WGS-84 EOV koordináta transzformáció neurális hálózattal. Zaletnyik Piroska
|
|
- Marcell Farkas
- 8 évvel ezelőtt
- Látták:
Átírás
1 udapesti Műszaki és Gazdaságtudománi Egetem Építőmérnöki Kar 003/004. tanévi Tudomános Diákköri Konferencia WGS-84 EOV koordináta transzformáció neurális hálózattal Készítette: Zaletnik Piroska doktorandusz hallgató Konzulensek: Dr. Völgesi Lajos Dr. Paláncz éla egetemi docens egetemi docens Általános és Felsőgeodézia Tanszék Fotogrammetria és Térinformatika Tanszék udapest 003.november
2 TRTLOMJEGYZÉK 1 ÁRJEGYZÉK... 3 EVEZETÉS EOV WGS-84 KOORDINÁT-TRNSZFORMÁCIÓ POLINOMOS TRNSZFORMÁCIÓ Polinomos transzformáció segédvetületi rendszer (SVR) közbeiktatásával Átszámítás WGS-84-ből EOV-ba (transzformációs polinom egütthatóinak a meghatározása) EOV-ból WGS-84-be történő átszámítás (transzformációs polinom egütthatóinak a meghatározása) Polinomos transzformáció segédvetületi rendszer nélkül TRNSZFORMÁCIÓ NEURÁLIS HÁLÓZTOKKL evezetés neurális hálózatok felépítése hálózatok működése, tervezése Túltanulás Transzformációra alkalmazott hálózatok TRNSZFORMÁCIÓ 43 ZONOS PONT LPJÁN közelítés minősítésének kérdése Polinomos transzformációk Transzformáció neurális hálózatokkal TRNSZFORMÁCIÓ 1153 ZONOS PONT LPJÁN z adatok minőségének vizsgálata Polinomos transzformációk Transzformáció neurális hálózatokkal ÖSSZEFOGLLÁS... 9 IRODLOM... 30
3 1 ÁRJEGYZÉK 1. ábra Ellipszoidi földrajzi koordináta rendszer (Krauter, 1995) ábra Egséges Országos Vetület (EOV) (Krauter, 1995) ábra, Neuron felépítése ábra, Szigmoid aktivációs függvén ábra RF aktivációs függvén ábra Neurális hálózat szerkezete ábra Túltanulás ábra Hibás pont ábra Tanító pontok elhelezkedése ábra Tesztpontok elhelezkedése ábra Maradék ellentmondások eloszlása polinomos transzformáció esetén ábra Maradék ellentmondások eloszlása neurális hálózattal történő transzformáció esetén ábra Polinomos transzformáció eltéréseinek szintvonalas térképe ábra Neurális hálózatokkal történő transzformáció eltéréseinek szintvonalas térképe
4 Error! Stle not defined. evezetés Magarországon ma egszerre több koordináta rendszert is használnak. két leggakrabban alkalmazott rendszer a GPS mérések koordináta rendszere, a WGS- 84 és az EOV (Egséges Országos Vetületi) rendszer. Éppen ezért e két koordináta rendszer közötti átszámításokra gakran van szükség. Ennek a lehetőségeit vizsgáltam meg ebben a dolgozatban polinomos transzformációval és neurális hálózatokkal, foltatva eg korábban megkezdett kutatási témámat. Korábban már tanulmánoztam a mesterséges intelligencia témakörébe tartozó neurális hálózatok néhán alkalmazási területét a geodéziában. Íg vizsgáltam felhasználásukat a magarországi geoidfelület közelítésénél és az EOV WGS-84 koordináta transzformációnál is. Ez utóbbinál sajnos nem sikerült kielégítő eredmént elérni, ami valószínűleg a kevés rendelkezésre álló adattal magarázható. koordináta transzformáció megoldásához azonos pontokat (meleknek ismert a koordinátája mindkét koordináta rendszerben) lehet felhasználni. korábbiakban 43 azonos pont állt rendelkezésemre, melek úg tűnik, hog nem elegendőek eg jól működő neurális hálózat kialakításához. Ebben az esetben jobban működnek a hagomános módszerek, pl. a polinomos koordináta transzformáció. Létezik azonban eg másik, sokkal nagobb adatbázis is, amel 1153 azonos pont koordinátáit tartalmazza. Ebben a dolgozatban megvizsgálom, hog vajon enni azonos pont elég-e eg neurális hálózattal való koordináta transzformáció megoldásához, illetve, hog jobb eredméneket lehet-e elérni íg, mint a polinomos transzformációval. Ezeket az eredméneket összevetem a 43 pont alapján készült megoldással is, hog lássam melik esetben milen módszert célszerű használni. polinomos transzformációhoz felhasználtam a ME Általános és Felsőgeodézia Tanszékén készült VETULET elnevezésű programcsomagot (Völgesi, Tóth, Varga 001) ill. a Mathematica szoftvert. neurális hálózatokkal történő transzformációt a Mathematica szoftver neurális hálózatok kiegészítő moduljával készítettem. dolgozatomban először ismertetem a koordináta transzformáció problémáját, a polinomos transzformáció általam alkalmazott módszereit, majd rövid áttekintést adok eg alkalmazható új eszköz, a neurális hálózat működéséről. Ezután ismertetem a 43 azonos pont alapján végzett vizsgálatok eredméneit, majd a nagobb, 1153 pont alapján készült transzformáció eredméneit. 4
5 Error! Stle not defined. 3 EOV WGS-84 koordináta-transzformáció geodéziában igen fontos feladat a koordináta-transzformáció, melnek sokféle módszere alakult ki az idők folamán. Szabatos vetületi átszámítás (zárt matematikai összefüggések felhasználásával) két vetületi rendszer között csak akkor végezhető, ha a két vetület alapfelülete közös és uganannak a háromszögelési hálózatnak a pontjai vannak ábrázolva a két vetületen. Ha uganis eltérő háromszögelési hálózathoz tartozó pontokat szeretnénk átszámítani, akkor ezek a pontok nem fognak illeszkedni a másik vetületi síkon ábrázolt háromszögelési hálózat pontjai közé. Ennek oka a két háromszögelési hálózat különböző elhelezésében, tájékozásában, külön alapvonal rendszerükben, az egmástól független szögmérésekből adódó különbségekben és a különböző kiegenlítésekben keresendő. Ebben az esetben, ha a két vetületen nem uganannak az alaphálózatnak a pontjai vannak ábrázolva ill., ha eltérőek az alapfelületek, akkor az átszámítás azonos pontok segítségével történhet, meleknek mindkét rendszerben ismertek a koordinátái. z ilen koordináta-transzformációknak több típusa van. Lehetnek kétdimenziós síkbeli vag háromdimenziós térbeli transzformációk. Típus szerint lehet hasonlósági vag Helmert transzformáció, ezenkívül affin és kétdimenziós polinomos transzformáció is. szerint is szokták csoportosítani őket, hog hán meghatározandó paraméter szerepel bennük, íg a térbeli Helmert transzformációt hétparaméteres transzformációnak is nevezik. Ma Magarországon a két leggakrabban használt koordináta rendszer a GPS mérések koordináta rendszere, a WGS-84 ellipszoidi koordináta rendszer, és az Egséges Országos Vetületi rendszer (EOV), melnek alapfelülete az IUGG/1967 ellipszoidhoz simuló új magarországi Gauss-gömb. Ezen két rendszer közötti koordináta transzformációs egenletek meghatározásának lehetőségét vizsgáltam általános sorokkal (polinomokkal) és neurális hálózatokkal a rendelkezésemre álló azonos pontok alapján, mivel a fenti okok miatt a két rendszer között nem végezhető szabatos vetületi átszámítás. WGS-84 (World Geodetic Sstem 1984) eg nemzetközileg használt globális vonatkozási rendszer. rendszert meghatározza az alapfelületként választott a és b féltengel-hosszúságú ellipszoid. koordináta rendszer z tengele az ellipszoid kistengele, egbeesik a Föld közepes forgástengelével, és tengel pedig az egenlítő síkjában helezkedik el, a greenwichi kezdő meridián síkjában, pedig merőleges rá. 5
6 Error! Stle not defined. 1. ábra Ellipszoidi földrajzi koordináta rendszer (Krauter, 1995) Ellipszoidi koordináta rendszerben (íg a WGS-84 ellipszoidi rendszerben is) eg pont helmeghatározó adatai a következők (a vetülettanban szokásos jelölésekkel): Φ P ellipszoidi földrajzi (geodéziai) szélesség, Λ P ellipszoidi földrajzi (geodéziai) hosszúság és h P ellipszoid feletti magasság. Jelen feladatnál csak a vízszintes helmeghatározó adatokkal számoltam, íg a két felhasznált helmeghatározó adat Φ és Λ volt ben vezették be Magarországon az Egséges Országos Vetületi Rendszert (EOV), mel az új magarországi Gauss-gömb ferdetengelű süllesztett (redukált) hengervetülete. redukált vetítésre azért volt szükség, hog az ország egész területe ábrázolható legen egetlen vetületi síkon, anélkül, hog a hossztorzulás túllépne eg megengedett értéket. vetítés két lépésben történik, először az ellipszoidról vetítenek gömbre, majd gömbről síkra. síkkoordináta rendszer tengele a Gellérthegi kezdőmeridián képe, tengele pedig a segédegenlítő képe. koordináta rendszer északkeleti tájolású. zért, hog kiküszöböljék a negatív koordinátákat és meg tudják különböztetni ránézésre az és koordinátákat, eltolták a koordinátarendszer kezdőpontját mindkét iránban. Íg az koordináták mindig kisebbek 400 km-nél, az koordináták pedig nagobbak 400 km-nél. z új koordinátaértékek a következőképp számíthatóak: X EOV = m, Y EOV = m. 6
7 Error! Stle not defined. 7. ábra Egséges Országos Vetület (EOV) (Krauter, 1995) két átszámítandó rendszerben eltérő adatokat használunk, az Egséges Országos Vetületi Rendszerben, síkkoordinátákkal dolgozunk, a WGS-84 rendszerben pedig ellipszoidi koordinátákkal. Ezek között kell koordinátatranszformációs kapcsolatot felállítani. dottak mindkét rendszerben az összetartozó pontpárok koordinátái: (,) és (Φ,Λ). Feladatunk meghatározni az F és F -1 függvéneket, ahol: = = Λ Φ ), ( ), 1( ), ( F F F illetve Λ Φ Λ Φ = = ), ( 1 ), ( 1 ), ( 1 I F I F F λ ϕ Ezt a feladatot többféleképpen lehet megoldani én a következőkben a polinomos (vag általános hatvánsorokkal történő) transzformációt és a neurális hálózatokkal történő transzformációt ismertetem.
