Bevezetés 1. Ábra A minták nyers spektrumai Felhasznált anyagok és módszerek
|
|
- Irma Magyarné
- 8 évvel ezelőtt
- Látták:
Átírás
1 Közeli infravörös spektroszkópiában (NIR) alkalmazott kalibrációs modellek összehasonlítása növényolajok minőségi jellemzőinek meghatározására Comparison of calibration models based on near infrared spectroscopy data for the determination of plant oil properties Fülöp András, Hancsók Jenő Pannon Egyetem Vegyészmérnöki és Folyamatmérnöki Intézet Ásványolaj és Széntechnológia Intézeti Tanszék 8201 Veszprém, Pf.: 158. Summary The near infrared spectroscopy (NIR) is an analytical method based on the absorption of electromagnetic energy in the wavenumber region of cm -1. The absorption bands in this region are ascribed to the overtones and combinations of C-H, N-H, O-H bonds, which exist in most organic compounds. This type of technique allows multi-component analysis in a fast and non-destructive way, without requiring complex sample pre-treatments. In the NIR region a component typically absorbs electromagnetic radiation at more than one wavenumber, and the absorbance at a given wavenumber is usually caused by more than one component. That s why the establishment of a suitable mathematical calibration model is very difficult. In our research work, four calibration model approaches were compared on the basis of the capability to predict the concentration of oleic acid of vegetable oils. These approaches were: partial least squares regression (PLS), principal component analysis-multiple linear regression (PCA-MLR), principal component analysis-artificial neural network (PCA-ANN) and genetic algorithm-artificial neural network (GA-ANN). The PCA and GA wavenumber selection methods were applied to extract relevant information from lots of spectral data. In order to improve the correlation between the spectral data, and the analytical reference data spectral pre-processing methods were also applied. The best spectra pre-processing method, and the calibration model parameters were found in respect of each model type and the prediction efficiencies were compared using external validation. In the course of external validation the established calibration models were tested with samples having known oleic acid content and they were not included in the calibration set. The comparison of the different calibration models was based on the accuracy of the prediction. The results of the external validation show that the accuracies of the different models at the optimal calibration parameters differ significantly. The best approximation was found using GA-ANN model type, however, this approach was very time consuming because of the complexity of the method. 1
2 Bevezetés A közeli infravörös spektroszkópia (NIR) egy jól kidolgozott analitikai módszer, amely az anyagok elektromágneses-sugárzás abszorpcióján alapul a cm -1 hullámszám tartományban. Ez a módszer alkalmas összetett, többkomponensű rendszerek (motorbenzinek, dízelgázolajok, növényolajok, stb) fizikai és kémiai tulajdonságainak gyors, roncsolásmentes meghatározására különösebb mintaelőkészítés alkalmazása nélkül. A módszer nehézségét az okozza, hogy a NIR spektrum tartományában egy komponensnek jellemzően több hullámszám értéknél van abszorbanciája, valamint egy hullámszám értéknél a vizsgált minta több komponensének is van elnyelése. Ezért a spektrális adatok információtartalmának kinyerése, valamint a minták spektrumai és referencia adatai közötti korreláció felderítése és modellezése rendkívül bonyolult feladat. Az abszorbancia spektrumok adatmátrixából a növényolaj tulajdonságokkal korrelációban lévő hullámszám régiók meghatározását a PCA (főkomponens analízis) és GA (genetikus algoritmus) hullámszám kiválasztási módszerek alkalmazásával végeztük. A regressziót, a kiválasztott hullámszám régiók alkalmazásával, az MLR (lineáris regresszió) és ANN (mesterséges neurális hálózat) modell típusokkal végeztük el. Ezen kívül a kemometriában legelterjedtebben alkalmazott regressziós módszerrel, a PLS (részleges legkisebb négyzetek módszere) módszerrel is elvégeztük a kísérleteket. Felhasznált anyagok és módszerek Növényolaj minták A kísérletek során 144 különböző típusú Magyarországról származó repce- és napraforgóolajat vizsgáltunk. A 144 mintából 102 mintát a kalibrációhoz, 42 mintát a külső validáláshoz használtunk fel. A minták olajsav-tartalmát az EN szabvány szerint határoztuk meg. Spektrumok felvétele A NIR méréshez egy, a BRUKER cég által gyártott MPA típusú közeli infravörös spektrométert használtunk, amely az OPUS vezérlő és kiértékelő szoftvert tartalmazza. Minden minta abszorbancia spektrumát cm -1 hullámszám tartományban 2 cm -1 -es felbontással vettük fel transzmissziós módban (1. Ábra) [6]. Ezt követően a spektrális adatokat egy adatfájlba mentettük és ezt használtuk a további kísérletekhez. 1. Ábra A minták nyers spektrumai A modellek optimalizálása során megállapítottuk, hogy jobb közelítést érhetünk el, ha a teljes tartományt leszűkítjük. Így a kísérletekhez a teljes tartománynak csak a cm -1 -es részét használtuk fel. Alkalmazott szoftverek és programok A kísérletekhez a MATLAB szoftvercsomag alkalmazásait és általunk írt programokat használtunk fel. Kalibráció A kalibrációhoz 102 különböző olajsav-tartalmú növényolaj mintát használtunk. A modellek kalibrációját keresztvalidálás alkalmazásával végeztük úgy, hogy minden kalibrációs körben egy mintát hagytunk ki. Így az adott modell pontossága a keresztvalidálás során számított hibanégyzet átlagának négyzetgyökével (RMSECV = root mean 2
