y = f(x)+ffl x 2.2 x 2X f(x) x x p T (x) = 1 Z T exp( f(x)=t ) (2) x 1 exp Z T Z T = X x2x exp( f(x)=t ) (3) Z T T > 0 T 0 x p T (x) x f(x) (MAP = Max
|
|
- Σπύρο Αγγελίδου
- 7 χρόνια πριν
- Προβολές:
Transcript
1 Workshop on Information-Based Induction Sciences (IBIS2006) Osaka, Japan, October 31- November 2, [ ] Introduction to statistical models for populational optimization Λ Shotaro Akaho Abstract: This paper provides an introductory review of populational search methods based on statistical modelling. We start with a random search algorithm called Markov Chain Monte Carlo (MCMC). To solve an optimization problem, it is crucial for the performance to use specific knowledge about the problem. We discuss how the optimizer can acquire the knowledge during the optimization, which is closely related to various fields of statistical learning theory. 1 IBIS Λ, , akaho@m.ieice.org, National Institute of Advanced Industrial Science and Technology (AIST), Central 2, Umezono, Tsukuba, Ibaraki (stochastic optimization) (population search) 2.1 X f(x) 2 R;x 2X x x Λ x Λ = arg min x f(x) (1) X f(x) (1) f(x) f(x) x f x f(x) f(x) (2) f(x)
2 y = f(x)+ffl x 2.2 x 2X f(x) x x p T (x) = 1 Z T exp( f(x)=t ) (2) x 1 exp Z T Z T = X x2x exp( f(x)=t ) (3) Z T T > 0 T 0 x p T (x) x f(x) (MAP = Maximum a posterior estimation) p T (x) f(x) f(x) p T (x) 2.3 MCMC (Metropolis-Hastings) (MCMC = Markov Chain Monte Carlo) p T (x) P (x t+1 j x t ) [ ] 1 X f Z 1. x t x t+1 q(x t+1 j x t ) 2. x t+1 ( x t+1 = x t ) ff(x t ;x t+1 )= p T (x t+1 )q(x t j x t+1 ) p T (x t )q(x t+1 j x t ) ff(x t+1 ;x t ) 1 (4) q (: proposal distribution) 2 (Gibbs sampler) (Metropolis method) (independence sampler) q 2.4 MCMC MCMC [8, 12, 15] MCMC x0 p T (x) p T (x) MCMC P (x t+1 j x t ) (detailed balance condition) p T (x)p (y j x) =p T (y)p (x j y) (5) x; y MCMC (4) p T (x) p T (x t+1 ) p T (x t ) p T (x) (2) (2) Z T MCMC x t x t+1 2
3 3 3.1 Exploration-Exploitation MCMC X (Exploration) MCMC x t ( f(x t ) ) f(x) f(x) f(x) (Exploitation) exploration exploitation X x t f(x) f(x t ) q(x t+1 j x t ) exploration ( ) MCMC EDA 3.2 (2) T T 0 f(x) MCMC X T f(x) (SA=Simulated Annealing) [5, 6] (Haj ek[6]) fx t g t T t 1X t=1 exp( D=T t )=1 (6) D T t = D= log t 3 T t = ff t T0 (0 <ff<1) 4 1 x X x MCMC 4 x K MCMC X K x (1) ;:::;x (K) 3 D 4
4 KY p(x (1) ;:::;x (K) )= k=1 p T (x (k) ) (7) MCMC k =1;:::;K x (k) 1 MCMC q(x (k) t+1 j x(k) t ) 2 (1) (7) : (2) k p Tk (x (k) ) KY p(x (1) ;:::;x (K) )= k=1 p Tk (x (k) ) (8) (2) 1 MCMC MCMC : 1 MCMC x (j) x (k) x (j) x (k) (8) (parallel tempering) x (j) x (k) j k fi(x (j) ;x (k) )= p T k (x (j) )p Tj (x (k) ) p Tj (x (j) )p Tk (x (k) ) (9) fi(x (j) ;x (k) ) 1 MCMC (9) (x (k) x (k+1) ) T1;:::;T K ( ) [8] 5 MCMC f(x) X 2 R f(x) x = x Λ f(x) x = x Λ lim T!+0 R X x exp( f(x)=t )dx RX = exp( f(x)=t )dx xλ (10) [14] ; ffi 1 f(x) <f0 + ffi (11) x PAC ( f0 ) 5.1 MCMC p(x) (importance sampling) p(x) r(x) N x1;:::;x N x i
5 5 MCMC N w i = p(x i )=r(x i ) hxi w = P N i=1 w ix i PN i=1 w i (12) N x p(x) p(x) w i p(x) w i Z MCMC (sequential Monte Carlo) (particle filter) [3, 7] 5.2 r(x) x1;:::;x N w i ew i = w i P N i=1 w i (13) (resampling) N x 0 1 ;:::;x0 N x1;:::;x N N x 0 i p(x) w i w i (curse of dimensinality) p(x) 5.3 (GA = Genetic algorithm) DNA 5 N 1. : p T (x i ) 2. : q(x t+1 j x t ) x t x t+1 () 3. r(x (j) t+1 ;x(k) t+1 j x(j) t ;x (k) t ) x (j), x (k) x (j) t+1, x (k) t+1 ( x ) r(x) =1 p Tt (x) p T (x) p Tt+1(x) =p Tt (x)p T (x) =exp( f(x)=t t+1 )=Z t+1 ; (14) T t+1 =1=(1=T t +1=T )=T t =(1 + T t =T ) <T t (15) (genetic drift) [1]. MCMC 4 1 MCMC MCMC 6 6
6 6 3.1 EDA (Estimation of Distribution Algorithm) EDA EDA 6.1 (= ) MCMC p T (x) p T (x) ' p(x; ) (16) p T (x) p(x; ) p T (x) p T (x) p T (x) f(x) x p T (x) f(x) p T (x) MCMC EDA f(x) [ EDA] 1. x (1) t ;:::;x (N) t f(x) 2. p(x; ) 3. p(x; ) EDA GA MCMC p(x; ) 6.2 p(x) x1;:::;x N p(x) (Active learning)[4] x 2X =[0; 1] y = ax+b+ffl (ffl ) x x x =0; 1 a; b (optimal experimental design) x 2X
7 6.3 bandit problem bandit problem (RL = Reinforcement learning) [16] bandit problem (MDP = Markov decision process) (DP = Dynamic programming) Q-learning TD-learning 3.1 exploration-exploitation exploration exploitation 6.4 (MFA = Mean field approximation)[13, 10] (MRF = Markov random field) (BN = Bayesian network) p T (x) EDA (singly-connected graph) (Viterbi ) (loopygraph) x =(x1;:::;x K ) K p(x) p(x) ' KY p i (x i ; i ) (17) i=1 p(x) i ( ) p i (x i ; i ) (Bethe) (Belief-propagation) p T (x) p T (x) ( f(x) ) p T (x) [18] x 2X