8 Error! Stle not defined. 8 4 Polinomos transzformáció Koordináta transzformációt leggakrabban a korábban már említett Helmert transzformációval végeznek, ez azonban nem alkalmazható az ország egész területére egségesen, mivel az illesztés hibája túl nag lenne. Ennek megoldására általában lokális transzformációkat alkalmaznak. Ha az ország egész területére szeretnénk egséges transzformációs képleteket meghatározni, akkor a Helmert transzformációnál jobb eredmént lehet elérni polinomos transzformációval. Ezt a fajta transzformációt nevezik még általános sorokkal történő transzformációnak is. Vetületi Szabálzat szerint ezek a sorok legfeljebb ötödfokúak lehetnek. z alkalmazott kétváltozós 5. fokú polinom a következő: ' = ' = ahol, az egik rendszerbeli koordinátákat jelöli és, pedig a másik rendszerbeli koordinátákat, és értékek pedig a transzformáció egütthatói. Ilen ötödfokú polinomokat használ az EOV-WGS-84 transzformációhoz a ME Általános és Felsőgeodézia Tanszékén készült VETULET elnevezésű programcsomag is (Völgesi, Tóth, Varga 001). Ebben a programcsomagban az Egséges Országos Vetületi Rendszer és a WGS-84 ellipszoidi koordináta rendszer közötti átszámítás több lépésben történik. WGS-84 ellipszoidi Φ,Λ koordinátákat először az új Gauss-gömbre számítják át, majd az új Gauss-gömbről eg segédvetületi síkra vetítik (SVR). Végül ezeket a segédvetületi síkkoordinátákat transzformálják át ötödfokú hatvánpolinomokkal EOV koordinátákká. EOV-ból WGS-84-be a transzformáció fordított sorrendben történik. z oda és vissza transzformációhoz összesen 4 polinom szükséges. segédvetületi rendszer bevezetése viszonlag bonolult számításokat igénel. Ha EOV rendszerből végezzük az átszámítást WGS-84 - be, akkor például ezt a számítást csak iterációval végezhetjük el. Polinomos transzformáció alkalmazható a segédvetületi rendszerre történő átszámítás nélkül is. Én ezt a lehetőséget is megvizsgáltam, és összehasonlítottam az eltéréseket a kétféle polinomos transzformáció között.
9 Error! Stle not defined. 4.1 Polinomos transzformáció segédvetületi rendszer (SVR) közbeiktatásával következőkben leírt képletek szerint történik a transzformációs polinomok egütthatóinak a meghatározása az általam használt VETULET programcsomagban Átszámítás WGS-84-ből EOV-ba (transzformációs polinom egütthatóinak a meghatározása) Ha a WGS-84-es Φ, Λ értékek fok-perc-masodpercben adottak, akkor először tizedfokba kell ezeket átszámítani, majd radiánba. Ezután lehet az ellipszoidi Φ,Λ koordinátákból Gauss-gömbi φ,λ koordinátákat számítani a következő képletekkel: ϕ = arctg k tg ( ) λ = n Λ Λ 0, ahol: Λ 0 = e= k= n= π 4 n Φ 1 e sin Φ 1 e sin Φ 4 ne π Gauss-gömbi koordinátákból a segédvetületi rendszer síkkordinátáira való vetítés felírása gömbi segédkoordináták segítségével történhet. gömbi koordinátákból gömbi segédkoordináták számítása: ϕ = arcsin ( cosϕ sinϕ sinϕ cosϕ cos λ) ' 0 0 cosϕ sinϕ λ ' = arcsin, cosϕ' ahol φ 0 = gömbi segédkoordinátákból a segédvetületi síkkoordináták ( t, t ) számítása: t = R m π ϕ' ln tg 4 0 t = R m λ' ,
10 Error! Stle not defined. ahol R= ,001 m 0 =0,99993 program ezek után kiszámítja a segédvetületi síkkordináták és az EOV rendszer koordinátái közötti 5. fokú polinom transzformációs egütthatóit EOV-ból WGS-84-be történő átszámítás (transzformációs polinom egütthatóinak a meghatározása) Ez az előző számítással ellentétesen történik. Először EOV koordinátákat transzformálják át polinomok segítségével segédvetületi síkkoordinátákká, ehhez meghatározzák az inverz polinom egütthatóit. és SVR koordináták átszámítása gömbi segédkoordinátákká: = ; = π 0 ϕ' Rm = arctg e λ ' =, R m0 majd ezek segítségével a gömbi koordináták számítása: ϕ = arcsin( sinϕ' cosϕ0 sinϕ 0cosϕ' cosλ' ) cosϕ' sin λ' λ = arcsin, cosϕ z utolsó feladat az új Gauss-gömbről áttérni a WGS-84 ellipszoidi Φ,Λ koordinátákra. z ellipszoidi hosszúság, Λ meghatározása egszerű: λ Λ = Λ 0 n z ellipszoidi hosszúság, Φ meghatározása viszont csak iterációval történhet. z első iterációs lépés meghatározása: Φ 1 π ϕ tg 4 = arctg k majd ennek segítségével: 1 n π 10
11 Error! Stle not defined. Φ i 1 π Φ i tg 4 = arctg 1 e sin Φ i k 1 sin e Φ i ne 1 n π z iterációt addig kell foltatni, amíg a Φ i és Φ i1 közötti különbség a kívánt pontosságú lesz. z íg kapott Φ,Λ értékeket át kell váltani radiánból fok-perc-másodperc értékre. 4. Polinomos transzformáció segédvetületi rendszer nélkül z előző számítás meglehetősen nehézkes. Először a segédvetületi rendszerre kell átszámolni a koordinátákat bonolult képletekkel, és csak utána határozzák meg a transzformációs polinom egütthatóit. z EOV rendszerből WGS- 84 rendszerbe történő átszámítást még körülménesebbé teszi, hog itt iterációs lépéseket is kell alkalmazni. Kíváncsi voltam milen eredméneket lehet elérni, ha kihagjuk a segédvetületi rendszert a számításból, és közvetlenül a WGS-84 ellipszoidi koordinátái és az EOV síkkoordinátái között határozzuk meg a transzformációs polinom egütthatóit. meghatározandó egenletek a következők: Φ = F(, ), = F 1 ( ϕ, λ) Λ megoldás során kétféleképpen is eljárhatunk. Először kiegenlítéssel meghatározunk közelítő polinomot az egik iránú transzformációra, és utána meghatározzuk az inverz függvén értékét, ezt eg nemlineáris egenletrendszer numerikus megoldásával kapjuk. Vag a másik iránú transzformációra is előállítunk közelítő polinomot, függetlenül az elsőtől. Én ez utóbbi megoldást választottam. polinom illesztésének nehézségei vannak, az egenletek rosszul kondicionáltsága miatt. z illesztést Mathematica programmal végeztem el. Először eg hagomános illesztési módszerrel próbálkoztam, a beépített Fit függvénnel, amel általános lineáris regresszióra használható. zt az eredmént kaptam, hog másodfokú polinommal való közelítés után hirtelen nag mértékben növekedtek a maradék elentmondások. Kéntelen voltam eg másik módszert a Regress függvént alkalmazni. Ez jobb numerikus stabilitású, különösen magasabb fokszám esetén. 11
12 Error! Stle not defined. 5 Transzformáció neurális hálózatokkal z előzőekben a polinomos transzformáció két lehetséges esetét mutattam be koordináta transzformációra. Most eg viszonlag új eszköznek, a neurális hálózatoknak az alkalmazását szeretném bemutatni uganerre a feladatra. Előbb azonban nézzük át röviden, hog mik is azok a neurális hálózatok és hogan működnek. 5.1 evezetés mesterséges neurális hálózatok a mesterséges intelligencia témakörébe tartoznak. Megalkotásukhoz a biológiai ismeretek bővülése, illetve az idegsejtek működésének a pontosabb megismerése vezetett. nagon egszerű felépítésű idegsejtet tanulmánozva igen érdekesnek tűnik, hog uganazok ill. hasonló sejtek milen sokféle feladatot képesek megoldani különböző hálózatokban. Ennek a számítástechnikai megoldása a neurális hálózat, amel, akárcsak az ember, tanulás útján képes megoldást találni különböző problémákra. Ezek a rendszerek képesek olan feladatokat megoldani, amelek nem algoritmizálhatóak bonolultságuk miatt, ill. bizonos feladatokra sokkal gorsabban, hatékonabban képesek megoldást találni. Megoldhatóak velük pl. olan feladatok is, ameleknél nem ismerjük a kapcsolatot a bemenő és a kimenő adatok között csak sejtjük, hog van valami összefüggés. Jellegzetes felhasználási területei pl. a szöveg-, beszéd- és hangfelismerés és optimalizálási feladatok. Már több geodéziai célú alkalmazás is készült, pl. térbeli derékszögű koordináta-transzformáció meghatározására (arsi 1999), osztálozási feladatra (arsi, 1997), magasságok meghatározására (Veres 00), és készült vizsgálat a neurális hálózatok térinformatikai (GIS) függvénként történő alkalmazására is (Sárköz, 1998). Igen fontos jellegzetessége ezeknek a hálózatoknak az approimációs vag leképzést közelítő tulajdonság. Ennek segítségével bármilen foltonos függvént közelíthetünk velük ill. meghatározhatunk összetartozó be és kimeneti értékek (tanuló adatok) alapján ismeretlen leképzési függvéneket pl. a legkisebb négzetek módszerét alkalmazva. Ezt a tulajdonságát lehet felhasználni a koordinátatranszformációk meghatározása során is. feladat megoldásához a Mathematica szoftvert ill. az ehhez tartozó neurális hálózatok kiegészítő modult használtam. Jelenleg több szoftver felhasználásával is lehet ilen rendszereket készíteni. Mathematica előne, hog nem csak numerikus, hanem szimbolikus számításra is képes. legtöbb rendszer úg működik, hog meg kell adni a bemenő számadatokat, és a rendszer kiadja az eredmént szám formában, anélkül, hog tudnánk közben pontosan mi is történt a hálózatban (mint eg fekete dobozban). Ezzel szemben a Mathematica-ban a bemenő adatok lehetnek változók is (pl.,) és ilenkor eredménként a leképzés függvénét kapjuk meg (f(,)), amit később máshol is közvetlenül felhasználhatunk. 1
