Primjena neuronskih mreža
|
|
- Ιάνθη Μαγγίνας
- 6 χρόνια πριν
- Προβολές:
Transcript
1 INTELIGENTNO UPRAVLJANJE Primjena neuronskih mreža Vanr. Prof.dr. Lejla Banjanovic-Mehmedovic Neural Networks in Matlab net = newff(minmax(d), [h o], {'tansig', 'tansig'}, 'traincgf'); net = train(net, D, L); test_out = sim(net, testd); where: D is training data feature vectors (row vector) L is labels for training data testd is testing data feature vectors h is number of hidden units o is number of outputs 1
2 Neuronske mreže kao aproksimatori funkcija Ulaz: Pomoćna varijabla: Izlaz: i x i x i, x n i x, 1, 2 Skup podataka za treniranje: T zi z i z i,, z n i 1, 2, y i G x i z i G x1, y1,, xm, ym z T Definicija problema aproksimacije funkcije Problem aproksimacije je određivanje optimalnih vrijednosti parametara θ = θ * uz koje je funkcija F najbolja aproksimacija funkcije G: Kao mjera kvaliteta: F(, x), G( x) F(, x), G( x), R n( ) p F(, x), G( x) G( x) F(, x) G( ) F(, ) dx p x x C N v1 v1 Stone Weierstrassov-ova teorema Kolmogorov teorema 1 p 2 N 2 G( x( v)) F(, x( v)) G( x( v)) F(, x( v)) 2
3 Primjer 1. Problem računanja pritiska idealnog plina. p = nrt/v Način kreiranja uzoraka iz eksperimentalnih mjerenja. Ulazne varijable su masa i zapremina, a izlazna varijabla je pritisak, tj. ulazno-izlazni parovi za proces treniranja su oblika: G((n(i),V(i),p(i)). Primjer 1. Najveći zahtjevi u rješavanju datog problema: u određivanju strukture odgovarajuće neuronske mreže, forme aktivacionih funkcija, funkcija učenja. 3
4 Primjer 1: neuronske mreže kao aproksimatori funkcije % Postavljanje parametara treniranja n=1:100; % molarna masa [mol] p = nrt/v V=linspace(2,50,100); % zapremina [m^3] T=293.15; % konstanta - termodinamicka temperatura [K] (25 [C]) R= ; %univerzalna plinska konstanta [J/(Kmol)] target = n*r*t./v; %prema zakonu za idealne plinove pv=nrt input = [n;v]; %ulazne varijable su masa i zapremina % Kreiranje neuronske mreže net = newff([min(n) max(n);min(v) max(v)],[5 1], {'logsig','purelin'},'trainlm'); % Parametri treniranja mreže. net.trainparam.show=nan; net.trainparam.epochs=100; net.trainparam.lr=0.05; net.trainparam.goal=1e-3; Primjer 1: neuronske mreže kao aproksimatori funkcije % Treniranje mreže. net=train(net,input(:,1:2:100),target(1:2:100)); input(: target(1:2:100)); % Testiranje trenirane mreže. output=sim(net,input); greska=(output-target)*100/max(target); % Prikaz rezultata plot(target,'o'); %zeljeni pritisak hold on plot(output, 'g*'); %dobijeni pritisak title('treniranje neuronske mreže'); 4
5 Primjer 2. Primjena neuronske mreže u aproksimaciji sljedeće složenije funkcije : y sin( x)cos(3 x) Primjer 2: neuronske mreže kao aproksimatori funkcije % Kreiranje neuronske mreže net2=newff([-pi pi], [50 1], {'tansig' 'purelin'}); % Postavljanje parametara treniranja net2.performfcn='mse'; net2.trainfcn='traingdx'; % algoritam ucenja opadajuci gradijent net2.trainparam.epochs=5000; % maksimalan broj epoha net2.trainparam.goal=0.0001; % ciljna greška % Definisanje uzoraka treniranja x=-pi:0.1:pi; y=sin(x).*cos(3*x); P=x; T=y; % Treniranje mreže [trained_net2, tr]=train(net2,p,t); % Testiranje trenirane mreže x_t=-pi:0.15:pi; y_t=sim(trained_net2,x_t); 5
6 Primjer 3: Aproksimacija funcije prema ulaznim uzorcima P1 = [ ]; P2 = [ ]; % Ulazni uzorci P1 & P2 T = [ ]; % Izlazna vrijednost T P = [P1; P2]; % kreiranje matrice ulaza net = newff([-2 2; -3 3],[5 1],{'tansig' 'purelin'}); % Neur. mreža sa ulaznim opsegom Y = sim(net,p); net.trainparam.epochs = 100; % Treniranje određeni broj epoha net = train(net,p,t); YTrained = sim(net,p); u1 = -2:0.25:2; N1 = length(u1); u2 = -3:0.25:3; N2 = length(u2); for j = 1: N1 for i = 1: N2 y(i,j) = sim(net,[u1(j); u2(i)]); end; end; figure(2); plot3(p1,p2,t, 'ko', P1,P2,YTrained,'rx'); hold; mesh(u1, u2, y ); grid; hold off xlabel('p1'); ylabel('p2'); zlabel('y'); h=title('2-ulaza 5-slojeva 1-izlaz FF Neuron'); set(h,'fontsize',12); RBF MREŽE NEWRB dodaje neurone u skriveni sloj RBF mreže sve dok se ne dostigne specificirana srednja kvadratna greška. Radial basis funkcija za implementaciju u Matlabu: net = newrb(p,t,goal,spread, MN, DF) gdje su : P ulazni vektor podataka T ciljni vektor izlaza GOAL srednje kavadratna greška (default = 0.0) SPREAD širina radial basis funkcija (default = 1.0) MN maksimalan broj neurona, default Q. DF broj neurona koji se dodaje između prikaza, default = 25. 6
7 Primjer 4. RBF mreže kao aproksimatori Generisati ulazne podatke za funkciju 2 yx ( ) x 3x kada je 4 x 4 Izvršiti aprokimaciju sa RBF neuronskom mrežom. Rješavanje problema pomoću MATLAB/Neural Network Toolboxa % Generisanje podataka (ukupno dobivamo 41 podatak) x=-4:0.05:4; 05:4; y=x.*x+3*x; P=x;T=y; % Grafički prikaz podataka plot(p,t, o ) grid; xlabel( time (s) ); ylabel( output ); title( parabola ) 7
8 Rezultati treniranja RBF mreže net1=newrb(p,t,0.01); %Simulacija podataka a= sim(net1,p); %Grafički prikaz rezultata i greške plot(p,a-t,p,t) Treniranje unaprijednih neuralnih mreža Inkrementalno treniranje: [net,a,e]=adapt(net,p,t) adaptwb težine i pragovi se pridružuju vlastitim funkcijama learngd težine i pragovi se pomjeraju u smjeru negativnog gradijenta funkcije prefomanse; množenje negativnog gradijenta sa brzinom učenja lr leardgdm najbrži spust sa momentumom, (pored lr i mc), brža konvergencija shodno trendu greške površi 8
9 Treniranje Feedforward neuralnih mreža Batch mod [net,a,e]=train(net,p,t) Traingd ekvivalentan inkrementalnoj funkciji learngd Traingdm gradijentni spust sa momentumom, ekvivalent leargdm, sa nekim specifičnostima Brže treniranje Feedforward neuronskih mreža Traingda (adaptivna brzina učenja, drži veličinu koraka dovoljno velikom, koliko je proces učenja stabilan) Traingdx (kombinuje brzinu adaptivnog učenja sa momentumom) Trainrp (Rprop)- Rezilientna Backpropagacija 9
10 Konjugirani gradijentni algoritmi Traincgf (Fletcher Powell CG) ima najmanje zahtjeve storiranja nego ostali konjugirani gradijentni algoritmi. Traincgp (Polak-Ribiere CG) neznatno veći zahtjevi storiranja nego traincgf. Brža konvergencija na nekim problemima. Traincgb (Powell-Beale CG) neznatno veći zahtjevi storiranja nego traincgf. Generalno brža konvergencija. Trainscg (skalirani Conj. Grad.) - skalirani konjugirani gradijentni algoritmi. Jedini konjugirani gradijentni algoritam koji ne zahtjeva linijsku pretragu. Kvazi-Njutunovi algoritmi Trainbfg (BFGS kvazi Njutunov) zahtjeva storiranje aproksimirane Hesijan matrice i ima više proračuna pri svakoj iteraciji nego ostali konjugirani gradijentni algoritmi, ali obično konv. u nekoliko iteracija. Trainoss (1-step sekanta) kompromis izmedju konjugiranih gradijentnih i kvazi-newtunovih metoda. Trainlm (Levenberg-Marquardt) najbrži algoritam treniranja za mreže srednje veličine; ima ograničenja na memoriju, kada je trenirajući set velik. Trainbr Bayesova regularizacija; modifikacija LM algoritma; reducira teškoće odredjenja optimalne mrežne arhitekture. 10
Backpropagation Multilayer Feedforward Δίκτυα. Κυριακίδης Ιωάννης 2013
Backpropagation Multilayer Feedforward Δίκτυα Κυριακίδης Ιωάννης 2013 Εισαγωγή Τα νευρωνικά δίκτυα Perceptron που εξετάσαμε μέχρι τώρα είχαν το μειονέκτημα ότι δεν μπορούσαν να αντιμετωπίσουν προβλήματα
Διαβάστε περισσότεραINTELIGENTNO UPRAVLJANJE
INTELIGENTNO UPRAVLJANJE Fuzzy sistemi zaključivanja Vanr.prof. Dr. Lejla Banjanović-Mehmedović Mehmedović 1 Osnovni elementi fuzzy sistema zaključivanja Fazifikacija Baza znanja Baze podataka Baze pravila
Διαβάστε περισσότεραKaskadna kompenzacija SAU
Kaskadna kompenzacija SAU U inženjerskoj praksi, naročito u sistemima regulacije elektromotornih pogona i tehnoloških procesa, veoma često se primenjuje metoda kaskadne kompenzacije, u čijoj osnovi su
Διαβάστε περισσότεραPismeni ispit iz matematike Riješiti sistem jednačina i diskutovati rješenja sistema u zavisnosti od parametra: ( ) + 1.
Pismeni ispit iz matematike 0 008 GRUPA A Riješiti sistem jednačina i diskutovati rješenja sistema u zavisnosti od parametra: λ + z = Ispitati funkciju i nacrtati njen grafik: + ( λ ) + z = e Izračunati
Διαβάστε περισσότεραNumerička matematika 2. kolokvij (1. srpnja 2009.)
Numerička matematika 2. kolokvij (1. srpnja 29.) Zadatak 1 (1 bodova.) Teorijsko pitanje. (A) Neka je G R m n, uz m n, pravokutna matrica koja ima puni rang po stupcima, tj. rang(g) = n. (a) Napišite puni
Διαβάστε περισσότεραPRIMJER 3. MATLAB filtdemo
PRIMJER 3. MATLAB filtdemo Prijenosna funkcija (IIR) Hz () =, 6 +, 3 z +, 78 z +, 3 z +, 53 z +, 3 z +, 78 z +, 3 z +, 6 z, 95 z +, 74 z +, z +, 9 z +, 4 z +, 5 z +, 3 z +, 4 z 3 4 5 6 7 8 3 4 5 6 7 8
Διαβάστε περισσότεραPismeni ispit iz matematike GRUPA A 1. Napisati u trigonometrijskom i eksponencijalnom obliku kompleksni broj, zatim naći 4 z.
Pismeni ispit iz matematike 06 007 Napisati u trigonometrijskom i eksponencijalnom obliku kompleksni broj z = + i, zatim naći z Ispitati funkciju i nacrtati grafik : = ( ) y e + 6 Izračunati integral:
Διαβάστε περισσότεραZadaci sa prethodnih prijemnih ispita iz matematike na Beogradskom univerzitetu
Zadaci sa prethodnih prijemnih ispita iz matematike na Beogradskom univerzitetu Trigonometrijske jednačine i nejednačine. Zadaci koji se rade bez upotrebe trigonometrijskih formula. 00. FF cos x sin x
Διαβάστε περισσότερα(P.I.) PRETPOSTAVKA INDUKCIJE - pretpostavimo da tvrdnja vrijedi za n = k.