8 (PCA = Principal component analysis) (ICA = Independent component anaysis) PCA PCA ICA PCA[2] (Multicanonical) z p(x) = X z p(x; z) (18) p(x; z) p(x) EM [10] 7.2 X S Y 1 X = i=1 Y X 5.2 MCMC (jump diffusion) MCMC 8 web [9, 11] () [17] [1] S. Akaho. Statistical learning in optimization: Gaussian modeling for population search. In Proc. of Int. Conf. Neural Information Processing (ICONIP'98), [2] S. Akaho. The e-pca and m-pca: dimension reduction by information geometry. In Proc. of Int. Joint Conf. on Neural Networks (IJCNN2004), pp , [3] A. Doucet, N. de Freitas, and N. Gordon, editors. Sequential Monte Carlo in Practice. Springer-Verlag, [4].,., [5] S. Geman and D. Geman. Stochastic Relaxation, Gibbs distributions and the Bayesian restoration of images. IEEE Trans. on PAMI, Vol. 6, pp , [6] B. H ajek. Cooling schedules for optimal annealing. Math. Operation. Research, Vol. 13, pp , [7].., Vol. 88, No. 12, pp , [8]. II. 12., [9],.. 14., [10],. EM, I. 11., [11].., [12] J.S. Liu. Monte Carlo strategies in scientific computing. Springer-Verlag, [13] M. Opper and D. Saad, editors. Advanced Mean Field Methods: Theory and Practice. MIT Press, [14] W.H. Press, S.A. Teukolsky, W.T. Vetterling, and B.P. Flannery. Numerical Recipes in C, The Art of Scientific Computing, Second edition. Cambridge University Press, [15] C.P. Robert. Monte Carlo statistical methods. Springer-Verlag, [16] R. S. Sutton and A. G. Barto. Reinforcement learning: an introduction. MIT Press, [17] V.V. Vazirani. Approximation Algorithms. Springer- Verlag, ( ), [18] M.J. Wainwright, T.S. Jaakkola, and A.S. Willsky. Tree-based reparameterization framework for analysis of sum-product and related algorithms. IEEE Trans. on Information Theory, 2003.
Applying Markov Decision Processes to Role-playing Game
1,a) 1 1 1 1 2011 8 25, 2012 3 2 MDPRPG RPG MDP RPG MDP RPG MDP RPG MDP RPG Applying Markov Decision Processes to Role-playing Game Yasunari Maeda 1,a) Fumitaro Goto 1 Hiroshi Masui 1 Fumito Masui 1 Masakiyo
Διαβάστε περισσότεραBuried Markov Model Pairwise
Buried Markov Model 1 2 2 HMM Buried Markov Model J. Bilmes Buried Markov Model Pairwise 0.6 0.6 1.3 Structuring Model for Speech Recognition using Buried Markov Model Takayuki Yamamoto, 1 Tetsuya Takiguchi
Διαβάστε περισσότεραYahoo 2. SNS Social Networking Service [3,5,12] Copyright c by ORSJ. Unauthorized reproduction of this article is prohibited.
c 1. SNS Social Networking Service [3,5,12] 3 1 CM 190 8562 10 3 E-mail: eiji.motohashi@gmail.com 141 6009 2 1 1 190 8562 10 3 12.5.3 12.7.24 Yahoo 2 1 2 3 1 1 2 574 32 Copyright c by ORSJ. Unauthorized
Διαβάστε περισσότερα: Monte Carlo EM 313, Louis (1982) EM, EM Newton-Raphson, /. EM, 2 Monte Carlo EM Newton-Raphson, Monte Carlo EM, Monte Carlo EM, /. 3, Monte Carlo EM
2008 6 Chinese Journal of Applied Probability and Statistics Vol.24 No.3 Jun. 2008 Monte Carlo EM 1,2 ( 1,, 200241; 2,, 310018) EM, E,,. Monte Carlo EM, EM E Monte Carlo,. EM, Monte Carlo EM,,,,. Newton-Raphson.
Διαβάστε περισσότεραBundle Adjustment for 3-D Reconstruction: Implementation and Evaluation
3 2 3 2 3 undle Adjustment or 3-D Reconstruction: Implementation and Evaluation Yuuki Iwamoto, Yasuyuki Sugaya 2 and Kenichi Kanatani We describe in detail the algorithm o bundle adjustment or 3-D reconstruction
Διαβάστε περισσότεραWeb-based supplementary materials for Bayesian Quantile Regression for Ordinal Longitudinal Data
Web-based supplementary materials for Bayesian Quantile Regression for Ordinal Longitudinal Data Rahim Alhamzawi, Haithem Taha Mohammad Ali Department of Statistics, College of Administration and Economics,
Διαβάστε περισσότεραOptimization, PSO) DE [1, 2, 3, 4] PSO [5, 6, 7, 8, 9, 10, 11] (P)
( ) 1 ( ) : : (Differential Evolution, DE) (Particle Swarm Optimization, PSO) DE [1, 2, 3, 4] PSO [5, 6, 7, 8, 9, 10, 11] 2 2.1 (P) (P ) minimize f(x) subject to g j (x) 0, j = 1,..., q h j (x) = 0, j
Διαβάστε περισσότεραIPSJ SIG Technical Report Vol.2014-CE-127 No /12/6 CS Activity 1,a) CS Computer Science Activity Activity Actvity Activity Dining Eight-He
CS Activity 1,a) 2 2 3 CS Computer Science Activity Activity Actvity Activity Dining Eight-Headed Dragon CS Unplugged Activity for Learning Scheduling Methods Hisao Fukuoka 1,a) Toru Watanabe 2 Makoto
Διαβάστε περισσότερα476,,. : 4. 7, MML. 4 6,.,. : ; Wishart ; MML Wishart ; CEM 2 ; ;,. 2. EM 2.1 Y = Y 1,, Y d T d, y = y 1,, y d T Y. k : p(y θ) = k α m p(y θ m ), (2.1
2008 10 Chinese Journal of Applied Probability and Statistics Vol.24 No.5 Oct. 2008 (,, 1000871;,, 100044) (,, 100875) (,, 100871). EM, Wishart Jeffery.,,,,. : :,,, EM, Wishart. O212.7. 1.,. 1894, Pearson.
Διαβάστε περισσότεραΒιογραφικό Σημείωμα. (τελευταία ενημέρωση 20 Ιουλίου 2015) 14 Ιουλίου 1973 Αθήνα Έγγαμος
Βιογραφικό Σημείωμα (τελευταία ενημέρωση 20 Ιουλίου 2015) Προσωπικές Πληροφορίες Όνομα Δημήτρης Φουσκάκης Ημερομηνία γέννησης Τόπος γέννησης Οικογενειακή κατάσταση 14 Ιουλίου 1973 Αθήνα Έγγαμος Εθνικότητα
Διαβάστε περισσότεραBayesian statistics. DS GA 1002 Probability and Statistics for Data Science.