13 Error! Stle not defined. 5. neurális hálózatok felépítése Ezeket a hálózatokat úg lehet elképzelni, mint eg több rétegből álló rendszert, ahol a rétegekben csomópontok, vagis neuronok helezkednek el. Ezek a neurális hálózatok alapelemei. Eg neuron több bemenettel és eg kimenettel rendelkezik. neuron meghatározza a bementi komponensek súlozott összegét és ezen végrehajt valamilen nem lineáris leképzést. Ez utóbbit nevezik aktivációs, transzfer vag aktiváló függvénnek. végeredmén a neuron kimeneti jele. 1 w 1 w s f(s) w n n 3. ábra, Neuron felépítése fenti ábrán a neuron bemeneteit i jelöli, a kimeneti jel pedig. Először a bemeneti jelek súlozott összegei kerülnek meghatározásra: jele: N s = wi i i=0 = w T Majd a nem lineáris leképzés következik, és ezzel előáll a neuron kimeneti = f ( s) = f ( w T ) ahol f(s) az aktivációs függvén. legegszerűbb neuronok lineáris összegzést valósítanak meg, ilenkor nem történik nemlineáris leképzés. Ebben az esetben a neuron kimeneti jele: = s = w T leglénegesebb eltérés a különböző neurális hálózatok között az alkalmazott aktivációs függvén típusa. Erre a célra többféle függvéntípus használata is elterjedt. két legelterjedtebb a szigmoid függvén és a radiál bázisú függvén (RF) használata. 4. ábra, Szigmoid aktivációs függvén 13
14 Error! Stle not defined. 5. ábra RF aktivációs függvén z ún. RF (Radial asis Function =radiál bázisú függvén) hálózatokban elmarad a bemeneti komponensek lineáris összegzése, az összes bemenet közvetlenül az aktivációs függvénbe kerül, mel több bemenet esetén többváltozós függvén lesz. z itt alkalmazott függvéntípus Gauss-féle haranggörbe alakú. kimenet ebben az esetben két paraméter függvéne. z egik a c vektor (vag középpont) és a bemeneti vektor távolsága (u) ill. a másik paraméter a görbe lapultságára/szélességére jellemző σ. neuronok a következő rétegekben helezkednek el: bemeneti réteg, eg vag több rejtett réteg és eg kimeneti réteg. következő ábra eg általános, eg rejtett réteget tartalmazó hálózatot ábrázol. 1 n emeneti réteg Rejtett réteg 1 Kimeneti réteg 6. ábra Neurális hálózat szerkezete 14
15 Error! Stle not defined. bemeneti réteg eltér a többitől, mivel ez nem eg aktív réteg, itt a neuronokban nem történik átalakítás. z ábrán az első aktív réteg a rejtett réteg. Itt megtörténik az előzőekben ismertetett jelátalakítás a neuron típusától függően. kimeneti réteg szintén eg aktív réteg, itt általában csak lineáris összegzés történik, de itt is lehet nemlineáris kimenetet használni. Rejtett rétegből több is lehet, sőt akár el is maradhat. mi mindenképpen része a hálózatnak, az a bemeneti és a kimeneti réteg. z RF hálózat szerkezete kötöttebb ennél, itt uganis csak eg rejtett réteget lehet használni. bemeneti rétegen szoktak még eg konstans bemenetet (eltolást) biztosító plusz neuront is alkalmazni ( 0 ), ezt nevezzük bias -nak. 5.3 hálózatok működése, tervezése neurális hálózatok felépítése után térjünk rá a működésükre. működés két szakaszra bontható, az első a tanulás, a második a megtanult információ előhívása, alkalmazása. z első szakasz eg lassú folamat, amel többnire sok iterációs lépésen keresztül történik, esetleg többszöri inicializálással az optimum elérése érdekében. második szakasz sokkal gorsabb, ennek köszönhető a hálózatok jó alkalmazhatósága. tanulás eg konvergens iteratív eljárás alapján történik, amikor a rendszer meghatározza a legkedvezőbb súlokat, paramétereket a tanító adatok alapján úg, hog a hálózat kimeneti értékei minél jobban közelítsék meg a ténleges kimeneti értékeket. Itt tulajdonképpen eg optimum vag szélsőérték (minimum) meghatározásról van szó, többnire a legkisebb négzetek módszere alapján, mivel a tanító adatok száma általában jóval meghaladja az ismeretlen paraméterek számát (regresszió). hálózat tanulása nagmértékben függ a súlok kezdeti értékétől. tanítás iterációs lépései során az aktuális súlokat valamilen korrekcióval módosítják, a megfigelt hálózati hibák alapján. Ez a folamat addig tart, amíg a hálózat elér eg hiba minimumot. Ekkor befejeződik a tanítás. Mivel itt eg minimum kereséséről van szó, ezért érdemes a többszöri inicializálás és újra tanítás, mert lehetséges, hog eg másik kezdeti súlfelvétel után jobb eredmént ér el a hálózat. leggakrabban alkalmazott tanítási algoritmus az ún. backpropagation (hibavisszaterjesztéses) algoritmus és ennek különböző változatai. z alkalmazott aktivációs függvén itt leggakrabban a szigmoid függvén, de lehet használni a tangens hiperbolikusz függvént is. Eg másik tanulási algoritmust használnak az RF (radiál bázisú) hálózatokban. Ennek az előne, hog kevesebb iterációra van szükség a tanulás során, íg lénegesen gorsabb a folamat. neurális hálózatok tervezése több lépésben történik. 1) Hálózat szerkezetének megtervezése (rétegszám, neuronok száma, aktivációs függvén típusának megválasztása) ) Tanító és tesztpontok kiválasztása 3) Hálózat tanítása 4) Tesztelés 15
16 Error! Stle not defined. hálózat szerkezetének jó kialakítása fontos feladat, mert később a tanulás során a rendszer ezt nem változtatja, csak a neuronokhoz tartozó súlokat, paramétereket módosítja. Tehát tulajdonképpen eg általunk meghatározott modellt próbál meg minél jobban illeszteni eg adott feladathoz. Ám arra, hog mekkora (hán rétegből és rétegenként hán neuronból álló) hálózatot válasszunk, hogan vegük fel a kezdeti súlokat és válasszuk ki a tanító és tesztpontokat jelenleg nincs egértelmű szabál. Ezekre leginkább csak tapasztalati válasz adható. z adott feladat igéneit legjobban kielégítő hálózati szerkezetet kétféle módon határozhatjuk meg. Ki lehet indulni eg nagobb hálózatból, amiről bizonos tapasztalatok alapján tudjuk hog elegendő lesz, és ezután csökkentjük a neuronszámot amennire lehet. Vag megpróbálhatjuk kisebb hálózattal megoldani a feladatot, és ha ez nem meg, akkor növelni a neuronszámot. Szerintem először érdemes kisebb neuronszámmal próbálkozni, mert túl sok neuron esetében nagon nag lesz a memória igén és a számítások is lassúak lesznek, sőt fennáll a hálózatok túltanulásának a veszéle. Ha a felvett hálózat nem képes megfelelő pontossággal megtanulni az adott problémát, akkor érdemes próbálkozni a neuronok számának a növelésével. Törekedni kell a lehető legnagobb pontosságra, a lehető legegszerűbb hálózatszerkezet mellett. 5.4 Túltanulás Eg neurális hálózattól azt várjuk el, hog ne csak a tanítópontokban, hanem a tanítópontok között is jó közelítést adjon. tanítópontok mellett ezért szükség van tesztpontokra is, hog minősíteni tudjuk a hálózatokat. tesztpontok olan pontok, meleket nem használtunk fel a tanítás során, de ismertek az összetartozó be és kimeneti értékeik. Megfelelően sok neuron felvétele esetén a neurális hálózatok alkalmasak interpolációra, vagis tökéletesen meg tudják tanulni a tanítópontok adatait. Ha nincsenek tesztpontjaink az ellenőrzéshez, akkor viszont können túltaníthatjuk a hálózatot. túltanítás azt jelenti, hog míg a tanítópontok hibája egre csökken, addig a tesztpontok hibája egre nagobb lesz, a hálózat túlzottan illeszkedik a tanítópontokra. Ezt úg lehet elképzelni, mint polinomos regressziónál, ha kevés pontra illesztünk nag fokszámú polinomot. Kimenet Túlzott illeszkedés Tanítópontok emenet 7. ábra Túltanulás 16
17 Error! Stle not defined. 5.5 Transzformációra alkalmazott hálózatok transzformáció során két-két koordináta között kell kapcsolatot teremteni. z egik rendszerbeli, koordinátákat kell áttranszformálni a másik rendszerbeli Φ,Λ értékekké. z oda vissza transzformáció megoldható olan hálózattal, ahol két bemenet és két kimenet van, illetve készíthetünk 4 hálózatot külön-külön mind a 4 koordinátára (,,Φ,Λ) két bemenettel és eg kimenettel. Én ez utóbbit alkalmaztam. Eg kimenettel sokkal egszerűbb a hálózatok felépítése, kevesebb neuron szükséges uganakkora pontossághoz. Két bemenetet két kimenettel, akkor célszerű alkalmazni, amikor keresztkapcsolatok is vannak az adatok között, pl. ha függne -től, de jelen esetben ez nem áll fenn. z alkalmazott hálózatok eg bemeneti rétegből, eg rejtett rétegből és eg kimeneti rétegből álltak. Fontos kérdés az alkalmazott aktivációs függvén típusa és a neuronszám. z alkalmazott neuronok számát itt is szisztematikus próbálgatással lehet meghatározni. Kétféle hálózatot is kipróbáltam a transzformációra. z első eg RF hálózat volt, a másik eg backpropagation hálózat szigmoid aktivációs függvénnel. Mindkét hálózatnál a kimeneti rétegben lineáris összegzést megvalósító neuront alkalmaztam. meghatározandó paraméterek száma (p) a rejtett rétegbeli neuronok számától függ. RF hálózatnál ez a következőképpen alakul n neuronszám esetén: p=4n3. zaz neurononként 4 paraméter plusz 3 (eg az eltolásérték vag bias, kettő pedig a kimenetben alkalmazott lineáris tagból /ab/). backpropagation hálózatnál uganez: p=4n1. Itt uganis nincs lineáris kimeneti tag, csak a neurononkénti 4 paraméter plusz a bias értéke. Nézzük most meg a különböző transzformációk eredméneit. Először ismertetem a korábban meghatározott transzformációk eredméneit a 43 azonos pont alapján, majd az új vizsgálatok eredméneit az 1153 azonos pont alapján elkészített transzformációkra. 17
