ΕΠΕΞΕΡΓΑΣΙΑ ΣΗΜΑΤΩΝ - ΕΙΚΟΝΑΣ. ΚΑΙ ΑΣΑΦΗΣ ΛΟΓΙΚΗ (fuzzy logic) ΔΠΜΣ ΗΕΠ 1/100. και Ασαφής Λογική
|
|
- Ὑμέναιος Δημητρίου
- 8 χρόνια πριν
- Προβολές:
Transcript
1 ΕΠΕΞΕΡΓΑΣΙΑ ΣΗΜΑΤΩΝ - ΕΙΚΟΝΑΣ ΚΑΙ ΑΣΑΦΗΣ ΛΟΓΙΚΗ (fuzzy logic) ΔΠΜΣ ΗΕΠ /00
2 Albert Einstein Lecture to Prussian Academy 9 ΔΠΜΣ ΗΕΠ /00
3 Lotfi A. Zadeh ΔΠΜΣ ΗΕΠ 3/00
4 ΔΠΜΣ ΗΕΠ 4/00
5 Α. Γενικά Ασαφή σύνολα Fuzzy set Crisp set Βαθός συετοχής φωτεινότητα φ00 Βαθός συετοχής φωτεινότητα ΔΠΜΣ ΗΕΠ 5/00
6 κίτρινο πορτοκαλί κόκκινο ενεξεδί πλέ ΔΠΜΣ ΗΕΠ 6/00
7 (αντι)παράδειγα ΔΠΜΣ ΗΕΠ 7/00
8 ΔΠΜΣ ΗΕΠ 8/00
9 τελικά.. ευχάριστα Ένα ασαφές σύνολο ορίζεται ε την συνάρτηση συετοχής: f(τ) Τ ΔΠΜΣ ΗΕΠ 9/00
10 Μπορεί ένα στοιχείο να ανήκει σε δύο σύνολα??? ευχάριστα ζεστά Τ ΔΠΜΣ ΗΕΠ 0/00
11 Συναρτήσεις συετοχής Χαρακτηριστικές ορφές ασαφών συνόλων Τριγωνική Τραπεζοειδής 0 0 ΔΠΜΣ ΗΕΠ /00
12 (συν.) άλλες ορφές f (x;a,c ) - f (x;a,c ) ΔΠΜΣ ΗΕΠ /00
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 3/00
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 4/00
15 Τοή,ένωση, συπλήρωα - γραφικά ΔΠΜΣ ΗΕΠ 5/00
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 6/00
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 7/00
18 . max-min (Mamdani)-διακριτές τιές Α Α Β Α Α Β Input (i) Input (j) y ΔΠΜΣ ΗΕΠ 8/00
19 . max-product (Correlation product)- διακριτές τιές Α Α Β Α Α Β Input (i) Input (j) y* ΔΠΜΣ ΗΕΠ 9/00
20 3. max-min (Mamdani)-ασαφή σύνολα Α Input (i) Input (j) Α Β Input (i) Α Input (j) Α Β y* ΔΠΜΣ ΗΕΠ 0/00
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 /00
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 /00
23 max-min (Mamdani) συνεπαγωγή - παράδειγα ΔΠΜΣ ΗΕΠ 3/00
24 max-min - ο παράδειγα ΔΠΜΣ ΗΕΠ 4/00
25 συνεπαγωγή Sugeno -παράδειγα ΔΠΜΣ ΗΕΠ 5/00
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 6/00
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 7/00
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 8/00
29 Ασαφές σύστηα - ΣΥΝΟΨΗ Ασαφοποίηση Fuzzification Συνεπαγωγή Inference Αποσαφήνιση Defuzzification ΔΠΜΣ ΗΕΠ 9/00
30 Ένα ερώτηα!! ΔΠΜΣ ΗΕΠ 30/00
31 ΔΠΜΣ ΗΕΠ 3/00
32 Β Fuzzy γεωετρία Πως θα βρούε περίετρο και εβαδό?? εβαδό ΔΠΜΣ ΗΕΠ 3/00
33 περίετρος συπαγότητα C() 4π εβαδόν (περίετρος) ΔΠΜΣ ΗΕΠ 33/00
34 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 34/00
35 Κατωφλιοποίηση ε ελαχιστοποίηση της ασάφειας Το βέλτιστο κατώφλιο βρίσκεται ε ετακίνηση της S-function και έτρηση της «ασάφειας» ΔΠΜΣ ΗΕΠ 35/00
36 αρχική εικόνα ελαχιστοποίηση ασάφειας ΔΠΜΣ ΗΕΠ 36/00
37 B3 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 37/00
38 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 38/00
39 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 39/00
40 Αποσαφήνιση : Gray levels x n n x max F d ( (G)) F e ΔΠΜΣ ΗΕΠ 40/00