3 squared error of cross validation) fejezhető ki. A kísérletek során az RMSECV értékek alapján határoztuk meg az optimális modellparamétereket [1]. Modelloptimalizálás Egy adott modelltípus többféle paraméter létezik, amelyek nagymértékben befolyásolják az adott modell teljesítményét. Az optimalizálás során minden modell típusnál megkerestük azt a paraméterkombinációt, amely alkalmazásával a modell a legjobb közelítést adja. Az optimalizálást keresztvalidálás alkalmazásával végeztük. Az optimalizálás során az egyes modell típusoknál változtatott paraméterek és azok értékei az 1. táblázatban láthatók. Modelltípus PCA-MLR Főkomponensek száma 1-20 PLS Látens változók száma 1-20 PCA-ANN Főkomponensek száma 1-20 Változók száma 1-20 GA-ANN Az egyedek száma egy populáción belül 1-30 Generációk száma Táblázat Az optimalizálás során változtatott paraméterek Az ANN regressziós módszerek a rejtett rétegben 5 neuront használtunk minden esetben, és ezt a paramétert a kísérletek során nem változtattuk. Ennek oka, hogy a kísérletek során a neuronok száma nem befolyásolta jelentősen a modellek teljesítményét. Az optimalizálás során az egyes modellek a fent említett paraméterek mellett különböző típusú spektrumkezelési módszereket is változtattuk. Ezek a módszerek a következők voltak: átlag-eltolás (mean-centering), skálázás (autoscale), első derivált (differentiation), második derivált (double differentiation) [3]. Külső validálás A külső validálás során az optimalizálás után kapott kalibrációs modelleket a kalibrációs sorban nem szereplő, ismert tulajdonságú növényolaj mintákkal teszteltük. Ehhez 42 különböző olajsav tartalmú növényolaj mintát használtunk fel. A kísérlet eredményeként a modellel számított és a tényleges olajsav-tartalom összehasonlításával számítottuk ki az egyes modelleknél a számítás hibaértékét (RMSEP= root mean squared error of prediction), és ez alapján hasonlítottuk össze az egyes modellek hatékonyságát. Eredmények PCA-MLR modell A PCA-MLR módszer a legegyszerűbb kalibrációs modelltípus, amely a PCA hullámszám kiválasztási módszer és az MLR regressziós módszer kombinációja. A módszert a szakirodalomban PCRnek (principal component regression), azaz főkomponens regressziónak is rövidítik. A PCA a mérnöki gyakorlatban is széles körben alkalmazott többváltozós statisztikai módszer, amely nagyméretű adatmátrixokban lévő változók számának a csökkentésére alkalmas. A közeli infravörös spektroszkópiában a PCA algoritmus a spektrális adatmátrixot néhány ortogonális vektorral (főkomponenssel) helyettesíti, úgy, hogy az első vektor (első főkomponens) reprezentálja az eredeti adatmátrix varianciájának a legnagyobb százalékát, a második vektor (második főkomponens) reprezentálja az adatmátrix varianciájának második legnagyobb százalékát, és így tovább. Így a PCA az eredeti spektrális adatmátrixból kinyeri azokat a hullámszám tartományokat, ahol az adott komponens abszorbanciája a legvalószínűbb. A PCR módszernél kapott főkomponenseket használjuk a lineáris regresszió (MLR) független változóiként. Így a módszer alkalmassá válik az adott komponens koncentrációjának becslésére [3]. A PCA-MLR optimális modellparaméterei a 2. táblázatban láthatók. Az olajsav koncentrációjának meghatározásánál a külső validálás során kapott eredményeket a 2. ábra mutatja. Az ábrán a koncentráció kalibrációs modell által számított értékeket ábrázoltuk a tényleges adatok 3
4 függvényében. A modell jóságát az mutatja, hogy számított értékek (pontok) mennyire közelítik a tényleges értékeket (egyenes vonal). A kísérlet során az optimális modellparaméterek mellett elért legkisebb modellhiba értéke 3,89 volt. Spektrumkezelési módszer átlag-eltolás Főkomponensek száma Táblázat A PCA-MLR modell optimális paraméterei Spektrumkezelési módszer skálázás Látens változók száma 12 Olajsav számított koncentrációja, % 3. Táblázat A PLS modell optimális paraméterei Olajsav tényleges koncentrációja, % 2. Ábra A külső validálás eredményei a PCA-MLR modell PLS modell A részleges legkisebb négyzetek módszere a kemometriában legszélesebb körben alkalmazott modelltípus. A PLS regresszió a PCR továbbfejlesztett formája, amely a mátrix dimenzió csökkentését és a regressziót szimultán hajtja végre. A legnagyobb előnye a PCR-el szemben, hogy a PLS a látens változók számításánál figyelembe veszi a spektrális adatok és a kalibrációs minták koncentrációi közötti korrelációt is. Így a látens változók közvetlenül a kérdéses komponensre utalnak nemcsak annak valószínűségére [3]. A PLS modell optimális modellparamétereit a 3. táblázat tartalmazza, a külső validálás eredményét pedig a 3. ábra szemlélteti. A PLS modell alkalmazásával a külső validálásnál elérhető legjobb közelítésnél a modellhiba értéke 1,65 volt. 3. Ábra A külső validálás eredményei a PLS modell PCA-ANN modell Ez a modelltípus a PCA hullámszám kiválasztási módszernek és az ANN (mesterséges neurális hálózat) regressziós módszernek a kombinációja. A mesterséges neurális hálózatokat széles körben használják a műszaki tudományok különböző területein, de csak az utóbbi időben kezdték alkalmazni a kemometriában. Ez a módszer többváltozós lineáris és nemlineáris rendszerek modellezésére (interpoláció, extrapoláció) alkalmas. Kísérleteinkben egy előrecsatolásos MLP (Multilayer Perceptron) típusú neurális hálozatot használtunk a levenberg-marquard tanulási algoritmus alkalmazásával. A hálózat egy rejtett rétegből állt, amelyben a neuronok számát 5-nek választottuk, és a kísérletek során ezt nem is változtattuk. A hálózat betanítása során 200 iterációt alkalmaztunk. Aktiválási függvényként lineáris átviteli függvényeket használtunk mind a rejtett, mind pedig a kimeneti réteg neuronjainál, mert alapvetően azt feltételeztük, hogy lineáris kapcsolat áll fenn a kalibrációs minták koncentráció értékei és azok 4