Bayesian statistics DS GA 1002 Probability and Statistics for Data Science http://www.cims.nyu.edu/~cfgranda/pages/dsga1002_fall17 Carlos Fernandez-Granda Frequentist vs Bayesian statistics In frequentist
Διαβάστε περισσότεραΕΚΠ 413 / ΕΚΠ 606 Αυτόνοµοι (Ροµ οτικοί) Πράκτορες
ΕΚΠ 413 / ΕΚΠ 606 Αυτόνοµοι (Ροµ οτικοί) Πράκτορες Λήψη Α οφάσεων υ ό Αβεβαιότητα Decision Making under Uncertainty Τµήµα Ηλεκτρονικών Μηχανικών και Μηχανικών Υ ολογιστών Πολυτεχνείο Κρήτης Ε ανάληψη Εντο
Διαβάστε περισσότεραVol. 31,No JOURNAL OF CHINA UNIVERSITY OF SCIENCE AND TECHNOLOGY Feb
Ξ 31 Vol 31,No 1 2 0 0 1 2 JOURNAL OF CHINA UNIVERSITY OF SCIENCE AND TECHNOLOGY Feb 2 0 0 1 :025322778 (2001) 0120016205 (, 230026) : Q ( m 1, m 2,, m n ) k = m 1 + m 2 + + m n - n : Q ( m 1, m 2,, m
Διαβάστε περισσότεραMerging Particle Filter
2008 56 2 225 234 c 2008 Merging Particle Filter 1,2 1,2 1,2 1,2 2008 1 4 2008 3 31 particle filter merging particle filter MPF MPF MPF 2 1 0 particle filter merging particle filter 1. data assimilation
Διαβάστε περισσότεραA Method for Creating Shortcut Links by Considering Popularity of Contents in Structured P2P Networks
P2P 1,a) 1 1 1 P2P P2P P2P P2P A Method for Creating Shortcut Links by Considering Popularity of Contents in Structured P2P Networks NARISHIGE Yuki 1,a) ABE Kota 1 ISHIBASHI Hayato 1 MATSUURA Toshio 1
Διαβάστε περισσότεραΕισαγωγή σε μεθόδους Monte Carlo Ενότητα 3: Δειγματοληπτικές μέθοδοι
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Εισαγωγή σε μεθόδους Monte Carlo Ενότητα 3: Δειγματοληπτικές μέθοδοι Βαγγέλης Χαρμανδάρης Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Transformation Methods:
Διαβάστε περισσότεραFeasible Regions Defined by Stability Constraints Based on the Argument Principle
Feasible Regions Defined by Stability Constraints Based on the Argument Principle Ken KOUNO Masahide ABE Masayuki KAWAMATA Department of Electronic Engineering, Graduate School of Engineering, Tohoku University
Διαβάστε περισσότεραAnomaly Detection with Neighborhood Preservation Principle
27 27 Workshop on Information-Based Induction Sciences (IBIS27) Tokyo, Japan, November 5-7, 27. Anomaly Detection with Neighborhood Preservation Principle Tsuyoshi Idé Abstract: We consider a task of anomaly
Διαβάστε περισσότεραCustomized Pricing Recommender System Simple Implementation and Preliminary Experiments
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE., 305-8568 1 1 1 2 305 8571 1 1 1 102 8666 5 3,,, Customized Pricing Recommender System Simple Implementation
Διαβάστε περισσότεραΜπεϋζιανή Στατιστική και MCMC Μέρος 2 ο : MCMC
Μπεϋζιανή Στατιστική και MCMC Μέρος 2 ο : MCMC Δημήτρης Φουσκάκης, Επίκουρος Καθηγητής, Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών, Τομέας Μαθηματικών, Τηλέφωνο: (210) 772-1702, Φαξ: (210) 772-1775.
Διαβάστε περισσότεραResearch on model of early2warning of enterprise crisis based on entropy
24 1 Vol. 24 No. 1 ont rol an d Decision 2009 1 Jan. 2009 : 100120920 (2009) 0120113205 1, 1, 2 (1., 100083 ; 2., 100846) :. ;,,. 2.,,. : ; ; ; : F270. 5 : A Research on model of early2warning of enterprise
Διαβάστε περισσότεραJ. of Math. (PRC) 6 n (nt ) + n V = 0, (1.1) n t + div. div(n T ) = n τ (T L(x) T ), (1.2) n)xx (nt ) x + nv x = J 0, (1.4) n. 6 n
Vol. 35 ( 215 ) No. 5 J. of Math. (PRC) a, b, a ( a. ; b., 4515) :., [3]. : ; ; MR(21) : 35Q4 : O175. : A : 255-7797(215)5-15-7 1 [1] : [ ( ) ] ε 2 n n t + div 6 n (nt ) + n V =, (1.1) n div(n T ) = n
Διαβάστε περισσότεραFourier transform, STFT 5. Continuous wavelet transform, CWT STFT STFT STFT STFT [1] CWT CWT CWT STFT [2 5] CWT STFT STFT CWT CWT. Griffin [8] CWT CWT
1,a) 1,2,b) Continuous wavelet transform, CWT CWT CWT CWT CWT 100 1. Continuous wavelet transform, CWT [1] CWT CWT CWT [2 5] CWT CWT CWT CWT CWT Irino [6] CWT CWT CWT CWT CWT 1, 7-3-1, 113-0033 2 NTT,
Διαβάστε περισσότεραStabilization of stock price prediction by cross entropy optimization
,,,,,,,, Stabilization of stock prediction by cross entropy optimization Kazuki Miura, Hideitsu Hino and Noboru Murata Prediction of series data is a long standing important problem Especially, prediction
Διαβάστε περισσότεραEM Baum-Welch. Step by Step the Baum-Welch Algorithm and its Application 2. HMM Baum-Welch. Baum-Welch. Baum-Welch Baum-Welch.
Baum-Welch Step by Step the Baum-Welch Algorithm and its Application Jin ichi MURAKAMI EM EM EM Baum-Welch Baum-Welch Baum-Welch Baum-Welch, EM 1. EM 2. HMM EM (Expectationmaximization algorithm) 1 3.
