ANN fk. Örjan Ekeberg. Framåtkopplade Nät. återkopplade nät. Olika arkitekturer. BackPropagation through Time. Kalman-Filter tekniker
|
|
- Hanna Falk
- för 4 år sedan
- Visningar:
Transkript
1 Hantering av Tid Återkopplade Återkopplade Återkopplade t Återkopplade Återkopplade Temporala signaler är svåra Gör om temporal signal till spatial t 1 t 2 t 3 t 4 Återkopplade t Enklaste formen Neuronal filter Kräver att vi väljer Minnesdjup Hur många tidssteg som sparas Upplösning Storleken på tidsstegen t 1 t 2 t 3 t 4 Återkopplade t t 1 t 2 t 3 t 4 y Återkopplade
2 Flersnät Återkopplade Fördröjning av alla signaler Återkopplade y Mer generell Svårare att träna Hur tränar man nätverk med fördröjningar? Vanlig Backprop? Fungerar när bara insignalen fördröjs Generalisering krävs med generella fördröjningar Felsignalen måste matchas mot gamla aktiveringsvärden Återkopplade Återkopplade Återkopplade Återkoppling av utsignalen Återkoppling av gömda lagret med ett tidssteg Återkopplade Återkopplade Gömt Ut NARX Nonlinear AutoRegressive with exogenous inputs Contet Units
3 Flers återkoppling Gömt Gömt Ut Återkopplade Andra-ordningens nät Produkt av insignal och återkoppling Varje par: <insignal återkoppling> har en egen vikt Många (specifika) vikter Återkopplade Recurrent Multilayer Perceptron Vad kan ett återkopplat nät göra? Ändlig automat Tillståndet motsvarar aktiviteten i kontetnoderna Kombinationen av tillstånd och input ger nästa tillstånd Återkopplade Återkopplade Återkopplade Återkopplat nät med fördröjning i kopplingarna Återkopplade Återkopplade Kan man träna ett återkopplat nät så att man lär sig att återskapa en given sekvens?
4 Nuvarande tillstånd beror av föregående Utrullning av historiken Återkopplade Återkopplade t 1 t t 3 t 2 t 1 t Återkopplade Återkopplade t 3 t 2 t 1 Målvärden utspridda i olika Summera bidrag från alla mål Samma vikt finns på flera platser! t t 3 t 2 t 1 t Alla gamla aktivitetsvärden måste sparas Problem vid långa sekvenser Trunkering av historiken Summera bidrag från alla platser Kontinuerlig inlärning Motsvarar inkrementell inlärning Fungerar bra om man tar små steg Återkopplade BackProp använder nätets aktivering Varför inte använda facit när det finns? Accelerering genom att använda gamla målvärden Återkopplade
5 Skattning av en linjär process dold av brus Återkopplade Återkopplade k = A k 1 + B u k 1 + ω k 1 Återkopplade z k = H k + ν k Processbrus ω: Normalfördelat N(0, Q) Mätbrus ν: Normalfördelat N(0, R) Uppdatera till nästa tid Idén bakom ˆ k = Aˆ k 1 + B u k 1 Succesiv skattning ˆ k av dolda tillståndet k Använd skillnaden mellan etrapolerad skattning Hˆ k och observerad signal z k Uppdatering Återkopplade Pk = AP k 1A T + Q Anpassa till observerad signal Återkopplade ˆ k = ˆ k + K(z k Hˆ k ) Matrisen K (Kalman Gain) kan beräknas K k = P k HT (HP k HT + R) 1 Bygger på skattning av felets ( k ˆ k ) kovarians P k ˆ k = ˆ k + K k(z k Hˆ k ) P k = (I K k H)P k Utnyttja för inlärning Betrakta vikterna som det dolda tillståndet et kan behandlas som linjärt för små ändringar Använd önskad sekvens som z k Återkopplade för att hitta vikterna k = A k 1 + B u k 1 + ω k 1 Utvidgning till icke-linjära processer z k = H k + ν k Återkopplade H ersätts av z
6 Konvergerar mycket snabbare än BackProp-through-Time Stora matriser...som ska inverteras Element långt från diagonalen kan försummas Återkopplade
Artificiella Neuronnät
Artificiella Neuronnät 2 3 4 2 (ANN) Inspirerade av hur nervsystemet fungerar Parallell bearbetning Vi begränsar oss här till en typ av ANN: Framåtkopplade nät med lagerstruktur 3 4 Fungerar i princip
