Note de curs - Departamentul Automatica, Calculatoare si ...

More documents

Recommendations

Info

d L ( A, B) = max{ card( A), card( B)} − card( A ∩ B) este mai potrivitǎ. Pentru siruri/secvente de numere, fie acestea u si v, se au în vedere lungimile care pot fi diferite si ordinea elementelor. Elemente utilizate în constructia mǎsurilor de similitudine si/sau lipsei de similitudine sunt incluziunea (un sir contine un alt sir), suprapunerea (subsirul cel mai cuprinzǎtor comun celor douǎ siruri), similaritatea variationalǎ (costul minim al convertirii unui sir la altul) etc. Din descompunerea distantei 2 2 2 d = ∑ ( x − y) = ∑ x − 2∑ xy + ∑ y rezultǎ o contributie constantǎ irelevantǎ datǎ de termenii prim si ultim din expresia desfǎsuratǎ si o contributie care poate fi o mǎsurǎ a similitudinii datǎ de termenul central. Un maxim al acestuia din urmǎ produce un minim al distantei între formele x si y. Termenul central, fǎrǎ coeficientul –2, este covariatia nenormalizatǎ a celor douǎ caracteristici complete x si y. Împǎrtirea cu produsul normelor, dacǎ astfel de norme sunt definite, conduce la covariatia normalizatǎ sau corelatia caracterisiticilor. Un maxim al acesteia presupune o asemǎnare/similitudine pronuntatǎ a celor douǎ forme. Varianta unui spatiu scalat este exemplificatǎ prin forma prototip (template) (1 2 3 4) de regǎsit în secventa de intrare (7 6 3 4 1 2 4 3 1 2 3 4 5 6 5 4). Prin medierea numerelor douǎ câte douǎ se obtin forma prototip (1,5 3,5) si respectiv, secventa (6,5 3,5 1,5 3,5 1,5 3,5 5,5 4,5) si, dupǎ o nouǎ mediere, în aceeasi manierǎ se obtin (2,5) si (5 2,5 2,5 5). Recunoasterea se produce în trepte. Este aici de observat economia de calcule multiplicative fatǎ de metoda corelatiei. Metoda spatiului scalat este generalizabilǎ prin crearea unei familii de caracteristici ∞ ∫ Φ ( x, y) = f ( x) g( x − u, y) du − ∞ cu f(x) forma de recunoscut si g(x, y) un nucleu al unor convolutii în care apare si parametrul de scalare y. O functie nucleu foarte utilizatǎ este functia Gauss 2 1 ⎡ 1 ⎛ x ⎞ ⎤ g( x, y) = exp⎢ − ⎜ ⎟ ⎥ 2π y ⎢ 2 ⎣ ⎝ y ⎠ ⎥⎦ care este un nucleu de continut unitar adicǎ integrala lui pe axa realǎ este egalǎ cu 1. El realizeazǎ o netezire variabilǎ cu rezolutia datǎ de parametrul y. Diagnozǎ prin retele neuronale artificiale Amprentele defectiunilor diverse se pot recunoaste prin mijlocirea retelelor neuronale artificiale. Retelele neuronale artificiale sunt reproduceri încǎ modeste ale retelelor de neuroni ale fiintelor vii, în particular ale celor umane. 64
Retelele naturale de neuroni sunt cele mai rafinate sisteme de prelucrare a informatiei. Chiar dacǎ vitezele sunt de cele mai multe ori inferioare celor realizate de calculatoare, o retea cum este creierul uman depǎseste în rafinament orice calculator electronic. În tratarea informatiei suntem capabili a percepe, a prelucra semnalele primite, a extrage catacteristici reprezentative dintr-o lume foarte complexǎ si a decide. Aceste operatii le efectuǎm curent, cu o vitezǎ cel putin acceptabilǎ, în conditiile unei adaptabilitǎti comportamentale remarcabile vis-à-vis de situatii noi. Aceastǎ din urmǎ caracteristicǎ este datoratǎ reflexelor rapide (de pildǎ dimesionarea pupilarǎ în raport cu intensitatea sursei de luminǎ) si capacitǎtii de a învǎta. Dacǎ reflexele sunt în mare mǎsurǎ similare unor scheme automate simple, capacitatea de a învǎta se referǎ la adaptarea lentǎ la a executa o actiune nouǎ (mersul pe bicicletǎ, de pildǎ) sau la a aplica o teorie matematicǎ nouǎ. Un sportiv de performantǎ repetǎ de nenumǎrate ori aceleasi scheme la antrenament pânǎ când anumite miscǎri devin aproape inconstiente. Dobândeste astfel reflexe noi prin învǎtare. Matematicianul aplicǎ anumite elemente teoretice la rezolvarea unor probleme si prin exercitiu repetat învatǎ sǎ rezolve si sǎ formalizeze aspecte noi ale disciplinei sale. Neuronul ca celulǎ de bazǎ a retelelor neuronale are un numǎr de intrǎri si o iesire unicǎ. Iesirea poate fi intrare pentru alti neuroni, uzual dupǎ o multiplicare cu un anumit numǎr. Figura alǎturatǎ prezintǎ schematic un neuron cu trei intrǎri. Celula neuronalǎ este caracterizatǎ de o asa-numitǎ functie de activare, care aplicǎ intrǎrile pe multimea valorilor de iesire. Functia de activare pentru celulele neuronale naturale este consideratǎ a fi de forma unui salt marcat de un prag de sensibiltate x p , conform figurii care urmeazǎ. Variabila x este o combinatie liniarǎ a intrǎrilor reale multiple, care provin din ambiantǎ sau de la alti neuroni. Coeficientii acelei combinatii liniare se numesc ponderi. Se observǎ cǎ neuronul are un prag de sensibiltate care produce o 65
Page 1:
Gheorghe M.Panaitescu FIABILITATE S
Page 5 and 6:
C U P R I N S NOTIUNI INTRODUCTIVE
Page 7:
SISTEME DE DISCURI TOLERANTE LA DEF
Page 10 and 11:
precizat dacǎ întretinerea sau re
Page 13 and 14: COMPLEMENTE DE TEORIA PROBABILITǍT
Page 15 and 16: Tripletul (Ω, K, P) se numeste câ
Page 17 and 18: PX ( I) = ∫ f X ( x) dx I si este
Page 19 and 20: 1 P R O B A B I L I T A T I p ( x )
Page 21 and 22: Practic toate limbajele de programa
Page 23 and 24: χ 2 calculatǎ sǎ fie sub valoare
Page 25 and 26: INDICATORI DE FIABILITATE Dacǎ T e
Page 27 and 28: ∞ m( t) = R( t, t + x) dx = ∫ 0
Page 29 and 30: DFR - Decreasing Failure Rate - rat
Page 31 and 32: Nume Gamma Weibull Normalǎ Lognorm
Page 33 and 34: moment, indiferent de starea curent
Page 35: Integrala este o medie a variabilei
Page 38 and 39: proportionalǎ cu durata (scurtǎ)
Page 40 and 41: si Pentru cazul general ∞ * * r f
Page 43 and 44: FIABILITATEA STRUCTURALǍ Tratarea
Page 45 and 46: Similar, pentru fiecare subsistem j
Page 47 and 48: Functia care leagǎ starea de funct
Page 49 and 50: exprimǎ posibilitatea (S = 1) sau
Page 51 and 52: FIABILITATEA PROGRAMELOR DE CALCUL
Page 53 and 54: pentru orice r = 1, 2, ..., N. Fact
Page 55 and 56: ⎧ N t ∈ [0, t1) ⎪ ⎪ cN t
Page 57 and 58: Ambele relatii cu diferente finite,
Page 59: Cazul general cu ϕ(t) o functie oa
Page 62 and 63: Recunoasterea formelor prin clasifi
Page 66 and 67: iesire nenulǎ numai dacǎ este dep
Page 68 and 69: σ ( x) 1 = − α ( x− x p ) 1 +
Page 70 and 71: φ i ( i ) ( x) = h x − x Functia
Page 72 and 73: Solutiile dintr-o populatie sunt ut
Page 75 and 76: DIAGNOZǍ PRIN ANALIZA COMPONENTELO
Page 77 and 78: constǎ în determinarea asa-numite
Page 79 and 80: vectorul deviatiilor standard calcu
Page 81 and 82: DETECTAREA FUNCTIONǍRII NECONFORME
Page 83 and 84: Matricile Q d , Q s si Q θ sunt ma
Page 85: sau conform unor probabilitǎti sta
Page 88 and 89: I n t r ǎ r i 0 4 0 2 Fluture 4x4
Page 90 and 91: • Numǎrul mediu de cǎi operatio
Page 92 and 93: Pr(X i = u, Y i = v) = Pr(X i = u)
Page 94 and 95: N r = Q/A m = 64 N m = Q/A r = 72 A
Page 96 and 97: Pr[(X i , Y i ) = (u, v)] = ( s0 ,
Page 98 and 99: În final Pr[ X k + 1 = 0] = Pr[( X
Page 100 and 101: si de iesire sunt multiplicate prin
Page 102 and 103: • 1110 → 1010 (dimensiune 2)
Page 104 and 105: D - destinatie, S - sursǎ, d = D
Page 106 and 107: Nodurile sunt presupuse a fi fǎrǎ
Page 108 and 109: Termenii rǎmasi se calculeazǎ sim
Page 110 and 111: ⎛ 8 biti ⎞ ⎛ 1 cuvânt ⎞ 8k
Page 112 and 113: Recuperarea din crash ⎡ I ⎤ Pen
Page 114 and 115:
face codarea cu cuvinte binare de l
Page 116 and 117:
2. Se stabilesc tabelele cu functii
Page 118 and 119:
Sistem de discuri “în oglindǎ
Page 120 and 121:
suplimentar al distribuirii informa
Page 122 and 123:
Timpul mediu pânǎ la defectare î
Page 124 and 125:
124
Page 126:
126
show all

Note de curs - Departamentul Automatica, Calculatoare si ...

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?