Διαβάστε περισσότεραBCI On Feature Extraction from Multi-Channel Brain Waves Used for Brain Computer Interface
BCI On Feature Extraction from Multi-Channel Brain Waves Used for Brain Computer Interface Hiroya SAITO Kenji NAKAYAMA Akihiro HIRANO Graduate School of Natural Science and Technology,Kanazawa Univ. E-mail:
Διαβάστε περισσότεραResearch on vehicle routing problem with stochastic demand and PSO2DP algorithm with Inver2over operator
2008 10 10 :100026788 (2008) 1020076206 (, 400074) :, Inver2over,,, : ; ; ; Inver2over ; : F54015 : A Research on vehicle routing problem with stochastic demand and PSO2DP algorithm with Inver2over operator
Διαβάστε περισσότεραBayesian modeling of inseparable space-time variation in disease risk
Bayesian modeling of inseparable space-time variation in disease risk Leonhard Knorr-Held Laina Mercer Department of Statistics UW May, 013 Motivation Ohio Lung Cancer Example Lung Cancer Mortality Rates
Διαβάστε περισσότεραStatistical analysis of extreme events in a nonstationary context via a Bayesian framework. Case study with peak-over-threshold data
Statistical analysis of extreme events in a nonstationary context via a Bayesian framework. Case study with peak-over-threshold data B. Renard, M. Lang, P. Bois To cite this version: B. Renard, M. Lang,
Διαβάστε περισσότερα2016 IEEE/ACM International Conference on Mobile Software Engineering and Systems
2016 IEEE/ACM International Conference on Mobile Software Engineering and Systems Multiple User Interfaces MobileSoft'16, Multi-User Experience (MUX) S1: Insourcing S2: Outsourcing S3: Responsive design
Διαβάστε περισσότεραNewman Modularity Newman [4], [5] Newman Q Q Q greedy algorithm[6] Newman Newman Q 1 Tabu Search[7] Newman Newman Newman Q Newman 1 2 Newman 3
DEWS2007 D3-6 y yy y y y y yy / DC 7313194 341 E-mail: yfktamura,mori,kuroki,kitakamig@its.hiroshima-cu.ac.jp, yymakoto@db.its.hiroshima-cu.ac.jp Newman Newman Newman Newman Newman A Clustering Algorithm
Διαβάστε περισσότεραSimplex Crossover for Real-coded Genetic Algolithms
Technical Papers GA Simplex Crossover for Real-coded Genetic Algolithms 47 Takahide Higuchi Shigeyoshi Tsutsui Masayuki Yamamura Interdisciplinary Graduate school of Science and Engineering, Tokyo Institute
Διαβάστε περισσότεραBayesian., 2016, 31(2): : (heterogeneity) Bayesian. . Gibbs : O212.8 : A : (2016)
2016, 31(2): 127-135 Bayesian 1, 2 (1., 010021; 2., 201306) : (heterogeney).,. Gibbs Bayesian.,.. : ; Bayesian ; ; Gibbs ; Metropolis-Hastings : O212.8 : A : 1000-4424(2016)02-0127-09 1 Aigner (1977) [1]
Διαβάστε περισσότεραAquinas College. Edexcel Mathematical formulae and statistics tables DO NOT WRITE ON THIS BOOKLET
Aquinas College Edexcel Mathematical formulae and statistics tables DO NOT WRITE ON THIS BOOKLET Pearson Edexcel Level 3 Advanced Subsidiary and Advanced GCE in Mathematics and Further Mathematics Mathematical
Διαβάστε περισσότεραSchedulability Analysis Algorithm for Timing Constraint Workflow Models
CIMS Vol.8No.72002pp.527-532 ( 100084) Petri Petri F270.7 A Schedulability Analysis Algorithm for Timing Constraint Workflow Models Li Huifang and Fan Yushun (Department of Automation, Tsinghua University,
Διαβάστε περισσότεραProbabilistic Approach to Robust Optimization
Probabilistic Approach to Robust Optimization Akiko Takeda Department of Mathematical & Computing Sciences Graduate School of Information Science and Engineering Tokyo Institute of Technology Tokyo 52-8552,
Διαβάστε περισσότεραAutomatic extraction of bibliography with machine learning
Automatic extraction of bibliography with machine learning Takeshi ABEKAWA Hidetsugu NANBA Hiroya TAKAMURA Manabu OKUMURA Abstract In this paper, we propose an extraction method of bibliography using support
Διαβάστε περισσότεραGridFTP-APT: Automatic Parallelism Tuning Mechanism for Data Transfer Protocol GridFTP
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. -APT: TCP 565-871 1-5 E-mail: {t-itou,oosaki,imase}@ist.osaka-u.ac.jp TCP TCP TCP -APT ( with Automatic
Διαβάστε περισσότερα«ΑΝΑΠΣΤΞΖ ΓΠ ΚΑΗ ΥΩΡΗΚΖ ΑΝΑΛΤΖ ΜΔΣΔΩΡΟΛΟΓΗΚΩΝ ΓΔΓΟΜΔΝΩΝ ΣΟΝ ΔΛΛΑΓΗΚΟ ΥΩΡΟ»
ΓΔΩΠΟΝΗΚΟ ΠΑΝΔΠΗΣΖΜΗΟ ΑΘΖΝΩΝ ΣΜΗΜΑ ΑΞΙΟΠΟΙΗΗ ΦΤΙΚΩΝ ΠΟΡΩΝ & ΓΕΩΡΓΙΚΗ ΜΗΥΑΝΙΚΗ ΣΟΜΕΑ ΕΔΑΦΟΛΟΓΙΑ ΚΑΙ ΓΕΩΡΓΙΚΗ ΥΗΜΕΙΑ ΕΙΔΙΚΕΤΗ: ΕΦΑΡΜΟΓΕ ΣΗ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗ ΣΟΤ ΦΤΙΚΟΤ ΠΟΡΟΤ «ΑΝΑΠΣΤΞΖ ΓΠ ΚΑΗ ΥΩΡΗΚΖ ΑΝΑΛΤΖ ΜΔΣΔΩΡΟΛΟΓΗΚΩΝ
Διαβάστε περισσότεραSVM. Research on ERPs feature extraction and classification
39 1 2011 2 Journal of Fuzhou University Natural Science Edition Vol 39 No 1 Feb 2011 DOI CNKI 35-1117 /N 20110121 1723 008 1000-2243 2011 01-0054 - 06 ERPs 350108 - ERPs SVM ERPs SVM 90% ERPs SVM TP391
Διαβάστε περισσότεραAn Automatic Modulation Classifier using a Frequency Discriminator for Intelligent Software Defined Radio
C IEEJ Transactions on Electronics, Information and Systems Vol.133 No.5 pp.910 915 DOI: 10.1541/ieejeiss.133.910 a) An Automatic Modulation Classifier using a Frequency Discriminator for Intelligent Software