5 abszorbancia spektrumai között. A bemeneti rétegben átviteli függvényt nem alkalmaztunk [3, 4]. Az optimális PCA-ANN modellparaméterek a 4. táblázatban láthatók, a külső validálás során nyert eredményeket pedig a 4. ábra mutatja. A külső validálás során a PCA-ANN modell modellhiba értéke 1,15 volt. Spektrumkezelési módszer skálázás Látens változók száma 8 4. Táblázat A PCA-ANN modell optimális paraméterei Olajsav számított koncentrációja, % 4. Ábra A külső validálás eredményei a PCA-ANN modell GA-ANN modell Ez a modelltípus a GA (genetikus algoritmus) hullámszám kiválasztási módszert és az ANN regressziós modellt alkalmazza. A genetikus algoritmus egy többváltozós adaptív szélsőérték kereső algoritmus, amelynek mechanizmusa a természetes génállomány öröklődésének és a természetes kiválasztódásnak az elvén alapul. Az algoritmus egy véletlenszerűen összeállított populáció generálásával indul. A populáció minden egyes egyede az ANN modell egy lehetséges megoldását reprezentálja. Esetünkben egy egyed annyi hullámszám értékből áll, ahány változót szeretnénk használni. Az algoritmus a megfelelőségi vizsgálat során a populáció minden egyes egyedét alkalmazza a modellen, és minden egyedre kiszámítja a modellhiba értékét. Ezután a legkisebb modellhibát adó egyedek kombinálásával genetikus operátorok segítségével létrehozza a következő generációt. Ezek a genetikus operátorok a szelekció, a keresztezés és a mutáció. Az algoritmus előrehaladtával az egyes populációk egyedeire kapott modellhiba egyre kisebb lesz, és végül a genetikus algoritmus kiválasztja azokat a hullámszám értékeket, ahol az ANN modell hibája a legkisebb. A külső validálás során a genetikus algoritmus által kiválasztott hullámszám értékeket alkalmazzuk az olajsav koncentrációjának meghatározására [4, 5]. Az optimális GA-ANN modell paramétereit az 5. táblázatban foglaltam össze, a külső validálás eredményét pedig az 5. ábra mutatja. A vizsgált négy modell közül a GA-ANN modell alkalmazásával értük el a legkisebb modellhibát, amelynek értéke 0,89 volt. Spektrumkezelési módszer 1. derivált Változók száma 7 Az egyedek száma egy populációban 30 Generációk száma 8 Olajsav számított koncentrációja, % 5. Táblázat A GA-ANN modell optimális paraméterei 5. Ábra A külső validálás eredményei a GA-ANN modell 5
6 Összefoglalás Az optimális modell-paraméterek mellett a külső validálás során kapott RMSEP értékek alapján összehasonlítva az egyes módszerek predikciós hatékonyságát, azt találtuk, hogy a legjobb közelítést a GA-ANN modell, a legrosszabb közelítést a PCA- MLR modell alkalmazásával lehet elérni (6. táblázat). Modell típus RMSEP PCA-MLR 3,89 PLS 1,65 PCA-ANN 1,15 GA-ANN 0,89 6. Táblázat Az egyes modelleknél kapott RMSEP értékek Meg kell jegyeznünk azonban, hogy a négy vizsgált modelltípus közül a GA-ANN módszer algoritmusa volt legösszetettebb és ebből adódóan a kalibráció és optimalizálás itt volt a legidőigényesebb. Ehhez még hozzájárult a modellparaméterek nagy száma is, amelyeket az optimalizálás során változtatni kellett. REFERENCES [1] Kim, K.S., Park, S.H., Choung, M.G., Jang, Y.S., Journal of Crop Science and Biotechnology, 10, 15-20, (2007) [2] Felizardo, P., Baptista, P., Menezes, J.C., J. Neiva Correia, J., Analytica Chimica Acta, 595, (2007) [3] Balabin, R.M., Safieva, R.Z., Lomakina, E.I., Chemometrics and Intelligent Laboratory Systems, 88, , (2007) [4] Nan, Q., Lihua, W., Mingchao, Z., Ying, D., Yulin, R., Chemometrics and Intelligent Laboratory Systems, 90, , (2008) [5] Yibin, Y., Yande, L., Journal of Food Engineering, 84, , (2008) [6] Fülöp, A., Magyar, Sz., Krár, M., Hancsók, J., Proceedings of 43rd International Petroleum Conference, Pozsony, 7, (2007) 6
Pannon Egyetem Vegyészmérnöki és Folyamatmérnöki Intézet Ásványolaj és Széntechnológia Intézeti Tanszék 8201 Veszprém, Pf.: 158.
övényolajok minőségi jellemzőinek meghatározása közeli infravörös spektroszkópia ( IR) alkalmazásával Application of near infrared ( IR) spectroscopy for the determination of vegetable oil quality properties
RészletesebbenALKALOIDOK MEGHATÁROZÁSAMÁKGUBÓBAN
ALKALOIDOK MEGHATÁROZÁSAMÁKGUBÓBAN DISZPERZIÓS ÉS FOURIER-TRANSZFORMÁCIÓS KÖZELI INFRAVÖRÖS SPEKTROSZKÓPIAI MÓDSZEREKKEL 1 Izsó Eszter -Dr. Gergely Szilveszter A MÁK A mák egyéves, lágyszárú, 5-15 cm magas
RészletesebbenGeokémia gyakorlat. 1. Geokémiai adatok értelmezése: egyszerű statisztikai módszerek. Geológus szakirány (BSc) Dr. Lukács Réka
Geokémia gyakorlat 1. Geokémiai adatok értelmezése: egyszerű statisztikai módszerek Geológus szakirány (BSc) Dr. Lukács Réka MTA-ELTE Vulkanológiai Kutatócsoport e-mail: reka.harangi@gmail.com ALAPFOGALMAK:
RészletesebbenGEOSTATISZTIKA II. Geográfus MSc szak. 2019/2020 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ
GEOSTATISZTIKA II. Geográfus MSc szak 2019/2020 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ Miskolci Egyetem Műszaki Földtudományi Kar Geofizikai és Térinformatikai Intézet A tantárgy adatlapja Tantárgy neve:
RészletesebbenGEOSTATISZTIKA. Földtudományi mérnöki MSc, geofizikus-mérnöki szakirány. 2018/2019 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ
GEOSTATISZTIKA Földtudományi mérnöki MSc, geofizikus-mérnöki szakirány 2018/2019 I. félév TANTÁRGYI KOMMUNIKÁCIÓS DOSSZIÉ Miskolci Egyetem Műszaki Földtudományi Kar Geofizikai és Térinformatikai Intézet
RészletesebbenMódszerfejlesztés emlőssejt-tenyészet glükóz tartalmának Fourier-transzformációs közeli infravörös spektroszkópiai alapú meghatározására
Módszerfejlesztés emlőssejt-tenyészet glükóz tartalmának Fourier-transzformációs közeli infravörös spektroszkópiai alapú meghatározására Kozma Bence 1 Dr. Gergely Szilveszter 1 Párta László 2 Dr. Salgó
RészletesebbenBevezetés a Korreláció &
Bevezetés a Korreláció & Regressziószámításba Petrovics Petra Doktorandusz Statisztikai kapcsolatok Asszociáció 2 minőségi/területi ismérv között Vegyes kapcsolat minőségi/területi és egy mennyiségi ismérv
RészletesebbenNeurális hálózatok bemutató
Neurális hálózatok bemutató Füvesi Viktor Miskolci Egyetem Alkalmazott Földtudományi Kutatóintézet Miért? Vannak feladatok amelyeket az agy gyorsabban hajt végre mint a konvencionális számítógépek. Pl.:
RészletesebbenA modern e-learning lehetőségei a tűzoltók oktatásának fejlesztésében. Dicse Jenő üzletfejlesztési igazgató
A modern e-learning lehetőségei a tűzoltók oktatásának fejlesztésében Dicse Jenő üzletfejlesztési igazgató How to apply modern e-learning to improve the training of firefighters Jenő Dicse Director of
RészletesebbenTöbb valószínűségi változó együttes eloszlása, korreláció
Tartalomjegzék Előszó... 6 I. Valószínűségelméleti és matematikai statisztikai alapok... 8 1. A szükséges valószínűségelméleti és matematikai statisztikai alapismeretek összefoglalása... 8 1.1. Alapfogalmak...
