ΕΠΕΞΕΡΓΑΣΙΑ ΣΗΜΑΤΩΝ - ΕΙΚΟΝΑΣ. ΚΑΙ ΑΣΑΦΗΣ ΛΟΓΙΚΗ (fuzzy logic) ΔΠΜΣ ΗΕΠ 1/64. και Ασαφής Λογική
|
|
- Ωκεανός Βαρνακιώτης
- 6 χρόνια πριν
- Προβολές:
Transcript
1 ΕΠΕΞΕΡΓΑΣΙΑ ΣΗΜΑΤΩΝ - ΕΙΚΟΝΑΣ ΚΑΙ ΑΣΑΦΗΣ ΛΟΓΙΚΗ (fuzzy logic) ΔΠΜΣ ΗΕΠ /64
2 Albert Einstein Lecture to Prussian Academy 9 ΔΠΜΣ ΗΕΠ /64
3 ΔΠΜΣ ΗΕΠ 3/64
4 ΔΠΜΣ ΗΕΠ 4/64
5 Α. Γενικά Ασαφή σύνολα Fuzzy set Crisp set Βαθός συετοχής φωτεινότητα φ00 Βαθός συετοχής φωτεινότητα ΔΠΜΣ ΗΕΠ 5/64
6 Fig.. Representation of ofcolours as asfuzzy subsets. ΔΠΜΣ ΗΕΠ 6/64
7 (αντι)παράδειγα ΔΠΜΣ ΗΕΠ 7/64
8 ΔΠΜΣ ΗΕΠ 8/64
9 τελικά.. ευχάριστα Ένα ασαφές σύνολο ορίζεται ε την συνάρτηση συετοχής f(τ) για ία εταβλητή Τ Τ ΔΠΜΣ ΗΕΠ 9/64
10 Μπορεί ένα στοιχείο να ανήκει σε δύο σύνολα??? ευχάριστα ζεστά Τ ΔΠΜΣ ΗΕΠ 0/64
11 Συναρτήσεις συετοχής Χαρακτηριστικές ορφές ασαφών συνόλων Τριγωνική Τραπεζοειδής 0 0 ΔΠΜΣ ΗΕΠ /64
12 (συν.) άλλες ορφές f (x;a,c ) - f (x;a,c ) ΔΠΜΣ ΗΕΠ /64
13 Β. Πως παριστάνονται τα ασαφή σύνολα A ~ N Α(x) Α(x ) Α(xN) x x xn i Α (x x i i ) Ασαφές Σύνολο ε ένα στοιχείο ονοάζεται singleton 0 0 x είναι ο βαθός συετοχής membership function (το σύβολο + δεν σηαίνει άθροισα) ΔΠΜΣ ΗΕΠ 3/64
14 Γ. Πράξεις στα ασαφή σύνολα (Zadeh) Ενωση Α Β(x) Α(x) Β(x) max{ Α (x), Β (x)} Τοή Α Β(x) Α(x) Β(x) min{ Α (x), Β (x)} Συπλήρωα Α ( x) Α (x) Οι πράξεις αυτές πορούν να ορισθούν και ε άλλους τρόπους. πχ. Α Β Α Β (x) (x) Α Α (x) (x) (x) + Β Β (x) Α (x) (x) Β ΔΠΜΣ ΗΕΠ 4/64
15 Τοή,ένωση, συπλήρωα - γραφικά ΔΠΜΣ ΗΕΠ 5/64
16 Ασαφείς κανόνες IF-THEN rules Είναι ένας τρόπος επεξεργασίας Αποτελείται από ένα σύνολο συνθηκών (υποθέσεων) στην είσοδο(antecedent) και ία συνθήκη (δράση-απόφαση ) στην έξοδο (consequent). H εύρεση των κανόνων συνδέεται ε εθόδους οαδοποίησης (clustering) IF (x,a ) THEN (y,b ) IF (x,a ) AND (x,a ) THEN (y,b ) IF (x,a ) AND (x,a ) THEN (y,b 3 ) συνήθως: AND minimum, x x OR maximum ΔΠΜΣ ΗΕΠ 6/64
17 Συνεπαγωγή (inference) Eιναι η διαδικασία που δίνει αριθητικές τιές στους ασαφείς κανόνες Οι τεχνικές συνεπαγωγής περιλαβάνουν και την συνολική εκτίηση των κανόνων στην έξοδο Οι πλέον γνωστές τεχνικές είναι:. max-min (Mamdani) διακριτές τιές. max-product (Correlation product)- διακριτές τιές 3. max-min (Mamdani) ασαφές σύνολο 4. max-product (Correlation product)- ασαφές σύνολο 5. Sugeno ΔΠΜΣ ΗΕΠ 7/64
18 . max-min (Mamdani)-διακριτές τιές Α Α Β Α Α Β Input (i) Input (j) y ΔΠΜΣ ΗΕΠ 8/64
19 . max-product (Correlation product)- διακριτές τιές Α Α Β Α Α Β Input (i) Input (j) y* ΔΠΜΣ ΗΕΠ 9/64
20 3. max-min (Mamdani)-ασαφή σύνολα Α Input (i) Input (j) Α Β Input (i) Α Input (j) Α Β y* ΔΠΜΣ ΗΕΠ 0/64
21 4. max-product (Correlation product)- ασαφή σύνολα Α Input (i) Input (j) Α Β Input (i) Α Α Input (j) Β y* ΔΠΜΣ ΗΕΠ /64
22 5. «Sugeno» συνεπαγωγή Α Α w z Α Α w Input (i) Input (j) z y*σw i z i Παρατήρηση: Στη έθοδο Sugeno ΔΕΝ απαιτείται διαδικασία αποσαφήνισης (defuzzification) ΔΠΜΣ ΗΕΠ /64
23 max-min (Mamdani) συνεπαγωγή - παράδειγα ΔΠΜΣ ΗΕΠ 3/64
24 max-min - ο παράδειγα ΔΠΜΣ ΗΕΠ 4/64
25 συνεπαγωγή Sugeno -παράδειγα ΔΠΜΣ ΗΕΠ 5/64
26 Αποσαφήνιση (defuzzyfication) Α. Μaximum (z*) (z) για κάθε z z* z B. Κέντρο βάρους (Centroid) z (z) z dz (z) dz Γ. Μέση τιή-των εγίστων (συνήθως σε συετρικά σύνολα) z (z) z (z) z* z z ΔΠΜΣ ΗΕΠ 6/64
27 Αποσαφήνιση - Παράδειγα «άθροιση» Κέντρο βάρους (Centroid) z (z) z dz (z) dz z 3 (0.3z)zdz + (0.3)zdz + zdz z 3 (0.3z)dz + (0.3)dz + dz Μέση τιή- (Weighted average) (0.3.5) + (0.5 5) + ( 6.5) z ΔΠΜΣ ΗΕΠ 7/64
28 Καθορισός των παραέτρων (tuning) Οι παράετροι συνήθως είναι αυτές που καθορίζουν την ορφή στα«ασαφή» σύνολα εισόδου - εξόδου Οι έθοδοι που χρησιοποιούνται βασίζονται στις γνωστές τεχνικές όπως: α) Νευρωνικά δίκτυα β) Γενετικοί αλγόριθοι γ) Βάθωση δ) ANFIS matlab(adaptive Neuro-fuzzy Inference System). ΔΠΜΣ ΗΕΠ 8/64
29 Ασαφές σύστηα - ΣΥΝΟΨΗ Ασαφοποίηση Fuzzification Συνεπαγωγή Inference Αποσαφήνιση Defuzzification ΔΠΜΣ ΗΕΠ 9/64
30 ΔΠΜΣ ΗΕΠ 30/64
31 Β Fuzzy γεωετρία Πως θα βρούε περίετρο και εβαδό?? εβαδό ΔΠΜΣ ΗΕΠ 3/64
32 περίετρος συπαγότητα ΔΠΜΣ ΗΕΠ 3/64
33 Β Μέτρηση της ασάφειας σε εικόνα Η ασάφεια είναι 0 εάν όλατα i είναι 0 ή (π.χ. binary image). Η έγιστη τιή βρίσκεται όταν όλα τα i 0.5 ΔΠΜΣ ΗΕΠ 33/64
34 Κατωφλιοποίηση ε ελαχιστοποίηση της ασάφειας Το βέλτιστο κατώφλιο βρίσκεται ε ετακίνηση της S-function και έτρηση της «ασάφειας» ΔΠΜΣ ΗΕΠ 34/64
35 αρχική εικόνα εχιστοποίηση ασάφειας ΔΠΜΣ ΗΕΠ 35/64
36 Β3. Fuzzy Οαδοποίηση Αλγόριθος Fuzzy C-Means (fcm) v X k U k n σηεία, c κέντρα U ik ητιήσυετοχής του X k στο κέντρο V i ο βήα: U k U ik c i U ik υπολογισός των U ik c d i ik d ik όπου : γιά k,,.. n 0 < U d ik X n k i ik X k < n v ΔΠΜΣ ΗΕΠ 36/64
37 Fuzzy C-Means (fcm) v X k ο βήα: υπολογισός των κέντρων V i U k U k V i n k n U k m ik U X m ik k i K c J m υπολογισός του «κόστους» n c k i U m ik X k X i v ΔΠΜΣ ΗΕΠ 37/64
