Intelligens Rendszerek Gyakorlata. Neurális hálózatok I.

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Intelligens Rendszerek Gyakorlata. Neurális hálózatok I."

Átírás

1 : Intelligens Rendszerek Gyakorlata Neurális hálózatok I. dr. Kutor László IRG 3/1

2 Trend osztályozás Pnndemo.exe IRG 3/2

3 Hangulat azonosítás Happy.exe IRG 3/3

4 Idősor közelítés Grnndemo.exe IRG 3/4

5 Pontsor közelítése függvénnyel Grnndemo.exe IRG 3/5

6 A neurális hálózat tervezésének lépései Reprezentatív tapasztalati adat gyűjtése (bemeneti adatok és elvárt válaszok) Megfelelő neurális paradigma kiválasztása Rendszer paraméterek kiválasztása Teljesítmény mérő módszer kiválasztása A rendszer tanítása és tesztelése (amíg az elvárt eredményhez nem jutunk) IRG 3/6

7 Eldöntendő jellemzők a neurális hálózatok tervezésénél Processzor szinten: - a processzor átviteli függvénye - a bemenő jelek típusa Hálózat szinten: - a hálózat topológiája - rétegelt struktúránál a rétegek száma - processzorok száma a különböző rétegekben - processzorok típusa a különböző rétegekben Tanítási szinten - tanító algoritmus - tanítási paraméterek (pl.: α, β,.) - a tanítás megállásának feltételei IRG 3/7

8 Az alap neuron (processzor) felépítése i O i I 1 I 2 I i I n-1 w j1 w j2 wji w jn S j j T O j i S j = W ji n i= 1 w ji j I i I n I B I bemenet), w ji súlytényezők, T Átviteli (Transzfer) függvény IRG 3/8

9 Leggyakrabban használt átviteli függvények 1. Ugrás függvény: O j = 0 vagy -1, ha S <= 0, O j = 1 ha S > 0 2. Korlátozott lineáris függvény O j = 0, ha S <= 0, O j = S ha 0 <= S < 1 O j = 1 ha S > 1 3. Szimoid függvény O j = 1/(1+e -Sj ) S S 0 1 O j = 1-1/(1+S) ha S >= 0 O j = /(1-S) ha S < 0 1 IRG 3/ S S

10 Tipikus neurális hálózat összeköttetések 1. Előrecsatolt (rétegelt) neurális hálózat (topológia) Bemenetek bemeneti réteg rejtett réteg kimeneti réteg Kimenetek súlytényező IRG 3/10

11 Az előrecsatolt hálóztok ábrázolása I 1 I 2 I i I n-1 I n O 1 Súlymátrix w 11 w 12 w 1i -- w 1n w 21 w 22 w 2i -- w 2n w j1 w j2 w ji -- w jn w m1 w m2 w mi -- w mn súlytényező IRG 3/11 O 2 O j O m O = f (S) S = I * W Mátrix műveletek!

12 Visszacsatolt neurális hálózat Rétegelt Teljesen összekötött I 1 I 2 I i j k IRG 3/12 O i O j O k O = I x W1+ O x W2

13 A hálózat hibája felügyelt tanítás esetén Egy tanító mintánál: E = ½ (T k -O k ) 2 A teljes tanító mintára: E = ½ (T k -O k ) 2 IRE 8/13 k p k A tanítás (súlytényező változtatás) mottója: hiba visszaterjesztés = Back error Propagation A hálózat súlytényezőit a hiba létrehozásában játszott szerepükkel arányosan változtatjuk. = A súlytényezőket a hibafüggvény parciális deriváltja szerint változtatjuk

14 Tanítási szabályok Tanítás = súlytényezők (kis lépésekkel (?) való) beállítása Tanítási típusok: 1. Felügyelt (felügyeletes) tanítás 2. Felügyelet nélküli (önszerveződő) tanítás Alap tanítási szabályok: i j O i w ji O j i j O i w ji O j C j Hebb szabály (Donald O. Hebb) w ji (t+1) = w ji (t) + α* O i * O j ahol α = tanítási tényező, 0 <= α <= 1 Delta szabály (Widrow- Hoff) w ji (t+1) = w ji (t) + α * O i * (C j O j ) ahol C j O j = Δ j IRG 3/14

15 A felügyeletes tanítás lényege, algoritmusa Mottó: Addig hangoljuk a súlytényezőket, amíg a bemenetre a hálózat megfelelő-, előre kiszámított választ nem ad. Algoritmusa: 1. Kezdeti súlytényezők beállítása 2. A tanítóminta bemeneti értéke alapján a hálózat kimeneti értékének kiszámítása. 3. A tanítóminta célértékének összehasonlítása a hálózat célértékével. 4. Szükség esetén a hálózat súlytényezőinek módosítása. 5. A tanítás folytatása mindaddig, amíg a hálózat az összes tanítómintára egy előre rögzített hibahatárnál kisebb hibával a célértéknek megfelelő kimeneti értéket nem tudja előállítani. IRE 8/15

16 A perceptron tanító algoritmus (delta szabállyal) Kezdeti súlytényezők beállítása (random!?) Tanítás iter amíg a hiba el nem éri a hibahatárt (Hi <= Hh) k= 0, Hi= 0 Minták iter amíg k = p nem teljesül (ahol p = tanító minták száma) A k.-ik tanítóminta bemeneti vektora alapján processzoronként az aktiváció kiszámítása S jk = I k j * Wji A köszöb átviteli függvény alapján processzoronként a kimeneti értékek kiszámítása. (O j ) A hálózat súlytényezőinek módosítása. w ji (t+1) = w ji (t) + α * O i * (C j O j ) ahol C j O j = az eltérés (Δ j ) A hálózat hibájának kiszámítása H k j =Cj k -Oj k A hibák összesítése H i =H i +H j K:=K+1 Minták end Tanítás end IRE 8/16