RészletesebbenA derivált arány és a polár minsít rendszer kiértékelése adatelemzési szempontból gyógyszeripari tabletták transzmittancia adatainak felhasználásával
A derivált arány és a polár minsít rendszer kiértékelése adatelemzési szempontból gyógyszeripari tabletták transzmittancia adatainak felhasználásával Norris K.H. a Seregély Zs. b és Kaffka K.J. c a konzultáns,
RészletesebbenKovács 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,
RészletesebbenSupporting Information
Supporting Information Cell-free GFP simulations Cell-free simulations of degfp production were consistent with experimental measurements (Fig. S1). Dual emmission GFP was produced under a P70a promoter
RészletesebbenAdatbányászati és gépi tanulási algoritmusok szoftver szenzorok fejlesztésére. Kulcsár Tibor
Doktori (PhD) értekezés tézisei Adatbányászati és gépi tanulási algoritmusok szoftver szenzorok fejlesztésére Kulcsár Tibor Pannon Egyetem Vegyészmérnöki- és Anyagtudományok Doktori Iskola Témavezet :
RészletesebbenDETERMINATION OF SHEAR STRENGTH OF SOLID WASTES BASED ON CPT TEST RESULTS
Műszaki Földtudományi Közlemények, 83. kötet, 1. szám (2012), pp. 271 276. HULLADÉKOK TEHERBÍRÁSÁNAK MEGHATÁROZÁSA CPT-EREDMÉNYEK ALAPJÁN DETERMINATION OF SHEAR STRENGTH OF SOLID WASTES BASED ON CPT TEST
RészletesebbenModellezés és szimuláció. Szatmári József SZTE Természeti Földrajzi és Geoinformatikai Tanszék
Modellezés és szimuláció Szatmári József SZTE Természeti Földrajzi és Geoinformatikai Tanszék Kvantitatív forradalmak a földtudományban - geográfiában 1960- as évek eleje: statisztika 1970- as évek eleje:
RészletesebbenA rosszindulatú daganatos halálozás változása 1975 és 2001 között Magyarországon
A rosszindulatú daganatos halálozás változása és között Eredeti közlemény Gaudi István 1,2, Kásler Miklós 2 1 MTA Számítástechnikai és Automatizálási Kutató Intézete, Budapest 2 Országos Onkológiai Intézet,
RészletesebbenProblémás regressziók
Universitas Eotvos Nominata 74 203-4 - II Problémás regressziók A közönséges (OLS) és a súlyozott (WLS) legkisebb négyzetes lineáris regresszió egy p- változós lineáris egyenletrendszer megoldása. Az egyenletrendszer
RészletesebbenModern Fizika Labor. Fizika BSc. Értékelés: A mérés dátuma: A mérés száma és címe: 12. mérés: Infravörös spektroszkópia. 2008. május 6.
Modern Fizika Labor Fizika BSc A mérés dátuma: A mérés száma és címe: 12. mérés: Infravörös spektroszkópia Értékelés: A beadás dátuma: 28. május 13. A mérést végezte: 1/5 A mérés célja A mérés célja az
RészletesebbenPannon Egyetem Vegyészmérnöki és Anyagtudományok Doktori Iskola
Pannon Egyetem Vegyészmérnöki és Anyagtudományok Doktori Iskola Doktori (Ph.D.) értekezés tézisei Számítási intelligencia alapú regressziós technikák és Készítette Kenesei Tamás Péter Témavezető: Dr. habil.
RészletesebbenNeurális hálózatok.... a gyakorlatban
Neurális hálózatok... a gyakorlatban Java NNS Az SNNS Javás változata SNNS: Stuttgart Neural Network Simulator A Tübingeni Egyetemen fejlesztik http://www.ra.cs.unituebingen.de/software/javanns/ 2012/13.
Részletesebben6. Előadás. Vereb György, DE OEC BSI, október 12.
6. Előadás Visszatekintés: a normális eloszlás Becslés, mintavételezés Reprezentatív minta A statisztika, mint változó Paraméter és Statisztika Torzítatlan becslés A mintaközép eloszlása - centrális határeloszlás
RészletesebbenAZ A PRIORI ISMERETEK ALKALMAZÁSA
Doktori (PhD) értekezés tézisei AZ A PRIORI ISMERETEK ALKALMAZÁSA A VEGYIPARI FOLYAMATMÉRNÖKSÉGBEN MADÁR JÁNOS Veszprémi Egyetem Vegyészmérnöki Tudományok Doktori Iskolája Témavezető: dr. Abonyi János
RészletesebbenIntelligens 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:
RészletesebbenIrányítási struktúrák összehasonlító vizsgálata. Tóth László Richárd. Pannon Egyetem Vegyészmérnöki és Anyagtudományok Doktori Iskola
Doktori (PhD) értekezés tézisei Irányítási struktúrák összehasonlító vizsgálata Tóth László Richárd Pannon Egyetem Vegyészmérnöki és Anyagtudományok Doktori Iskola Témavezetők: Dr. Szeifert Ferenc Dr.