41 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 4/00
42 Βελτίωση του contrast 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 4/00
43 B4. 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 gmin + γκρίζο gmid + g + + σκοτεινό γκρίζο φωτεινό φωτεινό g max σκοτεινό γκρίζο φωτεινό g min g mid g max φωτεινότητα g φωτεινότητα g ΔΠΜΣ ΗΕΠ 43/00
44 Β5 Fuzzy edge detection Απλή προσέγγιση Με υπολογισό του «degree of edginess» (Tizhoosh, 997) ΔΠΜΣ ΗΕΠ 44/00
45 Edge detection ε «κανόνες» ΔΠΜΣ ΗΕΠ 45/00
46 Χάρτης ακών Ακές ετά από κατωφλιοποίηση ΔΠΜΣ ΗΕΠ 46/00
47 B6 Φιλτράρισα ε ασαφή λογική 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 47/00
48 σύνολα εισόδου: MN (medium negative), MP (medium positive) εξόδου: SΝ (small negative), SP (small positive) και Ζ(zero) MN MP SN Z 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 48/00
49 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 49/00
50 B7. 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 50/00
51 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 5/00
52 B8 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 5/00
53 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 53/00
54 (α) (β) α)εικόνα ε θόρυβο: gaussian (0,6) and impulsive (%) β)η έξοδοςτουπροτεινοένου fuzzy filter ΔΠΜΣ ΗΕΠ 54/00
55 ΔΠΜΣ ΗΕΠ 55/00
56 Γ Οαδοποίηση clustering- Εισαγωγικά ΔΠΜΣ ΗΕΠ 56/00
57 Παράδειγα οαδοποίηση τροχοφόρων Vehicle Top speed km/h Air resistance Weight Kg V V V V V V V V V ΔΠΜΣ ΗΕΠ 57/00
58 Οάδες - Clusters Lorries 500 Weight [kg] Medium market cars Sports cars Top speed [km/h] ΔΠΜΣ ΗΕΠ 58/00
59 Ορολογία Object or data point feature space 3500 label 3000 Lorries feature Weight [kg] cluste r Medium market cars Sports cars Top speed [km/h] feature ΔΠΜΣ ΗΕΠ 59/00
60 Αλγόριθος K-Means παράδειγα Διαχωρισός ( κλάσσεις) frequency intensities 475Hz 557Hz Ok? Yes Yes Yes Yes Yes No No No No No ΔΠΜΣ ΗΕΠ 60/00
61 Tiles data: o whole tiles, * cracked tiles, x centres 0 log(intensity) 557 Hz log(intensity) 475 Hz ΔΠΜΣ ΗΕΠ 6/00
62 Tiles data: o whole tiles, * cracked tiles, x centres 0 log(intensity) 557 Hz log(intensity) 475 Hz Βήα Τυχαία επιλογή κέντρων Κάθε σηείο (data point * και o) ανατίθεται στο πλησιέστερο κέντρο ΔΠΜΣ ΗΕΠ 6/00
63 Tiles data: o whole tiles, * cracked tiles, x centres 0 log(intensity) 557 Hz log(intensity) 475 Hz Βήα Υπολογίζουε τα νέα κέντρα και Κάθε σηείο (data point * και o) ανατίθεται πάλι στο πλησιέστερο κέντρο ΔΠΜΣ ΗΕΠ 63/00
64 Tiles data: o whole tiles, * cracked tiles, x centres 0 log(intensity) 557 Hz log(intensity) 475 Hz Επανάληψη ΔΠΜΣ ΗΕΠ 64/00
65 Tiles data: o whole tiles, * cracked tiles, x centres 0 log(intensity) 557 Hz log(intensity) 475 Hz Επανάληψη3 ΔΠΜΣ ΗΕΠ 65/00