1 3 Skupovi brojeva 3.1 Skup prirodnih brojeva - N N = {1, 2, 3,...} Aksiom matematičke indukcije Neka je N skup prirodnih brojeva i M podskup od N. Ako za M vrijede svojstva: 1) 1 M 2) n M (n + 1) M,
Διαβάστε περισσότεραM086 LA 1 M106 GRP. Tema: Baza vektorskog prostora. Koordinatni sustav. Norma. CSB nejednakost
M086 LA 1 M106 GRP Tema: CSB nejednakost. 19. 10. 2017. predavač: Rudolf Scitovski, Darija Marković asistent: Darija Brajković, Katarina Vincetić P 1 www.fizika.unios.hr/grpua/ 1 Baza vektorskog prostora.
Διαβάστε περισσότεραStrojno učenje Struktura metoda/algoritama strojnog učenja. Tomislav Šmuc
Strojno učenje Struktura metoda/algoritama strojnog učenja Tomislav Šmuc PMF, Zagreb, 2017 Sastavnice (nadziranog) problema učenja Osnovni pojmovi Ulazni vektor varijabli (engl. attributes, features):
Διαβάστε περισσότερα18. listopada listopada / 13
18. listopada 2016. 18. listopada 2016. 1 / 13 Neprekidne funkcije Važnu klasu funkcija tvore neprekidne funkcije. To su funkcije f kod kojih mala promjena u nezavisnoj varijabli x uzrokuje malu promjenu
Διαβάστε περισσότεραKonstruisati efikasan algoritam znači dati skup preciznih uputstava kako doći do rešenja zadatog problema Algoritmi se mogu opisivati:
Staša Vujičić Konstruisati efikasan algoritam znači dati skup preciznih uputstava kako doći do rešenja zadatog problema Algoritmi se mogu opisivati: pseudo jezikom prirodnim jezikom dijagramom toka. 2
Διαβάστε περισσότερα3.1 Granična vrednost funkcije u tački
3 Granična vrednost i neprekidnost funkcija 2 3 Granična vrednost i neprekidnost funkcija 3. Granična vrednost funkcije u tački Neka je funkcija f(x) definisana u tačkama x za koje je 0 < x x 0 < r, ili
Διαβάστε περισσότεραRIJEŠENI ZADACI I TEORIJA IZ
RIJEŠENI ZADACI I TEORIJA IZ LOGARITAMSKA FUNKCIJA SVOJSTVA LOGARITAMSKE FUNKCIJE OSNOVE TRIGONOMETRIJE PRAVOKUTNOG TROKUTA - DEFINICIJA TRIGONOMETRIJSKIH FUNKCIJA - VRIJEDNOSTI TRIGONOMETRIJSKIH FUNKCIJA
Διαβάστε περισσότεραAlgoritmi zadaci za kontrolni
Algoritmi zadaci za kontrolni 1. Nacrtati algoritam za sabiranje ulaznih brojeva a i b Strana 1 . Nacrtati algoritam za izračunavanje sledeće funkcije: x y x 1 1 x x ako ako je : je : x x 1 x x 1 Strana
Διαβάστε περισσότεραELEKTROTEHNIČKI ODJEL
MATEMATIKA. Neka je S skup svih živućih državljana Republike Hrvatske..04., a f preslikavanje koje svakom elementu skupa S pridružuje njegov horoskopski znak (bez podznaka). a) Pokažite da je f funkcija,
Διαβάστε περισσότεραIII VEŽBA: FURIJEOVI REDOVI
III VEŽBA: URIJEOVI REDOVI 3.1. eorijska osnova Posmatrajmo neki vremenski kontinualan signal x(t) na intervalu definisati: t + t t. ada se može X [ k ] = 1 t + t x ( t ) e j 2 π kf t dt, gde je f = 1/.
Διαβάστε περισσότεραPrikaz sustava u prostoru stanja
Prikaz sustava u prostoru stanja Prikaz sustava u prostoru stanja je jedan od načina prikaza matematičkog modela sustava (uz diferencijalnu jednadžbu, prijenosnu funkciju itd). Promatramo linearne sustave
Διαβάστε περισσότεραElementi spektralne teorije matrica
Elementi spektralne teorije matrica Neka je X konačno dimenzionalan vektorski prostor nad poljem K i neka je A : X X linearni operator. Definicija. Skalar λ K i nenula vektor u X se nazivaju sopstvena
Διαβάστε περισσότεραAPROKSIMACIJA FUNKCIJA
APROKSIMACIJA FUNKCIJA Osnovni koncepti Gradimir V. Milovanović MF, Beograd, 14. mart 2011. APROKSIMACIJA FUNKCIJA p.1/46 Osnovni problem u TA Kako za datu funkciju f iz velikog prostora X naći jednostavnu
Διαβάστε περισσότεραStrukture podataka i algoritmi 1. kolokvij 16. studenog Zadatak 1
Strukture podataka i algoritmi 1. kolokvij Na kolokviju je dozvoljeno koristiti samo pribor za pisanje i službeni šalabahter. Predajete samo papire koje ste dobili. Rezultati i uvid u kolokvije: ponedjeljak,
Διαβάστε περισσότεραRačunarska grafika. Rasterizacija linije
Računarska grafika Osnovni inkrementalni algoritam Drugi naziv u literaturi digitalni diferencijalni analizator (DDA) Pretpostavke (privremena ograničenja koja se mogu otkloniti jednostavnim uopštavanjem
Διαβάστε περισσότεραDISKRETNA MATEMATIKA - PREDAVANJE 7 - Jovanka Pantović
DISKRETNA MATEMATIKA - PREDAVANJE 7 - Jovanka Pantović Novi Sad April 17, 2018 1 / 22 Teorija grafova April 17, 2018 2 / 22 Definicija Graf je ure dena trojka G = (V, G, ψ), gde je (i) V konačan skup čvorova,
Διαβάστε περισσότεραTri osnovna tipa optimizacije struktura. Topološka optimizacija betonskih konstrukcija. Dimenzionalna optimizacija. Optimizacija oblika
Topološka optimizacija betonskih konstrukcija Tri osnovna tipa optimizacije struktura. Dimenzionalna optimizacija (sizing optimization). Optimizacija oblika (shape optimization) 3. Topološka optimizacija
Διαβάστε περισσότεραFunkcije dviju varjabli (zadaci za vježbu)
Funkcije dviju varjabli (zadaci za vježbu) Vidosava Šimić 22. prosinca 2009. Domena funkcije dvije varijable Ako je zadano pridruživanje (x, y) z = f(x, y), onda se skup D = {(x, y) ; f(x, y) R} R 2 naziva
Διαβάστε περισσότεραTRIGONOMETRIJSKE FUNKCIJE I I.1.