Läs merEnlagersnät Flerlagersnät Generalisering. Artificiella Neuronnät
Artificiella Neuronnät 1 Karaktäristiska egenskaper Användningsområden Klassiska exempel Biologisk bakgrund 2 Begränsningar Träning av enlagersnät 3 Möjliga avbildningar Backprop algoritmen Praktiska problem
Läs merARTIFICIELLA NEURALA NÄT. MARCO KUHLMANN Institutionen för datavetenskap
ARTIFICIELLA NEURALA NÄT MARCO KUHLMANN Institutionen för datavetenskap Example Alt Bar Fri Hun Pat Price Rain Res Type Est WillWait 1 Yes No No Yes Some $$$ No Yes French 0 10 Yes 2 Yes No No Yes Full
Läs mer2D Potentialen i en nervcell definieras normalt som skillnaden i spänning mellan dess axon och dendrit.
2D1432 Artificiella Neuronnät och andra lärande system Lösningsförslag till Tentamen 2003-03-06 Inga hjälpmedel. Uppgift 1 Vilka av följande påståenden är sanna? Korrigera de som är fel. 1. Potentialen
Läs mer729G43 Artificiell intelligens / Maskininlärning 3. Marco Kuhlmann
729G43 Artificiell intelligens / 2015 Maskininlärning 3 Marco Kuhlmann Förra gången: Perceptroninlärning Beslutsregel predicerat y-värde Exempel: AND Välj parametrar θ 0, θ 1, θ 2 sådana att perceptronen
Läs merLinköpings universitet
Översikt Kognitionsvetenskaplig introduktionskurs Föreläsning 4 Informationsbearbetningsmodeller Vad är kognitionsvetenskap? Kort bakgrund/historik Representation och bearbetning av information Vetenskapliga
Läs merDigitalteknik 7.5 hp distans: 5.1 Generella sekvenskretsar 5.1.1
Digitalteknik 7.5 hp distans: 5.1 Generella sekvenskretsar 5.1.1 Från Wikipedia: Sekvensnät Ett sekvensnäts utgångsvärde beror inte bara på indata, utan även i vilken ordning datan kommer (dess sekvens).
Läs merFråga 5 (1 poäng) För att definiera ett sökproblem krävs...
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merSammanfattning av föreläsning 4. Modellbygge & Simulering, TSRT62. Föreläsning 5. Identifiering av olinjära modeller
Sammanfattning av föreläsning 4 Modellbygge & Simulering, TSRT62 Föreläsning 5. Identifiering av olinjära modeller Reglerteknik, ISY, Linköpings Universitet Linjära parametriserade modeller: ARX, ARMAX,
Läs merHambley avsnitt 12.7 (7.3 för den som vill läsa lite mer om grindar) sann 1 falsk 0
1 Föreläsning 2 ht2 Hambley avsnitt 12.7 (7.3 för den som vill läsa lite mer om grindar) Lite om logiska operationer Logiska variabler är storheter som kan anta två värden; sann 1 falsk 0 De logiska variabler
Läs merÖversikt. TSFS06 Diagnos och övervakning Föreläsning 4 - Linjär residualgenerering och detekterbarhet. Linjär residualgenerering
TSFS6 Diagnos och övervakning Föreläsning 4 - och detekterbarhet Erik Frisk Institutionen för systemteknik Linköpings universitet erik.frisk@liu.se 21-4-3 1 2 Definition Ett propert linjärt filter R(p)
Läs merReglerteori. Föreläsning 3. Torkel Glad
Reglerteori. Föreläsning 3 Torkel Glad Föreläsning 1 Torkel Glad Januari 2018 2 Sammanfattning av föreläsning 2 Det mesta av teorin för envariabla linjära system generaliseras lätt till ervariabla (era
Läs mer729G43 Artificiell intelligens (2016) Maskininlärning 3. Marco Kuhlmann Institutionen för datavetenskap
729G43 Artificiell intelligens (2016) Maskininlärning 3 Marco Kuhlmann Institutionen för datavetenskap Modell med vektornotation parametervektor särdragsvektor Perceptron kombinerar linjär regression med
Läs merSammanfattning TSBB16
Sammanfattning TSBB16 Frekvensfunktion =H(omega) Kombinationen av amplitud och faskarakteristik är unik. H(ω) = D(ω) e^jψ(ω)=y(t)/x(t). Detta är frekvensfunktionen. H(ω)=utsignal/insignal D(ω) = H(ω).
