítségével határozható meg az aktuális alkatrész csoport. Ezt követi a csoporttechnológia adaptálása, amely történhet egy terv-editor segítségével a felhasználó által, vagy adaptálási szabályok alapján automatikusan.
7 7 3. MESTERSÉGES NEURÁLIS HÁLÓ ALKALMAZÁSA A mesterséges neurális hálók olyan számítási feladatok megoldására létrehozott párhuzamos adatfeldolgozást végzõ adaptív eszközök, melyek eredete az emberi agy mûködésének modellezésére vezethetõ vissza ([3.]). Felépítésüket tekintve egyszerû, általában adaptív elemek sûrûn összekapcsolt hálózata, és ezek hierarchikus szervezete. A neurális hálókat a hálók topológiája, a csomópontjainak karakterisztikája és az alkalmazott tanulási algoritmusok határozzák meg. Az általunk használt neurális háló csomópontjainak felépítését a Ábra 6. szemlélteti. X1 X2 w1 w2 S f(s) Y Xn wn Ábra 6. A mesterséges neurális háló csomópontjainak felépítése A csomópont súlyozva összegzi a bemenetein jelentkezõ értékeket, majd a súlyozott összeget egy f(s) nemlineáris függvény segítségével transzformáljuk. Nemlineáris függvényként az un. szigmoid függvényt alkalmaztunk. Ily módon egy csomópont kimenete a következõképpen határozható meg: 1 S = x i w i, Y = f ( S) = n + ( e S S o ) 1 ahol: x i : a csomópont bemenetei; w i : a bemenetek súlyai; Y: a csomópont kimenete. A mesterséges neurális háló tehát ilyen egyforma elemekbõl épül fel (Ábra 7.). Az általunk használt hálónak négy bemenete és egy kimenete van, melyeket egy közbensõ réteg köt össze. A bemeneti réteg minden eleme össze van kötve a közbensõ réteggel és a közbensõ réteg minden eleme össze van kötve a kimeneti réteggel.
8 8 S1 S2 S3 S S4 Ábra 7. A mesterséges neurális háló felépítése A csomópontokat összekötõ élekhez rendelt súlyokat (w i,j ) a háló tanítása során határoztuk meg. A tanítás során mintákat "mutattunk" a hálónak. A mintákat a bemenõ adataival és az elvárt kimeneti értékekkel definiáltuk. A tanulás során a súlyok értékét a back-propagation eljárás alapján a következõk szerint módosítjuk: E( w) wi, j ( n) = η * + α * wi, j ( n 1) w, ahol w i,j (n) : az n-edik lépésben a w i,j súly változtatása, w i,j (n-1) : az (n-1)-edik lépésben a w i,j súly változtatása, η : tanulási ráta, 0 < η< 1, konstans, α : momentum, 0 <= α < 1, konstans, E(w) : hiba, 1 2 E( w) = * ( t o( w ), 2 k t : megkivánt kimeneti érték, o : aktuális kimeneti érték. Kutatásaink során a neurális hálókat, mint már említettük, az eset-alapú tervezés egyik kulcsfontosságú problémájának megoldására - az esetek közötti hasonlóság meghatározására - alkalmaztuk. Az eseteket modellezõ technológiai kód alapján úgynevezett elsõdleges hasonlósági indexeket generáltunk, melyek külön-külön a két összehasonlítandó eset technológiai kódja közötti eltérés egy-egy jellemzõ értékét írja le. Az egyes indexek a következõ jellemzõket fogalmazzák meg: S 1 : a kódok hosszának különbsége, S 2 : a kódolás során elõfordult azonos kérdéscsoportok száma; S 3 : a közös kérdésgráf szakasz hossza; i, j
9 9 S 4 : a tartalmilag azonos kód elemek száma. A program futása során az új esethez tartozó technológiai kódot és az esetbázisban található esetek technológiai kódját hasonlítjuk össze (Ábra 8.). Elsõ lépésként meghatározzuk az elsõdleges hasonlósági indexeket, majd ezekbõl, a már betanított neurális háló segítségével, meghatározzuk a két eset közötti hasonlóság mértékét. A felhasználó ezen értékek figyelembevételével tudja kiválasztani a legjobban hasonló, adaptálásra alkalmas esetet. Technológiai kód Egy eset technológiai kódja Elsõdleges hasonlósági indexek elõállítása S1 S2 S3 S4 S Hasonlósági index Ábra 8. A hasonlóság megállapítása Mint láttuk a neurális háló használatának elõfeltétele a tanítás. Esetünkben a tanítás tanítási minták segítségével történt. Ezen minták tartalmazzák egyrészt az elsõdleges hasonlósági indexeket, másrészt a végsõ hasonlósági indexet. Ennek a mintának az elõállítás az esetbázist felhasználva automatikusan történik. A hasonlóság megállapítása során kiválasztunk két alkatrészt az esetbázisból és összehasonítjuk az alkatrészekhez tartozó technológiákat. Annál jobban hasonlít technológiai szempontból az egyik alkatrész a másikra, minél egyszerûbben elõállítható az egyik alkatrész technológiájából a másik alkatrész technológiája. 4. SZABÁLY-ALAPÚ KÖVETKEZTETÉS A szabály-alapú következtetés nagyon közel áll a mérnöki gondolkodás bizonyos formáihoz. A mérnök gyakran dönt ha - akkor típusú szabályok alapján. Ezt a gondolkodási folyamatot modellezi a szabály-alapú következtetés.