TRIGONOMETRIJSKE FUNKCIJE I I Odredi na brojevnoj trigonometrijskoj kružnici točku Et, za koju je sin t =,cost < 0 Za koje realne brojeve a postoji realan broj takav da je sin = a? Izračunaj: sin π tg
Διαβάστε περισσότεραSortiranje prebrajanjem (Counting sort) i Radix Sort
Sortiranje prebrajanjem (Counting sort) i Radix Sort 15. siječnja 2016. Ante Mijoč Uvod Teorem Ako je f(n) broj usporedbi u algoritmu za sortiranje temeljenom na usporedbama (eng. comparison-based sorting
Διαβάστε περισσότεραMATEMATIKA Pokažite da za konjugiranje (a + bi = a bi) vrijedi. a) z=z b) z 1 z 2 = z 1 z 2 c) z 1 ± z 2 = z 1 ± z 2 d) z z= z 2
(kompleksna analiza, vježbe ). Izračunajte a) (+i) ( i)= b) (i+) = c) i + i 4 = d) i+i + i 3 + i 4 = e) (a+bi)(a bi)= f) (+i)(i )= Skicirajte rješenja u kompleksnoj ravnini.. Pokažite da za konjugiranje
Διαβάστε περισσότεραApsolutno neprekidne raspodele Raspodele apsolutno neprekidnih sluqajnih promenljivih nazivaju se apsolutno neprekidnim raspodelama.
Apsolutno neprekidne raspodele Raspodele apsolutno neprekidnih sluqajnih promenljivih nazivaju se apsolutno neprekidnim raspodelama. a b Verovatno a da sluqajna promenljiva X uzima vrednost iz intervala
Διαβάστε περισσότερα2 tg x ctg x 1 = =, cos 2x Zbog četvrtog kvadranta rješenje je: 2 ctg x
Zadatak (Darjan, medicinska škola) Izračunaj vrijednosti trigonometrijskih funkcija broja ako je 6 sin =,,. 6 Rješenje Ponovimo trigonometrijske funkcije dvostrukog kuta! Za argument vrijede sljedeće formule:
Διαβάστε περισσότερα2.2 Srednje vrijednosti. aritmetička sredina, medijan, mod. Podaci (realizacije varijable X): x 1,x 2,...,x n (1)
2.2 Srednje vrijednosti aritmetička sredina, medijan, mod Podaci (realizacije varijable X): x 1,x 2,...,x n (1) 1 2.2.1 Aritmetička sredina X je numerička varijabla. Aritmetička sredina od (1) je broj:
Διαβάστε περισσότεραΠροσομοίωση Νευρωνικού Δικτύου στο MATLAB. Κυριακίδης Ιωάννης 2013
Προσομοίωση Νευρωνικού Δικτύου στο MATLAB Κυριακίδης Ιωάννης 2013 Εισαγωγή Ένα νευρωνικό δίκτυο αποτελεί μια πολύπλοκη δομή, όπου τα βασικά σημεία που περιλαμβάνει είναι τα εξής: Πίνακες με τα βάρη των
Διαβάστε περισσότεραFAKULTET PROMETNIH ZNANOSTI
SVUČILIŠT U ZAGU FAKULTT POMTNIH ZNANOSTI predmet: Nastavnik: Prof. dr. sc. Zvonko Kavran zvonko.kavran@fpz.hr * Autorizirana predavanja 2016. 1 Pojačala - Pojačavaju ulazni signal - Zahtjev linearnost
Διαβάστε περισσότεραNovi Sad god Broj 1 / 06 Veljko Milković Bulevar cara Lazara 56 Novi Sad. Izveštaj o merenju
Broj 1 / 06 Dana 2.06.2014. godine izmereno je vreme zaustavljanja elektromotora koji je radio u praznom hodu. Iz gradske mreže 230 V, 50 Hz napajan je monofazni asinhroni motor sa dva brusna kamena. Kada
Διαβάστε περισσότεραnumeričkih deskriptivnih mera.
DESKRIPTIVNA STATISTIKA Numeričku seriju podataka opisujemo pomoću Numeričku seriju podataka opisujemo pomoću numeričkih deskriptivnih mera. Pokazatelji centralne tendencije Aritmetička sredina, Medijana,
Διαβάστε περισσότεραΑ. ΤΕΙ ΚΡΗΤΗΣ Τµήµα Εφαρµοσµένης Πληροφορικής και Πολυµέσων Εργαστήριο Νευρωνικών Δικτύων
Α. ΤΕΙ ΚΡΗΤΗΣ Τµήµα Εφαρµοσµένης Πληροφορικής και Πολυµέσων Εργαστήριο Νευρωνικών Δικτύων 5 BACKPROPAGATION MULTILAYER FEEDFORWARD ΔΙΚΤΥΑ Α. ΕΙΣΑΓΩΓΗ Τα νευρωνικά δίκτυα που εξετάσαµε µέχρι τώρα είχαν
Διαβάστε περισσότεραIZVODI ZADACI ( IV deo) Rešenje: Najpre ćemo logaritmovati ovu jednakost sa ln ( to beše prirodni logaritam za osnovu e) a zatim ćemo
IZVODI ZADACI ( IV deo) LOGARITAMSKI IZVOD Logariamskim izvodom funkcije f(), gde je >0 i, nazivamo izvod logarima e funkcije, o jes: (ln ) f ( ) f ( ) Primer. Nadji izvod funkcije Najpre ćemo logarimovai
Διαβάστε περισσότερα2. Ako je funkcija f(x) parna onda se Fourierov red funkcije f(x) reducira na Fourierov kosinusni red. f(x) cos
. KOLOKVIJ PRIMIJENJENA MATEMATIKA FOURIEROVE TRANSFORMACIJE 1. Za periodičnu funkciju f(x) s periodom p=l Fourierov red je gdje su a,a n, b n Fourierovi koeficijenti od f(x) gdje su a =, a n =, b n =..