RészletesebbenMérési adatok illesztése, korreláció, regresszió
Mérési adatok illesztése, korreláció, regresszió Korreláció, regresszió Két változó mennyiség közötti kapcsolatot vizsgálunk. Kérdés: van-e kapcsolat két, ugyanabban az egyénben, állatban, kísérleti mintában,
RészletesebbenKÖZELI INFRAVÖRÖS SPEKTROSZKÓPIA ALKALMAZÁSA SERTÉSHÚS MINŐSÉGVÁLTOZÁSÁNAK JELLEMZÉSÉRE
KÖZELI INFRAVÖRÖS SPEKTROSZKÓPIA ALKALMAZÁSA SERTÉSHÚS MINŐSÉGVÁLTOZÁSÁNAK JELLEMZÉSÉRE Magyarné Dr. Horváth Kinga, Dr. Farkas József Budapest, 2009. november.3 NIR Klub Bevezetés (1) Húsfeldolgozás- és
RészletesebbenIntelligens Rendszerek Gyakorlata. Neurális hálózatok I.
: Intelligens Rendszerek Gyakorlata Neurális hálózatok I. dr. Kutor László http://mobil.nik.bmf.hu/tantargyak/ir2.html IRG 3/1 Trend osztályozás Pnndemo.exe IRG 3/2 Hangulat azonosítás Happy.exe IRG 3/3
RészletesebbenCorrelation & Linear Regression in SPSS
Petra Petrovics Correlation & Linear Regression in SPSS 4 th seminar Types of dependence association between two nominal data mixed between a nominal and a ratio data correlation among ratio data Correlation
RészletesebbenDOKTORI (PhD) ÉRTEKEZÉS TÉZISEI
DOKTORI (PhD) ÉRTEKEZÉS TÉZISEI KÉN-, NITROGÉN- ÉS OXIGÉNTARTALMÚ VEGYÜLETEK GÁZKROMATOGRÁFIÁS ELEMZÉSE SZÉNHIDROGÉN-MÁTRIXBAN Készítette STUMPF ÁRPÁD okl. vegyész az Eötvös Loránd Tudományegyetem Természettudományi
RészletesebbenLineáris regresszió vizsgálata resampling eljárással
Lineáris regresszió vizsgálata resampling eljárással Dolgozatomban az European Social Survey (ESS) harmadik hullámának adatait fogom felhasználni, melyben a teljes nemzetközi lekérdezés feldolgozásra került,
RészletesebbenHibadetektáló rendszer légtechnikai berendezések számára
Hibadetektáló rendszer légtechnikai berendezések számára Tudományos Diákköri Konferencia A feladatunk Légtechnikai berendezések Monitorozás Hibadetektálás Újrataníthatóság A megvalósítás Mozgásérzékelő
RészletesebbenBiomatematika 13. Varianciaanaĺızis (ANOVA)
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 13. Varianciaanaĺızis (ANOVA) Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision Date:
RészletesebbenModern Fizika Labor. A mérés száma és címe: A mérés dátuma: Értékelés: Infravörös spektroszkópia. A beadás dátuma: A mérést végezte:
Modern Fizika Labor A mérés dátuma: 2005.10.26. A mérés száma és címe: 12. Infravörös spektroszkópia Értékelés: A beadás dátuma: 2005.11.09. A mérést végezte: Orosz Katalin Tóth Bence 1 A mérés során egy
RészletesebbenProbabilisztikus funkcionális modellek idegrendszeri adatok elemzésére
Probabilisztikus funkcionális modellek idegrendszeri adatok elemzésére Bányai Mihály! MTA Wigner FK! Computational Systems Neuroscience Lab!! KOKI-VIK szeminárium! 2014. február 11. Struktúra és funkció
RészletesebbenLogisztikus regresszió október 27.
Logisztikus regresszió 2017. október 27. Néhány példa Mi a valószínűsége egy adott betegségnek a páciens bizonyos megfigyelt jellemzői (pl. nem, életkor, laboreredmények, BMI stb.) alapján? Mely genetikai
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet. Correlation & Linear. Petra Petrovics.
Correlation & Linear Regression in SPSS Petra Petrovics PhD Student Types of dependence association between two nominal data mixed between a nominal and a ratio data correlation among ratio data Exercise
RészletesebbenPletykaalapú gépi tanulás teljesen elosztott környezetben
Pletykaalapú gépi tanulás teljesen elosztott környezetben Hegedűs István Jelasity Márk témavezető Szegedi Tudományegyetem MTA-SZTE Mesterséges Intelligencia Kutatócsopot Motiváció Az adat adatközpontokban
RészletesebbenKlaszterezés, 2. rész
Klaszterezés, 2. rész Csima Judit BME, VIK, Számítástudományi és Információelméleti Tanszék 208. április 6. Csima Judit Klaszterezés, 2. rész / 29 Hierarchikus klaszterezés egymásba ágyazott klasztereket
RészletesebbenCorrelation & Linear Regression in SPSS
Correlation & Linear Regression in SPSS Types of dependence association between two nominal data mixed between a nominal and a ratio data correlation among ratio data Exercise 1 - Correlation File / Open
RészletesebbenHÁLÓZATSZERŰEN MŰKÖDŐ LOGISZTIKÁVAL INTEGRÁLT TERMELÉSÜTEMEZÉS MEGOLDÁSA GENETIKUS ALGORITMUS ALKALMAZÁSÁVAL. OLÁH Béla
HÁLÓZATSZERŰEN MŰKÖDŐ LOGISZTIKÁVAL INTEGRÁLT TERMELÉSÜTEMEZÉS MEGOLDÁSA GENETIKUS ALGORITMUS ALKALMAZÁSÁVAL OLÁH Béla A TERMELÉSÜTEMEZÉS MEGFOGALMAZÁSA Flow shop: adott n számú termék, melyeken m számú
RészletesebbenMódszerfejlesztés Fourier-transzformációs közeli infravörös technika (FT-NIR) alkalmazási körének kibővítésére élelmiszeripari mintákon SZIGEDI TAMÁS
Módszerfejlesztés Fourier-transzformációs közeli infravörös technika (FT-NIR) alkalmazási körének kibővítésére élelmiszeripari mintákon SZIGEDI TAMÁS Doktori (Ph.D.) értekezés tézisei Készült: Budapesti
RészletesebbenAlap-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:
RészletesebbenAz fmri alapjai Statisztikai analízis II. Dr. Kincses Tamás Szegedi Tudományegyetem Neurológiai Klinika
Az fmri alapjai Statisztikai analízis II. Dr. Kincses Tamás Szegedi Tudományegyetem Neurológiai Klinika Autokorreláció white noise Autokorreláció: a függvény önnmagával számított korrelációja különböző
RészletesebbenCsima Judit április 9.