Διαβάστε περισσότεραDEIM Forum 2 D3-6 819 39 744 66 8 E-mail: kawamoto@inf.kyushu-u.ac.jp, tawara@db.soc.i.kyoto-u.ac.jp, {asano,yoshikawa}@i.kyoto-u.ac.jp 1.,, Amazon.com The Internet Movie Database (IMDb) 1 Social spammers
Διαβάστε περισσότεραMIDI [8] MIDI. [9] Hsu [1], [2] [10] Salamon [11] [5] Song [6] Sony, Minato, Tokyo , Japan a) b)
1,a) 1,b) 1,c) 1. MIDI [1], [2] U/D/S 3 [3], [4] 1 [5] Song [6] 1 Sony, Minato, Tokyo 108 0075, Japan a) Emiru.Tsunoo@jp.sony.com b) AkiraB.Inoue@jp.sony.com c) Masayuki.Nishiguchi@jp.sony.com MIDI [7]
Διαβάστε περισσότεραCSJ. Speaker clustering based on non-negative matrix factorization using i-vector-based speaker similarity
i-vector 1 1 1 1 i-vector CSJ i-vector Speaker clustering based on non-negative matrix factorization using i-vector-based speaker similarity Fukuchi Yusuke 1 Tawara Naohiro 1 Ogawa Tetsuji 1 Kobayashi
Διαβάστε περισσότεραDEIM Forum 2018 F3-5 657 8501 1-1 657 8501 1-1 E-mail: yuta@cs25.scitec.kobe-u.ac.jp, eguchi@port.kobe-u.ac.jp, ( ) ( )..,,,.,.,.,,..,.,,, 2..., 1.,., (Autoencoder: AE) [1] (Generative Stochastic Networks:
Διαβάστε περισσότεραQuick algorithm f or computing core attribute
24 5 Vol. 24 No. 5 Cont rol an d Decision 2009 5 May 2009 : 100120920 (2009) 0520738205 1a, 2, 1b (1. a., b., 239012 ; 2., 230039) :,,.,.,. : ; ; ; : TP181 : A Quick algorithm f or computing core attribute
Διαβάστε περισσότεραHMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διδάσκων: Γεώργιος Μήτσης, Λέκτορας, Τμήμα ΗΜΜΥ Γραφείο: GP401 Ώρες γραφείου: Οποτεδήποτε (κατόπιν επικοινωνίας) Τηλ: 22892239 Ηλ. Ταχ.: gmitsis@ucy.ac.cy Βιβλιογραφία C. M.
Διαβάστε περισσότεραStatistical Inference I Locally most powerful tests
Statistical Inference I Locally most powerful tests Shirsendu Mukherjee Department of Statistics, Asutosh College, Kolkata, India. shirsendu st@yahoo.co.in So far we have treated the testing of one-sided
Διαβάστε περισσότεραYoshifumi Moriyama 1,a) Ichiro Iimura 2,b) Tomotsugu Ohno 1,c) Shigeru Nakayama 3,d)
1,a) 2,b) 1,c) 3,d) Quantum-Inspired Evolutionary Algorithm 0-1 Search Performance Analysis According to Interpretation Methods for Dealing with Permutation on Integer-Type Gene-Coding Method based on
Διαβάστε περισσότεραΚβαντική Επεξεργασία Πληροφορίας
Κβαντική Επεξεργασία Πληροφορίας Ενότητα 36: Προοπτικές και Εφαρμογές Κβαντικών Αλγορίθμων Σγάρμπας Κυριάκος Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Σκοποί ενότητας Προοπτικές
Διαβάστε περισσότεραA research on the influence of dummy activity on float in an AOA network and its amendments
2008 6 6 :100026788 (2008) 0620106209,, (, 102206) : NP2hard,,..,.,,.,.,. :,,,, : TB11411 : A A research on the influence of dummy activity on float in an AOA network and its amendments WANG Qiang, LI
Διαβάστε περισσότεραΕΠΙΧΕΙΡΗΣΙΑΚΗ EΡΕΥΝΑ & ΔΙΟΙΚΗΤΙΚΗ ΕΠΙΣΤΗΜΗ OPERATIONS RESEARCH & MANAGEMENT SCIENCE
ΕΠΙΧΕΙΡΗΣΙΑΚΗ EΡΕΥΝΑ & ΔΙΟΙΚΗΤΙΚΗ OPERATIONS RESEARCH & MANAGEMENT SCIENCE ΚΑΤΕΥΘΥΝΣΗ ΣΠΟΥΔΩΝ Τμήμα Διοικητικής Επιστήμης & Τεχνολογίας Οικονομικό Πανεπιστήμιο Αθηνών 1. Κ. Πραματάρη, Δ.Ε.Τ. / Ο.Π.Α. The
Διαβάστε περισσότεραGPGPU. Grover. On Large Scale Simulation of Grover s Algorithm by Using GPGPU
GPGPU Grover 1, 2 1 3 4 Grover Grover OpenMP GPGPU Grover qubit OpenMP GPGPU, 1.47 qubit On Large Scale Simulation of Grover s Algorithm by Using GPGPU Hiroshi Shibata, 1, 2 Tomoya Suzuki, 1 Seiya Okubo
Διαβάστε περισσότερα{takasu, Conditional Random Field
DEIM Forum 2016 C8-6 CRF 700 8530 3 1 1 700 8530 3 1 1 101 8430 2-1-2 E-mail: pobp52cw@s.okayama-u.ac.jp, ohta@de.cs.okayama-u.ac.jp, {takasu, adachi}@nii.ac.jp Conditional Random Field 1. Conditional
Διαβάστε περισσότεραΑΓΓΛΙΚΑ Ι. Ενότητα 7α: Impact of the Internet on Economic Education. Ζωή Κανταρίδου Τμήμα Εφαρμοσμένης Πληροφορικής
Ενότητα 7α: Impact of the Internet on Economic Education Τμήμα Εφαρμοσμένης Πληροφορικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό υλικό, όπως
Διαβάστε περισσότεραJesse Maassen and Mark Lundstrom Purdue University November 25, 2013
Notes on Average Scattering imes and Hall Factors Jesse Maassen and Mar Lundstrom Purdue University November 5, 13 I. Introduction 1 II. Solution of the BE 1 III. Exercises: Woring out average scattering
Διαβάστε περισσότεραMonte Carlo Methods. for Econometric Inference I. Institute on Computational Economics. July 19, John Geweke, University of Iowa
Monte Carlo Methods for Econometric Inference I Institute on Computational Economics July 19, 2006 John Geweke, University of Iowa Monte Carlo Methods for Econometric Inference I 1 Institute on Computational
Διαβάστε περισσότεραNov Journal of Zhengzhou University Engineering Science Vol. 36 No FCM. A doi /j. issn
2015 11 Nov 2015 36 6 Journal of Zhengzhou University Engineering Science Vol 36 No 6 1671-6833 2015 06-0056 - 05 C 1 1 2 2 1 450001 2 461000 C FCM FCM MIA MDC MDC MIA I FCM c FCM m FCM C TP18 A doi 10
Διαβάστε περισσότεραΠαρενθετικές Παραπομπές (Π.Π.)