Διαβάστε περισσότερα5. Karakteristične funkcije
5. Karakteristične funkcije Profesor Milan Merkle emerkle@etf.rs milanmerkle.etf.rs Verovatnoća i Statistika-proleće 2018 Milan Merkle Karakteristične funkcije ETF Beograd 1 / 10 Definicija Karakteristična
Διαβάστε περισσότεραTeorijske osnove informatike 1
Teorijske osnove informatike 1 9. oktobar 2014. () Teorijske osnove informatike 1 9. oktobar 2014. 1 / 17 Funkcije Veze me du skupovima uspostavljamo skupovima koje nazivamo funkcijama. Neformalno, funkcija
Διαβάστε περισσότεραZavrxni ispit iz Matematiqke analize 1
Građevinski fakultet Univerziteta u Beogradu 3.2.2016. Zavrxni ispit iz Matematiqke analize 1 Prezime i ime: Broj indeksa: 1. Definisati Koxijev niz. Dati primer niza koji nije Koxijev. 2. Dat je red n=1
Διαβάστε περισσότεραOsnovni primer. (Z, +,,, 0, 1) je komutativan prsten sa jedinicom: množenje je distributivno prema sabiranju
RAČUN OSTATAKA 1 1 Prsten celih brojeva Z := N + {} N + = {, 3, 2, 1,, 1, 2, 3,...} Osnovni primer. (Z, +,,,, 1) je komutativan prsten sa jedinicom: sabiranje (S1) asocijativnost x + (y + z) = (x + y)
Διαβάστε περισσότεραRačunarska grafika. Rasterizacija linije
Računarska grafika Osnovni inkrementalni algoritam Drugi naziv u literaturi digitalni diferencijalni analizator (DDA) Pretpostavke (privremena ograničenja koja se mogu otkloniti jednostavnim uopštavanjem
Διαβάστε περισσότεραIspitivaƬe funkcija: 1. Oblast definisanosti funkcije (ili domen funkcije) D f
IspitivaƬe funkcija: 1. Oblast definisanosti funkcije (ili domen funkcije) D f IspitivaƬe funkcija: 1. Oblast definisanosti funkcije (ili domen funkcije) D f 2. Nule i znak funkcije; presek sa y-osom IspitivaƬe
Διαβάστε περισσότεραUNIVERZITET U NIŠU ELEKTRONSKI FAKULTET SIGNALI I SISTEMI. Zbirka zadataka
UNIVERZITET U NIŠU ELEKTRONSKI FAKULTET Goran Stančić SIGNALI I SISTEMI Zbirka zadataka NIŠ, 014. Sadržaj 1 Konvolucija Literatura 11 Indeks pojmova 11 3 4 Sadržaj 1 Konvolucija Zadatak 1. Odrediti konvoluciju
Διαβάστε περισσότεραPREPOZNAVANJE UZORAKA
PREPOZNAVANJE UZORAKA Metode klasifikacije Metode grupisanja Vanr.prof. Dr. Lejla Banjanović- www.lejla-bm.com 1 Metode klasifikacije Algoritmi klasifikacije vrše raspodjelu uzoraka u odgovarajuće klase
Διαβάστε περισσότεραMatematička analiza 1 dodatni zadaci
Matematička analiza 1 dodatni zadaci 1. Ispitajte je li funkcija f() := 4 4 5 injekcija na intervalu I, te ako jest odredite joj sliku i inverz, ako je (a) I = [, 3), (b) I = [1, ], (c) I = ( 1, 0].. Neka
Διαβάστε περισσότεραΠραγματοποίηση Νευρωνικών Δικτύων με το Matlab. Νευρωνικά Δίκτυα
Πραγματοποίηση Νευρωνικών Δικτύων με το Matlab Το MATLAB μας δίνει την δυνατότητα να εργαστούμε στα με 4 τρόπους: Στο 1 ο επίπεδο με τον GUI. Μπορούμε με σχετική ευκολία να χρησιμοποιήσουμε τις εργαλειοθήκες
Διαβάστε περισσότεραMatematika 1 - vježbe. 11. prosinca 2015.
Matematika - vježbe. prosinca 5. Stupnjevi i radijani Ako je kut φ jednak i rad, tada je veza između i 6 = Zadatak.. Izrazite u stupnjevima: a) 5 b) 7 9 c). d) 7. a) 5 9 b) 7 6 6 = = 5 c). 6 8.5 d) 7.
Διαβάστε περισσότεραINTEGRALNI RAČUN. Teorije, metodike i povijest infinitezimalnih računa. Lucija Mijić 17. veljače 2011.
INTEGRALNI RAČUN Teorije, metodike i povijest infinitezimalnih računa Lucija Mijić lucija@ktf-split.hr 17. veljače 2011. Pogledajmo Predstavimo gornju sumu sa Dodamo još jedan Dobivamo pravokutnik sa Odnosno
Διαβάστε περισσότεραRiješeni zadaci: Limes funkcije. Neprekidnost
Riješeni zadaci: Limes funkcije. Neprekidnost Limes funkcije Neka je 0 [a, b] i f : D R, gdje je D = [a, b] ili D = [a, b] \ { 0 }. Kažemo da je es funkcije f u točki 0 jednak L i pišemo f ) = L, ako za
Διαβάστε περισσότερα( , treći kolokvij) 3. Na dite lokalne ekstreme funkcije z = x 4 + y 4 2x 2 + 2y 2 3. (20 bodova)
A MATEMATIKA (.6.., treći kolokvij. Zadana je funkcija z = e + + sin(. Izračunajte a z (,, b z (,, c z.. Za funkciju z = 3 + na dite a diferencijal dz, b dz u točki T(, za priraste d =. i d =.. c Za koliko
Διαβάστε περισσότεραMJERA I INTEGRAL 2. kolokvij 30. lipnja (Knjige, bilježnice, dodatni papiri i kalkulatori nisu dozvoljeni!)