Osztályozókról még pár dolog Csima Judit BME, VIK, Számítástudományi és Információelméleti Tanszék 2018. április 9. Csima Judit Osztályozókról még pár dolog 1 / 19 SVM (support vector machine) ez is egy
RészletesebbenDiagnosztikai szemléletű talajtérképek szerkesztése korrelált talajtani adatrendszerek alapján
Diagnosztikai szemléletű talajtérképek szerkesztése korrelált talajtani adatrendszerek alapján Bakacsi Zsófia 1 - Szabó József 1 Waltner István 2 Michéli Erika 2 Fuchs Márta 2 - Laborczi Annamária 1 -
RészletesebbenVálasztási modellek 3
Választási modellek 3 Prileszky István Doktori Iskola 2018 http://www.sze.hu/~prile Forrás: A Self Instructing Course in Mode Choice Modeling: Multinomial and Nested Logit Models Prepared For U.S. Department
RészletesebbenKávé minőségi és mennyiségi íz-jellemzőinek vizsgálata elektronikus nyelv alkalmazásával
Kávé minőségi és mennyiségi íz-jellemzőinek vizsgálata elektronikus nyelv alkalmazásával Kántor Dávid Balázs, Mészáros Péter és Fekete András Budapesti Corvinus Egyetem, Élelmiszertudományi Kar, Fizika
RészletesebbenTanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function
Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Tanulás pszichológiai szinten Classical conditioning Hebb ötlete: "Ha az A sejt axonja elég közel van a B sejthez,
RészletesebbenÉtkezési búzák mikotoxin tartalmának meghatározása prevenciós lehetıségek
Étkezési búzák mikotoxin tartalmának meghatározása prevenciós lehetıségek Téren, J., Gyimes, E., Véha, A. 2009. április 15. PICK KLUB Szeged 1 A magyarországi búzát károsító Fusarium fajok 2 A betakarítás
RészletesebbenBozóki Sándor. MTA SZTAKI, Budapesti Corvinus Egyetem. Vitaliy Tsyganok
A feszítőfákból számolt súlyvektorok mértani közepének optimalitása a logaritmikus legkisebb négyzetes célfüggvényre nézve Bozóki Sándor MTA SZTAKI, Budapesti Corvinus Egyetem Vitaliy Tsyganok Laboratory
RészletesebbenPhenotype. Genotype. It is like any other experiment! What is a bioinformatics experiment? Remember the Goal. Infectious Disease Paradigm
It is like any other experiment! What is a bioinformatics experiment? You need to know your data/input sources You need to understand your methods and their assumptions You need a plan to get from point
RészletesebbenÁltalánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg
LMeasurement.tex, March, 00 Mérés Általánosan, bármilyen mérés annyit jelent, mint meghatározni, hányszor van meg a mérendő mennyiségben egy másik, a mérendővel egynemű, önkényesen egységnek választott
RészletesebbenTARTALOMJEGYZÉK. TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS A lágy számításról A könyv célkitűzése és felépítése...
TARTALOMJEGYZÉK TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS...1 1. A lágy számításról...2 2. A könyv célkitűzése és felépítése...6 AZ ÖSSZETEVŐ LÁGY RENDSZEREK...9 I. BEVEZETÉS...10 3. Az összetevő
RészletesebbenFunkcionális konnektivitás vizsgálata fmri adatok alapján
Funkcionális konnektivitás vizsgálata fmri adatok alapján Képalkotási technikák 4 Log Resolution (mm) 3 Brain EEG & MEG fmri TMS PET Lesions 2 Column 1 0 Lamina -1 Neuron -2 Dendrite -3 Synapse -4 Mikrolesions
RészletesebbenRegresszió számítás az SPSSben
Regresszió számítás az SPSSben Kvantitatív statisztikai módszerek Petrovics Petra Lineáris regressziós modell X és Y közötti kapcsolatot ábrázoló egyenes. Az Y függ: x 1, x 2,, x p p db magyarázó változótól
RészletesebbenTartalomjegyzék I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE
Tartalomjegyzék 5 Tartalomjegyzék Előszó I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE 1. fejezet: Kontrollált kísérletek 21 1. A Salk-oltás kipróbálása 21 2. A porta-cava sönt 25 3. Történeti kontrollok 27 4. Összefoglalás
RészletesebbenRegresszió. Csorba János. Nagyméretű adathalmazok kezelése március 31.
Regresszió Csorba János Nagyméretű adathalmazok kezelése 2010. március 31. A feladat X magyarázó attribútumok halmaza Y magyarázandó attribútumok) Kérdés: f : X -> Y a kapcsolat pár tanítópontban ismert
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
RészletesebbenSzomszédság alapú ajánló rendszerek
Nagyméretű adathalmazok kezelése Szomszédság alapú ajánló rendszerek Készítette: Szabó Máté A rendelkezésre álló adatmennyiség növelésével egyre nehezebb kiválogatni a hasznos információkat Megoldás: ajánló
RészletesebbenKorreláció és lineáris regresszió
Korreláció és lineáris regresszió Két folytonos változó közötti összefüggés vizsgálata Szűcs Mónika SZTE ÁOK-TTIK Orvosi Fizikai és Orvosi Informatikai Intézet Orvosi Fizika és Statisztika I. előadás 2016.11.02.
RészletesebbenNem teljesen kitöltött páros összehasonlítás mátrixok sajátérték optimalizálása Newton-módszerrel p. 1/29. Ábele-Nagy Kristóf BCE, ELTE
Nem teljesen kitöltött páros összehasonlítás mátrixok sajátérték optimalizálása Newton-módszerrel Ábele-Nagy Kristóf BCE, ELTE Bozóki Sándor BCE, MTA SZTAKI 2010. november 4. Nem teljesen kitöltött páros
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek tesztelése II.