66 Tiles data: o whole tiles, * cracked tiles, x centres 0 log(intensity) 557 Hz log(intensity) 475 Hz Επανάληψη4 Ο αλγόριθος τερατίζεται διότι δεν υπάρχει καία αλλαγή ΔΠΜΣ ΗΕΠ 66/00
67 Πίνακας διαερισού Partition matrix Κέντρο Κέντρο ΔΠΜΣ ΗΕΠ 67/00
68 Τι ελαχιστοποιήσαε?? κλάσσεις δεδοένα v J c i J i c i k,x C k X i k V i v X k ΔΠΜΣ ΗΕΠ 68/00
69 Γ Αλγόριθος Fuzzy C-Means fcm n σηεία, c κέντρα U ik ητιήσυετοχής του X k στο κέντρο V i ΔΠΜΣ ΗΕΠ 69/00
70 fcm τα βήατα v X k U k ο βήα: υπολογισός των U ik U k u ik c d i ik d ik όπου : d ik X i X k c uik γιά k,,..n 0 < uik < n i k n v ΔΠΜΣ ΗΕΠ 70/00
71 fcm τα βήατα 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 v ΔΠΜΣ ΗΕΠ 7/00
72 FCM - σύνοψη Xdata Nxp U partition matrix u M u C L O L u u N M CN V Centroids [ V, V,..., V C ] Objective function J(t) J(t ) < ε CONTINUE STOP Επαναληπτική διαδικασία ΔΠΜΣ ΗΕΠ 7/00
73 παράδειγα Διαχωρισός ( κλάσεις) ΔΠΜΣ ΗΕΠ 73/00
74 Tiles data: o whole tiles, * cracked tiles, x centres 0 log(intensity) 557 Hz log(intensity) 475 Hz Βήα Τυχαία επιλογή κέντρων Κάθε σηείο (data point * και o) λαβάνει ία τιή συετοχής ανάλογα ε την απόσταση από τα κέντρα ΔΠΜΣ ΗΕΠ 74/00
75 Tiles data: o whole tiles, * cracked tiles, x centres 0 log(intensity) 557 Hz log(intensity) 475 Hz Βήα Υπολογίζονται τα καινούρια κέντρα και στη συνέχεια οι καινούριες τιές συετοχής ΔΠΜΣ ΗΕΠ 75/00
76 Tiles data: o whole tiles, * cracked tiles, x centres 0 log(intensity) 557 Hz log(intensity) 475 Hz Επανάληψη ΔΠΜΣ ΗΕΠ 76/00
77 Tiles data: o whole tiles, * cracked tiles, x centres 0 log(intensity) 557 Hz log(intensity) 475 Hz Επανάληψη 5 ΔΠΜΣ ΗΕΠ 77/00
78 Tiles data: o whole tiles, * cracked tiles, x centres 0 log(intensity) 557 Hz log(intensity) 475 Hz Επανάληψη 0 ΔΠΜΣ ΗΕΠ 78/00
79 Tiles data: o whole tiles, * cracked tiles, x centres 0 log(intensity) 557 Hz log(intensity) 475 Hz Επανάληψη 3- τερατισός ΔΠΜΣ ΗΕΠ 79/00
80 Πίνακας διαερισού (Partition matrix) U ik Κέντρο Κέντρο Τι άθροισα έχουν οι στήλες?? ΔΠΜΣ ΗΕΠ 80/00
81 Πίνακας διαερισού (Partition matrix) Κέντρα c u M u C L O L u u N M CN v v 3 v Δεδοένα Ν X k ΔΠΜΣ ΗΕΠ 8/00
82 Τι ελαχιστοποιήσαε?? συνάρτηση «κόστους» - Objective function J c n i k u m ik X k V i τερατισός του αλγορίθου fcm J(n+)-J(n) ε ή {Uik(n + )} {Uik(n)} ε ΔΠΜΣ ΗΕΠ 8/00
83 fcmdemo ΔΠΜΣ ΗΕΠ 83/00
84 Cluster Validity αξιοπιστία εγκυρότητα οαδοποίησης Άλλα έτρα c N PC(c) ( ij ) N i j PC(c) trace U ik U ik N CE(c) XB(c) N c c N i j N i j ( ) Nmin ij ij { T } V j ij X ln( j V i V i ij ) Ισοδύναα: ΔΠΜΣ ΗΕΠ 84/00
85 Cluster Validity -Πίνακας διαερισού και. ασάφεια U ik U ik U ik U ik * U T ik U ik * U T ik U ik * U T ik 0 0 trace/ Trace/ Τrace/3 ΔΠΜΣ ΗΕΠ 85/00