17 I 1 I 2 I i I n A delta szabály matematikai értelmezése S j S j = w ji * I i ; O j = S j ; i O j T j Lineáris átviteli függvény esetén W ji (t+1)=w ji (t)- α*oj*δe/δw ji δe/δw ji = δe/δo j * δo j /δs j * δs j /δw j δe/δo j = ½ * 2 * (Tj-Oj) * -1= -(Tj-Oj) E = ½ * ( T j O j ) 2 E j w i W i+1 Δw δo j /δs j =1 δs j /δw j = δ(w j1 *I 1 + w ji *I i + w jn *I n )= I i i j O i w ji O j T j Delta szabály w ji (t+1) = w ji (t) + α * I i * Δ j ahol α = tanítási tényező, 0 <= α <= 1, Δ j = T j O j IRE 8/17

18 Többrétegű neurális hálózatok tanítása (Általánosított delta szabállyal) Hálózat topológia i j N Processzor: H M k i O i w ji O j w kj O k T k j k Oi Sj f(s) j O j S = w O O j =f(s)= 1/(1+e -S ) j IRE 8/18 N i= 1 ji i

19 A hiba visszavezetése (Általánosított delta szabállyal) Δ 1 Hálózat topológia i j M N H k Δ j w 1j w 2j O i w ji O j w kj O k T k i j k Δ 2 Δ M-1 Átviteli függvények w Mj O k = f(s k ) O j =f(s)= 1/(1+e -S ) Δ M IRE 8/19

20 Tanítást leíró összefüggések a többrétegű hálózatoknál Általánosított delta szabály: (deriválás a lánc szabály alapján) δe/δw kj = δe/δok * δo k /δs k * δs k /δw kj Súlytényező változtatás a kimeneti rétegben W kj (t+1) = W kj (t) + αδ k Oj = Δk W kj (t+1) =W kj (t) + α*(t k -O k )*f(s k )*(1-f(S k ))*O j Súlytényező változtatás a rejtett rétegben Δj W ji (t+1) = W ji (t) + α*f(s j )*(1-f(S j ) * (Δk*W kj ))*O i (A levezetés a javasolt olvasmányok között található) IRE 8/20 M k=1

21 Versengéses (competitive) tanulás Carpenter, Grossberg 1988 Processzor I 1 I i S j f O j = f (S j ) 1 f (S j ) I N S j = I i * w ji S j Topológia: egy rétegű előrecsatolt, teljesen összekötött Megkötések: 1.) w ji = 1 2.) Súly értékek: 0<Wj<1 3.) A bemenő vektor bináris IRE 8/21

22 A versengéses tanító algoritmus (Grossberg) Mottó: A győztes visz mindent 1. Kezdeti súlytényezők beállítása (inicializálás, véletlenszerű) 0<Wj<1 2. A tanítóminta i-ik értéke (vektora) alapján, a processzorok kimeneti S j = O i * w ji, O j = f (S j ) értékeinek kiszámítása. 3. A legnagyobb kimeneti értékű processzor kiválasztása. A győztes visz mindent elv alapján, a győztes kimeneti értéket 1-re, az összes többi kimeneti értéket 0-ra változtatjuk 3. A győztes elem súlytényezőit megváltoztatjuk (csak azokat!) Δ W ji (t+1) = W ji (t) + Δ w ji, Δw ji = α (O i /m-w ji (t)) ahol α = tanulási együttható, 0 < α << 1 (tipikusan ) m = az aktív bemenetek száma 5. A pont ismétlése amíg a kimenetek két egymást követő tanítási ciklus során nem változnak. IRE 8/22

23 Teljesítmény mérési lehetőségek 1. Az összes tanító mintát figyelembe véve, mekkora az eltérés RMS (Root-Mean-Square) Egy tanító mintánál: E = ½ (T k -O k ) 2 A teljes tanító mintára: E = ½ (T k -O k ) 2 M k RMS= E/(M*K) M= tanító minták száma K= kimenetek száma 2. A helyes és hibás eredmények aránya IRE 8/23

24 Logikai függvények tanítása logikai ÉS Kizáró VAGY I 1 * I 2 O I 1 +I 2 O I 1 logikai VAGY 1 I I 2 I 2 I 1 + I 2 O IRE 8/24 I I 2

25 A négy kvadráns IRE 8/25

26 Neurális hálózat szimulátorok NWDemo C++ Neural Network Simulation Software Stuttgart Neural Network Simulator Emergent Neural Network Simulation System IRE 8/26

27 Neurális hálózat szimulátorok IRE 8/27

28 Az első mesterséges neurális hálózat: a Perceptron Frank Rosenblatt (1957) (amit a következő órán meg kell valósítani) Vetített nyomtatott betűk felismerése tanítás alapján 20 x 20 fotóérzékelő Mc. Culloch-Pitts neuronok Előrecsatolt egyrétegű hálózat I 1 O 1 I 400 O 36 IRE 8/28

Intelligens Rendszerek Elmélete

Intelligens 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

Részletesebben

Intelligens Rendszerek Elmélete. Versengéses és önszervező tanulás neurális hálózatokban

Intelligens 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

Részletesebben

Mesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás

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

Részletesebben

Intelligens Rendszerek Elmélete

Intelligens Rendszerek Elmélete Intellgens Rendszerek Elmélete Dr. Kutor László A mesterséges neuráls hálózatok alapfogalma és meghatározó eleme http://mobl.nk.bmf.hu/tantargyak/re.html Logn név: re jelszó: IRE07 IRE 7/1 Neuráls hálózatok

Részletesebben

Tisztelt Hallgatók! Jó tanulást kívánok, üdvözlettel: Kutor László

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.