Többváltozós lineáris regressziós modell feltételeinek tesztelése II. - A magyarázó változóra vonatkozó feltételek tesztelése - Optimális regressziós modell kialakítása - Kvantitatív statisztikai módszerek
RészletesebbenSzójabab és búza csírázási folyamatainak összehasonlítása NIR spektrumok segítségével
Szójabab és búza csírázási folyamatainak összehasonlítása NIR spektrumok segítségével Bartalné Berceli Mónika BME VBK ABÉT NIR Klub, Budapesti Corvinus Egyetem, 2015. október 6. 2. Búza összetétele (sz.a.)
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek tesztelése I.
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Kvantitatív statisztikai módszerek Petrovics Petra Többváltozós lineáris regressziós
RészletesebbenPLATTÍROZOTT ALUMÍNIUM LEMEZEK KÖTÉSI VISZONYAINAK TECHNOLÓGIAI VIZSGÁLATA TECHNOLOGICAL INVESTIGATION OF PLATED ALUMINIUM SHEETS BONDING PROPERTIES
Anyagmérnöki Tudományok, 37. kötet, 1. szám (2012), pp. 371 379. PLATTÍROZOTT ALUMÍNIUM LEMEZEK KÖTÉSI VISZONYAINAK TECHNOLÓGIAI VIZSGÁLATA TECHNOLOGICAL INVESTIGATION OF PLATED ALUMINIUM SHEETS BONDING
RészletesebbenMűholdas és modell által szimulált globális ózon idősorok korrelációs tulajdonságai
Műholdas és modell által szimulált globális ózon idősorok korrelációs tulajdonságai Homonnai Viktória II. éves PhD hallgató Témavezető: Dr. Jánosi Imre ELTE TTK, Komplex Rendszerek Fizikája Tanszék Bevezetés
RészletesebbenAKTUÁTOR MODELLEK KIVÁLASZTÁSA ÉS OBJEKTÍV ÖSSZEHASONLÍTÁSA
AKTUÁTOR MODELLEK KIVÁLASZTÁSA ÉS OBJEKTÍV ÖSSZEHASONLÍTÁSA Kovács Ernő 1, Füvesi Viktor 2 1 Egyetemi docens, PhD; 2 tudományos segédmunkatárs 1 Eletrotechnikai és Elektronikai Tanszék, Miskolci Egyetem
RészletesebbenMesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás
Mesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás http:/uni-obuda.hu/users/kutor/ IRE 7/50/1 A neurális hálózatok általános jellemzői 1. A
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
RészletesebbenELTE TáTK Közgazdaságtudományi Tanszék GAZDASÁGSTATISZTIKA. Készítette: Bíró Anikó. Szakmai felelős: Bíró Anikó június
GAZDASÁGSTATISZTIKA GAZDASÁGSTATISZTIKA Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi
RészletesebbenMiskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Factor Analysis
Factor Analysis Factor analysis is a multiple statistical method, which analyzes the correlation relation between data, and it is for data reduction, dimension reduction and to explore the structure. Aim
RészletesebbenA jövőbeli hatások vizsgálatához felhasznált klímamodell-adatok Climate model data used for future impact studies Szépszó Gabriella
A jövőbeli hatások vizsgálatához felhasznált klímamodell-adatok Climate model data used for future impact studies Szépszó Gabriella Országos Meteorológiai Szolgálat Hungarian Meteorological Service KRITéR
RészletesebbenKutatási beszámoló. 2015. február. Tangens delta mérésére alkalmas mérési összeállítás elkészítése
Kutatási beszámoló 2015. február Gyüre Balázs BME Fizika tanszék Dr. Simon Ferenc csoportja Tangens delta mérésére alkalmas mérési összeállítás elkészítése A TKI-Ferrit Fejlsztő és Gyártó Kft.-nek munkája
RészletesebbenTöbbváltozós lineáris regressziós modell feltételeinek
Többváltozós lineáris regressziós modell feltételeinek tesztelése I. - A hibatagra vonatkozó feltételek tesztelése - Petrovics Petra Doktorandusz Többváltozós lineáris regressziós modell x 1, x 2,, x p
RészletesebbenKvalitatív elemzésen alapuló reakciómechanizmus meghatározás
Kvalitatív elemzésen alapuló reakciómechanizmus meghatározás Varga Tamás Pannon Egyetem, Folyamatmérnöki Intézeti Tanszék IX. Alkalmazott Informatika Konferencia ~ AIK 2011 ~ Kaposvár, Február 25. Tartalom
RészletesebbenModern fizika laboratórium
Modern fizika laboratórium Röntgen-fluoreszcencia analízis Készítette: Básti József és Hagymási Imre 1. Bevezetés A röntgen-fluoreszcencia analízis (RFA) egy roncsolásmentes anyagvizsgálati módszer. Rövid
RészletesebbenKOOPERÁCIÓ ÉS GÉPI TANULÁS LABORATÓRIUM
KOOPERÁCIÓ ÉS GÉPI TANULÁS LABORATÓRIUM Kernel módszerek idősor előrejelzés Mérési útmutató Készítette: Engedy István (engedy@mit.bme.hu) Méréstechnika és Információs Rendszerek Tanszék Budapesti Műszaki
RészletesebbenJASCO FTIR KIEGÉSZÍTŐK - NE CSAK MÉRJ, LÁSS IS!
JASCO FTIR KIEGÉSZÍTŐK - NE CSAK MÉRJ, LÁSS IS! Szakács Tibor, Szepesi Ildikó ABL&E-JASCO Magyarország Kft. 1116 Budapest, Fehérvári út 132-144. ablehun@ablelab.com www.ablelab.com JASCO SPEKTROSZKÓPIA
RészletesebbenICT ÉS BP RENDSZEREK HATÉKONY TELJESÍTMÉNY SZIMULÁCIÓJA DR. MUKA LÁSZLÓ
ICT ÉS BP RENDSZEREK HATÉKONY TELJESÍTMÉNY SZIMULÁCIÓJA DR. MUKA LÁSZLÓ 1 TARTALOM 1.1 A MODELLEZÉS ÉS SZIMULÁCIÓ META-SZINTŰ HATÉKONYSÁGÁNAK JAVÍTÁSA A. Az SMM definiálása, a Jackson Keys módszer kiterjesztése
RészletesebbenTúlélés elemzés október 27.