10 10 A szabály-alapú rendszerek tudásbázisa részben tényekbõl, részben szabályokból áll. A tények az általunk vizsgálni kívánt zárt világ leírására szolgálnak. A szabályok feltétel-akció párosok, ami valójában azt jelenti: ha a feltétel kielégül akkor az akciót végre lehet hajtani. A feltétel azon körülmények kifejezésére szolgál, melyek között a szabály egyáltalán aktivizálódhat. Az akció oldal adja meg, hogy mi történjen a szabály aktivizálódása nyomán. A szabálynak kétféle hatása lehet: részben módosíthatja a tényeket, részben input/output tevékenységet generálhat. Szabály-alapú rendszerekben az alapvetõ következtetési mód az elõreláncolás vagy adatvezérelt következtetés, melynek lényege tömören a következõ: ha a következtetõ mechanizmus talál olyan szabályt, melynek feltételeit a tények kielégítik, akkor végrehajthatja a szabályt, aminek hatására a tények módosulnak. Mindez ciklikusan addig folytatódik, míg van olyan szabály, amely "tüzelhet". A következtetés másik, gyakran alkalmazott módja az ún. hátraláncolt vagy célvezérelt következtetés. A következtetés egy célból indul ki és megvizsgálja, hogy a rendelkezésre álló tények alapján a cél igazolható-e. A mechanizmus elõszõr a cél alapján kiválaszt egy szabályt, melynek akció oldalán a cél állítása szerepel. Ezután ellenõrzi, hogy a tények kielégítik-e ezen szabály feltételeit. Ha egy feltételre nincs illeszthetõ tényállítás, akkor azt az igazolandó célokhoz csatoljuk. Ez a folyamat mindaddig tart, míg elõáll egy megoldás, vagy kiderül, hogy az adott cél az adott tények esetén nem teljesíthetõ. A gyakorlatban gyakran alkalmazzák a vegyes, mind elõre-, mind hátraláncoló üzemmódot. Ugyanis ha a mintaillesztés egy bizonyos tény hiánya miatt nem sikerül akkor ezt a tényt célként lehet kitûzni és hátraláncoló szabályok segítségével meg lehet próbálni a többi ténybõl levezetni. A tüzelési ciklusnak három fõ lépése van (Ábra 9.). Mintaillesztés Szabály bázis Adatbázis Kiválasztás Tüzelés Ábra 9. Szabály-alapú következtetési ciklus A mintaillesztés kijelöli mindazon szabályokat, melyek feltételei illeszkednek a tényekre. Ekkor nem pusztán a feltételek logikai ellenõrzése, hanem a feltételek közt szereplõ változók minden lehetséges módon való lekötése történik. Egy szabály többféle módon is illeszkedhet az adatbázisra, ezért valójában nem a szabályok tüzelnek hanem azok példányai.
11 Választáskor el kell dönteni, hogy a mintaillesztés során kijelölt szabálypéldányok közül melyik tüzeljen. A feladat megoldására többféle vezérlési stratégiát alkalmazhatunk. A leggyakrabban alkalmazott stratégiák a következõk: a legfrisebb tényekre illeszkedõ; a legspecifikusabb, azaz a legtöbb feltételt alkalmazó; a legnagyobb prioritású, ha a szabályokhoz prioritás rendelhetõ, vagy egy véletlenszerûen kiválasztott szabály tûzel. Egy szabály, lekötött változók mellett történõ, végrehajtását tüzelésnek nevezzük. A tüzelés során módosulnak a tények, vagy input/output tevékenységek aktivizálódnak. Feladataink megoldásához a LEVEL5 Object szabályalapú következtetõ keretrendszert alkalmaztuk, mely segítségével egyszerûen készíthetõk Windows operációs rendszer alatt futtatható alkalmazások. A keretrendszer tartalmazza mindazon eszközöket amelyek felhasználó barát környezetet biztosítanak egy objektumorientált program készítéséhez. Ezek az alábbiak: grafikus felhasználási felület szerkesztése; felhasználói objektumok létrehozása, szerkesztése; adatbázisok létrehozása, csatolása az alkalmazáshoz; intelligens szabályszerkesztõ; futás alatti nyomkövetés; a forráskód szöveges megjelenítése. A LEVEL5 Object hibrid következtetõ rendszer, így a különbözõ tudásábrázolási formáknak megfelelõ következtetési módok alkalmazhatók. A keretrendszer következtetésének üzemmódja lehet: szabályalapú célvezérelt; szabályalapú adatvezérelt; szabályalapú célvezérelt és adatvezérelt kombináció. A két alapvetõ következtetési forma a szabály-alapú célvezérelt és a szabályalapú adatvezérelt következtetés. A célvezérelt (hátraláncoló) következtetés szabályait RULE-oknak, az adatvezérelt (elõreláncoló) következtetés szabályait DEMONoknak nevezzük. A szakértõi rendszerek fejlesztõi felületét és következtetõ mechanizmusát a LEVEL5 Object keretrendszer eleve biztosítja, tulajdonképpen a keretrendszer egy programozási környezetnek tekinthetõ. A fejlesztés során csupán a tudásbázis és a felhasználó felület létrehozása a fejlesztõk feladata. A felhasználói felület kialakítását is jelentõsen támogatja a keretrendszer, így Windows-os környezet esetén a bemenõ adatok megadása és az eredmények közlése nagyon egyszerûen megtervezhetõ. 11
12 12 A probléma meghatározása Osztályok definiálása Példányok létrehozása Felhasználói képernyõk letrehozása Szabályok és démonok létrehozása Eljárások definiálása Tesztelés Ábra 10. Szakértõi rendszer fejlesztésének lépései Fejlesztõ munkánk során a prototípus rendszerekre érvényes fejlesztési modellt alkalmaztuk, mivel munkánk kutatási célú. A fejlesztés lépéseit mutatja az Ábra 10. ([1.]). Az elsõ lépés a probléma definiálása, amely során meghatározzuk, milyen feladat megoldására fejlesztjük a rendszerünket, milyen bemenõ adatokra támaszkodhatunk és milyen kimenõ információt várunk el. Tulajdonképpen megalkotjuk a rendszer koncepcióját. A következõ lépés a következtetés során használni kívánt objektumok frame-alapú leírása, létrehozása. Ennek során osztályokat hozunk létre, melyek leírják az ismert objektumokat. Minden osztály (class) rendelkezik egy névvel, valamint tulajdonságokkal (attribute), melyek különbözõ típusú változók lehetnek. Az egyes tulajdonságokhoz kapcsolhatunk eljárásokat is. Az osztályok definiálása után példányokat (instance) hozunk létre, ami során konkrét értékeket adunk egy osztály tulajdonságainak. A felhasználói képernyõket elõre definiált képernyõelemekbõl építhetjük fel. Íly módon elhelyezhetünk a képernyõn adatbeviteli- és kiíró mezõket, szövegeket, nyomógombokat, képeket, listákat, táblázatokat stb. Definiálhatjuk a képernyõk közötti kapcsolatokat. A <ha - akkor> szerkezetû szabályok és démonok jelentik a szakértõi rendszerünk tudását. Ezek definiálását egy szabály-szerkesztõ segíti, amely lehetõvé teszi a szabályok gyors, gépelés nélküli létrehozását.