Harvard style Το Harvard style αποτελεί ένα από τα πιο γνωστά συστήματα βιβλιογραφικών παραπομπών. Το σύστημα διέπεται από κανόνες τους οποίους πρέπει να τηρήσει ο ερευνητής για τη σύνταξη των βιβλιογραφικών
Διαβάστε περισσότεραArchitecture for Visualization Using Teacher Information based on SOM
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. 567-47 8-1 NTT 619-237 2-4 52-2194 1-5 E-mail: {k-fukui,numao}@sanken.osaka-u.ac.jp, saito@cslab.kecl.ntt.co.jp,
Διαβάστε περισσότερα[4] 1.2 [5] Bayesian Approach min-max min-max [6] UCB(Upper Confidence Bound ) UCT [7] [1] ( ) Amazons[8] Lines of Action(LOA)[4] Winands [4] 1
1,a) Bayesian Approach An Application of Monte-Carlo Tree Search Algorithm for Shogi Player Based on Bayesian Approach Daisaku Yokoyama 1,a) Abstract: Monte-Carlo Tree Search (MCTS) algorithm is quite
Διαβάστε περισσότεραΙΕΥΘΥΝΤΗΣ: Καθηγητής Γ. ΧΡΥΣΟΛΟΥΡΗΣ Ι ΑΚΤΟΡΙΚΗ ΙΑΤΡΙΒΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΟΛΟΓΩΝ ΚΑΙ ΑΕΡΟΝΑΥΠΗΓΩΝ ΜΗΧΑΝΙΚΩΝ ΕΡΓΑΣΤΗΡΙΟ ΣΥΣΤΗΜΑΤΩΝ ΠΑΡΑΓΩΓΗΣ & ΑΥΤΟΜΑΤΙΣΜΟΥ / ΥΝΑΜΙΚΗΣ & ΘΕΩΡΙΑΣ ΜΗΧΑΝΩΝ ΙΕΥΘΥΝΤΗΣ: Καθηγητής Γ. ΧΡΥΣΟΛΟΥΡΗΣ Ι ΑΚΤΟΡΙΚΗ
Διαβάστε περισσότερα46 2. Coula Coula Coula [7], Coula. Coula C(u, v) = φ [ ] {φ(u) + φ(v)}, u, v [, ]. (2.) φ( ) (generator), : [, ], ; φ() = ;, φ ( ). φ [ ] ( ) φ( ) []
2 Chinese Journal of Alied Probability and Statistics Vol.26 No.5 Oct. 2 Coula,2 (,, 372; 2,, 342) Coula Coula,, Coula,. Coula, Coula. : Coula, Coula,,. : F83.7..,., Coula,,. Coula Sklar [],,, Coula.,
Διαβάστε περισσότεραGPU. CUDA GPU GeForce GTX 580 GPU 2.67GHz Intel Core 2 Duo CPU E7300 CUDA. Parallelizing the Number Partitioning Problem for GPUs
GPU 1 1 NP number partitioning problem Pedroso CUDA GPU GeForce GTX 580 GPU 2.67GHz Intel Core 2 Duo CPU E7300 CUDA C Pedroso Python 323 Python C 12.2 Parallelizing the Number Partitioning Problem for
Διαβάστε περισσότεραOptimization Investment of Football Lottery Game Online Combinatorial Optimization
27 :26788 (27) 2926,2, 2, 3 (, 76 ;2, 749 ; 3, 64) :, ;,,, ;,, : ; ; ; ; ; : TB4 : A Optimization Investment of Football Lottery Game Online Combinatorial Optimization HU Mao2lin,2, XU Yin2feng 2, XU Wei2jun
Διαβάστε περισσότεραΠτυχιακή Εργασι α «Εκτι μήσή τής ποιο τήτας εικο νων με τήν χρή σή τεχνήτων νευρωνικων δικτυ ων»
Ανώτατο Τεχνολογικό Εκπαιδευτικό Ίδρυμα Ανατολικής Μακεδονίας και Θράκης Σχολή Τεχνολογικών Εφαρμογών Τμήμα Μηχανικών Πληροφορικής Πτυχιακή Εργασι α «Εκτι μήσή τής ποιο τήτας εικο νων με τήν χρή σή τεχνήτων
Διαβάστε περισσότεραΠανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής
oard Πανεπιστήµιο Πειραιώς Τµήµα Πληροφορικής Πρόγραµµα Μεταπτυχιακών Σπουδών «Πληροφορική» Μεταπτυχιακή ιατριβή Τίτλος ιατριβής Masters Thesis Title Ονοµατεπώνυµο Φοιτητή Πατρώνυµο Ανάπτυξη διαδικτυακής
Διαβάστε περισσότεραStudy of urban housing development projects: The general planning of Alexandria City
Paper published at Alexandria Engineering Journal, vol, No, July, Study of urban housing development projects: The general planning of Alexandria City Hisham El Shimy Architecture Department, Faculty of
Διαβάστε περισσότεραProblem Set 3: Solutions
CMPSCI 69GG Applied Information Theory Fall 006 Problem Set 3: Solutions. [Cover and Thomas 7.] a Define the following notation, C I p xx; Y max X; Y C I p xx; Ỹ max I X; Ỹ We would like to show that C
Διαβάστε περισσότεραΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ ΣΤΥΛΙΑΝΗΣ Κ. ΣΟΦΙΑΝΟΠΟΥΛΟΥ Αναπληρώτρια Καθηγήτρια. Τµήµα Τεχνολογίας & Συστηµάτων Παραγωγής.
ΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ ΣΤΥΛΙΑΝΗΣ Κ. ΣΟΦΙΑΝΟΠΟΥΛΟΥ Αναπληρώτρια Καθηγήτρια Τµήµα Τεχνολογίας & Συστηµάτων Παραγωγής Πανεπιστήµιο Πειραιώς, Καραολή ηµητρίου 80, 18534 Πειραιάς Τηλ. 210 414-2147, e-mail: sofianop@unipi.gr
Διαβάστε περισσότεραΜπεϋζιανή Στατιστική και MCMC Μέρος 2 ο : MCMC
Μπεϋζιανή Στατιστική και MCMC Μέρος 2 ο : MCMC Περιεχόμενα Μαθήματος Εισαγωγή στο Πρόβλημα. Monte Carlo Εκτιμητές. Προσομοίωση. Αλυσίδες Markov. Αλγόριθμοι MCMC (Metropolis Hastings & Gibbs Sampling).