18 Error! Stle not defined. 6 Transzformáció 43 azonos pont alapján 6.1 közelítés minősítésének kérdése különböző módszerek összehasonlításánál felmerül a minősítés kérdése, az hog hogan tudjuk eldönteni, hog eg módszer jónak tekinthető e. zt szeretnénk elérni, hog az előállított függvén ne csak a felhasznált azonos pontokban adjon jó közelítést, hanem az adott területen belül minden pontban. Ezt valahogan ellenőrizni kell. Ennek egik lehetséges módszere az, hog a rendelkezésre álló adatok eg részét használjuk fel a függvének előállítására és a további adatokat pedig ellenőrzésre. hhoz, hog elegendő tanító és tesztpontot válasszunk ki, megfelelő menniségű adat szükséges. 43 azonos pont Magarország egész területén ehhez nem elegendő (enni ponrból álló adatbázis állt rendelkezésemre, amikor elkezdetem a vizsgálataimat). Ha jó közelítést akarunk elérni, akkor mindet bele kell vonnunk a kiegenlítésbe. transzformációs függvének megfelelőségének eldöntésére két módszer áll rendelkezésünkre. z egik természetesen az, hog a függvén a felhasznált azonos pontok koordinátáit milen pontossággal állítja elő az egik rendszerből a másikba történő transzformáció során. Ez persze arra még nem jelent biztosítékot, hog a transzformáció az azonos pontok között is jól működik. Tesztpontok híján eg lehetőségünk van ennek a vizsgálatára. Ha mind a két iránban jól működik a transzformáció, akkor az oda-vissza transzformációnak is jól kell közelítenie a kiindulási adatokat. Ezt úg próbálhatjuk ki, hog tetszőlegesen felveszünk pontokat az egik koordináta rendszerben (az azonos pontok közötti területen), a transzformációs egenletekkel átszámítjuk a másik koordináta rendszerbe, majd elvégezzük ezekkel a pontokkal a visszafelé transzformációt is. Ezek után összehasonlítjuk a kiindulási adatokkal, ameleket megfelelő pontossággal kell közelíteniük. Ez persze csak a transzformáció megfelelőségének a szükséges, de nem elégséges feltétele, hiszen lehet hog mindkét iránban hibás a transzformáció, de oda-vissza esetben a hibák kiejtik egmást. Ha viszont az odavissza transzformáció nagon nag hibákat eredménezett, akkor biztos, hog nem működik megfelelően egik iránban sem az átszámítás. Én ezen két ellenőrzési lehetőséget fogom a következőkben elvégezni minden módszer vizsgálatánál. 6. Polinomos transzformációk polinomos transzformációt kétféle módszerrel végeztem. z egik a VETULET szoftver segítségével készült (a 3.1. fejezetben leírtaknak megfelelően), segédvetületi rendszer (SVR) közbeiktatásával, a másikat én határoztam meg a 18
19 Error! Stle not defined. Mathematica szoftver segítségével (3. fejezet szerint), segédvetületi rendszer közbeiktatása nélkül. Először nézzük meg a transzformációk után kapott maradék eltérések mértékét mindkét közelítési módszernél, a legnagobb, legkisebb értéket és a középhibát vag szórást, az EOV koordinátáknál m-ben, a WGS-84-nél pedig másodpercben. Polinomos transzformáció segéd vetületi rendszer alkalmazásával σ (szórás) Pozitív hiba maimum Negatív hiba maimum m 0,058 m m m 0,076 m m Φ , Λ 0,0017 0,0040-0,0031 Polinomos transzformáció segéd vetületi rendszer nélkül σ (szórás) Pozitív hiba maimum Negatív hiba maimum m 0,058 m m m 0,074 m m Φ , Λ 0,0018 0,0044-0,009 Ezek az eltérések alacsonak (3-4 cm a középhiba), a közelítés elég jó. Ha a két módszer eredméneit összehasonlítjuk, akkor látszik, hog uganolan mértékű eltérések adódtak, a kettő közötti különbség minimális. Ha egenként vizsgáljuk meg a 43 azonos pontra az eltéréseket, akkor a két módszer eredménei között maimum 1- mm eltérést találunk. másik ellenőrzési lehetőség az adott területen belül tetszőlegesen kiválasztott pontok oda-vissza transzformációja közötti eltérések vizsgálata. Ehhez felvettem véletlenszerűen több mint 1000 EOV pontot és ezt transzformáltam át WGS-84-be, majd vissza a korábban meghatározott transzformációs képletekkel. Ennek az eltérései a következők lettek: Oda-vissza transzformáció eltérései SVR-rel σ (szórás) Pozitív hiba maimum Negatív hiba maimum 0,007 m 0,01 m m 0,009 m 0,01 m -0,019 m 19
20 Error! Stle not defined. Oda-vissza transzformáció eltérései SVR nélkül σ (szórás) Pozitív hiba maimum Negatív hiba maimum 0,003 m 0,01 m m 0,00 m 0,01 m -0,007 m z oda-vissza transzformáció eltérései nagon kicsik lettek, tehát valószínűleg ez a közelítés elfogadható, nem csak az azonos pontokban, hanem a pontok között is. Ha összehasonlítjuk a segédvetületi rendszer alkalmazásával készült transzformációt a másikkal, akkor azt tapasztaljuk, hog második esetben az eltérések még kisebbek lettek. z koordináta esetében a középhiba lecsökkent 7 mm-ről 3-ra, esetében pedig 9 mm-ről -re. Ez azt a feltételezést látszik alátámasztani, hog a segédvetületi rendszer nugodtan elhagható, és íg jelentős mértékben egszerűsíteni lehet a számításokat. 6.3 Transzformáció neurális hálózatokkal Vizsgáljuk most meg a koordináta transzformációt neurális hálózatokkal. korábbi vizsgálataim során két különböző típusú hálózatot is kipróbáltam a feladat megoldására. z egik eg backpropagation(pn) hálózat volt, szigmoid aktivációs függvénnel, a másik eg RF (radiál bázisú) hálózat. Mindkét esetben eltérő neuronszámú hálózatokat is kipróbáltam, fokozatosan növelve a neuronok számát. 43 adat esetében viszonlag hamar (10 neuron után), a felhasznált szoftver figelmeztetett, hog a hálózatban több a meghatározandó paraméter, mint a rendelkezésre álló adat. Ennek ellenére tovább lehet növelni a neuronszámot, de a megoldás bizontalan lesz, és felmerülhet a túltanulás problémája. tanulás akkor a legeredménesebb, ha a be és kimenő adatokat skálázzuk, vag normalizáljuk. Erre is többféle módszer létezik, és én is többet kipróbáltam, a leghatékonabb az a lineáris skálázási eljárás volt, amikor a skálázandó értékből kivontam az eredeti adatok középértékét, és ezt elosztottam az adatok szórásával. X X =, σ ahol X az eredeti érték, a skálázott érték, X az eredeti adatok átlagértéke, σ pedig a szórása. Ezeket az eljárásokat és hálózatokat most nem kívánom hosszasan részletezni, akit érdekel elolvashatja a diplomamunkámban (Zaletnik 003). Itt most csak azt a hálózatot mutatnám be, amelik legjobban megtanulta az azonos pontok adatait. Ez a hálózat a backpropagation(pn) hálózat volt, szigmoid aktivációs függvénnel. 0
21 Error! Stle not defined. Ez a hálózat neuron alkalmazása esetén már tökéletesen képes volt megtanulni a 43 azonos pont adatait, erre a 43 pontra tökéletesen működött a transzformáció, a maimális eltérések jóval mm alattiak voltak. zonban igen érdekes eredmént kaptam, ha a másik ellenőrzési lehetőséget, az oda-vissza transzformáció eltéréseit vizsgáltam az 1000 pontra. Oda-vissza transzformáció PN hálóval neuronnal σ (szórás) Pozitív hiba maimum Negatív hiba maimum 431,955 m 1997,18 m -5607,8 m 1036,85 m 398,01 m -4880,83 m z oda-vissza transzformáció több ezer méteres eltérései eléggé riasztóak. Ez csak egféleképpen magarázható, a korábban már ismertetett túltanulással. Ez az a jelenség, amikor már túlzottan illeszkedik a felület a tanuló adatokra, viszont a tanító pontok közötti tesztpontokban már túl nag mértékűek a hibák. Erre nagon oda kell figelni, ezért szükséges mindig tesztpontokkal ellenőrizni a hálózatot. Sajnos nekünk a túl kevés adat miatt csak az oda-vissza transzformáció maradt ellenőrzési lehetőségként, a tetszőlegesen felvett pontokban. fentiek alapján egértelmű, hog nem szabad addig elmenni a neuron szám növelésében, amikor már több a meghatározandó paraméterek száma, mint a rendelkezésre álló adatmenniség. Nézzük még meg azokat az eredméneket, amikor még nem léptük túl a meghatározandó paraméterek számával a tanuló adatok számát. Ezt a határt 10 neuron esetében érjük el. transzformációk után kapott maradék eltérések a tanulópontokban 10 neuron esetében: Transzformáció PN hálóval 10 neuronnal σ (szórás) Pozitív hiba Negatív hiba maimum maimum m 0,010 m m m 0,007 m m Φ , Λ 0,0003 0,0009-0,0008 Ezek nagon jó eredmének, EOV koordináták esetében a középhiba 3 mm, WGS-84 esetében pedig 0,0003. Nézzük meg, hog e hálózat általánosító képessége uganilen jó-e, mint a tanulópontokra kapott eredmének. Vizsgáljuk meg, hogan működik a hálózat a tesztpontokban oda-vissza transzformáláskor. 1
22 Error! Stle not defined. Oda-vissza transzformáció PN hálóval 10 neuronnal σ (szórás) Pozitív hiba maimum Negatív hiba maimum 0,098 m 0,86 m -0,38 m 0,456 m 5,08 m -,1 m Úg tűnik, hog hiába a jó eredmének a tanulópontoknál és a 10 neuronos határ betartása, a tesztpontokban ez a hálózat is elég megbízhatatlanul, pontatlanul működik, szemben a polinomos transzformációval. Ismét csak szembesülnünk kellett a túltanítás problémájával, a kevés adatnak köszönhetően. Ez nem azt jelenti, hog neurális hálózatokat nem lehet alkalmazni koordináta transzformációra és, hog ne tudnák elérni uganazt a pontosságot, mint a polinomos közelítés esetében, csak azt, hog több tanító adatra van szükségünk. Sőt a korábbi tapasztalataim alapján megfelelő menniségű adat esetén sokkal jobban lehet alkalmazni a neurális hálózatokat approimációra, mint a polinomokat. polinomos közelítés esetében uganis a polinom fokszámát eg ideig lehet növelni az eredmének javítása érdekében, de ez viszonlag hamar elakad, az egenletrendszer egütthatómátriának rosszul kondicionáltsága miatt. Nézzük meg mi történik ha az 1153 azonos pontból álló adatbázist használjuk a koordináta-transzformáció végrehajtásához.