13 13 A változók értékeinek figyelésére alkalmasak a WHEN NEEDED és WHEN CHANGED eljárások. Az elõbbivel értékmeghatározást definiálhatunk, míg az utóbbival értékváltozást figyelhetünk. A tesztelés során ellenörizhetjuk rendszerünk mûködését és korrigálhatjuk az egyes elemeit. A keretrendszer segítségével szakértõi rendszereket fejlesztettünk a gyártórendszerek kijelöléséhez, az elõgyártmányválasztáshoz, a csoporttechnológiák automatikus adaptálásához. Példaképpen tekintsük meg a gyártórendszerválasztás, szerszámgépválasztó moduljának felhasználói felületét (Ábra 11.). Ábra 11. A szerszámgép választó modul felhasználói felülete A szakértõi rendszer fejlesztése szempontjából legfontosabb feladat a tudásbázis összeállítása. A tudásbázis alapvetõen tényekbõl és szabályokból tevõdik össze. A tényeket osztályokba lehet szervezni. Példaképpen a megmunkáló központok osztály leírását mutatjuk be az alábbiakban:
14 14 CLASS Machining Center WITH Name STRING WITH Palett Size NUMERIC WITH Travel of X axis NUMERIC WITH Travel of Y axis NUMERIC WITH Travel of Z axis NUMERIC WITH Main Spindle Motor NUMERIC WITH Tool Shank STRING WITH Price NUMERIC WITH Tool Storage Capacity NUMERIC Ennek egy példánya: INSTANCE Machining Center 1 ISA Machining Center WITH Name := "H 415" WITH Palett Size := 400 WITH Travel of X axis := 560 WITH Travel of Y axis := 560 WITH Travel of Z axis := 510 WITH Main Spindle Motor := 11 WITH Tool Shank := "40" WITH Price := WITH Tool Storage Capacity := 30 A tudásbázis másik fontos eleme a szabályok halmaza. A szabályok a keretrendszer által felkínált "nyelv" segítségével nagyon egyszerûen definiálhatók. Példaképpen a megmunkáló központok kiválasztásához használt egyik demon tipusú szabályt mutatjuk be: DEMON Tool2 IF Tool Storage Capacity OF Customer Requirement > Tool Storage Capacity OF Suggested Machining Center AND Tool Storage Capacity OF Customer Requirement <= Tool Storage Capacity Option 1 OF Suggested Machining Center THEN Price of Tool Storage Capacity Option OF Suggested Machining Center := Price of Tool Storage Capacity Option 1 OF Suggested Machining Center 5. IRODALOM [1.] P.Harmon, B.Sawyer: Creating Expert Systems for Business and Industry; John Wiley and Sons, [2.] J.Kolodner: Case-Based Reasoning; Morgan Kaufmann, [3.] L.P.J. Veelenturf: Analysis and Applications of Artificial Neural Networks, Prentice Hall, 1995.
12.3. Az automatizált technológiai tervezés módszerei A variáns módszer
12.3. Az automatizált technológiai tervezés módszerei A technológiai tudás és a tervezési feladat egymáshoz rendeltetését, a feladatok típusait, a tervezési műveleteket, a megoldások környezetfüggőségét
RészletesebbenKöltségbecslési módszerek a szerszámgyártásban. Tartalom. CEE-Product Groups. Költségbecslés. A költségbecslés szerepe. Dr.
Gépgyártástechnológia Tsz Költségbecslési módszerek a szerszámgyártásban Szerszámgyártók Magyarországi Szövetsége 2003. december 11. 1 2 CEE-Product Groups Tartalom 1. Költségbecslési módszerek 2. MoldCoster
RészletesebbenInteraktív, grafikus környezet. Magasszintû alkalmazási nyelv (KAL) Integrált grafikus interface könyvtár. Intelligens kapcsolat más szoftverekkel
Készítette: Szabó Gábor, 1996 Az Az IntelliCorp IntelliCorp stratégiája: stratégiája: Kifinomult, Kifinomult, objektum-orientált objektum-orientált környezetet környezetet biztosít biztosít tervezéséhez,
RészletesebbenA gyártástervezés modelljei. Dr. Mikó Balázs
Óbudai Egyetem Bánki Donát Gépész és Biztonságtechnikai Mérnöki Kar Anyagtudományi és Gyártástechnológiai Intézet ermelési folyamatok II. A gyártástervezés modelljei Dr. Mikó Balázs miko.balazs@bgk.uni-obuda.hu
RészletesebbenCAD Rendszerek I. Sajátosság alapú tervezés - Szinkron modellezés
CAD Rendszerek I. Sajátosság alapú tervezés - Szinkron modellezés Farkas Zsolt Budapesti Műszaki és Gazdaságtudományi Egyetem, Gép- és Terméktervezés Tanszék 1/ 14 Tartalom -Sajátosság alapú tervezés:
RészletesebbenCSOPORTTECHNOLÓGIA TERVEZÉSÉNEK SZÁMITÓGÉPES TÁMOGATÁSA
1 CSOPORTTECHNOLÓGIA TERVEZÉSÉNEK SZÁMITÓGÉPES TÁMOGATÁSA Mezei Sándor Mikó Balázs ifj. Mezei Sándor Summary With the help of this program wrote on the computer we can search for the geometric parameters
RészletesebbenKorszerő alkatrészgyártás és szerelés II. BAG-KA-26-NNB
Óbudai Egyetem Bánki Donát Gépész és Biztonságtechnikai Mérnöki Kar Anyagtudományi és Gyártástechnológiai Intézet, Gépgyártástechnológia Szakcsoport Korszerő alkatrészgyártás és szerelés II. BAG-KA-26-NNB
RészletesebbenTechnológiai előtervezés automatizálása mesterséges intelligencia módszerek segítségével
Budapesti Műszaki és Gazdaságtudományi Egyetem Mikó Balázs Technológiai előtervezés automatizálása mesterséges intelligencia módszerek segítségével Doktori (PhD) disszertáció Témavezető: Dr. Szegh Imre
RészletesebbenGyártástechnológia II.