Διαβάστε περισσότεραX g 1990 g PSRB
e-mail: shibata@provence.c.u-tokyo.ac.jp 2005 1. 40 % 1 4 1) 1 PSRB1913 16 30 2) 3) X g 1990 g 4) g g 2 g 2. 1990 2000 3) 10 1 Page 1 5) % 1 g g 3. 1 3 1 6) 3 S S S n m (1/a, b k /a) a b k 1 1 3 S n m,
Διαβάστε περισσότερα(Α.Σ.ΠΑΙ.Τ.Ε.) ΠΑΡΑΔΟΤΕΟ Δ3-5_3 1 ΕΠΙΣΤΗΜΟΝΙΚΗ ΕΡΓΑΣΙΑ ΣΕ ΔΙΕΘΝΕΣ ΕΠΙΣΤΗΜΟΝΙΚΟ ΣΥΝΕΔΡΙΟ. Vocational Technology Enhanced Learning (VocTEL) 2015
ΑΝΩΤΑΤΗ ΣΧΟΛΗ ΠΑΙΔΑΓΩΓΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΚΗΣ ΕΚΠΑΙΔΕΥΣΗΣ (Α.Σ.ΠΑΙ.Τ.Ε.) «Αρχιμήδης ΙΙΙ Ενίσχυση Ερευνητικών ομάδων στην Α.Σ.ΠΑΙ.Τ.Ε.» Υποέργο: 3 Τίτλος: «Σχεδιασμός, Ανάπτυξη και Αξιολόγηση Σεναρίων Μικτής
Διαβάστε περισσότεραER-Tree (Extended R*-Tree)
1-9825/22/13(4)768-6 22 Journal of Software Vol13, No4 1, 1, 2, 1 1, 1 (, 2327) 2 (, 3127) E-mail xhzhou@ustceducn,,,,,,, 1, TP311 A,,,, Elias s Rivest,Cleary Arya Mount [1] O(2 d ) Arya Mount [1] Friedman,Bentley
Διαβάστε περισσότεραΕισαγωγή σε μεθόδους Monte Carlo Ενότητα 2: Ολοκλήρωση Monte Carlo, γεννήτριες τυχαίων αριθμών
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Εισαγωγή σε μεθόδους Monte Carlo Ενότητα 2: Ολοκλήρωση Monte Carlo, γεννήτριες τυχαίων αριθμών Βαγγέλης Χαρμανδάρης Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών
Διαβάστε περισσότεραStatistics 104: Quantitative Methods for Economics Formula and Theorem Review
Harvard College Statistics 104: Quantitative Methods for Economics Formula and Theorem Review Tommy MacWilliam, 13 tmacwilliam@college.harvard.edu March 10, 2011 Contents 1 Introduction to Data 5 1.1 Sample
Διαβάστε περισσότεραΣΤΟΧΑΣΤΙΚΕΣ ΔΙΕΡΓΑΣΙΕΣ & ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ
ΣΤΟΧΑΣΤΙΚΕΣ ΔΙΕΡΓΑΣΙΕΣ & ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ Αίθουσα 005 - Νέα Κτίρια ΣΗΜΜΥ Ε.Μ.Π. Μέθοδοι Μηχανικής Μάθησης & Βελτιστοποίησης μέσω Εννοιών Στατιστικής Φυσικής 1. Αλγόριθμοι Simulated Annealing 2. Gibbs Sampling
Διαβάστε περισσότεραOptimal methods and its application of large pumping station operation
2011 3 29 2 Mar 2011 Vol 29 No 2 doi 10 3969 /j issn 1674-8530 2011 02 008 225127 GA PSO SA - PSO PSO GA Matlab SA - PSO 0 99% ~ 4 22% GA PSO 0 22% ~ 2 80% 0 02% ~ 0 40% 3 30 52 25 s SA - PSO S277 9 TV675
Διαβάστε περισσότεραΔΙΠΛΩΜΑΣΙΚΗ ΕΡΓΑΙΑ. του φοιτητή του Σμήματοσ Ηλεκτρολόγων Μηχανικών και. Σεχνολογίασ Τπολογιςτών τησ Πολυτεχνικήσ χολήσ του. Πανεπιςτημίου Πατρών
ΠΑΝΕΠΙΣΗΜΙΟ ΠΑΣΡΩΝ ΣΜΗΜΑ ΗΛΕΚΣΡΟΛΟΓΩΝ ΜΗΦΑΝΙΚΩΝ ΚΑΙ ΣΕΦΝΟΛΟΓΙΑ ΤΠΟΛΟΓΙΣΩΝ ΣΟΜΕΑ: ΗΛΕΚΣΡΟΝΙΚΗ ΚΑΙ ΤΠΟΛΟΓΙΣΩΝ ΕΡΓΑΣΗΡΙΟ ΗΛΕΚΣΡΟΝΙΚΩΝ ΤΠΟΛΟΓΙΣΩΝ ΔΙΠΛΩΜΑΣΙΚΗ ΕΡΓΑΙΑ του φοιτητή του Σμήματοσ Ηλεκτρολόγων Μηχανικών
Διαβάστε περισσότεραSOLUTIONS TO MATH38181 EXTREME VALUES AND FINANCIAL RISK EXAM
SOLUTIONS TO MATH38181 EXTREME VALUES AND FINANCIAL RISK EXAM Solutions to Question 1 a) The cumulative distribution function of T conditional on N n is Pr T t N n) Pr max X 1,..., X N ) t N n) Pr max
Διαβάστε περισσότεραΕκτεταμένη περίληψη Περίληψη
PENED Final Report In the frame of PENED program the research that has been conducted as part of the Hybrid Libraries Project had as an outcome the design of a complex software architecture for mobile
Διαβάστε περισσότεραAdditional Results for the Pareto/NBD Model
Additional Results for the Pareto/NBD Model Peter S. Fader www.petefader.com Bruce G. S. Hardie www.brucehardie.com January 24 Abstract This note derives expressions for i) the raw moments of the posterior
Διαβάστε περισσότεραΤοποθέτηση τοπωνυµίων και άλλων στοιχείων ονοµατολογίας στους χάρτες
Τοποθέτηση τοπωνυµίων και άλλων στοιχείων ονοµατολογίας στους χάρτες Miroshnikov & Tchepine 1999 Ahn & Freeman 1984 Ένας σηµαντικός παράγοντας που επηρεάζει την αποτελεσµατικότητα ενός χάρτη ως µέσω επικοινωνίας
Διαβάστε περισσότεραDistributed Probabilistic Model-Building Genetic Algorithm
,,,, GA PMBGA PCA PCA UNDX MGG Boundary Extension by Mirroring BEM Distributed Probabilistic Model-Building Genetic Algorithm Masaki SANO, Tomoyuki HIROYASU, Mitsunori MIKI, Hisashi SHIMOSAKA, and Shigeyoshi
Διαβάστε περισσότεραn 1 n 3 choice node (shelf) choice node (rough group) choice node (representative candidate)
THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. y y yy y 1565 0871 2 1 yy 525 8577 1 1 1 E-mail: yfmakihara,shiraig@cv.mech.eng.osaka-u.ac.jp, yyshimada@ci.ritsumei.ac.jp
Διαβάστε περισσότεραAlgorithms to solve Unit Commitment Problem