38 Πίνακας διαερισού Partition matrix Παράδειγα (3 σηεία κέντρα) U ik Σύγκλιση τερατισός του αλγορίθου fcm J(n+)-J(n) ε ή {Uik(n + )} {Uik(n)} ε ΔΠΜΣ ΗΕΠ 38/64
39 Πίνακας διαερισού και ασάφεια U ik U ik U ik ik * U T ik U ik * U T ik U ik * U T ik 0 0 trace/ Trace/ Τrace/3 ΔΠΜΣ ΗΕΠ 39/64
40 x x x x 3 4 {,3} {3,} Παράδειγα fcm n4,c {.5,3.} {.3,.8} ο βήα:υπολογισός των U ik Θέτουε αυθαίρετα {U (0) ik } 0 Αρχικοί υπολογισοί ο βήα: υπολογισός των κέντρων V i V U X 3 X + 3 Χ + UX U + U X U + U 3 3 X3 + U + U 4 4 X 4 X + X + X {, } {.6,3} 3 3 U Χ + UX U + U + U + U X3 + U + U X X V 3 4 {3,} ΔΠΜΣ ΗΕΠ 40/64
41 Ψηφιακή Επεξεργασία Εικόνας ΔΠΜΣ ΗΕΠ Σ. Φωτόπουλος ΠΑΝ. ΠΑΤΡΩΝ 4/64 Παράδειγα fcm fcm (συνέχεια) η επανάληψη -ο βήα:υπολογισός των U ik η επανάληψη -ο βήα:υπολογισός των U ik η επανάληψη 0.0 ) ( 3) (3 d.65 3) (.6) (3 d.47 ) (.8 3) (.3 d 0. 3) (.8.6) (.3 d.66 ) (3. 3) (.5 d 0.3 3) (3..6) (.5 d.8 ) (3 3) ( d 0.6 3) (3.6) ( d d d d d d d d d d d d d d d d d } {U () ik Οοίως:
42 η επανάληψη οβήα: υπολογισός των κέντρων V i η επανάληψη (συνέχεια) UΧ + UX + U3X3 + U4X X X X3... U + U + U + U V 3 4 {.6,3} UΧ + UX + U3X3 + U4X X X X3 + X4... U + U + U + U V 3 4 {3,} Έλεγχος σύγκλισης () (0) () (0) {Uik Uik } max ικ ik i,k Εάν η τιή αυτή είναι ικανοποιητική σταατά η διαδικασία. Διαφορετικά προχωρούε σε η επανάληψη ΔΠΜΣ ΗΕΠ 4/64
43 B4 Βελτίωση του Contrast Από την εργασία S.K.Pal and R.A. King 98 Μία εικόνα που παριστάνεται ε την ορφή πίνακα: IMAGE g(n,n ) x x x M x 3 N x x x 3 M x N L L L L L x x x x n n 3n M N n L L L L L x x x x N N 3N M N N ΔΠΜΣ ΗΕΠ 43/64
44 Ασαφοποίηση : gray levels X 3 N /x /x /x M /x 3 N 3 N /x /x /x M /x 3 N L L L L L n n 3n Nn /x /x /x M /x n n 3n Nn L L L L L N N 3N NN /x /x /x M /x N N 3N NN ΔΠΜΣ ΗΕΠ 44/64
45 Τροποποίηση της συνάρτησης συετοχής αύξηση του contrast τελεστής INT Η επίδραση του τελεστή INT σε ένα σύνολο Α θα δώσει ένα άλλο σύνολο Α' ε λιγότερη ασάφεια. Ο INT πορεί να οριστεί ως εξής: [ ( x) ], ( ( x) ) ( x) [ ], ( x) ( x) 0.5 ' mn mn ΔΠΜΣ ΗΕΠ 45/64
46 Αποσαφήνιση : Gray levels x n n x max F d ( (G)) F e ΔΠΜΣ ΗΕΠ 46/64
47 Συνοψη της διαδικασίας του τελεστού ΙΝΤ. ασαφοποίηση n n ( ) Fe x x max F d n n G( xn n ). εφαρογή του τελεστού ΙΝΤ εάν ( ) 0.5 εάν > > αντίστροφη διεργασία x n n x max F d ( ( G)) F e SET F d, F e, α F d F e α IN G() T r () G - ( ) OUT ΔΠΜΣ ΗΕΠ 47/64
48 CONTRAST ENHANCEMENT ε τον τελεστή INT (ο παράδειγα) α β γ δ ε (α) Η αρχική εικόνα, (β) το αποτέλεσα από το histogram equalization, το αποτέλεσα του αλγορίθου για (γ) F e, F d 55, r, (δ) F e, F d 5, r και (ε) F e, F d 49.5, r. ΔΠΜΣ ΗΕΠ 48/64
49 B5. Βελτίωση του contrast ε κανόνες Τροποιείται το ιστόγραα ως εξής:. Ασαφοποίηση των τιών των pixels. Συνεπαγωγή (πχ. IF σκοτεινό THEN g min κλπ) 3. Αποσαφήνιση (Sugeno) σκοτεινό g g min + σκοτεινό γκρίζο + g γκρίζο mid + + φωτεινό φωτεινό g max Tizhoosh 997 σκοτεινό γκρίζο φωτεινό g min g mid g max φωτεινότητα g φωτεινότητα g ΔΠΜΣ ΗΕΠ 49/64
50 Β6. Rule-based fuzzy edge detection Russo, F., Ramponi, G. (994): Edge extraction by FIRE operators ΔΠΜΣ ΗΕΠ 50/64
51 B7. Basic Edge Extractor ηέξοδος: P q y Τα ασαφή σύνολα: D(difference), E (equal), L (low) και H (high) Οι κανόνες st rule D D D E E o o o THEN H D D nd rulee o o D E o THEN H 3rd rule o D E D o E o o THEN H E 4th ruleo o D o o D E THEN H Else rule THEN L ΔΠΜΣ ΗΕΠ 5/64
52 Χάρτης ακών Ακές ετά από κατωφλιοποίηση ΔΠΜΣ ΗΕΠ 5/64
53 B8. Φιλτράρισα ε ασαφή λογική Από τις εργασίες: F. Russo και G. Ramponi Μετρούενο Μέγεθος: διαφορές του κεντρικού pixel g mn από τα γειτονικά του g ij. x ij g ij -g mn Ηέξοδοςy mn αποτελεί ία «διόρθωση» τηςαρχικήςτιήςτουpixel g mn : g mn g mn +y mn ΔΠΜΣ ΗΕΠ 53/64
54 Ασαφή σύνολα εισόδου:mn,mp εξόδου:sν, SP και Ζ. MN MP SN ZE SP -L+ L- -L+ L- Συνεπαγωγή: IF x m-,n- is MP.. AND x m+,n+ is MP THEN y mn is SP IF x m-,n- is MN.. AND x m+,n+ is MN THEN y mn is SN ELSE y mn is ZE ΔΠΜΣ ΗΕΠ 54/64
55 os κανόνας P P P P P P P P THEN SP Σε διάγραα: ος κανόνας N N N N N N N N THEN SN Else THEN Z ΔΠΜΣ ΗΕΠ 55/64
56 B8. Οι ασαφείς κανόνες αναφέρονται σε παραέτρους (αυρόασπρη εικόνα) α)οντέλο σήατος x(i,j)s(i,j)+n(i,j) β)επιθυητό φιλτράρισα: οάδα : οογενής περιοχή +Uniform θόρυβος οάδα : οογενής περιοχή + Normal θόρυβος οάδα 3: οογενής περιοχή + Exp. Θόρυβος midpoint filter mean filter median filter οάδα 4:ακή (λεπτοέρεια) + Uniform or Gaussianθόρυβος identity filter οάδα 5:ακή (λεπτοέρεια) + Impulsive θόρυβος median filter γ) παράετροι : K(i,j)σ (i,j)/( σ n + σ (i,j)) Q α (i,j) I(i,j) x(i,j)-median(i,j) / σ n local statistics tail behavior impulse detection ΔΠΜΣ ΗΕΠ 56/64