Gyártástechnológia II. BAGGT23NNB Bevezetés, Alapfogalmak Dr. Mikó Balázs miko.balazs@bgk.bmf.hu Tartalom Alapfogalmak Technológiai dokumentumok Elıgyártmányok Gyártási hibák, ráhagyások Bázisok és készülékek
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008
Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 007/008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció i stratégiák Szemantikus hálók / Keretrendszerek
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék. Dr. Kulcsár Gyula egyetemi docens
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék Dr. Kulcsár Gyula egyetemi docens Tartalomjegyzék Bevezetés Termelési paradigma fogalma Paradigma váltások A CIM fogalmának
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
RészletesebbenParametrikus tervezés
2012.03.31. Statikus modell Dinamikus modell Parametrikus tervezés Módosítások a tervezés folyamán Konstrukciós variánsok (termékcsaládok) Parametrikus Modell Parametrikus tervezés Paraméterek (változók
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
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.:
RészletesebbenIntelligens irányítások
Intelligens irányítások Fuzzy következtető rendszerek Ballagi Áron Széchenyi István Egyetem Automatizálási Tsz. 1 Fuzzy következtető rendszer Fuzzy következtető Szabálybázis Fuzzifikáló Defuzzifikáló 2
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)
RészletesebbenA gyártástervezés feladata. CAM tankönyv. Technológiai terv elemei. Alapfogalmak, definíciók. A gyártástervezés területei. Alapfogalmak, definíciók
Budapesti Műszaki és Gazdaságtudományi Egyetem Szent István Egyetem Typotex Kiadó TÁMOP-4.1.2-08/A/KMR-0029 Óbudai Egyetem CAM tankönyv A gyártástervezés feladata A gyártástervezés feladata: Megtervezni
RészletesebbenHázi feladat Dr Mikó Balázs - Gyártástechnológia II. 5
Óbudai Egyetem Bánki Donát Gépész és Biztonságtechnikai Mérnöki Kar Anyagtudományi és Gyártástechnológiai Intézet Gyártástechnológia II. BAGGT23NND/NLD 01A - Bevezetés, Alapfogalmak Dr. Mikó Balázs miko.balazs@bgk.uni-obuda.hu
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék 2012/13 2. félév 4. Előadás Dr. Kulcsár Gyula egyetemi docens Gyártórendszerek egyszerűsített irányítási modellje Zavaró
RészletesebbenMőanyag fröccsöntı szerszámok tervezése és gyártása
Dr. Mikó Balázs miko.balazs@bgk.bmf.hu Mőanyag fröccsöntı szerszámok tervezése és gyártása Megvalósítási folyamat lépései Mőanyag termék elıállítása 1 Fröccsöntı szerszám Megrendelı Termék dokumentáció
Részletesebben3D számítógépes geometria és alakzatrekonstrukció
3D számítógépes geometria és alakzatrekonstrukció 14. Digitális Alakzatrekonstrukció - Bevezetés http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiima01 Dr. Várady Tamás, Dr.