Algorhms to solve Un Commment Problem Takayuki SHIINA The electric power industry is undergoing restructuring and deregulation. This paper reviews mathematical programming models for the un commment. The
Διαβάστε περισσότεραStudy on Re-adhesion control by monitoring excessive angular momentum in electric railway traction
() () Study on e-adhesion control by monitoring excessive angular momentum in electric railway traction Takafumi Hara, Student Member, Takafumi Koseki, Member, Yutaka Tsukinokizawa, Non-member Abstract
Διαβάστε περισσότεραHigh order interpolation function for surface contact problem
3 016 5 Journal of East China Normal University Natural Science No 3 May 016 : 1000-564101603-0009-1 1 1 1 00444; E- 00030 : Lagrange Lobatto Matlab : ; Lagrange; : O41 : A DOI: 103969/jissn1000-56410160300
Διαβάστε περισσότεραCompound Reinforcement Learning: Framework and Application
Vol. 52 No. 12 3300 3308 (Dec. 2011) 1 2 3, 4 3 MDP Q OnPS Q OnPS 3 Compound Reinforcement Learning: Framework and Application 1. 16) N 16) N 1 1 A B 2 1 100 1 100 A A 1.5 B 1.25 2 A A Tohgoroh Matsui,
Διαβάστε περισσότεραΠροσαρμογή περιοχικών υδρολογικών σχέσεων στις Ελληνικές λεκάνες
Ημερίδα Ερευνητικού Προγράμματος ΔΕΥΚΑΛΙΩΝ «Εκτίμηση πλημμυρικών ροών στην Ελλάδα σε συνθήκες υδροκλιματικής μεταβλητότητας: Ανάπτυξη φυσικά εδραιωμένου εννοιολογικού πιθανοτικού πλαισίου και υπολογιστικών
Διαβάστε περισσότεραΔιπλωματική Εργασία. του φοιτητή του Τμήματος Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών της Πολυτεχνικής Σχολής του Πανεπιστημίου Πατρών
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ: ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΠΛΗΡΟΦΟΡΙΑΣ ΕΡΓΑΣΤΗΡΙΟ ΕΝΣΥΡΜΑΤΗΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΑΣ Διπλωματική Εργασία του φοιτητή του
Διαβάστε περισσότεραInfluence of Flow Rate on Nitrate Removal in Flow Process
J. Jpn. Soc. Soil Phys. No. 33, p.1-2-,**/, ******* Influence of Flow Rate on Nitrate Removal in Flow Process Toshio TABUCHI*, Hisao KURODA**, Akiko IKENOBE** and Mayumi HIRANO** * Former professor of
Διαβάστε περισσότερα:,,, PACS: a. , (3D-Var) (4D-Var) [7 9].,. 4D-Var 3D-Var,.,4D-Var,., ,.,, ;,,,,. ( ), . (PF). PF EnKF,,,
* (, 410073 ) ( 2011 6 25 ; 2011 8 11 ) (PDF),... :,,, PACS: 05.45. a 1,.,, ;,,,. ( ), [1]. (KF) [2 6]. KF,. (EKF) KF,. (EnKF), (UKF).,,., (3D-Var) (4D-Var) [7 9].,. 4D-Var 3D-Var,.,4D-Var,.,. (PF). PF
Διαβάστε περισσότεραStudy of In-vehicle Sound Field Creation by Simultaneous Equation Method
Study of In-vehicle Sound Field Creation by Simultaneous Equation Method Kensaku FUJII Isao WAKABAYASI Tadashi UJINO Shigeki KATO Abstract FUJITSU TEN Limited has developed "TOYOTA remium Sound System"
Διαβάστε περισσότεραSocialDict. A reading support tool with prediction capability and its extension to readability measurement
SocialDict 1 2 2 2 Web SocialDict A reading support tool with prediction capability and its extension to readability measurement Yo Ehara, 1 Takashi Ninomiya, 2 Nobuyuki Shimizu 2 and Hiroshi Nakagawa
Διαβάστε περισσότεραSummary of the model specified
Program: HLM 7 Hierarchical Linear and Nonlinear Modeling Authors: Stephen Raudenbush, Tony Bryk, & Richard Congdon Publisher: Scientific Software International, Inc. (c) 2010 techsupport@ssicentral.com
Διαβάστε περισσότεραReading Order Detection for Text Layout Excluded by Image
19 5 JOURNAL OF CHINESE INFORMATION PROCESSING Vol119 No15 :1003-0077 - (2005) 05-0067 - 09 1, 1, 2 (11, 100871 ; 21IBM, 100027) :,,, PMRegion,, : ; ; ; ; :TP391112 :A Reading Order Detection for Text
Διαβάστε περισσότεραΠαλεπηζηήκην Πεηξαηώο Τκήκα Πιεξνθνξηθήο Πξόγξακκα Μεηαπηπρηαθώλ Σπνπδώλ «Πξνεγκέλα Σπζηήκαηα Πιεξνθνξηθήο»
Παλεπηζηήκην Πεηξαηώο Τκήκα Πιεξνθνξηθήο Πξόγξακκα Μεηαπηπρηαθώλ Σπνπδώλ «Πξνεγκέλα Σπζηήκαηα Πιεξνθνξηθήο» Μεηαπηπρηαθή Γηαηξηβή Τίηινο Γηαηξηβήο Ανάπτυξη διαδικτυακού εκπαιδευτικού παιχνιδιού για τη
Διαβάστε περισσότεραREVERSIBLE JUMP MCMC ΣΕ ΜΕΙΞΕΙΣ ΚΑΝΟΝΙΚΩΝ ΚΑΤΑΝΟΜΩΝ ΜΕ ΚΟΙΝΕΣ ΜΕΣΕΣ ΤΙΜΕΣ
Ελληνικό Στατιστικό Ινστιτούτο Πρακτικά ου Πανελληνίου Συνεδρίου Στατιστικής (7), σελ 337-344 REVERSIBLE JUMP MCMC ΣΕ ΜΕΙΞΕΙΣ ΚΑΝΟΝΙΚΩΝ ΚΑΤΑΝΟΜΩΝ ΜΕ ΚΟΙΝΕΣ ΜΕΣΕΣ ΤΙΜΕΣ Π. Παπασταμούλης και Γ. Ηλιόπουλος
Διαβάστε περισσότεραResearch on real-time inverse kinematics algorithms for 6R robots
25 6 2008 2 Control Theory & Applications Vol. 25 No. 6 Dec. 2008 : 000 852(2008)06 037 05 6R,,, (, 30027) : 6R. 6 6R6.., -, 6R., 2.03 ms, 6R. : 6R; ; ; : TP242.2 : A Research on real-time inverse kinematics
Διαβάστε περισσότερα