57 δ) Ασαφή σύνολα ε)κανόνες If K is small and Q a is small then x(i,j) οαδα If K is small and Q a is medium then x(i,j) οαδα If K is small and Q a is Large then x(i,j) οαδα3 If K is Large and I is small then x(i,j) οαδα4 If K is large and I is Large then Εξοδος του φίλτρου: y(i, j) 5 k k k x(i,j) οαδα5 (i, j) ω k k (i, j) (i, j) ΔΠΜΣ ΗΕΠ 57/64
58 B.9 Εγχρωη εικόνα - φιλτράρισα παράετροι: α) απόκλιση v( X) β) Δυναικό, "άθροισα δυναικού" i P( ) K Nh i h Διαχωρισός σε 3 οάδες (classes) n (X i X) Ασαφή σύνολα (fuzzy sets). N N g( X) N X - X -p X K( X) ( π ) / exp -X p N N i P( X i ) ( ) first class v(x), g(x) large. second class v(x) large,g(x) small. third class v(x) small ΔΠΜΣ ΗΕΠ 58/64
59 Κανόνες Rule:IF (v,large) AND (g, Large) THEN (Class) Rule:IF (v,large) AND (g, Small) THEN (Class) Rule3:IF (v,small) THEN (Class3) min( L (v), L (g)) min( L (v), S (g)) 3 S (v) first class second class third class pixel is selected as the filter output (VMF) /3 of the total number is averaged all the pixels are selected and averaged. X Vector Μedian N/3 points Averager N points Averager Defuzzification output(x) 3 m m 3 m (X) y m m (X) (X) g(x) v(x) Fuzzy Inference output(x) Το fuzzy φίλτρο σε διάγραα βαθίδων ΔΠΜΣ ΗΕΠ 59/64
60 (α) (β) α)εικόνα ε θόρυβο: gaussian (0,6) and impulsive (%) β)η έξοδοςτουπροτεινοένου fuzzy filter ΔΠΜΣ ΗΕΠ 60/64
61 Ερωτήσεις εργασίες. Nα βρεθούν παραλλαγές του fcm (απότοδιαδίκτυο web of science). Να υλοποιηθεί ο τελεστής ΙΝΤ 3. Να υλοποιηθεί η διαδικασία Rule based contrast enhancement και να συγκριθεί ε κλασσικές εθόδου 4. Να εκτελεσθεί ένα βήα του αλγορίθου fcm γιατοσύνολοτωνσηείων: x(,) ψ(,), z(3,3) ω(3,4) ΔΠΜΣ ΗΕΠ 6/64
62 ΒΙΒΛΙΟΓΡΑΦΙΑ Matlab: Zadeh,L.A.,"Fuzzy sets" Information and Control, Vol. 8, pp , 965 Zadeh,L.A.,"Outline of a new approach to the analysis of complex systems and decision processes" IEEE Transactions on Systems, Man, and Cybernetics, Vol.3, No., pp.8-44, Jan 973 Dubois D. and Prade H., "Fuzzy sets and Systems, theory and applications" Academic, New York, 980 Bezdec, J., " Pattern recognition with fuzzy abjective function algorithms" Plenum Press, New York, 98 Terano T., Asai K., and Sugeno M., "Fuzzy system theory and its applications" Academic Press, San Diego, CA, 99 B.Kosko "Neural Networks and Fuzzy systems" Prentice Hall, Inc., Englewood Cliffs,NJ,99 F.Russo "Nonlinear Fuzzy Filters: An overview" Proc. ECCTD96, Trieste, Sept 0-3, 996 Τ. Ross " Fuzzy Logic with Engineering Applications" Mc Graw Hill, Inc., ΔΠΜΣ ΗΕΠ 6/64
63 Lofti Zadeh Fuzzy Sets in Info &control,vol.8 (965) pp 9-44 Kaufmann, Arnold and Gupta, Madan M., Introduction to Fuzzy Arithmetic: Theory and Applications, New York: Van Nostrand Reinhold Company Ltd., pp. Klir, George J. and Folger, Tina A., Fuzzy Sets, Uncertainty, and Information, Englewood Cliffs, NJ: Prentice Hall, pp. Kosko, Bart A., Neural Networks and Fuzzy Systems, Prentice-Hall, 990. Mamdani, E.H. and Gaines, B.R., Fuzzy Reasoning and its Applications, New York: Academic Press, pp. Negoita, Constantin Virgil, Fuzzy Systems, Cybernetics and Systems Series, Abacus Press, pp. Sugeno, Michio, Industrial Applications of Fuzzy Control, New York: North- Holland, pp. Togai, M., Reasoning with Uncertainty for Rule-based Expert Systems, John Wiley & Sons, in progress. Zimmermann, Hans J., Fuzzy Set Theory and its Applications, Boston MA: Kluwer-Nijhoff Publishing, pp L.Zadeh, FuzzyLogicComputing with words IEEE Trans on Fuzzy Systems, Vol4, No.,996 (pp03-) ΔΠΜΣ ΗΕΠ 63/64
64 TOOLBOXES ΔΠΜΣ ΗΕΠ 64/64
ΕΠΕΞΕΡΓΑΣΙΑ ΣΗΜΑΤΩΝ - ΕΙΚΟΝΑΣ. ΚΑΙ ΑΣΑΦΗΣ ΛΟΓΙΚΗ (fuzzy logic) Μάρτιος Ψηφιακή Επεξεργασία Σήµατος και Ασαφής Λογική
ΕΠΕΞΕΡΓΑΣΙΑ ΣΗΜΑΤΩΝ - ΕΙΚΟΝΑΣ ΚΑΙ ΑΣΑΦΗΣ ΛΟΓΙΚΗ (fuzzy logic) Ψηφιακή Επεξεργασία Σήατος και Ασαφής Λογική Μάρτιος 005 Albert Einstein Lecture to Prussian Acaemy 9 Ψηφιακή Επεξεργασία Σήατος και Ασαφής
Διαβάστε περισσότεραΕΠΕΞΕΡΓΑΣΙΑ ΣΗΜΑΤΩΝ - ΕΙΚΟΝΑΣ. ΚΑΙ ΑΣΑΦΗΣ ΛΟΓΙΚΗ (fuzzy logic) ΔΠΜΣ ΗΕΠ 1/100. και Ασαφής Λογική
ΕΠΕΞΕΡΓΑΣΙΑ ΣΗΜΑΤΩΝ - ΕΙΚΟΝΑΣ ΚΑΙ ΑΣΑΦΗΣ ΛΟΓΙΚΗ (fuzzy logic) ΔΠΜΣ ΗΕΠ /00 Albert Einstein Lecture to Prussian Academy 9 ΔΠΜΣ ΗΕΠ /00 Lotfi A. Zadeh ΔΠΜΣ ΗΕΠ 3/00 ΔΠΜΣ ΗΕΠ 4/00 Α. Γενικά Ασαφή σύνολα Fuzzy
Διαβάστε περισσότεραΚΑΙ ΑΣΑΦΗΣ ΛΟΓΙΚΗ (fuzzy logic)
ΕΠΕΞΕΡΓΑΣΙΑ ΣΗΜΑΤΩΝ - ΕΙΚΟΝΑΣ ΚΑΙ ΑΣΑΦΗΣ ΛΟΓΙΚΗ (fuzzy logic) ΔΠΜΣ ΗΕΠ /00 Albert Einstein Lecture to Prussian Academy 9 ΔΠΜΣ ΗΕΠ /00 Lotfi A. Zadeh ΔΠΜΣ ΗΕΠ 3/00 ΔΠΜΣ ΗΕΠ 4/00 Α. Γενικά Ασαφή σύνολα Fuzzy
Διαβάστε περισσότεραΣτοιχεία εισηγητή Ημερομηνία: 10/10/2017
Θέμα μεταπτυχιακής διατριβής: Λογισμικά μελέτης και σχεδίασης ρομποτικών συστημάτων - συγκρτική μελέτη και εφαρμογές. 1) Μελέτη των δημοφιλών λογισμικών σχεδίασης ρομποτικών συστημάτων VREP και ROS. 2)