RészletesebbenTudásalapú információ-kereső rendszerek elemzése és kifejlesztése
Tudásalapú információ-kereső rendszerek elemzése és kifejlesztése 1 Tudásalapú információ-kereső rendszerek elemzése és kifejlesztése Természetes nyelv feldolgozás 2 Tudásalapú információ-kereső rendszerek
RészletesebbenGráfRajz fejlesztői dokumentáció
GráfRajz Követelmények: A GráfRajz gráfokat jelenít meg grafikus eszközökkel. A gráfot többféleképpen lehet a programba betölteni. A program a gráfokat egyedi fájl szerkezetben tárolja. A fájlokból betölthetőek
Részletesebben3D-s számítógépes geometria és alakzatrekonstrukció
3D-s számítógépes geometria és alakzatrekonstrukció 14. Digitális Alakzatrekonstrukció - Bevezetés http://cg.iit.bme.hu/portal/node/312 https://www.vik.bme.hu/kepzes/targyak/viiiav08 Dr. Várady Tamás,
RészletesebbenÓbudai Egyetem Neumann János Informatikai Kar. Intelligens Mérnöki Rendszerek Intézet
Óbudai Egyetem Neumann János Informatikai Kar Intelligens Mérnöki Rendszerek Intézet 1034 Budapest, Bécsi út 96/B Tel., Fax:1/666-5544,1/666-5545 http://nik.uni-obuda.hu/imri Az 2004-ben alakult IMRI (BMF)
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
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
RészletesebbenModellezés és szimuláció. Szatmári József SZTE Természeti Földrajzi és Geoinformatikai Tanszék
Modellezés és szimuláció Szatmári József SZTE Természeti Földrajzi és Geoinformatikai Tanszék Kvantitatív forradalmak a földtudományban - geográfiában 1960- as évek eleje: statisztika 1970- as évek eleje:
RészletesebbenAz ErdaGIS térinformatikai keretrendszer
Az ErdaGIS térinformatikai keretrendszer Két évtized tapasztalatát sűrítettük ErdaGIS térinformatikai keretrendszerünkbe, mely moduláris felépítésével széleskörű felhasználói réteget céloz, és felépítését
RészletesebbenKészítette: Ellenőrizte: Jóváhagyta:
FOGLALKOZÁSI TERV Nyíregyházi Főiskola Gyártórendszerek tervezése c. tan- 2009/2010. tanév, II. félév GM.III. évfolyam Gyak.jegy, 2 kredit tárgy Műszaki Alapozó és Gépgyártástechnológia Tanszék Tanítási
RészletesebbenVálasztó lekérdezés létrehozása
Választó lekérdezés létrehozása A választó lekérdezés egy vagy több rekordforrásból származó adatokat jelenít meg. A választó lekérdezések a táblák, illetve az adatbázis tartalmát nem változtatják meg,
RészletesebbenAz alállomási kezelést támogató szakértői funkciók
Az alállomási kezelést támogató szakértői funkciók dr. Kovács Attila Szakértői rendszerek Emberi szakértő kompetenciájával, tudásával rendelkező rendszer Jellemzői: Számítási műveletek helyett logikai
RészletesebbenIntelligens partner rendszer virtuális kórházi osztály megvalósításához
Intelligens partner rendszer virtuális kórházi osztály megvalósításához 1. Célkitűzések A pályázat célja egy virtuális immunológiai osztály kialakítása, amelynek segítségével a különböző betegségekkel
RészletesebbenII. rész: a rendszer felülvizsgálati stratégia kidolgozását támogató funkciói. Tóth László, Lenkeyné Biró Gyöngyvér, Kuczogi László
A kockázat alapú felülvizsgálati és karbantartási stratégia alkalmazása a MOL Rt.-nél megvalósuló Statikus Készülékek Állapot-felügyeleti Rendszerének kialakításában II. rész: a rendszer felülvizsgálati
Részletesebben- Adat, információ, tudás definíciói, összefüggéseik reprezentációtípusok Részletesebben a téma az AI alapjai című tárgyban
I. Intelligens tervezőrendszerek - Adat, információ, tudás definíciói, összefüggéseik reprezentációtípusok Részletesebben a téma az AI alapjai című tárgyban Adat = struktúrálatlan tények, amelyek tárolhatók,
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
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,
RészletesebbenAlgoritmizálás és adatmodellezés tanítása 1. előadás
Algoritmizálás és adatmodellezés tanítása 1. előadás Algoritmus-leíró eszközök Folyamatábra Irányított gráf, amely csomópontokból és őket összekötő élekből áll, egyetlen induló és befejező éle van, az
RészletesebbenAz MTA Cloud a tudományos alkalmazások támogatására. Kacsuk Péter MTA SZTAKI
Az MTA Cloud a tudományos alkalmazások támogatására Kacsuk Péter MTA SZTAKI Kacsuk.Peter@sztaki.mta.hu Tudományos alkalmazások és skálázhatóság Kétféle skálázhatóság: o Vertikális: dinamikusan változik
RészletesebbenSzámítógépes döntéstámogatás. Döntések fuzzy környezetben Közelítő következtetések
BLSZM-09 p. 1/17 Számítógépes döntéstámogatás Döntések fuzzy környezetben Közelítő következtetések Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu
RészletesebbenOpenCL alapú eszközök verifikációja és validációja a gyakorlatban
OpenCL alapú eszközök verifikációja és validációja a gyakorlatban Fekete Tamás 2015. December 3. Szoftver verifikáció és validáció tantárgy Áttekintés Miért és mennyire fontos a megfelelő validáció és
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
RészletesebbenVezetői információs rendszerek
Vezetői információs rendszerek Kiadott anyag: Vállalat és információk Elekes Edit, 2015. E-mail: elekes.edit@eng.unideb.hu Anyagok: eng.unideb.hu/userdir/vezetoi_inf_rd 1 A vállalat, mint információs rendszer
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
RészletesebbenAz optimális megoldást adó algoritmusok
Az optimális megoldást adó algoritmusok shop ütemezés esetén Ebben a fejezetben olyan modellekkel foglalkozunk, amelyekben a munkák több műveletből állnak. Speciálisan shop ütemezési problémákat vizsgálunk.