23 Error! Stle not defined. 7 Transzformáció 1153 azonos pont alapján 7.1 z adatok minőségének vizsgálata z eddigiekben eg nagon kevés adatot tartalmazó adatbázist használtam fel a koordináta transzformáció meghatározásához, ahol nem állt rendelkezésre elegendő adat ahhoz, hog az adatok eg részét a neurális hálózatokkal végzett transzformációnál tanításra, eg másik részét pedig tesztelésre használjam fel azonos pontnál azonban már nincs ilen megszorítás. Nincs szükség az oda-vissza transzformáció eltéréseinek a vizsgálatára. z adatok eg részét (a kétharmadát) a neurális hálózatok tanítására használtam fel a maradék egharmadot pedig tesztelésre. z 1153 pontból álló adatbázis bővült még néhán ponttal, ami a másik 43 pontból álló adatbázisban benne volt, de ebből hiánzott (sok azonos pont is volt). polinomos közelítésnél a transzformációs függvének meghatározásához felhasználtam az összes adatot. Itt azonban eg újabb probléma merült fel, méghozzá az adatok minőségével kapcsolatban. transzformáció után úg tűnt, hog az adatok eg jó része durva hibával terhelt. Ez azoknál a pontoknál tűnt egértelműnek, ahol pl. az adott pont közelében a transzformáció jól működött, csak eg-eg pontban volt kiugróan magas az érték. Nézzünk erre eg példát: 8. ábra Hibás pont fenti ábrán például a es pontban a transzformáció utáni maradék ellentmondás 30 cm körül mozog, míg a körnezetében levő pontokban az eltérés csak néhán centiméter. Szinte biztos, hog ez a pont durva hibás. Ez nem egedi eset volt. Ezeket a pontokat igekeztem kihagni a számításból. Ezt sem lehetett azonban mindenütt megtenni. izonos pontokat benne hagtam a számításban, amelek valószínűleg durva hibásak, de ha ezeket is kiveszem, akkor nem maradt volna adat az adott területen. z eredeti adatbázisból 3
24 Error! Stle not defined. végül csak 111 pontot használtam fel a számításhoz. Célszerű lenne ezeket a valószínűleg hibás pontokat megvizsgálni és esetleg újramérni őket. tanuló és tesztpontok elhelezkedése a következő volt: 9. ábra Tanító pontok elhelezkedése 10. ábra Tesztpontok elhelezkedése 4
25 Error! Stle not defined. 7. Polinomos transzformációk Ennél az adatbázisnál is elvégeztem a polinomos transzformációt a korábbi két módszerrel. Segédvetületi rendszer közbeiktatásával a VETULET szoftverrel, ill. a segédvetületi rendszer nélkül. WGS-84 EOV koordináta transzformációk utáni maradék ellentmondások a következők lettek (,, vízszintes = ( ) ). Polinomos transzformáció segéd vetületi rendszer alkalmazásával σ (szórás) Pozitív hiba maimum Negatív hiba maimum m 0,06 m m m 0,151 m m vizszintes m 0,55 m Polinomos transzformáció segéd vetületi rendszer nélkül σ (szórás) Pozitív hiba maimum Negatív hiba maimum m 0,05 m m m 0,15 m m vízszintes m 0,55 m kétféle polinomos transzformáció között az eltérés minimális. Ha pontonként nézzük az eltéréseket, akkor látszik, hog a kétféle számítás között az eges pontokban is csak néhán milliméter a különbség (maimálisan fél centiméter). Miután ennire csekél eltérés mutatkozik a kétféle polinomos transzformáció között, ki lehet jelenteni, hog a segédvetületi rendszer nugodtan elhagható, ez a transzformáció pontosságát nem befolásolja, viszont a számításokat lénegesen leegszerűsíti. vízszintes hibák eloszlása a következő: 5
26 Error! Stle not defined. 11. ábra Maradék ellentmondások eloszlása polinomos transzformáció esetén 7.3 Transzformáció neurális hálózatokkal z 1153 pontból álló adatbázisnál is kétféle neurális hálózatot vizsgáltam meg. kárcsak az előzőekben az egik eg backpropagation(pn) hálózat volt, szigmoid aktivációs függvénnel, a másik pedig eg RF (radiál bázisú) hálózat. Mindkét esetben fokozatosan növeltem a neuronszámot. Itt nem okozott problémát az adatok szűkös volta. Növelhettem volna nagon sokáig a neuronszámot, azonban itt is van eg határ, ahol célszerű megállni. Eg idő után túl bonolult hálózatot kapunk, és a tanulási idő szükséglete a neuronszám növelésével a többszörösére nő, uganakkor a rendszer pontossága eg idő után már nem nő tovább aránosan, és a tanítás túl lassúvá, gazdaságtalanná válik. tanítás eredménessége érdekében most is alkalmaztam a korábban már ismertetett skálázást a be és kimenő adatokra. Nem akarom itt most felsorolni az összes megvizsgált hálózat eredménét. legjobb eredmént a szigmoid aktivációs függvént használó backpropagation hálózattal sikerült elérni, 30 neuron alkalmazásával. Enni adatnál már nem okozott problémát a túltanulás. tesztelés eredméne bizonítja, hog a hálózatnak jó az általánosító képessége, és nem csak a tanítópontokban ad jó eredmént, hanem azok között is. Ha a maradék eltéréseket az összes adatra vizsgáljuk, akkor a következő eredméneket kapjuk: 6
27 Error! Stle not defined. ackpropagation hálózat szigmoid aktivációs függvénnel, 30 neuron alkalmazásával σ (szórás) Pozitív hiba maimum Negatív hiba maimum m 0,130 m m m 0,16 m m vizszintes 0.03 m 0,165 m Ezek az eredmének lénegesen jobbak a polinomos transzformációval kapott eredméneknél. szórás több mint eg cm-rel javult, a vízszintes maimális hibák pedig 9 cm-rel javultak (5,5 cm-ről 16,5 cm-re csökkentek). z eredmének igazolják azt a feltételezést, hog a neurális hálózatok bizonos adatmenniség után már jobban használhatóak approimációkra, mint a polinomok. vízszintes hibák eloszlása a következő: 1. ábra Maradék ellentmondások eloszlása neurális hálózattal történő transzformáció esetén fenti ábrát összevetve az előzővel, látszik, hog ez sokkal laposabb, kevésbé heges-völges az eltérések eloszlása. javulás mértékét azonban jobban látjuk, ha összevetjük a kétféle transzformáció utáni maradék ellentmondások szintvonalas térképeit. 7
28 Error! Stle not defined. 13. ábra Polinomos transzformáció eltéréseinek szintvonalas térképe 14. ábra Neurális hálózatokkal történő transzformáció eltéréseinek szintvonalas térképe Ezeken a szintvonalas térképeken sárgával jelöltem az 5 cm alatti vízszintes eltéréseket, zölddel az 5-10 cm közöttieket, és barnával a 10 cm felettieket. Látszik, hog a neurális hálózatoknál már alig található eg-két barna színű terület, míg a polinomos transzformáció esetében ezek még igen jelentősek. z is leolvasható a térképekről, hog a legnagobb eltérések a hegvidéken, pontosabban az Északi-középhegségben találhatóak. 8
29 Error! Stle not defined. 8 Összefoglalás dolgozatomban igekeztem megvizsgálni eg új informatikai eszköznek, a neurális hálózatoknak az alkalmazhatóságát a WGS-84 EOV koordináta transzformációra, és összehasonlítottam ezeket a hagomános polinomos transzformációval. vizsgálataim során használt eltérő méretű adatbázisok rávilágítottak a neurális hálózatoknak eg igen veszéles hibaforrására, a túltanulásra. Sokan úg emlegetik a neurális hálózatokat, mint eg univerzális eszközt, amivel szinte minden feladat megoldható. Ez sok esetben ténleg íg van, viszont a kapott eredméneim azt mutatják, hog nem szabad gondolkodás nélkül, minden esetben a neurális hálózatokat elővenni, hanem sokszor jobban lehet használni a hagomános módszereket. közelítési feladat megoldása során meg kell határozni a kívánt pontosságot, és vizsgálni kell a rendelkezésre álló adatok menniségét, és ezek alapján lehet kiválasztani a legjobb megoldási módszert. Kevesebb adat esetében célravezetőbb lehet a polinomos közelítést alkalmazni, míg több adat esetében jobban működhetnek a neurális hálózatok. Itt említeném még meg, hog a közelítést tovább lehetne valószínűleg pontosítani neurális hálózat sorozattal, ami eg korábbi feladatnál, a magarországi geoidfelület közelítésénél már bevált (Paláncz, Völgesi 00, Zaletnik 00). Jelen dolgozat kereteibe ez a vizsgálat sajnos már nem fért bele. neurális hálózatok legfőbb előne tehát abban rejlik, hog igen nagszámú adat esetén jól használhatóak függvén approimációra, amikor a polinomokkal való közelítés már nem működik a rosszul kondicionáltság miatt. Ezért úg gondolom, hog ezt az eszközt a közeljövőben egre több feladatnál fogják alkalmazni a geodéziában, térinformatikában. Érdemes foglalkozni vele. 9
30 Irodalom 1. arsi Árpád (1999): Koordináta-transzformáció megoldása neurális hálózatokkal, Geodézia és Kartográfia, udapest, LI, No arsi Árpád (1997): Landsat-felvétel tematikus osztálozása neurális hálózattal. Geodézia és Kartográfia, 1997/4, pp író Péter (1996): Felsőgeodézia, Műegetemi Kiadó, udapest 4. Detrekői Ákos (1991): Kiegenlítő számítások, Tankönvkiadó, udapest 5. Horváth Gábor (1995): Neurális hálózatok és műszaki alkalmazásaik, Műegetemi Kiadó, udapest 6. Krauter ndrás (1995): Geodézia, Műegetemi Kiadó, udapest 7. Paláncz,.-Völgesi, L (00): High accurac data representation via sequence of neural networks, megjelenés alatt 8. Paláncz éla (003): Neurális hálózatok a Mathematica felhasználásával, 9. Sárköz Ferenc(1998): Mesterséges neurális hálózatok mint GIS függvének Scarselli, Franco-h Chung Tsoi (1998): Universal pproimation Using Feedforward Neural Networks: Surve of Some Eisting Methods, and some New Results, Neural Networks, Vol. 11, No. 1, pp , Elsevier Science Ltd., Great ritain 11. Varga József (1997): Vetülettan, Műegetemi Kiadó, udapest 1. Veres Gábor (00): RF neurális hálózat alkalmazása magasság meghatározására, Geodézia és Kartográfia, udapest LIV. No Vetületi szabálzat az egséges országos vetületi rendszer alkalmazására (1975), udapest, MÉM Országos Földügi és Térképészeti Hivatal 14. Völgesi Lajos-Tóth Gula-Varga József (001): Magarországi vetületi rendszerek közötti átszámítások, a VETULET program leírása, leírás elektronikus verziója megtalálható a internet címen 15. Wickham-Jones, Tom (1994): Mathematica Graphics, Springer-Verlag, New York 16. Zaletnik Piroska (00): Magarországi geoidfelület közelítése neurális hálózatokkal, ME Építőmérnöki Kar, Tudomános Diákköri Konferencia Zaletnik Piroska (003): Neurális hálózatok alkalmazása a geodéziában, ME Építőmérnöki Kar, Általános és Felsőgeodézia Tanszék, Diplomamunka 30
DIPLOMATERV. Neurális hálózatok alkalmazása a geodéziában. Zaletnyik Piroska
Budapesti Műszaki és Gazdaságtudománi Egetem Építőmérnöki Kar Általános és Felsőgeodézia Tanszék DIPLOMATERV Neurális hálózatok alkalmazása a geodéziában Készítette: Zaletnik Piroska földmérő- és térinformatika
VETÜLETI ÁTSZÁMÍTÁSOK AUSZTRIA ÉS MAGYARORSZÁG KÖZÖTT GPS ALKALMAZÁSÁVAL
VETÜLETI ÁTSZÁMÍTÁSOK AUSZTRIA ÉS MAGYARORSZÁG KÖZÖTT GPS ALKALMAZÁSÁVAL Dr.Völgyesi Lajos, a Budapesti Műszaki és Gazdaságtudományi Egyetem Általános és Felsőgeodézia Tanszékének egyetemi docense Dr.Varga
Korszerű geodéziai adatfeldolgozás Kulcsár Attila
Korszerű geodéziai adatfeldolgozás Kulcsár Attila Nyugat-Magyarországi Egyetem Geoinformatikai Főiskolai Kar Térinformatika Tanszék 8000 Székesfehérvár, Pirosalma -3 Tel/fax: (22) 348 27 E-mail: a.kulcsar@geo.info.hu.
13. előadás: Vetületi átszámítások
13. előadás: Vetületi átszámítások 13. előadás: Vetületi átszámítások Magarországon a geodéziai alapok többszöri (általában indokolt) megváltoztatása az alkalmazott vetületi rendszerek sokféleségét eredménezte.
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉPSZINT Függvények
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK KÖZÉPSZINT Függvények A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett feladatrészek megoldásához!