Διαβάστε περισσότεραΠροσαρμοστικό Σύστημα Νευρο-ασαφούς Συμπερασμού ANFIS (Adaptive Network based Fuzzy Inference System)
ΔΗΜΟΚΡΙΤΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΡΑΚΗΣ Πολυτεχνική Σχολή Τμήμα Πολιτικών Μηχανικών DEMOCRITUS UNIVERSITY OF THRACE SCHOOL OF ENGINEERING Department of Civil Engineering Προσαρμοστικό Σύστημα Νευρο-ασαφούς Συμπερασμού
Διαβάστε περισσότεραΒασικές Έννοιες Ασαφών Συνόλων
Ασάφεια (Fuzziness) Έννοια που σχετίζεται με την ποσοτικοποίηση της πληροφορίας και οφείλεται κυρίως σε μη-ακριβή (imprecise) δεδομένα. "Ο Νίκος είναι ψηλός Το πρόβλημα οφείλεται στην αντίληψη που έχει
Διαβάστε περισσότεραΑσαφής Λογική (Fuzzy Logic)
Ασαφής Λογική (Fuzzy Logic) Ασάφεια: έννοια που σχετίζεται με την ποσοτικοποίηση της πληροφορίας και οφείλεται κυρίως σε μη-ακριβή (imprecise) δεδομένα. Π.χ. "Ο Νίκος είναι ψηλός": δεν προσδιορίζεται με
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 περισσότεραΨηφιακή Επεξεργασία Εικόνας. Σ. Φωτόπουλος ΨΕΕ
Ψηφιακή Επεξεργασία Εικόνας ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ ΜΕ ΙΣΤΟΓΡΑΜΜΑ ΔΠΜΣ ΗΕΠ 1/46 Περιλαμβάνει: Βελτίωση (Enhancement) Ανακατασκευή (Restoration) Κωδικοποίηση (Coding) Ανάλυση, Κατανόηση Τμηματοποίηση (Segmentation)
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 1. Ασαφή Συστήματα. 1.1 Ασαφή Σύνολα. x A. 1, x
ΚΕΦΑΛΑΙΟ 1 Ασαφή Συστήματα Η τεχνολογική πρόοδος των τελευταίων ετών επέβαλλε τη δημιουργία συστημάτων ικανών να εκτελέσουν προσεγγιστικούς συλλογισμούς, παρόμοιους με αυτούς του ανθρώπινου εγκέφαλου.
Διαβάστε περισσότεραΚεφάλαιο 14. Ασάφεια. Τεχνητή Νοηµοσύνη - Β' Έκδοση. Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου
Κεφάλαιο 4 Ασάφεια Τεχνητή Νοηµοσύνη - Β' Έκδοση Ι. Βλαχάβας, Π. Κεφαλάς, Ν. Βασιλειάδης, Φ. Κόκκορας, Η. Σακελλαρίου Ασάφεια (Fuzziness) Έννοια που σχετίζεται µε την ποσοτικοποίηση της πληροφορίας και
Διαβάστε περισσότεραΑσαφής Λογική. Βελτιστοποίηση Συστημάτων & Υδροπληροφορική. Χρήστος Μακρόπουλος & Ανδρέας Ευστρατιάδης
Βελτιστοποίηση Συστημάτων & Υδροπληροφορική Ασαφής Λογική Χρήστος Μακρόπουλος & Ανδρέας Ευστρατιάδης Τομέας Υδατικών Πόρων και Περιβάλλοντος Εθνικό Μετσόβιο Πολυτεχνείο, Μάρτιος 2011 1 Ιστορία.. L. A.
Διαβάστε περισσότεραΑσαφής Λογική & Έλεγχος
Τεχνητή Νοηοσύνη 7 σαφής Λογική & Έλεγχος Φώτης Κόκκορας ΤΕΙ Θεσσαλίας Τήα Μηχανικών Πληροφορικής (Fuzzy Logic Fuzzy Control) Η σαφής Λογική (Fuzzy Logic)......δεν είναι καθόλου...ασαφής ή ανακριβής, όπως
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Εικόνας
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ψηφιακή Επεξεργασία Εικόνας Μετασχηματισμοί έντασης και χωρικό φιλτράρισμα Διδάσκων : Αναπληρωτής Καθηγητής Νίκου Χριστόφορος Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραDigital Image Processing
Digital Image Processing Αποκατάσταση εικόνας Αφαίρεση Θορύβου Πέτρος Καρβέλης pkarvelis@gmail.com Images taken from: R. Gonzalez and R. Woods. Digital Image Processing, Prentice Hall, 2008. Αποκατάσταση
Διαβάστε περισσότεραΑσαφής Λογική (Fuzzy Logic)
Βελτιστοποίηση Συστημάτων & Υδροπληροφορική Ασαφής Λογική (Fuzzy Logic) Χρήστος Μακρόπουλος Τομέας Υδατικών Πόρων και Περιβάλλοντος Εθνικό Μετσόβιο Πολυτεχνείο Κατ αρχάς λίγη ιστορία.. Αζερμπαϊτζάν, Τεχεράνη,
Διαβάστε περισσότεραΕΓΧΕΙΡΙΔΙΟ ΧΡΗΣΗΣ ΤΟΥ ΠΡΟΓΡΑΜΜΑΤΟΣ MATLAB / FUZZY LOGIC TOOLBOX
ΕΓΧΕΙΡΙΔΙΟ ΧΡΗΣΗΣ ΤΟΥ ΠΡΟΓΡΑΜΜΑΤΟΣ MATLAB / FUZZY LOGIC TOOLBOX Σε αυτό το εγχειρίδιο θα περιγράψουμε αναλυτικά τη χρήση του προγράμματος MATLAB στη λύση ασαφών συστημάτων (FIS: FUZZY INFERENCE SYSTEM
Διαβάστε περισσότεραΑσαφής Λογική και Αναγνώριση Προτύπων
Ασαφής Λογική και Αναγνώριση Προτύπων Ορισός Έστω Χ ένα τυπικό σύνολο αντικειένων, που το καλούε σύπαν, του οποίου τα στοιχεία τα συβολίζουε ε. Η σχέση του περιέχεσθε για ένα τοπικό υποσύνολο του Α του
Διαβάστε περισσότεραΠΕΡΙΓΡΑΜΜΑ ΜΑΘΗΜΑΤΟΣ
ΠΕΡΙΓΡΑΜΜΑ ΜΑΘΗΜΑΤΟΣ 1. ΓΕΝΙΚΑ ΣΧΟΛΗ ΤΜΗΜΑ ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ Μηχανικών Ηλεκτρολόγων και Ηλεκτρονικών Μηχανικών Προπτυχιακό ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ Ζ.Γ.3 ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ 7 ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ Υπολογιστική Νοημοσύνη
Διαβάστε περισσότεραΠροσαρµοστικοί Αλγόριθµοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Παραλλαγές του αλγόριθµου Least Mean Square (LMS)
ΒΕΣ 6 Προσαροστικά Συστήατα στις Τηλεπικοινωνίες Προσαροστικοί Αλγόριθοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Παραλλαγές του αλγόριθου Least Mean Square (LMS) Βιβλιογραφία Ενότητας Benvenuto []: Κεφάλαιo
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Εικόνας
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Ψηφιακή Επεξεργασία Εικόνας Ενότητα 3 : Αποκατάσταση εικόνας (Image Restoration) Ιωάννης Έλληνας Τμήμα Η/ΥΣ Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραAdvances in Digital Imaging and Computer Vision