RészletesebbenDebitTray program Leírás
DebitTray program Leírás Budapest 2015 Bevezetés Egy-egy kintlévőséghez tartozó határidő elmulasztásának komoly következménye lehet. Éppen ezért a Kintlévőség kezelő program főmenü ablakában a program
RészletesebbenSmart City Tudásbázis
Smart City Tudásbázis Projektpartner: Vezető partner és további projektpartnerek: TINA VIENNA (Vezető partner) Esetleg Bécs város kollégái és üzlettársai a kiválasztott tématerületeken Potenciális projektpartnerek
RészletesebbenBASH script programozás II. Vezérlési szerkezetek
06 BASH script programozás II. Vezérlési szerkezetek Emlékeztető Jelölésbeli különbség van parancs végrehajtása és a parancs kimenetére való hivatkozás között PARANCS $(PARANCS) Jelölésbeli különbség van
RészletesebbenA hálózattervezés alapvető ismeretei
A hálózattervezés alapvető ismeretei Infokommunikációs hálózatok tervezése és üzemeltetése 2011 2011 Sipos Attila ügyvivő szakértő BME Híradástechnikai Tanszék siposa@hit.bme.hu A terv általános meghatározásai
RészletesebbenContractTray program Leírás
ContractTray program Leírás Budapest 2015 Bevezetés Egy-egy szerződéshez tartozó határidő elmulasztásának komoly gazdasági következménye lehet. Éppen ezért a Szerződés kezelő program főmenü ablakában a
RészletesebbenMesterséges Intelligencia Elektronikus Almanach. Konzorciumi partnerek
Mesterséges Intelligencia Elektronikus Almanach Konzorciumi partnerek 1 Konzorcium Budpesti Mőszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Méréstechnika és Információs Rendszerek
RészletesebbenBEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA
BEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA BESZÉDTUDOMÁNY Az emberi kommunikáció egyik leggyakrabban használt eszköze a nyelv. A nyelv hangzó változta, a beszéd a nyelvi kommunikáció
RészletesebbenAWK programozás, minták, vezérlési szerkezetek
10 AWK programozás, minták, vezérlési szerkezetek AWK adatvezérelt szkriptnyelv text processing, adat kiterjesztés, tagolt adatok automatizált soronkénti feldolgozása a forrásállományt soronként beolvassa
RészletesebbenMaximum kiválasztás tömbben
ELEMI ALKALMAZÁSOK FEJLESZTÉSE I. Maximum kiválasztás tömbben Készítette: Szabóné Nacsa Rozália Gregorics Tibor tömb létrehozási módozatok maximum kiválasztás kódolása for ciklus adatellenőrzés do-while
RészletesebbenAz előadás célja. Információrendszer fejlesztés módszertana, Dr. Molnár Bálint egyetemi docens 1
Az előadás célja A munkafolyamat ezés módszereinek és technikáinak bemutatása A munkafolyamat ezést körülvevő fejlesztési környezetnek és a munkafolyamat ezés főbb lépéseinek ismertetése Információrendszer
RészletesebbenModellező eszközök, kódgenerálás
Modellező eszközök, kódgenerálás Budapesti Műszaki és Gazdaságtudományi Egyetem Hibatűrő Rendszerek Kutatócsoport Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek
RészletesebbenA gyártási rendszerek áttekintése
SZÉCHENYI ISTVÁN EGYETEM GYŐR Gyártócellák (NGB_AJ018_1) A gyártási rendszerek áttekintése Bevezetés A tantárgy célja A gyártócellák c. tárgy átfogóan foglalkozik a gyártás automatizálás eszközeivel, ezen
RészletesebbenSZERZŐ: Kiss Róbert. Oldal1
A LEGO MindStorms NXT/EV3 robot grafikus képernyőjét és programozási eszközeit használva különböző dinamikus (időben változó) ábrákat tudunk rajzolni. A képek létrehozásához koordináta rendszerben adott
Részletesebben22. GRÁFOK ÁBRÁZOLÁSA
22. GRÁFOK ÁBRÁZOLÁSA A megoldandó feladatok, problémák modellezése során sokszor gráfokat alkalmazunk. A gráf fogalmát a matematikából ismertnek vehetjük. A modellezés során a gráfok több változata is
RészletesebbenINFORMATIKA ÉRETTSÉGI VIZSGA ÁLTALÁNOS KÖVETELMÉNYEI
1. oldal, összesen: 6 oldal INFORMATIKA ÉRETTSÉGI VIZSGA ÁLTALÁNOS KÖVETELMÉNYEI A vizsga formája Középszinten: gyakorlati és szóbeli. Emeltszinten: gyakorlati és szóbeli. Az informatika érettségi vizsga
RészletesebbenSoftware project management Áttekintés
Software project management Áttekintés Miskolci Egyetem Általános Informatikai Tanszék PMAN / 1 Miért szükséges? A software fejlesztési tevékenység Csoportmunkát igényel Jelentős erőforrásokat használ
RészletesebbenFunkcionális és logikai programozás. { Márton Gyöngyvér, 2012} { Sapientia, Erdélyi Magyar Tudományegyetem }
Funkcionális és logikai programozás { Márton Gyöngyvér, 2012} { Sapientia, Erdélyi Magyar Tudományegyetem } http://www.ms.sapientia.ro/~mgyongyi ` 1 Jelenlét: Követelmények, osztályozás Az első 4 előadáson
RészletesebbenDIGITÁLIS TEREPMODELL A TÁJRENDEZÉSBEN
DIGITÁLIS TEREPMODELL A TÁJRENDEZÉSBEN DR. GIMESI LÁSZLÓ Bevezetés Pécsett és környékén végzett bányászati tevékenység felszámolása kapcsán szükségessé vált az e tevékenység során keletkezett meddők, zagytározók,
RészletesebbenDLM PULSE - PREDIKTÍV TÁRGYALÁS TÁMOGATÓ ALKALMAZÁS DLM PULSE
DLM PULSE - PREDIKTÍV TÁRGYALÁS TÁMOGATÓ ALKALMAZÁS DLM PULSE A DLM Pulse innovatív testbeszéd kiértékelő megoldás virtuális tanácsadóként segíti az értékesítő munkáját az üzleti tárgyalás során. Könnyen
RészletesebbenTANFOLYAMZÁRÓ ÍRÁSBELI VIZSGAFELADAT
CNC PROGRAMOZÓ TECHNOLÓGUS TANFOLYAM TANFOLYAMZÁRÓ ÍRÁSBELI VIZSGAFELADAT MEZŐKÖVESD, 2014. február 23. Összeállította: Daragó Gábor 1 CNC PROGRAMOZÓ TECHNOLÓGUS TANFOLYAM TANFOLYAMZÁRÓ ÍRÁSBELI VIZSGAFELADAT
RészletesebbenServiceTray program Leírás
ServiceTray program Leírás Budapest 2015 Bevezetés szerviz munkalapok státuszai a Törölve és Lezárva státuszt leszámítva a munkalap különböző nyitott állapotát jelzik, melyek valamilyen tevékenységet jeleznek.