Túlélés elemzés 2017. október 27. Néhány példa Egy adott betegség diagnózisától kezdve mennyi ideje van hátra a páciensnek? Tipikusan mennyi ideig élhet túl? Bizonyos ráktípus esetén mennyi idő telik el
Részletesebben4/24/12. Regresszióanalízis. Legkisebb négyzetek elve. Regresszióanalízis
1. feladat Regresszióanalízis. Legkisebb négyzetek elve 2. feladat Az iskola egy évfolyamába tartozó diákok átlagéletkora 15,8 év, standard deviációja 0,6 év. A 625 fős évfolyamból hány diák fiatalabb
RészletesebbenThe nontrivial extraction of implicit, previously unknown, and potentially useful information from data.
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Adatelemzés intelligens módszerekkel Hullám Gábor Adatelemzés hagyományos megközelítésben I. Megválaszolandó
RészletesebbenÖnálló labor beszámoló Képek szegmentálása textúra analízis segítségével. MAJF21 Eisenberger András május 22. Konzulens: Dr.
Önálló labor beszámoló Képek szegmentálása textúra analízis segítségével 2011. május 22. Konzulens: Dr. Pataki Béla Tartalomjegyzék 1. Bevezetés 2 2. Források 2 3. Kiértékelő szoftver 3 4. A képek feldolgozása
RészletesebbenNYÚLHÚS ZSÍRTARTALMÁNAK BECSLÉSE KÖZELI INFRAVÖRÖS SPEKTROSZKÓPIÁVAL
NYÚLHÚS ZSÍRTARTALMÁNAK BECSLÉSE KÖZELI INFRAVÖRÖS SPEKTROSZKÓPIÁVAL Romvári R., Bázár Gy., Kövér Gy., Locsmándi L., Szabó A., Andrássy Zoltánné, Szendrő Zs. Kaposvári Egyetem, Állattudományi Kar, 7400
RészletesebbenLégi hiperspektrális biomassza térképezés elsődleges eredményei a Tass-pusztai biomassza ültetvényen
Légi hiperspektrális biomassza térképezés elsődleges eredményei a Tass-pusztai biomassza ültetvényen Preliminary results of evaluation of biomass mapping based on hyperspectral imagery on energy tree plantation
RészletesebbenBiomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János
Szent István Egyetem Állatorvos-tudományi Kar Biomatematikai és Számítástechnikai Tanszék Biomatematika 12. Regresszió- és korrelációanaĺızis Fodor János Copyright c Fodor.Janos@aotk.szie.hu Last Revision
RészletesebbenSTATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése
4. A modell érvényességének ellenőrzése STATISZTIKA 4. Előadás Variancia-analízis Lineáris modellek 1. Függetlenség 2. Normális eloszlás 3. Azonos varianciák A maradék független a kezelés és blokk hatástól
RészletesebbenA Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában
A Markovi forgalomanalízis legújabb eredményei és ezek alkalmazása a távközlő hálózatok teljesítményvizsgálatában Horváth Gábor ghorvath@hit.bme.hu (Horváth András, Telek Miklós) - p. 1 Motiváció, problémafelvetés
RészletesebbenMegerősítéses tanulás
Megerősítéses tanulás elméleti kognitív neurális Introduction Knowledge representation Probabilistic models Bayesian behaviour Approximate inference I (computer lab) Vision I Approximate inference II:
RészletesebbenMit látnak a robotok? Bányai Mihály Matemorfózis, 2017.
Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017. Vizuális feldolgozórendszerek feladatai Mesterséges intelligencia és idegtudomány Mesterséges intelligencia és idegtudomány Párhuzamos problémák
RészletesebbenCrMo4 anyagtípusok izotermikus átalakulási folyamatainak elemzése és összehasonlítása VEM alapú fázis elemeket tartalmazó TTT diagramok alkalmazásával
CrMo4 anyagtípusok izotermikus átalakulási folyamatainak elemzése és összehasonlítása VEM alapú fázis elemeket tartalmazó TTT diagramok alkalmazásával Ginsztler J. Tanszékvezető egyetemi tanár, Anyagtudomány
RészletesebbenMesterséges 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 20/2011 Az Előadások Témái 226/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák Szemantikus
RészletesebbenIX. Alkalmazott Informatikai Konferencia Kaposvári Egyetem február 25.
Kaposvári Egyetem 2011. február 25. Egedy Attila, Varga Tamás, Chován Tibor Pannon Egyetem, Mérnöki Kar, Folyamatmérnöki Intézeti Tanszék Veszprém, 8200 Egyetem utca 10. Bevezetés Cellás modellezés Kvalitatív
RészletesebbenHipotézis vizsgálatok
Hipotézis vizsgálatok Hipotézisvizsgálat Hipotézis: az alapsokaság paramétereire vagy az alapsokaság eloszlására vonatkozó feltevés. Hipotézis ellenőrzés: az a statisztikai módszer, amelynek segítségével
RészletesebbenSZOLGÁLTATÁS-VALIDÁCIÓ ITU-T AJÁNLÁSOK ALAPJÁN
SZOLGÁLTATÁS-VALIDÁCIÓ ITU-T AJÁNLÁSOK ALAPJÁN Szoftver verifikáció és validáció (BMEVIMMD052) 2013. december 11., Budapest Kara Péter András doktorandusz BME Hálózati Rendszerek és Szolgáltatások Tanszék
RészletesebbenEnsemble Kalman Filters Part 1: The basics
Ensemble Kalman Filters Part 1: The basics Peter Jan van Leeuwen Data Assimilation Research Centre DARC University of Reading p.j.vanleeuwen@reading.ac.uk Model: 10 9 unknowns P[u(x1),u(x2),T(x3),.. Observations:
Részletesebben1. Ábra Az n-paraffinok olvadáspontja és forráspontja közötti összefüggés
Nagy izoparaffin-tartalmú gázolajok előállításának vizsgálata Investigation of production of gas oils with high isoparaffin content Pölczmann György, Hancsók Jenő Pannon Egyetem, Vegyészmérnöki és Folyamatmérnöki
RészletesebbenBiometria az orvosi gyakorlatban. Korrelációszámítás, regresszió
SZDT-08 p. 1/31 Biometria az orvosi gyakorlatban Korrelációszámítás, regresszió Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu Korrelációszámítás
Részletesebben