86 Ελάχιστη ασάφεια βέλτιστη οαδοποίηση (σωστός αριθός κλάσεων) Τα δεδοένα (4 κλάσεις) Δείκτης ασάφειας PC Αριθός κλάσεων c X_data[repmat([,],00,);repmat([,],00,); repmat([,],00,); repmat([,],00,)]; X_dataX_data+0.7*rand(400,);[N,p]size(X_data); plot(x_data(:,),x_data(:,),'o') Fuziness[] for k:0;[prot,u]fcm(x_data,k);fuziness(k)trace(u*u')/n ; end figure; plot(fuziness,'.-'),grid ΔΠΜΣ ΗΕΠ 86/00
87 FCM D Example - Eνα πρόβληα.. compact groups spurious patterns FCM sensitivity to noisy data ΔΠΜΣ ΗΕΠ 87/00
88 Η λύση- Conditional fcm Ας δούε τον U ij u ik c c j f k ( ) d d ik ij όπου : d uik fk γιά k,,..n 0 < uik < N i k ik Τι αλλάζει?? X i N X k Κέντρο Κέντρο f f ΔΠΜΣ ΗΕΠ 88/00
89 Mountain clustering- Subtractive clustering Βρίσκει τον αριθό των κλάσεων Χρησιοποιείται και βοηθητικά στον fcm, και ανεξάρτητα υλοποίηση ΔΠΜΣ ΗΕΠ 89/00
90 Mountain clustering - Subtractive clustering D k K j e u k r u a j Για κάθε δεδοένο j θεωρούε ία Gaussian συνάρτηση. Σε κάθε σηείο k του χώρου δηιουργείται ένα βουνό σαν άθροισα των επί έρους Gaussian συναρτήσεων. ΔΠΜΣ ΗΕΠ 90/00
91 Επίδραση της «ακτίνας» r a Δεδοένα Μεγάλη «ακτίνα» ικρή «ακτίνα» Πολύ ικρή «ακτίνα» ΔΠΜΣ ΗΕΠ 9/00
92 Αφαίρεση του έγιστου «βουνού» D ' k D k D c e u k u r a c ΔΠΜΣ ΗΕΠ 9/00
93 συνέχεια (διαδοχική αφαίρεση και των υπολοίπων) ΔΠΜΣ ΗΕΠ 93/00
94 Ένα παράδειγα (δορυφορική εικόνα) Mountain clustering fcm ΔΠΜΣ ΗΕΠ 94/00
95 FCM - παράδειγα - υπολογισοί ΔΠΜΣ ΗΕΠ 95/00
96 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 UΧ + UX + U3X3 + U4X4 X + X + X3 V U + U + U3 + U4 + + X X X {, } {.6,3} U Χ + UX U + U + U + U X3 + U + U X X V 3 4 {3,} ΔΠΜΣ ΗΕΠ 96/00
97 Ψηφιακή Επεξεργασία Εικόνας ΔΠΜΣ ΗΕΠ Σ. Φωτόπουλος ΠΑΝ. ΠΑΤΡΩΝ 97/00 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:
98 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 98/00
99 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., 995 ΔΠΜΣ ΗΕΠ 99/00
100 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 00/00
ΕΠΕΞΕΡΓΑΣΙΑ ΣΗΜΑΤΩΝ - ΕΙΚΟΝΑΣ. ΚΑΙ ΑΣΑΦΗΣ ΛΟΓΙΚΗ (fuzzy logic) ΔΠΜΣ ΗΕΠ 1/64. και Ασαφής Λογική
ΕΠΕΞΕΡΓΑΣΙΑ ΣΗΜΑΤΩΝ - ΕΙΚΟΝΑΣ ΚΑΙ ΑΣΑΦΗΣ ΛΟΓΙΚΗ (fuzzy logic) ΔΠΜΣ ΗΕΠ /64 Albert Einstein Lecture to Prussian Academy 9 ΔΠΜΣ ΗΕΠ /64 ΔΠΜΣ ΗΕΠ 3/64 ΔΠΜΣ ΗΕΠ 4/64 Α. Γενικά Ασαφή σύνολα Fuzzy set Crisp
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
ΚΑΙ 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
Προσαρμοστικό 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
Στοιχεία 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)
Εισαγωγή. 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
Ασαφής 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
Εκτίµηση 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
Nov 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
Ψηφιακή 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)
Μπαεσιανοί 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
Ασαφής 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