RészletesebbenKoncepcióképzés. Általánosítás, absztrakció
Koncepcióképzés Általánosítás, absztrakció A kívánságok figyelmen kívül hagyása. A funkciókat és a feltételeket közvetlenül nem érintő követelmények elhagyása. A lényeges követelmények, feltételek, adatok
RészletesebbenProgramozási alapismeretek beadandó feladat: ProgAlap beadandó feladatok téma 99. feladat 1
Programozási alapismeretek beadandó feladat: ProgAlap beadandó feladatok téma 99. feladat 1 Készítette: Gipsz Jakab Neptun-azonosító: A1B2C3 E-mail: gipszjakab@vilaghalo.hu Kurzuskód: IP-08PAED Gyakorlatvezető
RészletesebbenCrossplatform mobil fejlesztőkörnyezet kiválasztását támogató kutatás
Crossplatform mobil fejlesztőkörnyezet kiválasztását támogató kutatás A Mobil multimédiás kliens fejlesztői eszközkészlet létrehozása című kutatás-fejlesztési projekthez A dokumentum célja A dokumentum
RészletesebbenCAD-ART Kft. 1117 Budapest, Fehérvári út 35.
CAD-ART Kft. 1117 Budapest, Fehérvári út 35. Tel./fax: (36 1) 361-3540 email : cad-art@cad-art.hu http://www.cad-art.hu PEPS CNC Programozó Rendszer Oktatási Segédlet Laser megmunkálás PEPS 4 laser megmunkálási
RészletesebbenSzámítógépes döntéstámogatás. Genetikus algoritmusok
BLSZM-10 p. 1/18 Számítógépes döntéstámogatás Genetikus algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu BLSZM-10 p. 2/18 Bevezetés 1950-60-as
RészletesebbenAlkalmazásokban. Dezsényi Csaba Ovitas Magyarország kft.
Tudásmodellezés Kereskedelmi Alkalmazásokban Dezsényi Csaba Ovitas Magyarország kft. Tudásmenedzsment Adat -> Információ -> Tudás Intézményi tudásvagyon hatékony kezelése az üzleti célok megvalósításának
RészletesebbenNagyságrendek. Kiegészítő anyag az Algoritmuselmélet tárgyhoz. Friedl Katalin BME SZIT február 1.
Nagyságrendek Kiegészítő anyag az Algoritmuselmélet tárgyhoz (a Rónyai Ivanyos Szabó: Algoritmusok könyv mellé) Friedl Katalin BME SZIT friedl@cs.bme.hu 018. február 1. Az O, Ω, Θ jelölések Az algoritmusok
RészletesebbenEGYSZERŰSÉG ÉS ÁTTEKINTHETŐSÉG AZ ÜZLETI ANALITIKÁBAN CRS PORTÁL AVENSOFT KFT. 1072 BUDAPEST, RÁKÓCZI ÚT 42. WWW.CRSPORTAL.HU WWW.AVENSOFT.
CRS PORTÁL AVENSOFT KFT. 1072 BUDAPEST, RÁKÓCZI ÚT 42. WWW.CRSPORTAL.HU WWW.AVENSOFT.HU EGYSZERŰ KEZELHETŐSÉG ÁTTEKINTHETŐ LOGIKA A CRS Portál egy olyan, web alapú üzleti intelligencia (BI) megoldás, amely
Részletesebbenkodolosuli.hu: Interaktív, programozást tanító portál BALLA TAMÁS, DR. KIRÁLY SÁNDOR NETWORKSHOP 2017, SZEGED
kodolosuli.hu: Interaktív, programozást tanító portál BALLA TAMÁS, DR. KIRÁLY SÁNDOR NETWORKSHOP 2017, SZEGED A közoktatásban folyó informatika oktatásával kapcsolatos elvárások Állami szereplő: Az informatikaoktatás
RészletesebbenOperációs rendszerek gyak.
Operációs rendszerek gyak. AWK programozás Hirling Dominik Szegedi Tudományegyetem AWK AWK: a pattern scanning and processing language mintaelemző-és feldolgozó nyelv bármilyen szövegből minták alapján
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék. Dr. Kulcsár Gyula egyetemi docens
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék Dr. Kulcsár Gyula egyetemi docens Megoldásjavító szabályzókör A Kybernos egyszerűsített modellje Klasszikus termelésirányítási
RészletesebbenTERC V.I.P. hardverkulcs regisztráció
TERC V.I.P. hardverkulcs regisztráció 2014. második félévétől kezdődően a TERC V.I.P. költségvetés-készítő program hardverkulcsát regisztrálniuk kell a felhasználóknak azon a számítógépen, melyeken futtatni
Részletesebbene-szignó Online e-kézbesítés Végrehajtási Rendszerekhez
MICROSEC Számítástechnikai Fejlesztő zrt. e-szignó Online e-kézbesítés Végrehajtási Rendszerekhez Felhasználói útmutató https://online.e-szigno.hu/ 1 Tartalom 1. Bevezetés... 3 2. A rendszer használatának
RészletesebbenCLIPS (C Language Integrated Production System)
CLIPS (C Language Integrated Production System) I. ALAPVETŐ TULAJDONSÁGAI szakértői rendszer fejlesztő eszköz (shell) 80-as évek közepe, NASA 1. prototípus 1985-ben (~ 2 hónap alatt), fejlesztések, bővítések
RészletesebbenAlgoritmizálás, adatmodellezés tanítása 6. előadás
Algoritmizálás, adatmodellezés tanítása 6. előadás Tesztelési módszerek statikus tesztelés kódellenőrzés szintaktikus ellenőrzés szemantikus ellenőrzés dinamikus tesztelés fekete doboz módszerek fehér
RészletesebbenHely- és kontextusfüggő alkalmazások fejlesztését támogató keretrendszer mobil környezetben
Department of Distributed Systems Hely- és kontextusfüggő alkalmazások fejlesztését támogató keretrendszer mobil környezetben MTA SZTAKI Elosztott Rendszerek Osztály - Mátételki Péter matetelki@sztaki.hu
RészletesebbenFotódokumentáció. Projektazonosító: KMOP-1.1.1-08/1-2008-0049
Fotódokumentáció Projektazonosító: KMOP-1.1.1-08/1-2008-0049 Laborkísérletekhez használt reaktorrendszer előkészítése A laborkísérletek elvégzéséhez szükséges volt egy kisméretű FCR (food chain reactor
RészletesebbenÁRAMKÖRÖK SZIMULÁCIÓJA
ÁRAMKÖRÖK SZIMULÁCIÓJA Az áramkörök szimulációja révén betekintést nyerünk azok működésébe. Meg tudjuk határozni az áramkörök válaszát különböző gerjesztésekre, különböző üzemmódokra. Végezhetők analóg
RészletesebbenTájékoztató. Használható segédeszköz: számológép
A 12/2013. (III. 29.) NFM rendelet szakmai és vizsgakövetelménye alapján. Szakképesítés azonosítószáma és megnevezése 54 523 05 Távközlési technikus Tájékoztató A vizsgázó az első lapra írja fel a nevét!