JMBAG IM I PZIM BOJ BODOVA MJA I INTGAL 2. kolokvij 30. lipnja 2017. (Knjige, bilježnice, dodatni papiri i kalkulatori nisu dozvoljeni!) 1. (ukupno 6 bodova) Neka je (, F, µ) prostor mjere i neka je (
Διαβάστε περισσότεραMATRICE I DETERMINANTE - formule i zadaci - (Matrice i determinante) 1 / 15
MATRICE I DETERMINANTE - formule i zadaci - (Matrice i determinante) 1 / 15 Matrice - osnovni pojmovi (Matrice i determinante) 2 / 15 (Matrice i determinante) 2 / 15 Matrice - osnovni pojmovi Matrica reda
Διαβάστε περισσότεραProgram testirati pomoću podataka iz sledeće tabele:
Deo 2: Rešeni zadaci 135 Vrednost integrala je I = 2.40407 42. Napisati program za izračunavanje koeficijenta proste linearne korelacije (Pearsonovog koeficijenta) slučajnih veličina X = (x 1,..., x n
Διαβάστε περισσότεραSISTEMI NELINEARNIH JEDNAČINA
SISTEMI NELINEARNIH JEDNAČINA April, 2013 Razni zapisi sistema Skalarni oblik: Vektorski oblik: F = f 1 f n f 1 (x 1,, x n ) = 0 f n (x 1,, x n ) = 0, x = (1) F(x) = 0, (2) x 1 0, 0 = x n 0 Definicije
Διαβάστε περισσότεραCauchyjev teorem. Postoji više dokaza ovog teorema, a najjednostvniji je uz pomoć Greenove formule: dxdy. int C i Cauchy Riemannovih uvjeta.
auchyjev teorem Neka je f-ja f (z) analitička u jednostruko (prosto) povezanoj oblasti G, i neka je zatvorena kontura koja čitava leži u toj oblasti. Tada je f (z)dz = 0. Postoji više dokaza ovog teorema,
Διαβάστε περισσότερα41. Jednačine koje se svode na kvadratne
. Jednačine koje se svode na kvadrane Simerične recipročne) jednačine Jednačine oblika a n b n c n... c b a nazivamo simerične jednačine, zbog simeričnosi koeficijenaa koeficijeni uz jednaki). k i n k
Διαβάστε περισσότεραEnkodiranje i dekodiranje
Kombinaciona kola Vanr.prof.dr.Lejla Banjanović Mehmedović Enkodiranje i dekodiranje Enkodiranje je proces postavljanja sekvenc ekarkatera (slova, brojevi i određeni simboli)u specijalizirani digitalni
Διαβάστε περισσότεραTermovizijski sistemi MS1TS
Termovizijski sistemi MS1TS Vežbe 02 primer 1 MATLAB funkcija conv. f x = rect x rect x 2 ( ) ( ) ( ) y=conv(rectangle_function(x),rectangle_function(x-2)); figure,subplot(3,1,1),plot(x,rectangle_function(x)),xlabel('\itx'),ylabel('rect({\itx})');
Διαβάστε περισσότεραFunkcija gustoće neprekidne slučajne varijable ima dva bitna svojstva: 1. Nenegativnost: f(x) 0, x R, 2. Normiranost: f(x)dx = 1.
σ-algebra skupova Definicija : Neka je Ω neprazan skup i F P(Ω). Familija skupova F je σ-algebra skupova na Ω ako vrijedi:. F, 2. A F A C F, 3. A n, n N} F n N A n F. Borelova σ-algebra Definicija 2: Neka
Διαβάστε περισσότεραPeriodičke izmjenične veličine
EHNČK FAKULE SVEUČLŠA U RJEC Zavod za elekroenergeiku Sudij: Preddiploski sručni sudij elekroehnike Kolegij: Osnove elekroehnike Nosielj kolegija: Branka Dobraš Periodičke izjenične veličine Osnove elekroehnike
Διαβάστε περισσότερα1. Nacrtati i objasniti algoritam propagacije greške unazad (back propagation).
1. Nacrtati i objasniti algoritam propagacije greške unazad (back propagation). Backpropagation je algoritam ucenja primenjen kod viseslojnih feedforward mreza ciji neuroni imaju kontinualnu diferencijabilnu
Διαβάστε περισσότερα3. OSNOVNI POKAZATELJI TLA
MEHANIKA TLA: Onovni paraetri tla 4. OSNONI POKAZATELJI TLA Tlo e atoji od tri faze: od čvrtih zrna, vode i vazduha i njihovo relativno učešće e opiuje odgovarajući pokazateljia.. Specifična težina (G)
Διαβάστε περισσότεραEliminacijski zadatak iz Matematike 1 za kemičare
Za mnoge reakcije vrijedi Arrheniusova jednadžba, koja opisuje vezu koeficijenta brzine reakcije i temperature: K = Ae Ea/(RT ). - T termodinamička temperatura (u K), - R = 8, 3145 J K 1 mol 1 opća plinska
Διαβάστε περισσότεραAlgoritmi i strukture podataka - 1.cas
Algoritmi i strukture podataka - 1.cas Aleksandar Veljković October 2016 Materijali su zasnovani na materijalima Mirka Stojadinovića 1 Složenost algoritama Približna procena vremena ili prostora potrebnog
Διαβάστε περισσότεραKONVEKSNI SKUPOVI. Definicije: potprostor, afin skup, konveksan skup, konveksan konus. 1/5. Back FullScr
KONVEKSNI SKUPOVI Definicije: potprostor, afin skup, konveksan skup, konveksan konus. 1/5 KONVEKSNI SKUPOVI Definicije: potprostor, afin skup, konveksan skup, konveksan konus. 1/5 1. Neka su x, y R n,
Διαβάστε περισσότεραIZVODI ZADACI (I deo)
IZVODI ZADACI (I deo) Najpre da se podsetimo tablice i osnovnih pravila:. C`=0. `=. ( )`= 4. ( n )`=n n-. (a )`=a lna 6. (e )`=e 7. (log a )`= 8. (ln)`= ` ln a (>0) 9. = ( 0) 0. `= (>0) (ovde je >0 i a
Διαβάστε περισσότεραDRUGI KOLOKVIJUM IZ MATEMATIKE 9x + 6y + z = 1 4x 2y + z = 1 x + 2y + 3z = 2. je neprekidna za a =
x, y, z) 2 2 1 2. Rešiti jednačinu: 2 3 1 1 2 x = 1. x = 3. Odrediti rang matrice: rang 9x + 6y + z = 1 4x 2y + z = 1 x + 2y + 3z = 2. 2 0 1 1 1 3 1 5 2 8 14 10 3 11 13 15 = 4. Neka je A = x x N x < 7},
Διαβάστε περισσότεραPARCIJALNI IZVODI I DIFERENCIJALI. Sama definicija parcijalnog izvoda i diferencijala je malo teža, mi se njome ovde nećemo baviti a vi ćete je,
PARCIJALNI IZVODI I DIFERENCIJALI Sama definicija parcijalnog ivoda i diferencijala je malo teža, mi se njome ovde nećemo baviti a vi ćete je, naravno, naučiti onako kako vaš profesor ahteva. Mi ćemo probati
Διαβάστε περισσότεραLinearna algebra 2 prvi kolokvij,
Linearna algebra 2 prvi kolokvij, 27.. 20.. Za koji cijeli broj t je funkcija f : R 4 R 4 R definirana s f(x, y) = x y (t + )x 2 y 2 + x y (t 2 + t)x 4 y 4, x = (x, x 2, x, x 4 ), y = (y, y 2, y, y 4 )
Διαβάστε περισσότερα2. KOLOKVIJ IZ MATEMATIKE 1
2 cos(3 π 4 ) sin( + π 6 ). 2. Pomoću linearnih transformacija funkcije f nacrtajte graf funkcije g ako je, g() = 2f( + 3) +. 3. Odredite domenu funkcije te odredite f i njenu domenu. log 3 2 + 3 7, 4.