Részletesebben

Fogalom értelmezések I.

Fogalom értelmezések I. Fogalom értelmezések I. Intelligencia értelmezések Köznapi értelmezése: értelem, ész, felfogó képesség, értelmesség, műveltség Boring szerint: amit az intelligencia teszt mér Wechsler szerint: Az intelligencia

Részletesebben

Neurális hálózatok bemutató

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.:

Részletesebben

Bevezetés a neurális számításokba Analóg processzortömbök,

Bevezetés 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

Részletesebben

Állandó tartós halhatatlan, könnyő átvinni reprodukálni,(oktatni a szakértıi rendszerhasználatát kell)

Állandó tartós halhatatlan, könnyő átvinni reprodukálni,(oktatni a szakértıi rendszerhasználatát kell) 90. Mi az MI program, tudásalapú rendszer, szakértıi rendszer és kapcsolatuk? MI program Olyan programok, amik a beérkezı információkat valamilyen logikus módszerrel képesek feldolgozni, még akkor is,

Részletesebben

Hibadetektáló rendszer légtechnikai berendezések számára

Hibadetektáló rendszer légtechnikai berendezések számára Hibadetektáló rendszer légtechnikai berendezések számára Tudományos Diákköri Konferencia A feladatunk Légtechnikai berendezések Monitorozás Hibadetektálás Újrataníthatóság A megvalósítás Mozgásérzékelő

Részletesebben

Regresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.

Regresszió. 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

Részletesebben

NEURÁLIS HÁLÓZATOK 1. eloadás 1

NEURÁLIS HÁLÓZATOK 1. eloadás 1 NEURÁLIS HÁLÓZATOKH 1. eloadás 1 Biológiai elozmények nyek: az agy Az agy az idegrendszerunk egyik legfontosabb része: - képes adatokat tárolni, - gyorsan és hatékonyan mukodik, - nagy a megbízhatósága,

Részletesebben

Tanulás tanuló gépek tanuló algoritmusok mesterséges neurális hálózatok

Tanulás 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

Részletesebben

A neurális hálózatok általános jellemzői

A neurális hálózatok általános jellemzői Mesterséges neurális hálóztok II. - A felügyelt tnítás prméterei, gyorsító megoldási - Versengéses tnulás Tudáskezelés fuzzy logikávl http:/uni-obud.hu/users/kutor/ IRE 7/50/1 2012. ősz Óbudi Egyetem,

Részletesebben

I. LABOR -Mesterséges neuron

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,

Részletesebben

Fuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában

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

Részletesebben

II. LABOR Tanulás, Perceptron, Adaline

II. LABOR Tanulás, Perceptron, Adaline II. LABOR Tanulás, Perceptron, Adaline A dolgozat célja a tanító algoritmusok osztályozása, a tanító és tesztel halmaz szerepe a neuronhálók tanításában, a Perceptron és ADALINE feldolgozó elemek struktúrája,

Részletesebben

Tanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function

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,

Részletesebben

Tanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function

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,

Részletesebben

Irányításelmélet és technika II.

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

Részletesebben

Forgalmi modellezés BMEKOKUM209

Forgalmi 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

Részletesebben

Kovács Ernő 1, Füvesi Viktor 2

Kovács Ernő 1, Füvesi Viktor 2 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,

Részletesebben

SAT probléma kielégíthetőségének vizsgálata. masszív parallel. mesterséges neurális hálózat alkalmazásával

SAT probléma kielégíthetőségének vizsgálata. masszív parallel. mesterséges neurális hálózat alkalmazásával SAT probléma kielégíthetőségének vizsgálata masszív parallel mesterséges neurális hálózat alkalmazásával Tajti Tibor, Bíró Csaba, Kusper Gábor {gkusper, birocs, tajti}@aries.ektf.hu Eszterházy Károly Főiskola

Részletesebben

MINTA Írásbeli Záróvizsga Mechatronikai mérnök MSc. Debrecen,

MINTA Írásbeli Záróvizsga Mechatronikai mérnök MSc. Debrecen, MINTA Írásbeli Záróvizsga Mechatronikai mérnök MSc Debrecen, 2017. 01. 03. Név: Neptun kód: Megjegyzések: A feladatok megoldásánál használja a géprajz szabályait, valamint a szabványos áramköri elemeket.

Részletesebben

Neurális hálózatok MATLAB programcsomagban

Neurális hálózatok MATLAB programcsomagban Debreceni Egyetem Informatikai Kar Neurális hálózatok MATLAB programcsomagban Témavezető: Dr. Fazekas István Egyetemi tanár Készítette: Horváth József Programtervező informatikus Debrecen 2011 1 Tartalomjegyzék

Részletesebben

Statisztikai eljárások a mintafelismerésben és a gépi tanulásban

Statisztikai eljárások a mintafelismerésben és a gépi tanulásban Statisztikai eljárások a mintafelismerésben és a gépi tanulásban Varga Domonkos (I.évf. PhD hallgató) 2014 május A prezentáció felépítése 1) Alapfogalmak 2) A gépi tanulás, mintafelismerés alkalmazási

Részletesebben

BEKE ANDRÁS, FONETIKAI OSZTÁLY BESZÉDVIZSGÁLATOK GYAKORLATI ALKALMAZÁSA

BEKE 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

Részletesebben

Gauss-Jordan módszer Legkisebb négyzetek módszere, egyenes LNM, polinom LNM, függvény. Lineáris algebra numerikus módszerei

Gauss-Jordan módszer Legkisebb négyzetek módszere, egyenes LNM, polinom LNM, függvény. Lineáris algebra numerikus módszerei A Gauss-Jordan elimináció, mátrixinvertálás Gauss-Jordan módszer Ugyanazzal a technikával, mint ahogy a k-adik oszlopban az a kk alatti elemeket kinulláztuk, a fölötte lévő elemeket is zérussá lehet tenni.