Advances in Digital Imaging and Computer Vision Lecture and Lab 4 th part 12/3/2018 Κώστας Μαριάς Αναπληρωτής Καθηγητής Επεξεργασίας Εικόνας 21/2/2017 1 Βασικές έννοιες επεξεργασίας Φιλτράρισμα στο χωρικό
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 περισσότεραΕισαγωγή. 1. Παράµετρος, εκτιµητής, εκτίµηση
Εκτίηση Σηείου Εκτίηση Σηείου Εισαγωγή Σε πολλές περιπτώσεις στη στατιστική έχουε συναντήσει προβλήατα για τα οποία απαιτείται να εκτιηθεί ια παράετρος. Η έθοδος που ακολουθεί στις περιπτώσεις αυτές κανείς
Διαβάστε περισσότεραA Bonus-Malus System as a Markov Set-Chain. Małgorzata Niemiec Warsaw School of Economics Institute of Econometrics
A Bonus-Malus System as a Markov Set-Chain Małgorzata Niemiec Warsaw School of Economics Institute of Econometrics Contents 1. Markov set-chain 2. Model of bonus-malus system 3. Example 4. Conclusions
Διαβάστε περισσότεραΕργαστήριο ADICV1. Image Boundary detection and filtering. Κώστας Μαριάς 13/3/2017
Εργαστήριο ADICV1 Image Boundary detection and filtering Κώστας Μαριάς 13/3/2017 Boundary Detection 2 Γείτονες και περίγραμμα εικόνας Ορίζουμε ως V το σύνολο των τιμών εντάσεων εικόνας για να ορίσουμε
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 περισσότερα(Υπογραϕή) (Υπογραϕή) (Υπογραϕή)
(Υπογραϕή) (Υπογραϕή) (Υπογραϕή) (Υπογραϕή) F 1 F 1 RGB ECR RGB ECR δ w a d λ σ δ δ λ w λ w λ λ λ σ σ + F 1 ( ) V 1 V 2 V 3 V 4 V 5 V 6 V 7 V 8 V 9 V 10 M 1 M 2 M 3 F 1 F 1 F 1 10 M 1
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 περισσότεραΜεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας. Εισηγητής Αναστάσιος Κεσίδης
Μεταπτυχιακό Πρόγραμμα «Γεωχωρικές Τεχνολογίες» Ψηφιακή Επεξεργασία Εικόνας Εισηγητής Αναστάσιος Κεσίδης Σημειακή επεξεργασία και μετασχηματισμοί Κατηγορίες μετασχηματισμού εικόνων Σημειακοί μετασχηματισμοί
Διαβάστε περισσότεραHomomorphism in Intuitionistic Fuzzy Automata
International Journal of Fuzzy Mathematics Systems. ISSN 2248-9940 Volume 3, Number 1 (2013), pp. 39-45 Research India Publications http://www.ripublication.com/ijfms.htm Homomorphism in Intuitionistic
Διαβάστε περισσότεραHOSVD. Higher Order Data Classification Method with Autocorrelation Matrix Correcting on HOSVD. Junichi MORIGAKI and Kaoru KATAYAMA
DEIM Forum 2010 D1-4 HOSVD 191-0065 6-6 E-mail: j.morigaki@gmail.com, katayama@tmu.ac.jp Lathauwer (HOSVD) (Tensor) HOSVD Savas HOSVD Sun HOSVD,, Higher Order Data Classification Method with Autocorrelation
Διαβάστε περισσότεραΑναγνώριση Προτύπων. Μη παραμετρικές τεχνικές Αριθμητικά. (Non Parametric Techniques)
Αναγνώριση Προτύπων Μη παραμετρικές τεχνικές Αριθμητικά Παραδείγματα (Non Parametric Techniques) Καθηγητής Χριστόδουλος Χαμζάς Τα περιεχόμενο της παρουσίασης βασίζεται στο βιβλίο: Introduction to Pattern
Διαβάστε περισσότεραΕπεξεργασία εικόνας. Μιχάλης ρακόπουλος. Υπολογιστική Επιστήµη & Τεχνολογία, #08
Επεξεργασία εικόνας Μιχάλης ρακόπουλος Υπολογιστική Επιστήµη & Τεχνολογία, #08 1 Επεξεργασία εικόνας Βασικό ανάγνωσµα: Η ενότητα 12.4 από το ϐιβλίο των Van Loan και Fan. Επεξεργασία εικόνας Μ. ρακόπουλος
Διαβάστε περισσότεραΜηχανουργική Τεχνολογία ΙΙ
Μηχανουργική Τεχνολογία ΙΙ Χαρακτηριστικά διεργασιών - Παραμετροποίηση-Μοντελοποίηση Associate Prof. John Kechagias Mechanical Engineer, Ph.D. Παραμετροποίηση - Μοντελοποίηση Στο κεφάλαιο αυτό γίνεται
Διαβάστε περισσότεραΜαθηµατικά-ΙIΙ (Θεωρία),
ΑΝΑΛΥΤΙΚΟ ΙΑΓΡΑΜΜΑ ΜΕΛΕΤΗΣ ΓΙΑ ΤΑ ΜΑΘΗΜΑΤΑ Μαθηµατικά-Ι (Θεωρία), Μαθηµατικά-ΙΙ (Θεωρία), Μαθηµατικά-ΙIΙ (Θεωρία), Μαθηµατικά-ΙIΙ (Εργαστήριο για τα Μαθηµατικά Ι, ΙΙ, ΙΙΙ), Ασαφής Λογική (Θεωρία & Εφαρµογές).
Διαβάστε περισσότεραο ό Α αφ ο ι α ι οί οι Α αφο ο ι Α αφ ο α ά ο ι αβ Α αφ α Α αφ ί α ό Α αφο ο ι ά ι Α αφ ο α ια ι α ι ο ι ά αι,, ό ι ι ά ι ά α α Ευφυής Έλεγχος 4
ο ό Α αφ ο ι α ι οί οι Α αφο ο ι Α αφ ο α ά ο ι αβ Α αφ α Α αφ ί α ό Α αφο ο ι ά ι Α αφ ο α ια ι α ι ο ι ά αι,, ό ι ι ά ι ά α α 4 Α αφ ο ι / ι ό φο α ια ο οί ια ά α ο ία φ ά ί αι Α αφή ογι ή (Fuzzy Logic),
Διαβάστε περισσότεραSupplementary Materials for Evolutionary Multiobjective Optimization Based Multimodal Optimization: Fitness Landscape Approximation and Peak Detection
IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, VOL. XX, NO. X, XXXX XXXX Supplementary Materials for Evolutionary Multiobjective Optimization Based Multimodal Optimization: Fitness Landscape Approximation
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 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 περισσότεραECTS ΕΥΡΩΠΑΪΚΟ ΣΥΣΤΗΜΑ ΜΕΤΑΦΟΡΑΣ ΑΚΑΔΗΜΑΪΚΩΝ ΜΟΝΑΔΩΝ ΣΤΗΝ ΕΥΡΩΠΑΪΚΗ ΕΝΩΣΗ. (Α) Λίστα με τα στοιχεία των μαθημάτων στα ελληνικά.