Párhuzamos programozás
Párhuzamos programozás Rendezések Készítette: Györkő Péter EHA: GYPMABT.ELTE Nappali tagozat Programtervező matematikus szak Budapest, 2009 május 9. Bevezetés A számítástechnikában felmerülő problémák
Analízis előadások. Vajda István. 2013. február 10. Neumann János Informatika Kar Óbudai Egyetem
Analízis előadások Vajda István Neumann János Informatika Kar Óbudai Egyetem 013. február 10. Vajda István (Óbudai Egyetem) Analízis előadások 013. február 10. 1 / 3 Az elemi függvények csoportosítása
Épületvillamosság laboratórium. Villámvédelemi felfogó-rendszer hatásosságának vizsgálata
Budapesti Műszaki és Gazdaságtudományi Egyetem Villamos Energetika Tanszék Nagyfeszültségű Technika és Berendezések Csoport Épületvillamosság laboratórium Villámvédelemi felfogó-rendszer hatásosságának
Mágneses szuszceptibilitás vizsgálata
Mágneses szuszceptibilitás vizsgálata Mérést végezte: Gál Veronika I. A mérés elmélete Az anyagok külső mágnesen tér hatására polarizálódnak. Általában az anyagok mágnesezhetőségét az M mágnesezettség
Azonosító jel: Matematika emelt szint
I. 1. Hatjegyű pozitív egész számokat képezünk úgy, hogy a képzett számban szereplő számjegy annyiszor fordul elő, amekkora a számjegy. Hány ilyen hatjegyű szám képezhető? 11 pont írásbeli vizsga 1012
MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Trigonometria
005-05 MATEMATIKA ÉRETTSÉGI TÍPUSFELADATOK MEGOLDÁSAI KÖZÉPSZINT Trigonometria A szürkített hátterű feladatrészek nem tartoznak az érintett témakörhöz, azonban szolgálhatnak fontos információval az érintett
18. előadás ÁLLANDÓ KÖLTSÉGEK ÉS A KÖLTSÉGGÖRBÉK
18. előadás ÁLLANDÓ KÖLTSÉGEK ÉS A KÖLTSÉGGÖRBÉK Kertesi Gábor Világi Balázs Varian 21. fejezete átdolgozva 18.1 Bevezető A vállalati technológiák sajátosságainak vizsgálatát eg igen fontos elemzési eszköz,
2011. március 9. Dr. Vincze Szilvia
. márius 9. Dr. Vinze Szilvia Tartalomjegyzék.) Elemi bázistranszformáió.) Elemi bázistranszformáió alkalmazásai.) Lineáris függőség/függetlenség meghatározása.) Kompatibilitás vizsgálata.) Mátri/vektorrendszer
Bevezetés a lágy számítás módszereibe
BLSZM-07 p. 1/10 Bevezetés a lágy számítás módszereibe Nem fuzzy halmaz kimenetű fuzzy irányítási rendszerek Egy víztisztító berendezés szabályozását megvalósító modell Viselkedésijósló tervezési példa
MATLAB. 4. gyakorlat. Lineáris egyenletrendszerek, leképezések
MATLAB 4. gyakorlat Lineáris egyenletrendszerek, leképezések Menetrend Kis ZH MATLAB függvények Lineáris egyenletrendszerek Lineáris leképezések Kis ZH pdf MATLAB függvények a szkriptekhez hasonlóan az
A Hozzárendelési feladat megoldása Magyar-módszerrel
A Hozzárendelési feladat megoldása Magyar-módszerrel Virtuális vállalat 2013-2014/1. félév 3. gyakorlat Dr. Kulcsár Gyula A Hozzárendelési feladat Adott meghatározott számú gép és ugyanannyi független
Áramlástechnikai gépek soros és párhuzamos üzeme, grafikus és numerikus megoldási módszerek (13. fejezet)
Áramlástechnikai gépek soros és párhuzamos üzeme, grafikus és numerikus megoldási módszerek (3. fejezet). Egy H I = 70 m - 50000 s /m 5 Q jelleggörbéjű szivattyú a H c = 0 m + 0000 s /m 5 Q jelleggörbéjű
Bár a digitális technológia nagyon sokat fejlődött, van még olyan dolog, amit a digitális fényképezőgépek nem tudnak: minden körülmények között
Dr. Nyári Tibor Bár a digitális technológia nagyon sokat fejlődött, van még olyan dolog, amit a digitális fényképezőgépek nem tudnak: minden körülmények között tökéletes színeket visszaadni. A digitális
A környezettan tantárgy intelligencia fejlesztő lehetőségei
A környezettan tantárgy intelligencia fejlesztő lehetőségei Készítette: Pék Krisztina biológia környezettan szak Belső konzulens: Dr. Schróth Ágnes Külső konzulens: Dr. Széphalmi Ágnes A szakdolgozatom
Beszámoló: a kompetenciamérés eredményének javítását célzó intézkedési tervben foglaltak megvalósításáról. Őcsény, 2015. november 20.
Őcsényi Perczel Mór Általános Iskola székhelye: 7143 Őcsény, Perczel Mór utca 1. Tel: 74/496-782 e-mail: amk.ocseny@altisk-ocseny.sulinet.hu Ikt.sz.: /2015. OM: 036345 Ügyintéző: Ősze Józsefné Ügyintézés
1. Mintapélda, amikor a fenék lekerekítési sugár (Rb) kicsi
1 Mélyhúzott edény teríték méretének meghatározása 1. Mintapélda, amikor a fenék lekerekítési sugár (Rb) kicsi A mélyhúzott edény kiindulási teríték átmérőjének meghatározása a térfogat-állandóság alapján
Jelek tanulmányozása
Jelek tanulmányozása A gyakorlat célja A gyakorlat célja a jelekkel való műveletek megismerése, a MATLAB környezet használata a jelek vizsgálatára. Elméleti bevezető Alapműveletek jelekkel Amplitudó módosítás
Árverés kezelés ECP WEBSHOP BEÉPÜLŐ MODUL ÁRVERÉS KEZELŐ KIEGÉSZÍTÉS. v2.9.28 ECP WEBSHOP V1.8 WEBÁRUHÁZ MODULHOZ
v2.9.28 Árverés kezelés ECP WEBSHOP BEÉPÜLŐ MODUL ÁRVERÉS KEZELŐ KIEGÉSZÍTÉS ECP WEBSHOP V1.8 WEBÁRUHÁZ MODULHOZ AW STUDIO Nyíregyháza, Luther utca 5. 1/5, info@awstudio.hu Árverés létrehozása Az árverésre
www.njszt.hu, www.ecdl.hu Az új modulrendszer tapasztalatai
Az új modulrendszer tapasztalatai Példatár A példatár tartalmazza az összes vizsgafeladatot Nincs nyomtatott formátumú példatár A példatár feladatai modulonként pdf formátumban letölthetőek mindenki számára
Digitális technika (VIMIAA01) Laboratórium 1
BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM VILLAMOSMÉRNÖKI ÉS INFORMATIKAI KAR MÉRÉSTECHNIKA ÉS INFORMÁCIÓS RENDSZEREK TANSZÉK Digitális technika (VIMIAA01) Laboratórium 1 Fehér Béla Raikovich Tamás,
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 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák Szemantikus hálók
Az aktiválódásoknak azonban itt még nincs vége, ugyanis az aktiválódások 30 évenként ismétlődnek!
1 Mindannyiunk életében előfordulnak jelentős évek, amikor is egy-egy esemény hatására a sorsunk új irányt vesz. Bár ezen események többségének ott és akkor kevésbé tulajdonítunk jelentőséget, csak idővel,
GAZDASÁGMATEMATIKA KÖZÉPHALADÓ SZINTEN
GAZDASÁGMATEMATIKA KÖZÉPHALADÓ SZINTEN ELTE TáTK Közgazdaságtudományi Tanszék Gazdaságmatematika középhaladó szinten RACIONÁLIS TÖRTFÜGGVÉNYEK INTEGRÁLJA Készítette: Gábor Szakmai felel s: Gábor Vázlat
Javítóvizsga témakörei matematika tantárgyból
9.osztály Halmazok: - ismerje és használja a halmazok megadásának különböző módjait, a halmaz elemének fogalmát - halmazműveletek : ismerje és alkalmazza gyakorlati és matematikai feladatokban a következő
Differenciál egyenletek (rövid áttekintés) d x 2
Differeniál egenletek (rövid áttekintés) Differeniálegenlet: olan matematikai egenlet, amel eg vag több változós ismeretlen függvén és deriváltjai közötti kasolatot írja le. Fontosabb tíusok: közönséges
Vektoros elemzés végrehajtása QGIS GRASS moduljával 1.7 dr. Siki Zoltán
Vektoros elemzés végrehajtása QGIS GRASS moduljával 1.7 dr. Siki Zoltán Egy mintapéldán keresztül mutatjuk be a GRASS vektoros elemzési műveleteit. Az elemzési mintafeladat során gumipitypang termesztésére
1. forduló. MEGOLDÁSOK Pontszerző Matematikaverseny 2015/2016-os tanév
MEGOLDÁSOK Pontszerző Matematikaverseny 2015/2016-os tanév 1. forduló 1. feladat: Jancsi és Juliska Matematikai Memory-t játszik. A játék lényege, hogy négyzet alakú kártyákra vagy műveletsorokat írnak
Shared IMAP beállítása magyar nyelvű webmailes felületen
Shared IMAP beállítása magyar nyelvű webmailes felületen A következő ismertető segítséget nyújt a szervezeti cím küldőként való beállításában a caesar Webmailes felületén. Ahhoz, hogy a Shared Imaphoz
KOVÁCS BÉLA, MATEMATIKA I.
KOVÁCS BÉLA, MATEmATIkA I 15 XV DIFFERENCIÁLSZÁmÍTÁS 1 DERIVÁLT, deriválás Az f függvény deriváltján az (1) határértéket értjük (feltéve, hogy az létezik és véges) Az függvény deriváltjának jelölései:,,,,,
31 521 09 1000 00 00 Gépi forgácsoló Gépi forgácsoló
Az Országos Képzési Jegyzékről és az Országos Képzési Jegyzékbe történő felvétel és törlés eljárási rendjéről szóló 133/2010. (IV. 22.) Korm. rendelet alapján. Szakképesítés, szakképesítés-elágazás, rész-szakképesítés,
A fiatalok pénzügyi kultúrája Számít-e a gazdasági oktatás?
A fiatalok pénzügyi kultúrája Számít-e a gazdasági oktatás? XXXII. OTDK Konferencia 2015. április 9-11. Készítette: Pintye Alexandra Konzulens: Dr. Kiss Marietta A kultúrától a pénzügyi kultúráig vezető
5. ROBOTOK IRÁNYÍTÓ RENDSZERE. 5.1. Robotok belső adatfeldolgozásának struktúrája
TARTALOM 5. ROBOTOK IRÁNYÍTÓ RENDSZERE... 7 5.. Robotok belső adatfeldolgozásának struktúrája... 7 5.. Koordináta transzformációk... 5... Forgatás... 5... R-P-Y szögek... 5... Homogén transzformációk...