Διαβάστε περισσότεραMate Vijuga: Rijeseni zadaci iz matematike za srednju skolu
16. UVOD U STATISTIKU Statistika je nauka o sakupljanju i analizi sakupljenih podatka u cilju donosenja zakljucaka o mogucem toku ili obliku neizvjesnosti koja se obradjuje. Frekventna distribucija - je
Διαβάστε περισσότεραπ π ELEKTROTEHNIČKI ODJEL i) f (x) = x 3 x 2 x + 1, a = 1, b = 1;
1. Provjerite da funkcija f definirana na segmentu [a, b] zadovoljava uvjete Rolleova poučka, pa odredite barem jedan c a, b takav da je f '(c) = 0 ako je: a) f () = 1, a = 1, b = 1; b) f () = 4, a =,
Διαβάστε περισσότεραTrigonometrija 1. Trigonometrijska kružnica. Razumijevanje postupka izrade složenijeg matematičkog problema iz osnova trigonometrije
Trigonometrija Trigonometrijska kružnica Razumijevanje postupka izrade složenijeg matematičkog problema iz osnova trigonometrije Projektna nastava Osnovne trigonometrijske relacije:. +. tgx. ctgx tgx.
Διαβάστε περισσότερα1 Promjena baze vektora
Promjena baze vektora Neka su dane dvije različite uredene baze u R n, označimo ih s A = (a, a,, a n i B = (b, b,, b n Svaki vektor v R n ima medusobno različite koordinatne zapise u bazama A i B Zapis
Διαβάστε περισσότεραZadaci iz trigonometrije za seminar
Zadaci iz trigonometrije za seminar FON: 1. Vrednost izraza sin 1 cos 6 jednaka je: ; B) 1 ; V) 1 1 + 1 ; G) ; D). 16. Broj rexea jednaqine sin x cos x + cos x = sin x + sin x na intervalu π ), π je: ;
Διαβάστε περισσότεραDijagonalizacija operatora
Dijagonalizacija operatora Problem: Može li se odrediti baza u kojoj zadani operator ima dijagonalnu matricu? Ova problem je povezan sa sljedećim pojmovima: 1 Karakteristični polinom operatora f 2 Vlastite
Διαβάστε περισσότερα6 Polinomi Funkcija p : R R zadana formulom
6 Polinomi Funkcija p : R R zadana formulom p(x) = a n x n + a n 1 x n 1 +... + a 1 x + a 0, gdje su a 0, a 1,..., a n realni brojevi, a n 0, i n prirodan broj ili 0, naziva se polinom n-tog stupnja s
Διαβάστε περισσότεραRiješeni zadaci: Nizovi realnih brojeva
Riješei zadaci: Nizovi realih brojeva Nizovi, aritmetički iz, geometrijski iz Fukciju a : N R azivamo beskoači) iz realih brojeva i ozačavamo s a 1, a,..., a,... ili a ), pri čemu je a = a). Aritmetički
Διαβάστε περισσότεραOperacije s matricama
Linearna algebra I Operacije s matricama Korolar 3.1.5. Množenje matrica u vektorskom prostoru M n (F) ima sljedeća svojstva: (1) A(B + C) = AB + AC, A, B, C M n (F); (2) (A + B)C = AC + BC, A, B, C M
Διαβάστε περισσότεραUvod u teoriju brojeva
Uvod u teoriju brojeva 2. Kongruencije Borka Jadrijević Borka Jadrijević () UTB 2 1 / 25 2. Kongruencije Kongruencija - izjava o djeljivosti; Teoriju kongruencija uveo je C. F. Gauss 1801. De nicija (2.1)
Διαβάστε περισσότεραKlasifikacija blizu Kelerovih mnogostrukosti. konstantne holomorfne sekcione krivine. Kelerove. mnogostrukosti. blizu Kelerove.
Klasifikacija blizu Teorema Neka je M Kelerova mnogostrukost. Operator krivine R ima sledeća svojstva: R(X, Y, Z, W ) = R(Y, X, Z, W ) = R(X, Y, W, Z) R(X, Y, Z, W ) + R(Y, Z, X, W ) + R(Z, X, Y, W ) =
Διαβάστε περισσότεραTrigonometrija 2. Adicijske formule. Formule dvostrukog kuta Formule polovičnog kuta Pretvaranje sume(razlike u produkt i obrnuto
Trigonometrija Adicijske formule Formule dvostrukog kuta Formule polovičnog kuta Pretvaranje sume(razlike u produkt i obrnuto Razumijevanje postupka izrade složenijeg matematičkog problema iz osnova trigonometrije
Διαβάστε περισσότεραDvanaesti praktikum iz Analize 1
Dvaaesti praktikum iz Aalize Zlatko Lazovi 20. decembar 206.. Dokazati da fukcija f = 5 l tg + 5 ima bar jedu realu ulu. Ree e. Oblast defiisaosti fukcije je D f = k Z da postoji ula fukcije a 0, π 2.