ECTS ΕΥΡΩΠΑΪΚΟ ΣΥΣΤΗΜΑ ΜΕΤΑΦΟΡΑΣ ΑΚΑΔΗΜΑΪΚΩΝ ΜΟΝΑΔΩΝ ΣΤΗΝ ΕΥΡΩΠΑΪΚΗ ΕΝΩΣΗ (Α) Λίστα με τα στοιχεία των μαθημάτων στα ελληνικά Γενικές πληροφορίες μαθήματος: Τίτλος Αλληλεπίδραση μαθήματος: εδάφουςκατασκευών
Διαβάστε περισσότεραΑΣΑΦΗΣ ΛΟΓΙΚΗ. Οικονόμου Παναγιώτης Δρ. Ε. Παπαγεωργίου 1
ΑΣΑΦΗΣ ΛΟΓΙΚΗ Ασαφή Σύνολα Συναρτήσεις Συμμετοχής Λεκτικοί Κανόνες Πράξεις Ασαφών Συνόλων Ασαφής Συνεπαγωγές Αποασαφοποίηση Παραδείγματα Ασαφών Συστημάτων Οικονόμου Παναγιώτης 1 Ασάφεια Έννοια που σχετίζεται
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 περισσότεραMatrices and vectors. Matrix and vector. a 11 a 12 a 1n a 21 a 22 a 2n A = b 1 b 2. b m. R m n, b = = ( a ij. a m1 a m2 a mn. def
Matrices and vectors Matrix and vector a 11 a 12 a 1n a 21 a 22 a 2n A = a m1 a m2 a mn def = ( a ij ) R m n, b = b 1 b 2 b m Rm Matrix and vectors in linear equations: example E 1 : x 1 + x 2 + 3x 4 =
Διαβάστε περισσότεραΜπαεσιανοί Ταξινοµητές (Bayesian Classifiers)
KE 3 Αναγνώριση Προτύπων και Ανάλυση Εικόνας Μπαεσιανοί Ταξινοητές Bayesan Classfers ΤήαΕπιστήης και Τεχνολογίας Τηλεπικοινωνιών Πανεπιστήιο Πελοποννήσου 7 Ncolas Tsapatsouls Εισαγωγή Θεωρία Bayes και
Διαβάστε περισσότεραΒελτίωση - Φιλτράρισμα εικόνας
Βελτίωση - Φιλτράρισμα εικόνας /7 Βελτίωση εικόνας με φιλτράρισμα Το φιλτράρισμα εικόνας είναι ουσιαστικά η πράξη συνέλιξης μεταξύ της αρχικής εικόνας και ενός συνόλου συντελεστών που συνήθως ονομάζονται
Διαβάστε περισσότεραΔΙΑΧΕΙΡΙΣΗ ΓΛΩΣΣΙΚΩΝ ΜΕΤΑΒΛΗΤΩΝ. Πολυκριτήρια Ανάλυση Αποφάσεων
Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών Και Μηχανικών Υπολογιστών ΤΟΜΕΑΣ ΗΛΕΚΤΡΙΚΩΝ ΒΙΟΜΗΧΑΝΙΚΩΝ ΔΙΑΤΑΞΕΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ Εργαστήριο Συστημάτων Αποφάσεων και Διοίκησης ΔΙΑΧΕΙΡΙΣΗ
Διαβάστε περισσότεραΕΠΛ 476: ΚΙΝΗΤΑ ΔΙΚΤΥΑ ΥΠΟΛΟΓΙΣΤΩΝ
ΕΠΛ 476: ΚΙΝΗΤΑ ΔΙΚΤΥΑ ΥΠΟΛΟΓΙΣΤΩΝ Δρ. Χριστόφορος Χριστοφόρου Πανεπιστήμιο Κύπρου - Τμήμα Πληροφορικής Περιγραφή Μαθήματος, Συμβόλαιο Γενικά 1 Στόχοι Μαθήματος: Nα γίνει μια εισαγωγή σε ασύρματα και κινητά
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Εικόνας. Σ. Φωτόπουλος ΨΕΕ ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ ΜΕ ΙΣΤΟΓΡΑΜΜΑ ΔΠΜΣ ΗΕΠ 1/46
Ψηφιακή Επεξεργασία Εικόνας Σ. Φωτόπουλος ΨΕΕ ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ ΜΕ ΙΣΤΟΓΡΑΜΜΑ ΔΠΜΣ ΗΕΠ 1/46 Περιλαμβάνει: Βελτίωση (Enhancement) Ανακατασκευή (Restoration) Κωδικοποίηση (Coding) Ανάλυση, Κατανόηση Τμηματοποίηση
Διαβάστε περισσότεραAPPENDICES APPENDIX A. STATISTICAL TABLES AND CHARTS 651 APPENDIX B. BIBLIOGRAPHY 677 APPENDIX C. ANSWERS TO SELECTED EXERCISES 679
APPENDICES APPENDIX A. STATISTICAL TABLES AND CHARTS 1 Table I Summary of Common Probability Distributions 2 Table II Cumulative Standard Normal Distribution Table III Percentage Points, 2 of the Chi-Squared
Διαβάστε περισσότεραGemini, FastMap, Applications. Εαρινό Εξάμηνο Τμήμα Μηχανικών Η/Υ και Πληροϕορικής Πολυτεχνική Σχολή, Πανεπιστήμιο Πατρών
Gemini,, Applications Τμήμα Μηχανικών Η/Υ και Πληροϕορικής Πολυτεχνική Σχολή, Πανεπιστήμιο Πατρών Εαρινό Εξάμηνο 2011-2012 Table of contents 1 Table of contents 1 2 Table of contents 1 2 3 Table of contents
Διαβάστε περισσότεραΤεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή
Τεχνητή Νοημοσύνη (ΥΠ23) 6 ο εξάμηνο Τμήμα Πληροφορικής και Τηλεματικής Χαροκόπειο Πανεπιστήμιο Ουρανία Χατζή raniah@hua.gr 1 Ασάφεια (Fuzziness) Ποσοτικοποίηση της ποιοτικής πληροφορίας Οφείλεται κυρίως
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 περισσότεραΕΠΛ 476: ΚΙΝΗΤΑ ΔΙΚΤΥΑ ΥΠΟΛΟΓΙΣΤΩΝ
ΕΠΛ 476: ΚΙΝΗΤΑ ΔΙΚΤΥΑ ΥΠΟΛΟΓΙΣΤΩΝ Δρ. Χριστόφορος Χριστοφόρου Πανεπιστήμιο Κύπρου - Τμήμα Πληροφορικής Περιγραφή Μαθήματος, Συμβόλαιο Γενικά 1 Στόχοι Μαθήματος: Nα γίνει μια εισαγωγή σε ασύρματα και κινητά
Διαβάστε περισσότεραΜη γραμμικά Φίλτρα. Μεταπτυχιακό Πρόγραμμα. Σ. Φωτόπουλος ΜΗ ΓΡΑΜΜΙΚΑ ΦΙΛΤΡΑ 1/50
Μη γραμμικά Φίλτρα Σ. Φωτόπουλος ΜΗ ΓΡΑΜΜΙΚΑ ΦΙΛΤΡΑ /50 Φίλτρα διάμεσης τιμής (median,order statistic) Μη γραμμικά φίλτρα μέσης τιμής Μορφολογικά φίλτρα Ομομορφικά φίλτρα Πολυωνυμικά φίλτρα Σ. Φωτόπουλος
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 περισσότεραΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 24/3/2007
Οδηγίες: Να απαντηθούν όλες οι ερωτήσεις. Όλοι οι αριθμοί που αναφέρονται σε όλα τα ερωτήματα μικρότεροι του 10000 εκτός αν ορίζεται διαφορετικά στη διατύπωση του προβλήματος. Αν κάπου κάνετε κάποιες υποθέσεις
Διαβάστε περισσότεραΕκτίµηση άγνωστων κατανοµών πιθανότητας
KE 3 Αναγνώριση Προτύπων και Ανάλυση Εικόνας Εκτίηση άγνωστων κατανοών πιθανότητας ΤήαΕπιστήης και Τεχνολογίας Τηλεπικοινωνιών Πανεπιστήιο Πελοποννήσου 7 coas Tsaatsous Εισαγωγή Παραετρικές έθοδοι Μη παραετρικές
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ. Ενότητα 4: Δειγματοληψία και Κβάντιση Εικόνας
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Ενότητα 4: Δειγματοληψία και Κβάντιση Εικόνας Ιωάννης Έλληνας Τμήμα Υπολογιστικών Συστημάτων Άδειες Χρήσης
Διαβάστε περισσότεραADVANCED STRUCTURAL MECHANICS
VSB TECHNICAL UNIVERSITY OF OSTRAVA FACULTY OF CIVIL ENGINEERING ADVANCED STRUCTURAL MECHANICS Lecture 1 Jiří Brožovský Office: LP H 406/3 Phone: 597 321 321 E-mail: jiri.brozovsky@vsb.cz WWW: http://fast10.vsb.cz/brozovsky/
Διαβάστε περισσότεραΜοντέρνα Θεωρία Ελέγχου
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 11. Ελεγξιμότητα (μέρος 2ο) Νίκος Καραμπετάκης Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.