Részletesebben

A MESTERSÉGES NEURONHÁLÓZATOK BEVEZETÉSE AZ OKTATÁSBA A GAMF-ON

A MESTERSÉGES NEURONHÁLÓZATOK BEVEZETÉSE AZ OKTATÁSBA A GAMF-ON A MESTERSÉGES NEURONHÁLÓZATOK BEVEZETÉSE AZ OKTATÁSBA A GAMF-ON Pintér István, pinter@gandalf.gamf.hu Nagy Zoltán Gépipari és Automatizálási Mûszaki Fõiskola, Informatika Tanszék Gépipari és Automatizálási

Részletesebben

Véges állapotú gépek (FSM) tervezése

Véges állapotú gépek (FSM) tervezése Véges állapotú gépek (FSM) tervezése F1. A 2. gyakorlaton foglalkoztunk a 3-mal vagy 5-tel osztható 4 bites számok felismerésével. Abban a feladatban a bemenet bitpárhuzamosan, azaz egy időben minden adatbit

Részletesebben

Alap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )

Alap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( ) Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:

Részletesebben

Irányításelmélet és technika II.

Irányításelmélet 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

Részletesebben

Mérési hibák 2006.10.04. 1

Mérési hibák 2006.10.04. 1 Mérési hibák 2006.10.04. 1 Mérés jel- és rendszerelméleti modellje Mérési hibák_labor/2 Mérési hibák mérési hiba: a meghatározandó értékre a mérés során kapott eredmény és ideális értéke közötti különbség

Részletesebben

Intelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal

Intelligens Rendszerek Elmélete. Párhuzamos keresés genetikus algoritmusokkal Intelligens Rendszerek Elmélete Dr. Kutor László Párhuzamos keresés genetikus algoritmusokkal http://mobil.nik.bmf.hu/tantargyak/ire.html login: ire jelszó: IRE0 IRE / A természet általános kereső algoritmusa:

Részletesebben

AKTUÁTOR MODELLEK KIVÁLASZTÁSA ÉS OBJEKTÍV ÖSSZEHASONLÍTÁSA

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

Részletesebben

Multi-20 modul. Felhasználói dokumentáció 1.1. Készítette: Parrag László. Jóváhagyta: Rubin Informatikai Zrt.

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:

Részletesebben

Számítógépes döntéstámogatás. Genetikus algoritmusok

Számítógépes 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

Részletesebben

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363 1/363 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 288/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák

Részletesebben

HORVÁTH ZSÓFIA 1. Beadandó feladat (HOZSAAI.ELTE) ápr 7. 8-as csoport

HORVÁTH ZSÓFIA 1. Beadandó feladat (HOZSAAI.ELTE) ápr 7. 8-as csoport 10-es Keressünk egy egész számokat tartalmazó négyzetes mátrixban olyan oszlopot, ahol a főátló alatti elemek mind nullák! Megolda si terv: Specifika cio : A = (mat: Z n m,ind: N, l: L) Ef =(mat = mat`)

Részletesebben

KOOPERÁCIÓ ÉS GÉPI TANULÁS LABORATÓRIUM

KOOPERÁCIÓ 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

Részletesebben

A hálózattervezés alapvető ismeretei

A 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

Részletesebben

Algoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás

Algoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás Algoritmusok Tervezése 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás Mi az algoritmus? Lépések sorozata egy feladat elvégzéséhez (legáltalánosabban) Informálisan algoritmusnak nevezünk bármilyen jól definiált

Részletesebben

Vállalati modellek. Előadásvázlat. dr. Kovács László

Vállalati modellek. Előadásvázlat. dr. Kovács László Vállalati modellek Előadásvázlat dr. Kovács László Vállalati modell fogalom értelmezés Strukturált szervezet gazdasági tevékenység elvégzésére, nyereség optimalizálási céllal Jellemzői: gazdasági egység

Részletesebben

CARE. Biztonságos. otthonok idős embereknek CARE. Biztonságos otthonok idős embereknek 2010-09-02. Dr. Vajda Ferenc Egyetemi docens

CARE. 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

Részletesebben

Programozó- készülék Kezelőkozol RT óra (pl. PC) Digitális bemenetek ROM memória Digitális kimenetek RAM memória Analóg bemenet Analóg kimenet

Programozó- készülék Kezelőkozol RT óra (pl. PC) Digitális bemenetek ROM memória Digitális kimenetek RAM memória Analóg bemenet Analóg kimenet 2. ZH A csoport 1. Hogyan adható meg egy digitális műszer pontossága? (3p) Digitális műszereknél a pontosságot két adattal lehet megadni: Az osztályjel ±%-os értékével, és a ± digit értékkel (jellemző

Részletesebben

Debreceni Egyetem Informatikai Kar. Fazekas István. Neurális hálózatok

Debreceni Egyetem Informatikai Kar. Fazekas István. Neurális hálózatok Debreceni Egyetem Informatikai Kar Fazekas István Neurális hálózatok Debrecen, 2013 Szerző: Dr. Fazekas István egyetemi tanár Bíráló: Dr. Karácsony Zsolt egyetemi docens A tananyag a TÁMOP-4.1.2.A/1-11/1-2011-0103

Részletesebben

SZÁMÍTÁSOK A TÁBLÁZATBAN

SZÁMÍTÁSOK A TÁBLÁZATBAN SZÁMÍTÁSOK A TÁBLÁZATBAN Az Excelben az egyszerű adatok bevitelén kívül számításokat is végezhetünk. Ezeket a cellákba beírt képletek segítségével oldjuk meg. A képlet: olyan egyenlet, amely a munkalapon

Részletesebben

Információk. Ismétlés II. Ismétlés. Ismétlés III. A PROGRAMOZÁS ALAPJAI 2. Készítette: Vénné Meskó Katalin. Algoritmus. Algoritmus ábrázolása

Információk. Ismétlés II. Ismétlés. Ismétlés III. A PROGRAMOZÁS ALAPJAI 2. Készítette: Vénné Meskó Katalin. Algoritmus. Algoritmus ábrázolása 1 Információk 2 A PROGRAMOZÁS ALAPJAI 2. Készítette: Vénné Meskó Katalin Elérhetőség mesko.katalin@tfk.kefo.hu Fogadóóra: szerda 9:50-10:35 Számonkérés időpontok Április 25. 9 00 Május 17. 9 00 Június

Részletesebben

Néhány nem hagyományos matematikai modell (Ezeket rejtett modellnek is nevezik, ritkán modell nélküli rendszerről beszélnek.)