Läs merFråga 5 (1 poäng) För att definiera ett sökproblem krävs...
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merDiskreta Linjära System och Skiftregister
Sammanfattning Föreläsning 13-14 - Digitalteknik I boken: avsnitt 7.1-7.3 (-) Diskreta Linjära System och Skiftregister Syftet med denna del är att förstå att tillståndsmaskiner som endast består av linjära
Läs merDigital- och datorteknik
Digital- och datorteknik Föreläsning #9 Biträdande professor Jan Jonsson Institutionen för data- och informationsteknik Chalmers tekniska högskola ekvensnät Vad kännetecknar ett sekvensnät? I ett sekvensnät
Läs merTentamen i Digitalteknik, EITF65
Elektro- och informationsteknik Tentamen i Digitalteknik, EITF65 3 januari 2018, kl. 14-19 Skriv anonymkod och identifierare, eller personnummer, på alla papper. Börja en ny uppgift på ett nytt papper.
Läs merTSRT62 Modellbygge & Simulering
TSRT62 Modellbygge & Simulering Föreläsning 4 Christian Lyzell Avdelningen för Reglerteknik Institutionen för Systemteknik Linköpings Universitet C. Lyzell (LiTH) TSRT62 Modellbygge & Simulering 2013 1
Läs merTSIU61: Reglerteknik
TSIU61: Reglerteknik Föreläsning 11 Tidsdiskret implementering Gustaf Hendeby gustaf.hendeby@liu.se TSIU61 Föreläsning 11 Gustaf Hendeby HT1 2017 1 / 17 Innehåll föreläsning 11 ˆ Sammanfattning av föreläsning
Läs merHKGBB0, Artificiell intelligens
HKGBB0, Artificiell intelligens Kortfattade lösningsförslag till tentan 3 november 2005 Arne Jönsson 1. Vad karaktäriserar dagens AI-forskning jämfört med den AI-forskning som bedrevs perioden 1960-1985.
Läs merSignalbehandling, förstärkare och filter F9, MF1016
Signalbehandling, förstärkare och filter F9, MF1016 Signalbehandling, inledning Förstärkning o Varför förstärkning. o Modell för en förstärkare. Inresistans och utresistans o Modell för operationsförstärkaren
Läs merNeurala nätverk och språkigenkänning. Henrik Linnarsson. Linköping University
Neurala nätverk och språk Henli807!1 Neurala nätverk och språkigenkänning Henrik Linnarsson Linköping University Neurala nätverk och språk Henli807!2 RNN, LSTM och språkigenkänning Inledning Idag är språkigenkänning
Läs merLösningsförslag till tentamen i Reglerteknik fk M (TSRT06)
Lösningsförslag till tentamen i Reglerteknik fk M (TSRT6) 216-1-15 1. (a) Känslighetsfunktionen S(iω) beskriver hur systemstörningar och modellfel påverkar utsignalen från det återkopplade systemet. Oftast
Läs merTentamen. TSEA22 Digitalteknik 5 juni, 2015, kl
Tentamen TSEA22 Digitalteknik 5 juni, 2015, kl. 08.00-12.00 Tillåtna hjälpmedel: Inga. Ansvarig lärare: Mattias Krysander Visning av skrivningen sker mellan 10.00-10.30 den 22 juni på Datorteknik. Totalt
Läs merSub-symbolisk kognition & Konnektionism. Kognitionsvetenskaplig Introduktionskurs (729G01) Mats Andrén,
Sub-symbolisk kognition & Konnektionism Kognitionsvetenskaplig Introduktionskurs (729G01) Mats Andrén, mats.andren@liu.se 1 Konnektionism Neutrala nät baseras på en (förenklad) modell av hur hjärnan fungerar.