ΚΕΦΑΛΑΙΟ 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.
Βασικές 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
Προσαρµοστικοί 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
ΕΓΧΕΙΡΙΔΙΟ 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
Digital 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
Κεφάλαιο 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
A 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
Ασαφής 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.
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 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),
Ασαφής 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
Quick 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
Ψηφιακή 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
Ασαφής 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,
(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
Αναγνώριση 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
Εργαστήριο 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
Homomorphism 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
ΑΣΑΦΗΣ 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
ΚΥΠΡΙΑΚΗ 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
Research 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
ΕΡΓΑΣΙΑ 2 (Παράδοση:.) Λύση Ι. Το πεδίο ορισµού Α, θα προκύψει από την απαίτηση ο παρονοµαστής να είναι διάφορος του µηδενός.
ΕΡΓΑΣΙΑ (Παράδοση:.) Σηείωση: Οι ασκήσεις είναι βαθολογικά ισοδύναες Άσκηση Να προσδιορίσετε τα όρια: sin( ) I. lim, II. lim sin, III. lim ( ln ) sin z Όπου χρειαστεί να θεωρήσετε γνωστό ότι lim z z Ι.
Ψηφιακή 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
Μοντέρνα 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.
ER-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
HOSVD. 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
Τεχνητή 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
ΣΤΟΧΑΣΤΙΚΕΣ ΔΙΕΡΓΑΣΙΕΣ & ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ Αίθουσα Νέα Κτίρια ΣΗΜΜΥ Ε.Μ.Π. Ανάλυση Κυρίων Συνιστωσών (Principal-Component Analysis, PCA)
ΣΤΟΧΑΣΤΙΚΕΣ ΔΙΕΡΓΑΣΙΕΣ & ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ Αίθουσα 005 - Νέα Κτίρια ΣΗΜΜΥ Ε.Μ.Π. Ανάλυση Κυρίων Συνιστωσών (Principal-Coponent Analysis, PCA) καθ. Βασίλης Μάγκλαρης aglaris@netode.ntua.gr www.netode.ntua.gr
ΕΛΛΗΝΙΚΗ 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
Μηχανουργική Τεχνολογία ΙΙ
Μηχανουργική Τεχνολογία ΙΙ Χαρακτηριστικά διεργασιών - Παραμετροποίηση-Μοντελοποίηση Associate Prof. John Kechagias Mechanical Engineer, Ph.D. Παραμετροποίηση - Μοντελοποίηση Στο κεφάλαιο αυτό γίνεται
ΠΕΡΙΓΡΑΜΜΑ 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
Μαθηµατικά-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).