Néhány nem hagyományos matematikai modell (Ezeket rejtett modellnek is nevezik, ritkán modell nélküli rendszerről beszélnek.) Néhány nem hagyományos matematikai modell (Ezeket rejtett modellnek is nevezik, ritkán modell nélküli rendszerről beszélnek.) A klasszikus szabályozáselmélet általában a differenciál egyenleteken alapuló

Részletesebben

Gyártórendszerek irányítási struktúrái

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

Részletesebben

Irányításelmélet és technika I.

Irányításelmélet és technika I. Irányításelmélet és technika I Folytonos idejű rendszerek leírása az állapottérben Állapotvisszacsatolást alkalmazó szabályozási körök Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki

Részletesebben

Számítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 8.

Számítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 8. Számítógépvezérelt irányítás és szabályozás elmélete (Bevezetés a rendszer- és irányításelméletbe, Computer Controlled Systems) 8. előadás Szederkényi Gábor Pázmány Péter Katolikus Egyetem Információs

Részletesebben

Gépi tanulás a Rapidminer programmal. Stubendek Attila

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

Részletesebben

Gépi tanulás a gyakorlatban. Bevezetés

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

Részletesebben

Nagyfrekvenciás rendszerek elektronikája házi feladat

Nagyfrekvenciás rendszerek elektronikája házi feladat Nagyfrekvenciás rendszerek elektronikája házi feladat Az elkészítendő kis adatsebességű, rövidhullámú, BPSK adóvevő felépítése a következő: Számítsa ki a vevő földelt bázisú kis zajú hangolt kollektorkörös

Részletesebben

Hálózati réteg. Feladata: a csomag eljusson a célig Több útválasztó Ez a legalacsonyabb rétek, mely a két végpont

Hálózati réteg. Feladata: a csomag eljusson a célig Több útválasztó Ez a legalacsonyabb rétek, mely a két végpont Hálózati réteg Hálózati réteg Feladata: a csomag eljusson a célig Több útválasztó Ez a legalacsonyabb rétek, mely a két végpont közötti átvitellel foglalkozik. Ismernie kell a topológiát Útvonalválasztás,

Részletesebben

Minta felvételi feladatsor programozásból

Minta felvételi feladatsor programozásból . feladat: Rendezés (2 pont) A Comenius Logo egyik játékprogramjában békákat kell sorba rakni úgy, hogy lépésenként kijelölhetjük, hogy melyik béka ugorjon. gorni vagy csak szomszédos zsombékra lehet,

Részletesebben

PIACKUTATÁS (MARKETINGKUTATÁS)

PIACKUTATÁS (MARKETINGKUTATÁS) PIACKUTATÁS (MARKETINGKUTATÁS). FŐBB PONTOK A kutatási terv fogalmának meghatározása, a különböző kutatási módszerek osztályozása, a feltáró és a következtető kutatási módszerek közötti különbségtétel

Részletesebben

Hálózati réteg. WSN topológia. Útvonalválasztás.

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,

Részletesebben

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2006/2007

Mesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2006/2007 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2006/2007 Az Előadások Témái -hálók Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák Szemantikus

Részletesebben

Analóg elektronika - laboratóriumi gyakorlatok

Analóg elektronika - laboratóriumi gyakorlatok Analóg elektronika - laboratóriumi gyakorlatok. Mûveleti erõsítõk egyenáramú jellemzése és alkalmazásai. Elmélet Az erõsítõ fogalmát valamint az integrált mûveleti erõsítõk szerkezetét és viselkedését

Részletesebben

Tartalomjegyzék. Tartalomjegyzék... 3 Előszó... 9

Tartalomjegyzék. Tartalomjegyzék... 3 Előszó... 9 ... 3 Előszó... 9 I. Rész: Evolúciós számítások technikái, módszerei...11 1. Bevezetés... 13 1.1 Evolúciós számítások... 13 1.2 Evolúciós algoritmus alapfogalmak... 14 1.3 EC alkalmazásokról általában...

Részletesebben

I. Fejezetek a klasszikus analízisből 3

I. Fejezetek a klasszikus analízisből 3 Tartalomjegyzék Előszó 1 I. Fejezetek a klasszikus analízisből 3 1. Topológia R n -ben 5 2. Lebesgue-integrál, L p - terek, paraméteres integrál 9 2.1. Lebesgue-integrál, L p terek................... 9

Részletesebben

ő ő ő ü É Á Á É ő ő ő ü í ő ű í í í í í í í í Í Í ű Í ü Í ű í ü í ő ő ü ő í í í ő ű í ő ő ü ő ő ü í ő í í ő ü í ő ő őí í í ő í ő í Ü ü í ő ü í í í ő í ő í ü ú í ő ü Í ő ő ő ő É Ó Ó É Í É í Í Í őí ő ő Ó