[MECHANIKA- HAJLÍTÁS]
2010. Eötvös Loránd Szakközép és Szakiskola Molnár István [MECHANIKA- HAJLÍTÁS] 1 A hajlításra való méretezést sok helyen lehet használni, sok mechanikai probléma modelljét vissza lehet vezetni a hajlítás
Az alkalmazott matematika tantárgy oktatásának sokszínűsége és módszertanának modernizálása az MSc képzésében
DIMENZIÓK 35 Matematikai Közlemének III. kötet, 5 doi:.3/dim.5.5 Az alkalmazott matematika tantárg oktatásának sokszínűsége és módszertanának modernizálása az MSc képzésében Horváth-Szováti Erika NME EMK
Az informatika oktatás téveszméi
Az informatika oktatás Az informatika definíciója Definíció-1: az informatika az információ keletkezésével, továbbításával, tárolásával, feldolgozásával foglalkozó tudomány. Definíció-2: informatika =
Szerb középszintű szóbeli vizsga értékelési útmutató
Szerb középszintű szóbeli vizsga értékelési útmutató Ez az értékelési eljárás meghatározott értékelési szempontokon, valamint az egyes szempontokhoz tartozó szintleírásokon alapul. Minden feleletet ezen
Három dimenziós barlangtérkép elkészítésének matematikai problémái
Szegedi Tudományegyetem Természettudományi és Informatikai Kar Bolyai Intézet Geometria Tanszék Három dimenziós barlangtérkép elkészítésének matematikai problémái Szakdolgozat Írta: Pásztor Péter Matematika
Egyszerű áramkörök vizsgálata
A kísérlet célkitűzései: Egyszerű áramkörök összeállításának gyakorlása, a mérőműszerek helyes használatának elsajátítása. Eszközszükséglet: Elektromos áramkör készlet (kapcsolótábla, áramköri elemek)
A táblázatkezelő felépítése
A táblázatkezelés A táblázatkezelő felépítése A táblázatkezelő felépítése Címsor: A munkafüzet címét mutatja, és a program nevét, amivel megnyitottam. Menüszalag: A menüsor segítségével használhatjuk az
Minta. A középszintű szóbeli vizsga értékelési útmutatója
A középszintű szóbeli vizsga értékelési útmutatója A szóbeli feladatok értékelése központilag kidolgozott analitikus skálák segítségével történik. Ez az értékelési eljárás meghatározott értékelési szempontokon,
xdsl Optika Kábelnet Mért érték (2012. II. félév): SL24: 79,12% SL72: 98,78%
Minőségi mutatók Kiskereskedelmi mutatók (Internet) Megnevezés: Új hozzáférés létesítési idő Meghatározás: A szolgáltatáshoz létesített új hozzáféréseknek, az esetek 80%ban teljesített határideje. Mérési
BETONACÉLOK HAJLÍTÁSÁHOZ SZÜKSÉGES l\4"yomaték MEGHATÁROZÁSÁNAK EGYSZERŰ MÓDSZERE
BETONACÉLOK HAJLÍTÁSÁHOZ SZÜKSÉGES l\4"yomaték MEGHATÁROZÁSÁNAK EGYSZERŰ MÓDSZERE BACZY"SKI Gábor Budape?ti 1Iűszaki Egyetem, Közlekedésmérnöki Kar Epítő- és Anyagmozgató Gépek Tanszék Körkeresztmetszet{Í
Érettségi feladatok Algoritmusok egydimenziós tömbökkel (vektorokkal) 1/6. Alapműveletek
Érettségi feladatok Algoritmusok egydimenziós tömbökkel (vektorokkal) 1/6 A tömbök deklarálásakor Pascal és C/C++ nyelvekben minden esetben meg kell adni az indexelést (Pascal) vagy az elemszámot (C/C++).
Vizuális- és környezetkultúra tanári szak mesterképzés A VIZUÁLIS- ÉS KÖRNYEZETKULTÚRA TANÁR SZAK BEMUTATÁSA UTOLJÁRA INDÍTVA 2016. 09.01.
kultúra szak mesterképzés A VIZUÁLIS- ÉS KÖRNYEZETKULTÚRA TANÁR SZAK BEMUTATÁSA UTOLJÁRA INDÍTVA 2016. 09.01. Célkitűzések: A képzés célja a Képi ábrázolás alapképzésben (Ba) vagy más, a szaktel kompatibilis
PONTSZÁMÍTÁSI KÉRELEM felsőfokú végzettség alapján (alap- és osztatlan képzésre jelentkezőknek)
PONTSZÁMÍTÁSI KÉRELEM felsőfokú végzettség alapján (alap- és osztatlan képzésre jelentkezőknek) PÉCSI TUDOMÁNYEGYETEM Jelentkezői adatok Jelentkező neve: Felvételi azonosító: Születési dátum: Anyja neve:
HWDEV-02A GSM TERMOSZTÁT
HWDEV-02A GSM TERMOSZTÁT 2010 HASZNÁLATI ÚTMUTATÓ A termosztát egy beépített mobiltelefonnal rendelkezik. Ez fogadja az Ön hívását ha felhívja a termosztát telefonszámát. Érdemes ezt a telefonszámot felírni
A KÖZOP-3.5.0-09-11-2012-0018 projekt rövid bemutatása
A KÖZOP-3.5.0-09-11-2012-0018 projekt rövid bemutatása Rétháti András Célkitűzés: az utóbbi évtizedben számos országban alkalmazott 2+1 / 1+2 sávos keresztmetszetű utak hazai bevezetési lehetőségeinek,
Földrajzi helymeghatározás
A mérés megnevezése, célkitűzései: Földrajzi fokhálózat jelentősége és használata a gyakorlatban Eszközszükséglet: Szükséges anyagok: narancs Szükséges eszközök: GPS készülék, földgömb, földrajz atlasz,
Előgyergyártott konzolos és konzolos támfalas közlekedési vasbeton elemcsaládok a kerékpáros és gyalogos közlekedési területek növelésére
Előgyergyártott konzolos és konzolos támfalas közlekedési vasbeton elemcsaládok a kerékpáros és gyalogos közlekedési területek növelésére Adott esetben hegy- és dombvidéken, vízparton, hídfőknél az egyetlen
Fejlesztı neve: LÉNÁRT ANETT. Tanóra / modul címe: CÉGES REKLÁMBANNER KÉSZÍTÉSE PROJEKTMÓDSZERREL
Fejlesztı neve: LÉNÁRT ANETT Tanóra / modul címe: CÉGES REKLÁMBANNER KÉSZÍTÉSE PROJEKTMÓDSZERREL 1. Az óra tartalma A tanulási téma bemutatása; A téma és a módszer összekapcsolásának indoklása: Az órán
Számítógépes vírusok
A vírus fogalma A számítógépes vírus olyan szoftver, mely képes önmaga megsokszorozására és terjesztésére. A vírus célja általában a számítógép rendeltetésszerű működésének megzavarása, esetleg a gép tönkretétele,
Analízis I. jegyzet. László István. 2008. november 3.
Analízis I. jegzet László István 2008. november 3. Tartalomjegzék 1. Halmazok 5 1.1. Halmaz fogalma............................ 5 1.2. Halmaz megadása........................... 6 1.2.1. Eplicit megadás.......................
Vetületi rendszerek és átszámítások
Vetületi rendszerek és átszámítások PhD értekezés Dr. Varga József Budapesti Műszaki és Gazdaságtudománi Egetem Építőmérnöki Kar Általános- és Felsőgeodézia Tanszék Budapest, 007 Nilatkozat Alulírott Varga
Kooperáció és intelligencia
Kooperáció és intelligencia Tanulás többágenses szervezetekben/2 Tanulás több ágensből álló környezetben -a mozgó cél tanulás problémája (alapvetően megerősítéses tanulás) Legyen az ágens közösség formalizált
TERMÉK AJÁNLÁSA GO GUIDE KÉSZÜLJ FEL
TERMÉK AJÁNLÁSA GO GUIDE BEVEZETÉS TERMÉK AJÁNLÁSA MIRŐL VAN SZÓ, ÉS EZ MIÉRT FONTOS? Ahogy Bowerman is a győzelemhez szükséges előnyt kívánta megadni sportolóinak, a te feladatod sem más, mint hogy olyan
KOMPLEX TERVEZÉS TERVEZÉSI SZAKIRÁNY TARTÓSZERKEZETI FELADATRÉSZ 1. félév
KOMPLEX TERVEZÉS TERVEZÉSI SZAKIRÁNY 1. félév engedélyezési terv szintű dokumentáció tartószerkezeti munkarészének elkészítése folyamatos konzultáció, az első konzultációnak a vázlatterv beadás előtt meg
SÜTIK TÖRLÉSE. Készült: 2015. 08. 08. Módosítva: 2016. 04. 18.
SÜTIK TÖRLÉSE Ez a segédlet azért készült, hogy segítséget nyújtson az ÉTDR-ben esetlegesen bekövetkező, böngésző által eltárolt adatok miatti hibák elhárításához Készült: 2015. 08. 08. Módosítva: 2016.
Arany Dániel Matematikai Tanulóverseny 2011/2012-es tanév első (iskolai) forduló haladók I. kategória
Bolyai János Matematikai Társulat Arany Dániel Matematikai Tanulóverseny 011/01-es tanév első (iskolai) forduló haladók I. kategória Megoldások és javítási útmutató 1. Az ábrán látható ABC derékszögű háromszög
1. Metrótörténet. A feladat folytatása a következő oldalon található. Informatika emelt szint. m2_blaha.jpg, m3_nagyvaradter.jpg és m4_furopajzs.jpg.
1. Metrótörténet A fővárosi metróhálózat a tömegközlekedés gerincét adja. A vonalak építésének története egészen a XIX. század végéig nyúlik vissza. Feladata, hogy készítse el a négy metróvonal történetét
54 345 03 0000 00 00 Munkaerőpiaci szervező, elemző Munkaerőpiaci szervező, elemző 54 345 06 0000 00 00 Személyügyi gazdálkodó és fejlesztő
A 10/2007 (II. 27.) SzMM rendelettel módosított 1/2006 (II. 17.) OM rendelet Országos Képzési Jegyzékről és az Országos Képzési Jegyzékbe történő felvétel és törlés eljárási rendjéről alapján. Szakképesítés,
Házi dolgozat. Minta a házi dolgozat formai és tartalmi követelményeihez. Készítette: (név+osztály) Iskola: (az iskola teljes neve)
Házi dolgozat Minta a házi dolgozat formai és tartalmi követelményeihez Készítette: (név+osztály) Iskola: (az iskola teljes neve) Dátum: (aktuális dátum) Tartalom Itt kezdődik a címbeli anyag érdemi kifejtése...
A mérés célja: Példák a műveleti erősítők lineáris üzemben történő felhasználására, az előadásokon elhangzottak alkalmazása a gyakorlatban.
E II. 6. mérés Műveleti erősítők alkalmazása A mérés célja: Példák a műveleti erősítők lineáris üzemben történő felhasználására, az előadásokon elhangzottak alkalmazása a gyakorlatban. A mérésre való felkészülés
10. OPTIMÁLÁSI LEHETŐSÉGEK A MŰVELET-ELEMEK TERVEZÉSEKOR
10. OPIMÁLÁSI LEHEŐSÉGEK A MŰVELE-ELEMEK ERVEZÉSEKOR A technológiai terezés ezen szintén a fő feladatok a köetkezők: a forgácsolási paraméterek meghatározása, a szerszám mozgásciklusok (üresárati, munkautak)
Szkennelt térkép vektorizálás QGIS programban 1.7.3 verzió Összeállította: dr. Siki Zoltán
Szkennelt térkép vektorizálás QGIS programban 1.7.3 verzió Összeállította: dr. Siki Zoltán Egy szkennelt ingatlan-nyilvántartási térkép részlet vektorizálását mutatjuk be. A munka a további részekre bontható:
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 5 V. BECsLÉsELMÉLET 1. STATIsZTIKAI becslés A becsléselméletben gyakran feltesszük, hogy a megfigyelt mennyiségek független valószínűségi
A döntő feladatai. valós számok!