Biostatistics for Health Sciences Review Sheet
Biostatistics for Health Sciences Review Sheet http://mathvault.ca June 1, 2017 Contents 1 Descriptive Statistics 2 1.1 Variables.............................................. 2 1.1.1 Qualitative........................................
Feasible 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
Matrices 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 =
ΔΙΑΧΕΙΡΙΣΗ 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
Μεταπτυχιακό 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
Ψηφιακή 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
Βελτίωση - 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
D. 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
Αρχιτεκτονική 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
Σήματα 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
Μη 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
Ο ΗΓΙΕΣ ΧΡΗΣΗΣ ΤΟΥ MATLAB
Ο ΗΓΙΕΣ ΧΡΗΣΗΣ ΤΟΥ MATLAB (το παρόν αποτελεί τροποποιηµένη έκδοση του οµόνυµου εγχειριδίου του κ. Ν. Μαργαρη) 1 ΠΡΑΓΜΑΤΙΚΟΙ ΑΡΙΘΜΟΙ 1.1 ΠΡΑΞΕΙΣ ΜΕ ΠΡΑΓΜΑΤΙΚΟΥΣ ΑΡΙΘΜΟΥΣ 1.1.1 ΠΡΟΣΘΕΣΗ» 3+5 8 % Το σύµβολο
Gemini, 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
ΕΡΓΑΣΤΗΡΙΟ 6 ο : Ταξινομήσεις εικόνων μη επιβλεπόμενη ταξινόμηση
ΕΡΓΑΣΤΗΡΙΟ 6 ο : Ταξινομήσεις εικόνων μη επιβλεπόμενη ταξινόμηση Μια από τις σημαντικότερες τεχνικές αυτοματοποιημένης ερμηνείας εικόνων, είναι η ταξινόμηση. Με τον όρο ταξινόμηση εννοείται η διαδικασία
Anomaly 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
TMA4115 Matematikk 3
TMA4115 Matematikk 3 Andrew Stacey Norges Teknisk-Naturvitenskapelige Universitet Trondheim Spring 2010 Lecture 12: Mathematics Marvellous Matrices Andrew Stacey Norges Teknisk-Naturvitenskapelige Universitet
Νευρωνικά ίκτυα και Εξελικτικός
Νευρωνικά ίκτυα και Εξελικτικός Προγραµµατισµός Σηµερινό Μάθηµα RBF (Radial Basis Functions) δίκτυα Παρεµβολή συνάρτησης Θεώρηµα Cover ιαχωρισµός προτύπων Υβριδική Εκµάθηση Σύγκριση µε MLP Εφαρµογή: Αναγνώριση
Digital 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
Επεξεργασία 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
substructure 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.
Clustering. Αλγόριθµοι Οµαδοποίησης Αντικειµένων
Clustering Αλγόριθµοι Οµαδοποίησης Αντικειµένων Εισαγωγή Οµαδοποίηση (clustering): οργάνωση µιας συλλογής από αντικείµενα-στοιχεία (objects) σε οµάδες (clusters) µε βάση κάποιο µέτρο οµοιότητας. Στοιχεία
Supplementary 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
Ψηφιακή Επεξεργασία Φωνής
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Φωνής Ενότητα 1η: Ψηφιακή Επεξεργασία Σήματος Στυλιανού Ιωάννης Τμήμα Επιστήμης Υπολογιστών CS578- Speech Signal Processing Lecture 1: Discrete-Time
DIP_04 Σημειακή επεξεργασία. ΤΕΙ Κρήτης
DIP_04 Σημειακή επεξεργασία 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
ΕΡΓΑΣΤΗΡΙΟ 6ο: Ταξινομήσεις εικόνων μη επιβλεπόμενη ταξινόμηση
ΕΡΓΑΣΤΗΡΙΟ 6ο: Ταξινομήσεις εικόνων μη επιβλεπόμενη ταξινόμηση Μια από τις σημαντικότερες τεχνικές αυτοματοποιημένης ερμηνείας εικόνων, είναι η ταξινόμηση. Με τον όρο ταξινόμηση εννοείται η διαδικασία
HMY 795: Αναγνώριση Προτύπων
HMY 795: Αναγνώριση Προτύπων Διάλεξη 3 Επιλογή μοντέλου Επιλογή μοντέλου Θεωρία αποφάσεων Επιλογή μοντέλου δεδομένα επικύρωσης Η επιλογή του είδους του μοντέλου που θα χρησιμοποιηθεί σε ένα πρόβλημα (π.χ.