Részletesebben

ö ő ü Ö ö ő ö ó ö Ö ő ü ö ő ő ő ö ö ö ö ő í ő ő ő í ő ö ü ö ö ü ő ó ö ü ő Ö ö ü ó í ő ő ő ő ő ő ő í ő ö ó ö ó ó ó í í í ó ő ő ö ő ő ú ó í ö ü í í ő í ő ő ó ó ü í ő ő ö ű ó ó ö ő ő í ó í í ő ú ö ö í í ü

Részletesebben

ü Í Á É ö ő Í í ö ű ő ú ó í ő í í Í í ű Í ő ü ő ó í í ö ö í í ő í ó ö í ó Í ú í Í ő Á ő ö ő ő ő ö ü ó ö ö ő í ó í ő ö ö ö ő í ö ü ú í ó ö ö ő í í ő ő ő ő ö ő í ő ő ö í ü ő í ö ö ö ő ü ű ö í ő ó í ő ő ú

Részletesebben

í ű ü ű ó í Ü ö ö ó ó í ü ü Í ú ő ő ő í ó ő í ő ó ó ú ő ó ó ö ő ó ö Ü ö ú ő ö ó ő ó ó ó ű ó ó ü Ü ó ó í ő ó í ő í ő ó őí ü ő ó ő ő í Í ö ő ó ö ő ő í ó Ü ö ö ő ó í ó ő ó ó í ö ü ö ő ö ü ő í Ü ő í ü ö ő

Részletesebben

Á É Í ő ő ő ó ő ó ő í ü ó í ó í Í ő í ó í í í ö ő ő ű í ő ö ő ő ó ó ő í ő ő ó í ő ó ő í ü ü ó ú ő í ő ó ö ö ő ü ö ő í ő ő í í ő ö ő ü ö ő ő ő í ó ő ő í ő í ő ü ü ö ö ü ó ő í í Í í í Ó ö ö ő ő ó ö í ö ö

Részletesebben

ő ő ö ő ü ö ő ő ö Ö ő ü ő ő ő ö ő ü ő ö í ö ő ő ö ö ö ő ő ő ü ő ő ü í ő ő ö ő ü ő ö ő ü ö ő ü ö ő ü ü í Ő ü ö ö ö í Ő ü ö ő ö ö í ö ü í í ö í ő í ö ö ö ő ő ü ö ő ü ő ü ú í ü ö ő ö í ö í ö ö í őí ü í ü

Részletesebben

ú ő ú ú í ö ú ö ű ű ö ő í í Ú ó í ö í ő ő ü ű ö ő í ü ü ű ö ő ű ó í ö ö ü ú ö ö ő ó ü ú ő ű í ő ű í ü ö ú ó ő ü ő ü ö ö ő í ő ü ö ú ö ö ő í ü í ő ú ő í ö ö ú í í í ú ő í ö ú ő ő Á Á ó ö ú í ó ö ó ó őí

Részletesebben

ö ú Á ő ö í ő ú í ő ö Ö ő ü ö Ö ő í ő ü ő ő í ő ő ü ü í í ő ü ű í ö ú í ö ö Ö ü ű ő ő í ö ő ű ő ö ő ü ö í Í ü ö ő ö ö ő í ű ö ö ű ö ü ö ő í ú ű ű ű ö ő ü ő ü ö ő í í í ő ö í ő Í Ö Ö Ü ő ő í ő Ő ő ő í ü

Részletesebben

ü í í ű ű í ü ü í ő ú ü í ő ú í í ü í ü í ő ü í í ő ő ü í í ú ú ő ő ü ú ü ű ű í ű í ü ű ú ü í ü í ő ő ű ő ő í ű í ő í ő ü ő ű ű í ű ú ű í ú í ő ü ú ú ő ő í ü ú ü ő ő ő ü í ú ő ő í í ő ú ú ő ú ő ü ő í ő

Részletesebben

Á í Á í ó í í ó ö ö ő ő ő ö í í ó É Á í ó í ó ó ü ű ö í ó í ő ö ö ö ü í ó ü ü ü ö í í ő í ő í í Á í í í í ő ő í í ú í ó ö ö ö í ó í í ő ó í ű ö ö ó í ö ő ö ú ö ö ű ő ő ő ö ö ó í ő ó í ű ű ö ő ű ó í ű ő

Részletesebben

ó ü Á Ó Ó ó ó ú ó ú í ó ű ü í ú í ő í ú í ó ö ó ó ő ő ö É í ú í ű ő ű í ü í ó ö í í í ő ó ö í ú ó ó ö í ó í ó í ü í ó í í í ű í ú ű í ö ő í í í í í í ő ö ö í í í í í í ó ö ő í ü ü ö í í ó ó ó í ö ű ű ó

Részletesebben

ő Ú Ú ú ó ú Ó í ő ő ű ú ó ő ú ü ü ő ő ő ó í ó ü ó ő í ű ő ű í ó ü ű ő Ü ő ő ű ő ó í í ű ű ó í ű Ü ó ű Ü ű ű ó Ü ő ű ő í ó ó í ó ó Ü ó ó ó ó í ő ú ű ó ó ő ő ő ő ó í ő ó ó ó í ó í Ü ő ó ú í ó ő ü ú ő ű í

Részletesebben

Ü Á í É Ü Ó Ü Ü ú ú Ó í Ű Ó ö ű Ö Ó Ó Ú ű Ü í ö Ó Ó ö Ü ü ő Ó Ó í í Ú í Ú Ü Ö ő Ő ő ú Ó Ó ü ö ö ö ö ú í ő ő ő ú í ü ő ő ő ő ő Á Ő ú í í ő ü ö ö ö ü ü ü ő í ő ű ö Í ú ü ú ú ö ü ö ő ü ü Ó Ó ö ö ö ú ő ő