Läs merReglerteknik I: F10. Tillståndsåterkoppling med observatörer. Dave Zachariah. Inst. Informationsteknologi, Avd. Systemteknik
Reglerteknik I: F10 Tillståndsåterkoppling med observatörer Dave Zachariah Inst. Informationsteknologi, Avd. Systemteknik 1 / 14 2 / 14 F9: Frågestund F9: Frågestund 1) När ett system är observerbart då
Läs merFÖRELÄSNING 13: Analoga o p. 1 Digitala filter. Kausalitet. Stabilitet. Ex) på användning av analoga p. 2 filter = tidskontinuerliga filter
FÖRELÄSNING 3: Analoga o p. Digitala filter. Kausalitet. Stabilitet. Analoga filter Ideala filter Butterworthfilter (kursivt här, kommer inte på tentan, men ganska bra för förståelsen) Kausalitet t oh
Läs merTentamen i Elektronik, ESS010, del 2 den 17 dec 2007 klockan 8:00 13:00 för inskrivna på elektroteknik Ht 2007.
Tekniska Högskolan i Lund Institutionen för Elektrovetenskap Tentamen i Elektronik, ESS010, del 2 den 17 dec 2007 klockan 8:00 13:00 för inskrivna på elektroteknik Ht 2007. Uppgifterna i tentamen ger totalt
Läs mer1(15) Bilaga 1. Av Projekt Neuronnätverk, ABB Industrigymnasium, Västerås Vt-05
1(15) Bilaga 1 2(15) Neuronnätslaboration Räknare Denna laboration riktar sig till gymnasieelever som går en teknisk utbildning och som helst har läst digitalteknik samt någon form av styrteknik eller
Läs merTentamen i Elektronik, ESS010, del 1 den 21 oktober 2008 klockan 8:00 13:00
Tentamen i Elektronik, ESS00, del den oktober 008 klockan 8:00 :00 Tekniska Högskolan i Lund Institutionen för Elektrovetenskap Tentamen i Elektronik, ESS00, del den oktober 008 klockan 8:00 :00 Uppgifterna
Läs merA. Stationära felet blir 0. B. Stationära felet blir 10 %. C. Man kan inte avgöra vad stationära felet blir enbart med hjälp av polerna.
Man använder en observatör för att skatta tillståndsvariablerna i ett system, och återkopplar sedan från det skattade tillståndet. Hur påverkas slutna systemets överföringsfunktion om man gör observatören
Läs merFöreläsning 1 Reglerteknik AK
Föreläsning 1 Reglerteknik AK c Bo Wahlberg Avdelningen för Reglerteknik, KTH 29 augusti, 2016 2 Introduktion Example (Temperaturreglering) Hur reglerar vi temperaturen i ett hus? u Modell: Betrakta en
Läs merResttentamen i Signaler och System Måndagen den 11.januari 2010, kl 14-19
Resttentamen i Signaler och System Måndagen den 11.januari 2010, kl 14-19 Tillåtna hjälpmedel: Valfri miniräknare (utan möjlighet till trådlös kommunkation). Valfri litteratur, inkl. kursböcker, formelsamlingar.
Läs merAD-/DA-omvandlare. Digitala signaler, Sampling och Sample-Hold
AD-/DA-omvandlare Digitala signaler, Sampling och Sample-Hold Analoga och Digitala Signaler Analogt Digitalt 001100101010100000111110000100101010001011100010001000100 t Analogt - Digitalt Analogt få komponenter
Läs merTentamen i Elektronik - ETIA01
Tentamen i Elektronik - ETIA01 Institutionen för elektro- och informationsteknik LTH, Lund University 2015-10-21 8.00-13.00 Uppgifterna i tentamen ger totalt 60 poäng. Uppgifterna är inte ordnade på något
Läs merTSIU61: Reglerteknik. Sammanfattning från föreläsning 3 (2/4) ˆ PID-reglering. ˆ Specifikationer. ˆ Sammanfattning av föreläsning 3.