A 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
DIP_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
Probabilistic 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,
Advances 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
Αδιάσπαστοι, 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
Advances 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
ΔΙΑΧΩΡΙΣΤΙΚΗ ΟΜΑΔΟΠΟΙΗΣΗ
ΔΙΑΧΩΡΙΣΤΙΚΗ ΟΜΑΔΟΠΟΙΗΣΗ Εισαγωγή Τεχνικές διαχωριστικής ομαδοποίησης: Ν πρότυπα k ομάδες Ν>>k Συνήθως k καθορίζεται από χρήστη Διαχωριστικές τεχνικές: επιτρέπουν πρότυπα να μετακινούνται από ομάδα σε
Μέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων
Μέθοδοι Μηχανών Μάθησης για Ευφυή Αναγνώριση και ιάγνωση Ιατρικών εδοµένων Εισηγητής: ρ Ηλίας Ζαφειρόπουλος Εισαγωγή Ιατρικά δεδοµένα: Συλλογή Οργάνωση Αξιοποίηση Data Mining ιαχείριση εδοµένων Εκπαίδευση
Optimization, 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
1η εργασία για το μάθημα «Αναγνώριση προτύπων»
1η εργασία για το μάθημα «Αναγνώριση προτύπων» Σημειώσεις: 1. Η παρούσα εργασία είναι η πρώτη από 2 συνολικά εργασίες, η κάθε μια από τις οποίες θα βαθμολογηθεί με 0.4 μονάδες του τελικού βαθμού του μαθήματος.
HMY 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.
A 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
A Finite Precision of Private Information Precision of Private Information Approaching Infinity 0 θ1 * θ Session Cost of Action A First 20 Last 20 Rounds Rounds Information in Stage 2 First 20 Last
ΕΙΣΑΓΩΓΗ 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
UDZ Swirl diffuser. Product facts. Quick-selection. Swirl diffuser UDZ. Product code example:
UDZ Swirl diffuser Swirl diffuser UDZ, which is intended for installation in a ventilation duct, can be used in premises with a large volume, for example factory premises, storage areas, superstores, halls,
ECTS 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
DEIM Forum 2016 G7-5 152-8565 2-12-1 152-8565 2-12-1 889-1601 5200 E-mail: uragaki.k.aa@m.titech.ac.jp,,,.,,,,,,, 1. 1. 1,,,,,,.,,,,, 1. 2 [1],,,,, [2] (, SPM),,,,,,,. [3],, [4]. 2 A,B, A B, B A, B, 2,,,
High Performance Voltage Controlled Amplifiers Typical and Guaranteed Specifications 50 Ω System
High Performance Voltage Controlled Amplifiers Typical and Guaranteed Specifications 50 Ω System Typical and guaranteed specifications vary versus frequency; see detailed data sheets for specification