Részletesebben

ű ö ö ő ő ő ö í ő ö ö Ö Ö ő ő ö ő ö ű í ő ö ö í ő ö ü í ő ö í ű ő ö ő ő ő ö ő ü ü Í ő ö í ő í ö ö í ö ö ű ö ő ő ő ő í ü ö ö ő ü ő ő ő ö ő í ö ö ö í ő ű ő í í ö ü í ő ő ö ű Á í ö ö ö ü í ő ö ü ő ő ö ő í

Részletesebben

É í Í Í ő ö í ű ö í í ö öí í ö ő ő ő ő ő ő í ő ő í í ő í ő ü í Ő ő Á Á É Á Ö Ö Á Á Á É Á É É Ö É É Á Ö ö Á Ő É Í É Á Ö Ö Á Ó ö ö ö í ö őí ő í ú ö ő ö ö ő ö ö Ö ő ő ő ő ő ő ő ö ő í ő ö ö ö ő í í ű ő ö ü

Részletesebben

ó ő ő í ó ó í í ő ó ő ő Á ü ó Á Á Á Á Ö Á É Ó ó Á É í É Á É É í ó É ó É ü É Á í í ő ó ü í ú í í ó ő ő ü ü ó ó ü ű ó ő ő ő í ű ő ú ő í í í ü ő ű ő í í ű ő ő í ő ó ő ő í ó í ő ü í ó ő ű ó ű ő ó őí ü í őí

Részletesebben

ó É ő ö ü ö ú ü ö ű ő ú ú ő í ö ü ü ó ó ö ű ü ő ö ö ö ö ő í ö íí ü ó í ó ö ő ő ü ó ö ű ü ó ö í ó ö ő ö ű ö í ú ó í ü ő ú ő í ó ú í ó ö ó ö ö ű ö ó ö ó ö ő ö í ó ő ő ú ő ő ű ú ó ö ú ó Ó ó ú ü í ó ő í í

Részletesebben

í ő í ü í í í ú ű í í í ü í ő í Í í í ő í ő Í ü Ó ő í ő í Ü í í í ú ű í í í í Ó í Ö ő ü í ü Ö Ö ő í ő í ü ő í ő ü ő ü ü í í ü í ü í ő ő őí í í í í ü í ő ú ű í í ő ü ü í Ö Ú ú í Á É Ö Ö ű Ü í Ö í Ö ő ő

Részletesebben

ő ö ő ő ö ő ő ö ö ő ő ü ő ö ő í ő í ö ő ö ö ü í ő ö ö ü ö Í ő ö ő ú ő ü ü ő ő ű í ö ö í ü Ö ő í ö ő ő ö ű ö ű ö ö ü ő ö ő ő ö ö ű ú ö ű ő ő í ő í ő ú ő ő ö í ő ú í ő ő ö ű í ö ő ú í ü ö ű í ú ö ű í ő í

Részletesebben

ó ó É Á É ü ű ő ő ó í ő ő ő í ó ó ő í ő ő ő Í ő ő í ü ü Í í ő ó í ő ő ó ű ü ő ó í ő ó ó í ó í ű ő ő ő í í ő ő ó ő í ü ű ó í ő í ú ő ó ő ű í ő ő ú ő ó í ő ű ó í ő ő í ő ó í ő ő Í ű í ó ő ó ő ő í ű ó í ó

Részletesebben

Á É É Í Ü É É Á Ú É É É É Í Ü Ü ő É Ü Ü Ú ő í í ő í ü Á í Í ü ű í í í í í ő ö í ü í ú í í í ő ü ő Ü í ö ő ű ó ű ü ú í í ú ő ő ő í ó ő ő ő í ő í í í ő í ő ű ő ő ö ü ő ő ú í Ü ő ü Í ő ö ö í ó ó ó í í í ú

Részletesebben

ö Ö ő ö ó ö Ö ő ö ó ö ő ő ó ó ö ö ó ó ó ö ö Á ó ö ű ő ű ő ő ö Ö ö É ő ő Á ű ő ú Ú ő ó ö ő ó ö ú ő ő ó ó ó ó ő ó ö ö ö ö ö ú ő ö ö ű ó ó ö ő ó ó ó ő ő ó ó ó ö ő ó ó ó ó ö ő ó ö ő ő ö Á ő ó ó ó ó ó ö ő ő

Részletesebben

Ü ű ő Á Í ü ű ő ő ő ő ó ó ü ü ő ű í ő ó ü ű ő ó ó ü í ó ó ő ő ő ű ő í í í í ó ő ú ó í ű ü í ü ő ő í í ó ó ó ó ő ő ő ő ü ő í ő ó ó ő ő ó ó ü ú ó ő ő í ó ü ó í ő ó ü ű ő í ő ü ő í ő í ő ő ó ü í ü Í í ü í

Részletesebben

ó ó ó ű ó í ő í Á ő ű ő ő í í ű ó ú ő ű ő ő ú ő ő ó í ő ű í ű ű ő ó ó ő ő ó ó í ű ú ű í ű ű ű í ó í ó ó í ő ó ű ű í ő ű ő ó ű ű í ű í í í ó ű ő í í ó ű ő ő í ű ű ű í ú í ó ó í ű ó ú ű ó ő ó ő ő ó ó ó ó

Részletesebben

Ú Ö Ú Ü ú í í ú í ú í í ú ő í í ő ú í ű í ő í ő ő ő ő í í Ö í Ü í Ö í Í Í í Ö Ö Í ő Ö Ö Ö ú í ű í í ő ő ő ő í ő Ő Ó Ö Ö í Ú Ú Ö Ú Ö í í Í í ő ú Í ű í í ő ő ő ő í í í í ű í ű í í í ű ű í í Í í í Ó Ó ú Ü