Διαβάστε περισσότερα4 Numeričko diferenciranje
4 Numeričko diferenciranje 7. Funkcija fx) je zadata tabelom: x 0 4 6 8 fx).17 1.5167 1.7044 3.385 5.09 7.814 Koristeći konačne razlike, zaključno sa trećim redom, odrediti tačku x minimuma funkcije fx)
Διαβάστε περισσότεραGrafičko prikazivanje atributivnih i geografskih nizova
Grafičko prikazivanje atributivnih i geografskih nizova Biserka Draščić Ban Pomorski fakultet u Rijeci 17. veljače 2011. Grafičko prikazivanje atributivnih nizova Atributivni nizovi prikazuju se grafički
Διαβάστε περισσότεραTOPOLOŠKOM OPTIMIRANJU KONSTRUKTIVNIH ELEMENATA
PRIRODOSLOVNO - MATEMATIČKI FAKULTET U SPLITU DIPLOMSKI RAD PRIMJENA LEVEL SET METODA U TOPOLOŠKOM OPTIMIRANJU KONSTRUKTIVNIH ELEMENATA Mentor: Dr. sc. Željan Lozina Student: Krešimir Ivišić Split, srpanj
Διαβάστε περισσότεραProgram za tablično računanje Microsoft Excel
Program za tablično računanje Microsoft Excel Teme Formule i funkcije Zbrajanje Oduzimanje Množenje Dijeljenje Izračun najveće vrijednosti Izračun najmanje vrijednosti 2 Formule i funkcije Naravno da je
Διαβάστε περισσότερα( , 2. kolokvij)
A MATEMATIKA (0..20., 2. kolokvij). Zadana je funkcija y = cos 3 () 2e 2. (a) Odredite dy. (b) Koliki je nagib grafa te funkcije za = 0. (a) zadanu implicitno s 3 + 2 y = sin y, (b) zadanu parametarski
Διαβάστε περισσότεραDUALNOST. Primjer. 4x 1 + x 2 + 3x 3. max x 1 + 4x 2 1 3x 1 x 2 + x 3 3 x 1 0, x 2 0, x 3 0 (P ) 1/9. Back FullScr
DUALNOST Primjer. (P ) 4x 1 + x 2 + 3x 3 max x 1 + 4x 2 1 3x 1 x 2 + x 3 3 x 1 0, x 2 0, x 3 0 1/9 DUALNOST Primjer. (P ) 4x 1 + x 2 + 3x 3 max x 1 + 4x 2 1 3x 1 x 2 + x 3 3 x 1 0, x 2 0, x 3 0 1/9 (D)
Διαβάστε περισσότεραMašinsko učenje. Regresija.
Mašinsko učenje. Regresija. Danijela Petrović May 17, 2016 Uvod Problem predviđanja vrednosti neprekidnog atributa neke instance na osnovu vrednosti njenih drugih atributa. Uvod Problem predviđanja vrednosti
Διαβάστε περισσότεραMoguća i virtuelna pomjeranja
Dnamka sstema sa vezama Moguća vrtuelna pomjeranja f k ( r 1,..., r N, t) = 0 (k = 1, 2,..., K ) df k dt = r + t = 0 d r = r dt moguća pomjeranja zadovoljavaju uvjet: df k = d r + dt = 0. t δ r = δx +
Διαβάστε περισσότεραMATEMATIKA 2. Grupa 1 Rexea zadataka. Prvi pismeni kolokvijum, Dragan ori
MATEMATIKA 2 Prvi pismeni kolokvijum, 14.4.2016 Grupa 1 Rexea zadataka Dragan ori Zadaci i rexea 1. unkcija f : R 2 R definisana je sa xy 2 f(x, y) = x2 + y sin 3 2 x 2, (x, y) (0, 0) + y2 0, (x, y) =
Διαβάστε περισσότεραΡεφανίδης Γιάννης. Οκτώβριος 2011. http://users.uom.gr/~yrefanid/courses/neuralnetworks/
Νευρωνικά Δίκτυα Ρεφανίδης Γιάννης Οκτώβριος 2011 Γενικά Σελίδα μαθήματος: http://users.uom.gr/~yrefanid/courses/neuralnetworks/ Συγγράμματα: Πανεπιστημιακές παραδόσεις για Νευρωνικά Δίκτυα και Εξελικτικούς
Διαβάστε περισσότεραGLAZBENA UMJETNOST. Rezultati državne mature 2010.
GLAZBENA UJETNOST Rezultati državne mature 2010. Deskriptivna statistika ukupnog rezultata PARAETAR VRIJEDNOST N 112 k 61 72,5 St. pogreška mjerenja 5,06 edijan 76,0 od 86 St. devijacija 15,99 Raspon 66
Διαβάστε περισσότεραIspitivanje toka i skiciranje grafika funkcija
Ispitivanje toka i skiciranje grafika funkcija Za skiciranje grafika funkcije potrebno je ispitati svako od sledećih svojstava: Oblast definisanosti: D f = { R f R}. Parnost, neparnost, periodičnost. 3
Διαβάστε περισσότερα1. Pojam fazi skupa. 2. Pojam fazi skupa. 3. Funkcija pripadnosti, osobine i oblici. 4. Funkcija pripadnosti, osobine i oblici
Meko računarstvo Student: Indeks:. Poja fazi skupa. Vrednost fazi funkcije pripadnosti je iz skupa/opsega: a) {0, b) R c) N d) N 0 e) [0, ] f) [-, ] 2. Poja fazi skupa 2. Na slici je prikazan grafik: a)
Διαβάστε περισσότεραOtpornost R u kolu naizmjenične struje
Otpornost R u kolu naizmjenične struje Pretpostavimo da je otpornik R priključen na prostoperiodični napon: Po Omovom zakonu pad napona na otporniku je: ( ) = ( ω ) u t sin m t R ( ) = ( ) u t R i t Struja
Διαβάστε περισσότερα