TSIU6 Föreläsning 4 Gustaf Hendeby HT 207 / 22 Innehåll föreläsning 4 TSIU6: Reglerteknik Föreläsning 4 PID-reglering Specifikationer Gustaf Hendeby gustaf.hendeby@liu.se ˆ Sammanfattning av föreläsning
Läs merTSIU61: Reglerteknik. PID-reglering Specifikationer. Gustaf Hendeby.
TSIU61: Reglerteknik Föreläsning 4 PID-reglering Specifikationer Gustaf Hendeby gustaf.hendeby@liu.se TSIU61 Föreläsning 4 Gustaf Hendeby HT1 2017 1 / 22 Innehåll föreläsning 4 ˆ Sammanfattning av föreläsning
Läs merx 2 x 1 W 24 november, 2016, Föreläsning 20 Tillämpad linjär algebra Innehåll: Projektionssatsen Minsta-kvadratmetoden
24 november, 206, Föreläsning 20 Tillämpad linjär algebra Innehåll: Projektionssatsen Minsta-kvadratmetoden. Projektionssatsen - ortogonal projektion på generella underrum Om W är ett underrum till R n,
Läs merTSRT09 Reglerteori. Sammanfattning av föreläsning 5: RGA, IMC. Föreläsning 6. Sammanfattning av föreläsning 5: LQG. Föreläsning 6: LQ-reglering
Reglerteori 7, Föreläsning 6 Daniel Axehill / 4 Sammanfattning av föreläsning 5: RGA, IMC TSRT9 Reglerteori Föreläsning 6: LQ-reglering Daniel Axehill Reglerteknik, ISY, Linköpings Universitet RGA mäter
Läs merReglerteknik AK, FRT010
Institutionen för REGLERTEKNIK Reglerteknik AK, FRT Tentamen januari 27 kl 8 3 Poängberäkning och betygssättning Lösningar och svar till alla uppgifter skall vara klart motiverade. Tentamen omfattar totalt
Läs merDigital- och datorteknik
Digital- och datorteknik Föreläsning #13 Biträdande professor Jan Jonsson Institutionen för data- och informationsteknik Chalmers tekniska högskola Vad kännetecknar en tillståndsmaskin? En synkron tillståndsmaskin
Läs merLösningsförslag till tentamen i Reglerteknik (TSRT19)
Lösningsförslag till tentamen i Reglerteknik (TSRT9) 26-3-6. (a) Systemet är stabilt och linjärt. Därmed kan principen sinus in, sinus ut tillämpas. Givet insignalen u(t) sin (t) sin ( t) har vi G(i )
Läs merTSIU61: Reglerteknik. Frekvensbeskrivning Bodediagram. Gustaf Hendeby.