SOLUTIONS 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
APPENDICES 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
ΠΟΛΥΚΡΙΤΗΡΙΑ ΥΠΟΣΤΗΡΙΞΗ ΑΠΟΦΑΣΕΩΝ. Χάρης Δούκας, Πάνος Ξυδώνας, Ιωάννης Ψαρράς
Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών Και Μηχανικών Υπολογιστών ΤΟΜΕΑΣ ΗΛΕΚΤΡΙΚΩΝ ΒΙΟΜΗΧΑΝΙΚΩΝ ΔΙΑΤΑΞΕΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ Εργαστήριο Συστημάτων Αποφάσεων και Διοίκησης ΠΟΛΥΚΡΙΤΗΡΙΑ
ΠΟΛΥΚΡΙΤΗΡΙΑ ΥΠΟΣΤΗΡΙΞΗ ΑΠΟΦΑΣΕΩΝ
Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών Και Μηχανικών Υπολογιστών ΤΟΜΕΑΣ ΗΛΕΚΤΡΙΚΩΝ ΒΙΟΜΗΧΑΝΙΚΩΝ ΔΙΑΤΑΞΕΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ Εργαστήριο Συστημάτων Αποφάσεων και Διοίκησης ΠΟΛΥΚΡΙΤΗΡΙΑ
Web-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,
3: 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
ΔΗΜΟΚΡΙΤΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΡΑΚΗΣ
ΔΗΜΟΚΡΙΤΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΡΑΚΗΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ «ΑΕΙΦΟΡΙΚΗ ΔΙΑΧΕΙΡΙΣΗ ΠΕΡΙΒΑΛΛΟΝΤΟΣ & ΦΥΣΙΚΩΝ ΠΟΡΩΝ» ΤΜΗΜΑ ΔΑΣΟΛΟΓΙΑΣ & ΔΙΑΧΕΙΡΙΣΗΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ & ΦΥΣΙΚΩΝ ΠΟΡΩΝ Μεταπτυχιακή Διατριβή με
Prepolarized Microphones-Free Field
Prepolarized Microphones-Free Field MP0 / MP3 / MP / MP / MP / MP / MP8 MP0 MP3 MP MP MP MP MP8 Standards (IEC7) I I I.3 ~ 0k 3 ~ 0k 0 ~.k 0 ~.k 0 ~ 70k 0 ~ k 0 ~ k Open-circuit Sensitivity (mv/pa) (±db)
Bayesian 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
Numerical 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) =
ΕΛΕΓΧΟΙ ΥΠΟΘΕΣΕΩΝ ΓΙΑ ΜΕΣΕΣ ΤΙΜΕΣ ΚΑΙ ΑΝΑΛΟΓΙΕΣ ΚΑΝΟΝΙΚΩΝ ΠΛΗΘΥΣΜΩΝ
ΚΕΦΑΛΑΙΟ 18 ΕΛΕΓΧΟΙ ΥΠΟΘΕΣΕΩΝ ΓΙΑ ΜΕΣΕΣ ΤΙΜΕΣ ΚΑΙ ΑΝΑΛΟΓΙΕΣ ΚΑΝΟΝΙΚΩΝ ΠΛΗΘΥΣΜΩΝ Στο κεφάλαιο αυτό θα ας απασχολήσουν έλεγχοι στατιστικών υποθέσεων που αναφέρονται στις έσες τιές και αναλογίες πληθυσών
ΠΟΛΥΚΡΙΤΗΡΙΑ ΥΠΟΣΤΗΡΙΞΗ ΑΠΟΦΑΣΕΩΝ. Χάρης Δούκας, Πάνος Ξυδώνας, Ιωάννης Ψαρράς
Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών Και Μηχανικών Υπολογιστών ΤΟΜΕΑΣ ΗΛΕΚΤΡΙΚΩΝ ΒΙΟΜΗΧΑΝΙΚΩΝ ΔΙΑΤΑΞΕΩΝ ΚΑΙ ΣΥΣΤΗΜΑΤΩΝ ΑΠΟΦΑΣΕΩΝ Εργαστήριο Συστημάτων Αποφάσεων και Διοίκησης ΠΟΛΥΚΡΙΤΗΡΙΑ
Digital Image Processing
Digital Image Processing Intensity Transformations Πέτρος Καρβέλης pkarvelis@gmail.com Images taken from: R. Gonzalez and R. Woods. Digital Image Processing, Prentice Hall, 2008. Image Enhancement: είναι