Διαβάστε περισσότεραΠΕΡΙΓΡΑΜΜΑ ΜΑΘΗΜΑΤΟΣ: ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΤΟΠΟΛΟΓΙΑ (MAY413) MAY413 ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ 4 ο
ΠΕΡΙΓΡΑΜΜΑ : ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΤΟΠΟΛΟΓΙΑ (MAY413) ΓΕΝΙΚΑ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ Προπτυχιακό ΚΩΔΙΚΟΣ MAY413 ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ 4 ο ΤΙΤΛΟΣ ΕΙΣΑΓΩΓΗ ΣΤΗΝ ΤΟΠΟΛΟΓΙΑ ΑΥΤΟΤΕΛΕΙΣ ΔΙΔΑΚΤΙΚΕΣ
Διαβάστε περισσότερα5-1. Industrial Vision. Machine Vision Systems : Image Acquisition Image processing Analysis/Exploitation
5 Industrial Vision Machine Vision Systems : Image Acquisition Image processing Analysis/Exploitation 5- Image processing Y (colomns) 35 3 38 3 5 35 69 8 3 38 3 3 69 79 39 3 3 33 9 37 6 77 X (rows) 7 38
Διαβάστε περισσότεραΒιομηχανικοί Ελεγκτές
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τ.Τ Βιομηχανικοί Ελεγκτές Ενότητα #7: Ευφυής Ελεγκτής Μέρος Α Κωνσταντίνος Αλαφοδήμος Τμήματος Μηχανικών Αυτοματισμού Τ.Ε. Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραΑρχιτεκτονική Σχεδίαση Ασαφούς Ελεγκτή σε VHDL και Υλοποίηση σε FPGA ΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΣΗΜΑΤΩΝ, ΕΛΕΓΧΟΥ ΚΑΙ ΡΟΜΠΟΤΙΚΗΣ Αρχιτεκτονική Σχεδίαση Ασαφούς Ελεγκτή σε VHDL και Υλοποίηση σε FPGA ΙΠΛΩΜΑΤΙΚΗ
Διαβάστε περισσότεραD. Lowe, Distinctive Image Features from Scale-Invariant Keypoints, International Journal of Computer Vision, 60(2):91-110, 2004.
D. Lowe, Distinctive Image Features from Scale-Invariant Keypoints, International Journal of Computer Vision, 60(2):91-110, 2004. 1/45 Τι είναι ο SIFT-Γενικά Scale-invariant feature transform detect and
Διαβάστε περισσότεραΕΥΦΥΗΣ ΕΛΕΓΧΟΣ. Ενότητα #5: Ασαφής Συλλογισμός. Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ Ενότητα #5: Ασαφής Συλλογισμός Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού Τ.Ε. Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραAσαφής αριθμητική. Έστω A a 1, a ] και B b 1, b ] δύο διαστήματα εμπιστοσύνης στον άξονα των πραγματικών αριθμών,. a b, a ]. Επομένως τα κάτω και άνω
σαφής αριθμητική Σύνοψη Το παρόν κεφάλαιο πραγματεύεται την ασαφή αριθμητική σύμφωνα με την οποία τα κυρτά κανονικά ασαφή σύνολα θεωρούνται ασαφείς αριθμοί. Αρχικά γίνεται εισαγωγή στην αριθμητική διαστημάτων
Διαβάστε περισσότεραΑΚΑ ΗΜΙΑ ΕΜΠΟΡΙΚΟΥ ΝΑΥΤΙΚΟΥ ΜΑΚΕ ΟΝΙΑΣ ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΘΕΜΑ: ΥΠΕΡΠΛΗΡΩΤΕΣ ΠΕΤΡΕΛΑΙΟΜΗΧΑΝΩΝ ΣΥΓΧΡΟΝΑ ΣΥΣΤΗΜΑΤΑ. ΣΠΟΥ ΑΣΤΗΣ: ΧΑΤΖΗΣΑΒΒΑΣ ΓΕΩΡΓΙΟΣ ΕΠΙΒΛΕΠΩΝ ΚΑΘΗΓΗΤΗΣ: ΣΑΑΝΤ ΦΑΝΤΙ NEA ΜΗΧΑΝΙΩΝΑ
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 περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα ΕΥΦΥΗΣ ΕΛΕΓΧΟΣ Ενότητα #6: Συστήματα Ασαφούς Λογικής Ασαφοποιητές - Αποασαφοποιητές Αναστάσιος Ντούνης Τμήμα Μηχανικών Αυτοματισμού
Διαβάστε περισσότεραDetection and Recognition of Traffic Signal Using Machine Learning
1 1 1 Detection and Recognition of Traffic Signal Using Machine Learning Akihiro Nakano, 1 Hiroshi Koyasu 1 and Hitoshi Maekawa 1 To improve road safety by assisting the driver, traffic signal recognition
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ
ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΕΛΕΝΑ ΦΛΟΚΑ Επίκουρος Καθηγήτρια Τµήµα Φυσικής, Τοµέας Φυσικής Περιβάλλοντος- Μετεωρολογίας ΓΕΝΙΚΟΙ ΟΡΙΣΜΟΙ Πληθυσµός Σύνολο ατόµων ή αντικειµένων στα οποία αναφέρονται
Διαβάστε περισσότεραΔΗΜΟΚΡΙΤΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΡΑΚΗΣ
ΔΗΜΟΚΡΙΤΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΡΑΚΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ «ΑΕΙΦΟΡΙΚΗ ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΒΑΛΛΟΝΤΟΣ & ΦΥΣΙΚΩΝ ΠΟΡΩΝ» ΤΜΗΜΑ ΔΑΣΟΛΟΓΙΑΣ & ΔΙΑΧΕΙΡΙΣΗΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ & ΦΥΣΙΚΩΝ ΠΟΡΩΝ Μεταπτυχιακή Διατριβή με
Διαβάστε περισσότεραsubstructure similarity search using features in graph databases
substructure similarity search using features in graph databases Aleksandros Gkogkas Distributed Management of Data Laboratory intro Θα ενασχοληθούμε με το πρόβλημα των ερωτήσεων σε βάσεις γραφημάτων.
