Aplikace softcomputingu

Transkript

Aplikace softcomputingu
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

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)...

Více

Metody Pocítacového Videní (MPV) - Machine learning

Metody Pocítacového Videní (MPV) - Machine learning Umělá neuronová sı́t’ - Artifical Neural Network (ANN) I I

Více

4IZ631 INTELIGENTNÍ SYSTE´ MY

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....

Více

zde

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...

Více

IAD metody v poˇcıt´anı Markovov´ych retˇezc˚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...

Více

x - Atlases

x - Atlases Atypické hemopoetické buňky jevı́ různé chromosomálnı́ anomálie (monosomie, delece aj.).

Více

příklady

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...

Více

KYBERNETIKA A UMEL´A INTELIGENCE 2. Entropie a Informace

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,...

Více

Darwinova evolucn´ı teorie

Darwinova evolucn´ı teorie Gymnázium Tachov, seminář 28. června 2002

Více