Részletesebben

Í Ö ő ő ó Í ü ü ü ó ű ő ó ű ű ü ü ü ó ó ü ó ó ü ú ó ó ü ó ó ó É ó Ö Í ó ü ó ű ó ó ü ő ó ü ü ó Í ó Í ó ó ó ó ó ű ó É ó ű ő ó ő ó ű Í ó ó ő ü ő ó ó Í ő ó ő ő Á Ö ő ő ü ő ú ó ú ü ő ü ő ó Í ú ő ő ű Á ü ü ó

Részletesebben

ú í ő ö ö ö ö ö ő í ö ö ö ő ő ö ő ö ú ö ő ö ú í ő ö ö ő őí ü ú ő ü ő ö ü í ő ü ü í ő ö ő ü í ő ö ö í ű ú ö ö ö ő ő í ő Ű ő ü ő ő ö ö ő í í ö ö ü ö ű ö ö ö ü ő ö ö ü Á í ő ö í ü ő ő ü ö ű ö ö ö ű ö ö ö

Részletesebben

Ü Í ö ő Í í ö ű ő ú ó ő í ó Ö í ü ő ó ó ő í í ö ö ő í ó ö í Í ú í ő Á ő ö ő ő ö ö ó ö ö Í ő í ó í ő ö ú ö ö ő í ö ú í ó ö ö ő í í ő ő ő ő ö ő í ő ő Ó í ü ú ú ő í ö ö ö ő ü ű ö í ő ö ó í ő ő ú í ó ő í ó

Részletesebben

Á Á Ü Ö Ú Á É í Ú Á Ö Á Ü É ó ü ó ó ó őí ő ű í ó í ő ü ő ú ó í ő ő ő í ü ü í í ő ú ő ú ő ő ó í ú í ü ő ő ú ő ü í ó ó ü ó ő ü ő í ú ú ő ő ú ő ő ü ú ő ó í ü ű í í í ü ú ó ő ő ő ő ő ő ű í ó í í ó ő í ó ő

Részletesebben

Á Á Á í ő Ö Ö Á Á Ó Ö Á Ő ő ü ő ő ő Ö Í ő ő ő ő Ö ú Ö ő í ő Ö ü ű ú ő í Ü Ö Í Ö Ö ő ő ű Ő ű ő ü ű ő í ő í ő ü Ö Ü Ö ő Ö ő Ő ő í ű É Ű Ö ő ő í ő ü ő í ű ü ő ő ü ő Ü ő ő ü ű ő ú ü í ő ü ü Ö ő í Ü ő í ü ő

Részletesebben

Ö Ő Ő Ő Ő Ö Ö Ő Í Í Á Ö Ő Ö Ú ŐÍ Ú Í Ő É É Í Í Í É Ő ö Ú Í Ő ö É É É Í É Ő Í Í Í Í ö Í Í Ö Í Ö É Í É É É Í Í ö É Ö Ö Í Í É É Ő Í É Ő Ö É ÖÍ Í Í Ő Í Í Ö Í É Ő Í Í ü É É É ö É É É ö Í É ö Í Ő Ő Ö É É Í Í

Részletesebben

ö ű é ö é é é é é ő Ö é ö é í ű ö é é é é é é é ö é é é ű ö é í ű ö é é í é í é é é é é é ő ö é é é ő é ö ő ő Ü ő ö é Ü ő é í é ö ö é é Ü ő é Ü é ö ű é í ö é é ü ű ö é é ö Ü ö ű é é Ü Ü ö í é ö é ö ű é

Részletesebben

ö Ö ö Ö ő ü ö ö ő ö Ö ő í ó ó ó ö ö ő ő ő ö ö Á ü ö ö ü ö ö ü ő ü ű í ő ü ó ő ó ö ó ő ü ü í ő ö ö ö ö í ö ő í ő ö í ő ó ö ü ö ű ö ü ő ó ó ö ő ö í ö í ö ü ö ő ö í í í ó ö ö ő í ő í ö ő ű ö í ő ő í ó ö í

Részletesebben

É É ó í í ö ö Í ö ó ó ó ó ó Á ö ú í ó Ö ó ö ö ó ó ö ö í ö É ö Á ú Á ö ú ö ú ű ú ú í ö ö í Ü í í Ó ö ú Ü í Ü í í Ú ö ö í Í ü Ó ö Ü ú ü ü í Ó í ö í ó Ó ó ö ó ö ó ű ö ú Í í ü ö í í Í í ü í ó Ó í ó Ó Ó Í Ó

Részletesebben

Ó É É ö É ö É Ó ó Í ő í ó í Ó í í Ó í Ö í ó Ó Í í Ó ő í í ó Ö í ö í ó í ó ö í Í ö ö í Ő ó ó ó Í í ó ö ó í ö í í ó ó í ó Ö ó ó í Ó Í Í ó í í í í ö í óí óí í í í ö íí íí ó Ő í Ó í Ő Ö í ó í í í ó í í Ó í

Részletesebben

Ó Ü ö ö ö ö ö ű ö ü ü ö í ö ö Ü ö í ű ö í ö Ö í ü ö ö ö ü ü ü í ú ö ú ú í ö ö í ö ö ö ö í í ú ö í ö í ö ü ú í í í í ú í ü ö ö í í í ö í ú í í í í ö ö ö ö í ú ö ö ü ö ö ö ö ö ö Ö ú ü í ü ü ü ö ö í ü í ö

Részletesebben

Ö ó Ö í ó ú ő ö ó Ö ő ü ú ü ő ü ő ő ő ö Ö ö ó ő ü Ö ö ó ó ó í ő ő ó Ö ö ö ő ó í ő ó ó ö Ö ő ú ö ő ó ó ó ő ú í ö ó ú ö ü ü í í Ö ü ü ö ő í ó ő í ö ő ü ö ő ö ü ö í ö ö ö ú í ö ő ö ő ó ö Ö ü í ö í ő ő ű ö

Részletesebben