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 περισσότεραK.K. Delibasis Univ. of Thessaly, Dept. of Computer Science and Biomedical Informatics, Lamia, Greece
Μέθοδοι αριθμητικής παραγώγισης με κεντρικές πεπερασμένες διαφορές K.K. Delibasis Univ. of Thessaly, Dept. of Computer Science and Biomedical Informatics, Lamia, Greece kdelibasis@gmail.com Εισαγωγή Ο
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 περισσότεραΑΠΟΤΙΜΗΣΗ ΣΕΙΣΜΙΚΗΣ ΙΚΑΝΟΤΗΤΑΣ ΚΑΤΑΣΚΕΥΩΝ ΜΕ ΤΗ ΜΕΘΟΔΟ ΤΗΣ ΑΣΑΦΟΥΣ ΛΟΓΙΚΗΣ (FUZZY LOGIC)
9 ο Φοιτητικό Συνέδριο «Επισκευές Κατασκευών 03», Μάρτιος 2003. ΑΠΟΤΙΜΗΣΗ ΣΕΙΣΜΙΚΗΣ ΙΚΑΝΟΤΗΤΑΣ ΚΑΤΑΣΚΕΥΩΝ ΜΕ ΤΗ ΜΕΘΟΔΟ ΤΗΣ ΑΣΑΦΟΥΣ ΛΟΓΙΚΗΣ (FUZZY LOGIC) ΜΑΝΤΑΣ ΑΛΕΞΑΝΔΡΟΣ-ΓΕΩΡΓΙΟΣ Περίληψη Αντικείμενο
Διαβάστε περισσότεραΑπόκριση σε Μοναδιαία Ωστική Δύναμη (Unit Impulse) Απόκριση σε Δυνάμεις Αυθαίρετα Μεταβαλλόμενες με το Χρόνο. Απόστολος Σ.
Απόκριση σε Δυνάμεις Αυθαίρετα Μεταβαλλόμενες με το Χρόνο The time integral of a force is referred to as impulse, is determined by and is obtained from: Newton s 2 nd Law of motion states that the action
Διαβάστε περισσότεραΑδιάσπαστοι, p-κυκλικοί, συνεπώς διατεταγµένοι πίνακες και γραφήµατα
Αδιάσπαστοι, p-κυκλικοί, συνεπώς διατεταγµένοι πίνακες και γραφήµατα Νικόλαος Μισυρλής Τµήµα Πληροφορικής και Τηλεπικοινωνιών Πανεπιστήµιο Αθηνών 19 εκεµβρίου 2018 Νικόλαος Μισυρλής Επιστηµονικοί Υπολογισµοί
Διαβάστε περισσότεραToward a SPARQL Query Execution Mechanism using Dynamic Mapping Adaptation -A Preliminary Report- Takuya Adachi 1 Naoki Fukuta 2.
SIG-SWO-041-05 SPAIDA: SPARQL Toward a SPARQL Query Execution Mechanism using Dynamic Mapping Adaptation -A Preliminary Report- 1 2 Takuya Adachi 1 Naoki Fukuta 2 1 1 Faculty of Informatics, Shizuoka University
Διαβάστε περισσότεραDIP_04 Βελτιστοποίηση εικόνας. ΤΕΙ Κρήτης
DIP_04 Βελτιστοποίηση εικόνας ΤΕΙ Κρήτης ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΕΙΚΟΝΑΣ Σκοπός µιας τέτοιας τεχνικής µπορεί να είναι: η βελτιστοποίηση της οπτικής εµφάνισης µιας εικόνας όπως την αντιλαµβάνεται ο άνθρωπος, η τροποποίηση
Διαβάστε περισσότεραSecond Order RLC Filters
ECEN 60 Circuits/Electronics Spring 007-0-07 P. Mathys Second Order RLC Filters RLC Lowpass Filter A passive RLC lowpass filter (LPF) circuit is shown in the following schematic. R L C v O (t) Using phasor
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 περισσότεραΕφαρμογές της Ασαφούς Λογικής σε Θέματα Τεχνολογίας Σκυροδέματος Applications of Fuzzy Logic in Concrete Technology Matters
Εφαρμογές της Ασαφούς Λογικής σε Θέματα Τεχνολογίας Σκυροδέματος Applications of Fuzzy Logic in Concrete Technology Matters Αναστάσιος Σαπαλίδης Τμήμα Πολ. Μηχανικών ΔΠΘ, Ξάνθη, e-mail: anassapa@civil.duth.gr
Διαβάστε περισσότερα3: A convolution-pooling layer in PS-CNN 1: Partially Shared Deep Neural Network 2.2 Partially Shared Convolutional Neural Network 2: A hidden layer o
Sound Source Identification based on Deep Learning with Partially-Shared Architecture 1 2 1 1,3 Takayuki MORITO 1, Osamu SUGIYAMA 2, Ryosuke KOJIMA 1, Kazuhiro NAKADAI 1,3 1 2 ( ) 3 Tokyo Institute of
Διαβάστε περισσότεραk A = [k, k]( )[a 1, a 2 ] = [ka 1,ka 2 ] 4For the division of two intervals of confidence in R +
Chapter 3. Fuzzy Arithmetic 3- Fuzzy arithmetic: ~Addition(+) and subtraction (-): Let A = [a and B = [b, b in R If x [a and y [b, b than x+y [a +b +b Symbolically,we write A(+)B = [a (+)[b, b = [a +b
Διαβάστε περισσότεραΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΠΡΟΒΛΕΨΗ ΠΩΛΗΣΕΩΝ ΜΕ ΧΡΗΣΗ ΝΕΥΡΟ- ΑΣΑΦΩΝ ΤΕΧΝΙΚΩΝ
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΠΡΟΒΛΕΨΗ ΠΩΛΗΣΕΩΝ ΜΕ ΧΡΗΣΗ ΝΕΥΡΟ- ΑΣΑΦΩΝ ΤΕΧΝΙΚΩΝ Επιβλέπων καθηγητής : Σκιαδάς Χρήστος Επιμέλεια : Παναγάκης Νικόλαος ΧΑΝΙΑ 2006 ΕΥΧΑΡΙΣΤΗΡΙΟ
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 περισσότεραDigital Image Processing
Digital Image Processing Χωρικό φιλτράρισμα Πέτρος Καρβέλης pkarvelis@gmail.com Images taken from: R. Gonzalez and R. Woods. Digital Image Processing, Prentice Hall, 008. Χωρικού Φιλτράρισμα Η μηχανική
Διαβάστε περισσότεραΠΟΛΥΚΡΙΤΗΡΙΑ ΥΠΟΣΤΗΡΙΞΗ ΑΠΟΦΑΣΕΩΝ
Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών Και Μηχανικών Υπολογιστών ΤΟΜΕΑΣ ΗΛΕΚΤΡΙΚΩΝ ΒΙΟΜΗΧΑΝΙΚΩΝ ΔΙΑΤΑΞΕΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ Εργαστήριο Συστημάτων Αποφάσεων και Διοίκησης ΠΟΛΥΚΡΙΤΗΡΙΑ
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 περισσότεραAdvances in Digital Imaging and Computer Vision
Advances in Digital Imaging and Computer Vision Lecture and Lab XXX Introduction to Python Κώστας Μαριάς Αναπληρωτής Καθηγητής Επεξεργασίας Εικόνας 21/2/2017 1 Image Processing and Computer Vision with
Διαβάστε περισσότεραNumerical Analysis FMN011
Numerical Analysis FMN011 Carmen Arévalo Lund University carmen@maths.lth.se Lecture 12 Periodic data A function g has period P if g(x + P ) = g(x) Model: Trigonometric polynomial of order M T M (x) =
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 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 περισσότεραOverview. Transition Semantics. Configurations and the transition relation. Executions and computation
Overview Transition Semantics Configurations and the transition relation Executions and computation Inference rules for small-step structural operational semantics for the simple imperative language Transition
Διαβάστε περισσότεραLecture 2: Dirac notation and a review of linear algebra Read Sakurai chapter 1, Baym chatper 3
Lecture 2: Dirac notation and a review of linear algebra Read Sakurai chapter 1, Baym chatper 3 1 State vector space and the dual space Space of wavefunctions The space of wavefunctions is the set of all
Διαβάστε περισσότεραΣήματα και Συστήματα ΙΙ
Σήματα και Συστήματα ΙΙ Ενότητα 3: Διακριτός και Ταχύς Μετασχηματισμός Fourier (DTF & FFT) Α. Ν. Σκόδρας Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Επιμέλεια: Αθανάσιος Ν. Σκόδρας, Καθηγητής
Διαβάστε περισσότερα