Aplikace softcomputingu
Transkript
APLIKACE SOFTCOMPUTINGU VILÉM NOVÁK RADIM FARANA MICHAL JANOŠEK VIKTOR PAVLISKA MARTIN ŠTĚPNIČKA JOSEF TVRDÍK MAREK VAJGL ROZVOJ KOMPETENCÍ MANAGEMENTU A PRACOVNÍKŮ VŠ MSK (S PODPOROU ICT) 2.2: CZ.1.07/2.2.00/15.0176 OSTRAVA 2012 Tento projekt je spolufinancován Evropským sociálnı́m fondem a státnı́m rozpočtem České republiky Název: Aplikace softcomputingu Autor: Vilém Novák, Radim Farana, Michal Janošek, Viktor Pavliska, Martin Štěpnička, Josef Tvrdı́k, Marek Vajgl Vydánı́: prvnı́, 2012 Počet stran: 66 Studijnı́ materiály pro kurz: Aplikace softcomputingu Jazyková korektura nebyla provedena, za jazykovou stránku odpovı́dá autor. c V. Novák, R. Farana, M. Janošek, V. Pavliska, M. Štěpnička, J. Tvrdı́k, M. Vajgl, c Ostravská univerzita v Ostravě Obsah 1 Úvod 5 2 Teoretické základy 2.1 Fuzzy IF-THEN pravidla . . . . . 2.2 Fuzzy transformace . . . . . . . . 2.3 Takagi-Sugeno pravidla . . . . . . 2.4 Evolučnı́ algoritmy . . . . . . . . 2.4.1 Stochastické algoritmy pro 2.4.2 Evolučnı́ algoritmy . . . . 2.4.3 Diferenciálnı́ evoluce . . . 2.5 Umělé neuronové sı́tě . . . . . . . 2.5.1 Model neuronu . . . . . . 2.5.2 Proces učenı́ . . . . . . . . 2.6 Optimalizace hejnem částic . . . 2.6.1 Úvod do PSO . . . . . . . 2.6.2 Algoritmy PSO . . . . . . 2.6.3 Plně informovanı́ jedinci . 2.6.4 Topologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 7 10 13 16 18 19 20 23 23 25 28 28 30 32 34 3 Vybrané aplikace 3.1 Řı́zenı́ a rozhodovánı́ . . . . . . . . . . . . . . . . . . . . 3.2 Počı́tačové viděnı́ . . . . . . . . . . . . . . . . . . . . . . 3.2.1 Obecná reprezentace obrazu v počı́tači. . . . . . . 3.2.2 Použitı́ fuzzy transformace při zpracovánı́ obrazu 3.2.3 Komprese obrazu . . . . . . . . . . . . . . . . . . 3.2.4 Fúze obrazů . . . . . . . . . . . . . . . . . . . . . 3.2.5 Rekonstrukce obrazu . . . . . . . . . . . . . . . . 3.2.6 Detekce hran . . . . . . . . . . . . . . . . . . . . 3.2.7 Redukce obrazu . . . . . . . . . . . . . . . . . . . 3.3 Analýza a prognózovánı́ časových řad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 35 46 47 50 52 56 57 59 60 62 4 Závěr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . globálnı́ optimalizaci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 3
Podobné dokumenty
Dynamika rotor˚u a základn´ı poznatky na jednoduchém systému
Úvod a motivace
I Dynamika — část mechaniky studujı́cı́ pohyb s ohledem na jeho přı́činy
I Kmitánı́ (vibrace) — opakujı́cı́ se změna pohybu (v čase) (nebo
vykazujı́cı́ tendenci se opakovat)...
Metody Pocítacového Videní (MPV) - Machine learning
Umělá neuronová sı́t’ - Artifical Neural Network (ANN)
I
I
4IZ631 INTELIGENTNÍ SYSTE´ MY
– 6 Reprezentace a zpracovánı́ neurčitosti 6.1 Způsoby vyjádřenı́ neurčitosti 6.2 Usuzovánı́ s využitı́m neurčitosti
– 7 Soft computing 7.1 Bayesovské sı́tě 7.2 Posibilistické sı́tě 7....
zde
3.2.3 Particle swarm - ponechánı́ běhu optimlizace až do ukončenı́
25. generace . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.4 Particle swarm - ponechánı́ běhu optimlizace až do u...
IAD metody v poˇcıt´anı Markovov´ych retˇezc˚u
Courtois, Semal (86) - Konvergence pro cyklickou iteračnı́ matici blokové Jacobiovy metody
M −1 W , I − B = M − W , je-li prováděna agregace. Otázka četnosti agregačnı́ho kroku.
Marek, Mayer...
x - Atlases
Atypické hemopoetické buňky jevı́ různé chromosomálnı́ anomálie (monosomie, delece aj.).
příklady
2. Určete hybnost, která se klasicky přenese mezi časy ti → −∞ a tf → ∞?
3. Spočı́tejte pravděpodobnost přechodu ze základnı́ho stavu v čase ti → −∞ do
prvnı́ho excitovaného stavu v čase...
KYBERNETIKA A UMEL´A INTELIGENCE 2. Entropie a Informace
Vı́ce stavových veličin. Uvažovaný model bral v úvahu pouze jednu stavovou veličinu. Modelem stochastického systému s n stavovými proměnnými X1, X2, . . . Xn je sdružená hustota
f (x1,...