OKTV 006/007. A döntő feladatai. Legyenek az x ( a + d ) x + ad bc 0 egyenlet gyökei az x és x valós számok! Bizonyítsa be, hogy ekkor az y ( a + d + abc + bcd ) y + ( ad bc) 0 egyenlet gyökei az y x és
http://www.olcsoweboldal.hu ingyenes tanulmány GOOGLE INSIGHTS FOR SEARCH
2008. augusztus 5-én elindult a Google Insights for Search, ami betekintést nyújt a keresőt használók tömegeinek lelkivilágába, és időben-térben szemlélteti is, amit tud róluk. Az alapja a Google Trends,
Növelhető-e a hazai szélerőmű kapacitás energiatárolás alkalmazása esetén?
Növelhető-e a hazai szélerőmű kapacitás energiatárolás alkalmazása esetén? Okos hálózatok, okos mérés konferencia Magyar Regula 2012 2012. március 21. Hartmann Bálint, Dr. Dán András Villamos Energetika
A TŰZVÉDELMI TERVEZÉS FOLYAMATA. Dr. Takács Lajos Gábor okl. építészmérnök BME Építészmérnöki Kar Épületszerkezettani Tanszék
A TŰZVÉDELMI TERVEZÉS FOLYAMATA Dr. Takács Lajos Gábor okl. építészmérnök BME Építészmérnöki Kar Épületszerkezettani Tanszék BME Épít Épületsze TŰZVÉDELMI TERVEZÉSI FELADATOK A tűzvédelmi tervezési tevékenység
10.3. A MÁSODFOKÚ EGYENLET
.. A MÁSODFOKÚ EGYENLET A másodfokú egenlet és függvén megoldások w9 a) ( ) + ; b) ( ) + ; c) ( + ) ; d) ( 6) ; e) ( + 8) 6; f) ( ) 9; g) (,),; h) ( +,),; i) ( ) + ; j) ( ) ; k) ( + ) + 7; l) ( ) + 9.
Programozás I. - 9. gyakorlat
Programozás I. - 9. gyakorlat Mutatók, dinamikus memóriakezelés Tar Péter 1 Pannon Egyetem M szaki Informatikai Kar Rendszer- és Számítástudományi Tanszék Utolsó frissítés: November 9, 2009 1 tar@dcs.vein.hu
8. előadás: Az irányredukció és a vetületi meridiánkonvergencia
8 előadás: Az irányredukció és a vetületi meridiánkonvergencia 8 előadás: Az irányredukció és a vetületi meridiánkonvergencia Sztereografikus vetületen a vetületi síkon levő bármely egyenes olyan gömbi
118. Szerencsi Többcélú Kistérségi Társulás
BAZ MTrT TERVEZŐI VÁLASZ 118. Szerencsi Többcélú Kistérségi Társulás 1. Szakmai szempontból elhibázott döntésnek tartjuk a Tokaji Borvidék Világörökségi terület közvetlen környezetében erőmű létesítését.
Esettanulmányok és modellek 1 Termelésprogramozás az iparban
Esettanulmányok és modellek Termelésprogramozás az iparban Készítette: Dr. Ábrahám István Egyszerű termelésprogramozási feladatok.) gép felhasználásával kétféle terméket állítanak elő. Az egyes termékekhez
INFORMATIKAI ALAPISMERETEK
0611 ÉRETTSÉGI VIZSGA 2006. május 18. INFORMATIKAI ALAPISMERETEK KÖZÉPSZINTŰ ÍRÁSBELI ÉRETTSÉGI VIZSGA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ OKTATÁSI MINISZTÉRIUM Fontos tudnivalók Általános megjegyzések: Ha egy
KÍNAI NYELV JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ
Kínai nyelv emelt szint 1513 ÉRETTSÉGI VIZSGA 2016. május 24. KÍNAI NYELV EMELT SZINTŰ ÍRÁSBELI ÉRETTSÉGI VIZSGA JAVÍTÁSI-ÉRTÉKELÉSI ÚTMUTATÓ EMBERI ERŐFORRÁSOK MINISZTÉRIUMA I. OLVASOTT SZÖVEG ÉRTÉSE
ELEKTRONIKAI ALAPISMERETEK
ÉRETTSÉGI VIZSGA 2005. május 20. ELEKTRONIKAI ALAPISMERETEK KÖZÉPSZINTŰ ÍRÁSBELI VIZSGA Az írásbeli vizsga időtartama: 180 perc Pótlapok száma Tisztázati Piszkozati OKTATÁSI MINISZTÉRIM Elektronikai alapismeretek
Sikeres E-DETAILING KAMPÁNY receptje. GYÓGYKOMM 2016. KONFERENCIA Budapest, 2016. február 25. BALOGH JUDIT, PharmaPromo Kft.
Sikeres E-DETAILING KAMPÁNY receptje GYÓGYKOMM 2016. KONFERENCIA Budapest, 2016. február 25. BALOGH JUDIT, PharmaPromo Kft. AZ ORVOSOK SZÍVESEN FOGADJÁK Szinapszis, 2016. 01., Online (CAWI) kérdőíves kutatás,
Dr. Kulcsár Gyula. Virtuális vállalat 2013-2014 1. félév. Projektütemezés. Virtuális vállalat 2013-2014 1. félév 5. gyakorlat Dr.
Projektütemezés Virtuális vállalat 03-04. félév 5. gyakorlat Dr. Kulcsár Gyula Projektütemezési feladat megoldása Projekt: Projektütemezés Egy nagy, összetett, általában egyedi igény alapján előállítandó
Tanulmányi keretrendszer az APPI-ban
Horváth Cz. János Tanulmányi keretrendszerek felhasználói hatékonyságvizsgálata NWS 2009 2009. április 16. Tanulmányi keretrendszer az APPI-ban Közel 3 éves Moodle használat Több ezer bejegyzett felhasználó
Az első lépések. A Start menüből válasszuk ki a Minden program parancsot. A megjelenő listában kattintsunk rá az indítandó program nevére.
A számítógép elindítása A számítógépet felépítő eszközöket (hardver elemeket) a számítógépház foglalja magába. A ház különböző méretű, kialakítású lehet. A hátoldalán a beépített elemek csatlakozói, előlapján
Nyomott - hajlított fagerenda szilárdsági méretezése ~ egy régi - új megoldás
Nyomott - ajlított fagerenda szilárdsági méretezése ~ egy régi - új oldás Már régóta foglalkozom erőtani problémákkal, ám nagy lepetésemre a minap egy olyan érdekes feladat - oldást találtam, amilyet még
Koordináta - geometria I.
Koordináta - geometria I. DEFINÍCIÓ: (Helyvektor) A derékszögű koordináta - rendszerben a pont helyvektora az origóból a pontba mutató vektor. TÉTEL: Ha i az (1; 0) és j a (0; 1) pont helyvektora, akkor
Egyre nagyobb profitot generálnak a mobiltelefonnal végzett vásárlások, és egyre többet hezitálunk vásárlás előtt
Egyre nagyobb profitot generálnak a mobiltelefonnal végzett vásárlások, és egyre többet hezitálunk vásárlás előtt 2016 ban még nagyobb hangsúlyt kapnak az e kereskedelmeben az okostelefonok. 2015 ben még
FENNTARTHATÓ FEJLŐDÉS
FENNTARTHATÓ FEJLŐDÉS Kump Edina ÖKO-Pack Nonprofit Kft. E-mail: edina@okopack.hu Web: www.okopack.hu Dunaújváros, 2014. november 07. A FENNTARTHATÓ FEJLŐDÉS FOGALMA A fenntartható fejlődés a fejlődés
Tájékoztató. Értékelés Összesen: 100 pont
A 10/2007 (II. 27.) SzMM rendelettel módosított 1/2006 (II. 17.) OM rendelet Országos Képzési Jegyzékről és az Országos Képzési Jegyzékbe történő felvétel és törlés eljárási rendjéről alapján. Szakképesítés,
Dr. Schuster György. 2014. február 21. Real-time operációs rendszerek RTOS
Real-time operációs rendszerek RTOS 2014. február 21. Az ütemező (Scheduler) Az operációs rendszer azon része (kódszelete), mely valamilyen konkurens hozzáférés-elosztási problémát próbál implementálni.
Analízis elo adások. Vajda István. 2012. október 3. Neumann János Informatika Kar Óbudai Egyetem. Vajda István (Óbudai Egyetem)
Vajda István Neumann János Informatika Kar Óbudai Egyetem / 40 Fogalmak A függvények értelmezése Definíció: Az (A, B ; R ) bináris relációt függvénynek nevezzük, ha bármely a A -hoz pontosan egy olyan
KÖZLEKEDÉSI ALAPISMERETEK (KÖZLEKEDÉS - ÜZEMVITEL, KÖZLEKEDÉS-TECHNIKA) KÖZLEKEDÉSI ALAPISMERETEK ÉRETTSÉGI VIZSGA II.
A vizsga részei KÖZLEKEDÉSI ALAPISMERETEK (KÖZLEKEDÉS - ÜZEMVITEL, KÖZLEKEDÉS-TECHNIKA) KÖZLEKEDÉSI ALAPISMERETEK ÉRETTSÉGI VIZSGA II. A VIZSGA LEÍRÁSA Emelt szint Írásbeli vizsga Szóbeli vizsga Írásbeli
Az Európai Szabadalmi Egyezmény végrehajtási szabályainak 2010. április 1-étől hatályba lépő lényeges változásai
DANUBIA Szabadalmi és Védjegy Iroda Kft. Az Európai Szabadalmi Egyezmény végrehajtási szabályainak 2010. április 1-étől hatályba lépő lényeges változásai A Magyar Iparjogvédelmi és Szerzői Jogi Egyesület
A kézbesítés rajtunk is múlik
A kézbesítés rajtunk is múlik 2014-01-07 15:03:50 Módosítva: 2014-01-07 20:50:26 Az utóbbi időben az elektronikus levelezés, a közösségi oldalak és a mobiltelefonok adta kommunikációs lehetőségek bővülésével
Algebra es sz amelm elet 3 el oad as Rel aci ok Waldhauser Tam as 2014 oszi f el ev
Algebra és számelmélet 3 előadás Relációk Waldhauser Tamás 2014 őszi félév Relációk reláció lat. 1. kapcsolat, viszony; összefüggés vmivel 2. viszonylat, vonatkozás reláció lat. 3. mat halmazok elemei
Osztályozó és Javító vizsga témakörei matematikából 9. osztály 2. félév
Osztályozó és Javító vizsga témakörei matematikából 9. osztály 2. félév IV. Háromszögek, négyszögek, sokszögek Pontok, egyenesek, síkok és ezek kölcsönös helyzete Néhány alapvető geometriai fogalom A háromszögekről.
EPER E-KATA integráció
EPER E-KATA integráció 1. Összhang a Hivatalban A hivatalban használt szoftverek összekapcsolása, integrálása révén az egyes osztályok, nyilvántartások között egyezőség jön létre. Mit is jelent az integráció?
#instagramads Az első tapasztalatok. Contact: Eva Drienyovszki Senior Search Specialist eva.drienyovszki@mecglobal.com
#instagramads Az első tapasztalatok Contact: Eva Drienyovszki Senior Search Specialist eva.drienyovszki@mecglobal.com 2010. július 16. Az első fotó az Instagramon 2011. január 27. Az első hashtaggel ellátott