RészletesebbenI. CRM elmélete és gyakorlata. II. Stratégiai elemek. III. Strukturális megoldások
Transzformáció -CRM Értékesítési stratégiák I. CRM elmélete és gyakorlata II. Stratégiai elemek III. Strukturális megoldások 1 Customer Relationship Management egy filozófia Értékesítés Ügyfél Marketing
RészletesebbenKiskunmajsa és környéke turisztikai térinformatikai alkalmazás
Kiskunmajsa és környéke turisztikai térinformatikai alkalmazás Tartalomjegyzék 1. A RENDSZER RÖVID LEÍRÁSA...3 1.1. Elvárt funkciók:...3 1.2. Specifikáció...3 1.3. Funkciók ismertetése...3 2. RÉSZLETES
RészletesebbenMiskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék. Dr. Kulcsár Gyula egyetemi docens
Miskolci Egyetem Gépészmérnöki és Informatikai Kar Alkalmazott Informatikai Tanszék Dr. Kulcsár Gyula egyetemi docens CIM funkciók az IBM által javasolt modell szerint Az IBM által javasolt, erősen egyszerűsített
RészletesebbenBevezetés az informatikába
Bevezetés az informatikába 6. előadás Dr. Istenes Zoltán Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék Matematikus BSc - I. félév / 2008 / Budapest Dr.
RészletesebbenMiskolci Egyetem Alkalmazott Informatikai Intézeti Tanszék A minőségbiztosítás informatikája. Készítette: Urbán Norbert
Miskolci Egyetem Alkalmazott Informatikai Intézeti Tanszék A minőségbiztosítás informatikája Készítette: Urbán Norbert Szoftver-minőség A szoftver egy termelő-folyamat végterméke, A minőség azt jelenti,
RészletesebbenGyakorlati segédlet a tervezési feladathoz
Nyugat-magyarországi Egyetem Faipari Mérnöki Kar Terméktervezési és Gyártástechnológiai Intézet Gyakorlati segédlet a tervezési feladathoz Mechanikai megmunkálás (OFM, FM BSC) és Ipari Technológiák II.
RészletesebbenKinek szól a könyv? A könyv témája A könyv felépítése Mire van szükség a könyv használatához? A könyvben használt jelölések. 1. Mi a programozás?
Bevezetés Kinek szól a könyv? A könyv témája A könyv felépítése Mire van szükség a könyv használatához? A könyvben használt jelölések Forráskód Hibajegyzék p2p.wrox.com xiii xiii xiv xiv xvi xvii xviii
RészletesebbenCARE. Biztonságos. otthonok idős embereknek CARE. Biztonságos otthonok idős embereknek 2010-09-02. Dr. Vajda Ferenc Egyetemi docens
CARE Biztonságos CARE Biztonságos otthonok idős embereknek otthonok idős embereknek 2010-09-02 Dr. Vajda Ferenc Egyetemi docens 3D Érzékelés és Mobilrobotika kutatócsoport Budapesti Műszaki és Gazdaságtudományi
RészletesebbenEmerald: Integrált jogi modellező keretrendszer
Emerald: Integrált jogi modellező keretrendszer Förhécz András Szőke Ákos Kőrösi Gábor Strausz György Budapesti Műszaki és Gazdaságtudományi Egyetem Multilogic Kft, Budapest Networkshop 2011 2011. április
RészletesebbenTARTALOMJEGYZÉK. 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
RészletesebbenBudapesti Mûszaki Fõiskola Rejtõ Sándor Könnyûipari Mérnöki Kar Médiatechnológiai Intézet Nyomdaipari Tanszék. Karbantartás-szervezés a nyomdaiparban
Budapesti Mûszaki Fõiskola Rejtõ Sándor Könnyûipari Mérnöki Kar Médiatechnológiai Intézet Nyomdaipari Tanszék Karbantartás-szervezés a nyomdaiparban 6. előadás Karbantartás irányítási információs rendszer
RészletesebbenTermék modell. Definíció:
Definíció: Termék modell Összetett, többfunkciós, integrált modell (számítógépes reprezentáció) amely leír egy műszaki objektumot annak különböző életfázis szakaszaiban: tervezés, gyártás, szerelés, szervízelés,
RészletesebbenÜgyfélforgalom számlálás modul
Ügyfélforgalom számlálás modul 1 1. Bevezetés... 3 2. BEÁLLÍTÁSOK... 4 2.1. Új Kérdőív létrehozása... 4 o Kérdéstípusok és a hozzájuk tartozó lehetséges válaszok hozzárendelése... 4 Új Kérdéstípus felvitele...
RészletesebbenDW 9. előadás DW tervezése, DW-projekt
DW 9. előadás DW tervezése, DW-projekt Követelmény felmérés DW séma tervezése Betöltési modul tervezése Fizikai DW tervezése OLAP felület tervezése Hardver kiépítése Implementáció Tesztelés, bevezetés
Részletesebben