TSIU61: Reglerteknik Föreläsning 5 Frekvensbeskrivning Bodediagram Gustaf Hendeby gustaf.hendeby@liu.se TSIU61 Föreläsning 5 Gustaf Hendeby HT1 2017 1 / 1 Innehåll föreläsning 5 ˆ Sammanfattning av föreläsning
Läs merEtt urval D/A- och A/D-omvandlare
Ett urval D/A- och A/D-omvandlare Om man vill ansluta en mikrodator (eller annan digital krets) till sensorer och givare så är det inga problem så länge givarna själva är digitala. Strömbrytare, reläer
Läs merLARS ULVELAND HOPFIELDNÄTVERK FÖR IGENKÄNNING AV DEGRADERADE BILDER OCH HANDSKRIVNA TECKEN
LARS ULVELAD HOPFIELDÄTVERK FÖR IGEKÄIG AV DEGRADERADE BILDER OCH HADSKRIVA TECKE E PROJEKTRAPPORT FÖR PROJEKTKURSE I BILDAALYS HT 02 Teori för Hopfieldnätverk Hopfieldmodellen är en typ av neuronnät,
Läs merFouriermetoder MVE295 - bonusuppgifter
Fouriermetoder MVE295 - bonusuppgifter Edvin Listo Zec 920625-2976 edvinli@student.chalmers.se Sofia Toivonen 910917-4566 sofiato@student.chalmers.se Emma Ekberg 930729-0867 emmaek@student.chalmers.se
Läs merLaboration D151. Kombinatoriska kretsar, HCMOS. Namn: Datum: Epostadr: Kurs:
UMEÅ UNIVERSITET Tillämpad fysik och elektronik Digitalteknik Christer Ardlin/Lars Wållberg/ Håkan Joëlson 2000-01-28 v 2.3 ELEKTRONIK Digitalteknik Laboration D151 Kombinatoriska kretsar, HCMOS Namn:
Läs merÖvningar i Reglerteknik
Övningar i Reglerteknik Stabilitet hos återkopplade system Ett system är stabilt om utsignalen alltid är begränsad om insignalen är begränsad. Linjära tidsinvarianta system är stabila precis då alla poler
Läs merTSIU61: Reglerteknik. de(t) dt + K D. Sammanfattning från föreläsning 4 (2/3) Frekvensbeskrivning. ˆ Bodediagram. Proportionell }{{} Integrerande
TSIU6 Föreläsning 5 Gustaf Hendeby HT 207 / 25 Innehåll föreläsning 5 TSIU6: Reglerteknik Föreläsning 5 Frekvensbeskrivning Bodediagram Gustaf Hendeby ˆ Sammanfattning av föreläsning 4 ˆ Introduktion till
Läs merFigure 1: Blockdiagram. V (s) + G C (s)y ref (s) 1 + G O (s)
Övning 9 Introduktion Varmt välkomna till nionde övningen i Reglerteknik AK! Håkan Terelius hakante@kth.se Repetition Känslighetsfunktionen y ref + e u F (s) G(s) v + + y Figure : Blockdiagram Känslighetsfunktionen
Läs merArtificiell Intelligens Lektion 7
Laboration 6 Artificiell Intelligens Lektion 7 Neurala nätverk (Lab 6) Probabilistiska resonemang Vad? Mönsterigenkänning Lära ett neuralt nätverk att känna igen siffror Varför? Få ökad förståelse för
Läs merTENTAMEN: DEL B Reglerteknik I 5hp
TENTAMEN: DEL B Reglerteknik I 5hp Tid: Torsdag 20 oktober 20, kl. 4.00-7.00 Plats: Gimogatan 4, sal Ansvarig lärare: jartan Halvorsen, kommer och svarar på frågor ungefär kl 5.30. Tillåtna hjälpmedel:
Läs merVälkomna till TSRT19 Reglerteknik Föreläsning 10
Välkomna till TSRT19 Reglerteknik Föreläsning 10 Sammanfattning av föreläsning 9 Tillståndsbeskrivningar Överföringsfunktion vs tillståndmodell Stabilitet Styrbarhet och observerbarhet Sammanfattning föreläsning
Läs merTentamen i Beräkningsvetenskap I/KF, 5.0 hp,
Uppsala universitet Institutionen för informationsteknologi Teknisk databehandling Tentamen i Beräkningsvetenskap I/KF, 5. hp, 215-3-17 Skrivtid: 14 17 (OBS! Tre timmars skrivtid!) Hjälpmedel: Bifogat
Läs merImpulssvaret Betecknas h(t) respektive h(n). Impulssvaret beskriver hur ett system reagerar
6 Sjätte lektionen 6.1 Transformvärlden 6.1.1 Repetera Rita upp en tankekarta över följande begrepp där du anger hur de hänger ihop och hur de betecknas. Vad beskriver de? Impulssvaret Amplitudsvaret (frekvensgången)
Läs merAdaptiva Filter. Johan Haarala Signaler och System
Adaptiva Filter Johan Haarala 2002-12-11 Signaler och System Abstract Målet med den här rapporten är att ge en introduktion samt översikt till adaptiva filter. I den beskrivs några av de algoritmer som
Läs merde var svåra att implementera och var väldigt ineffektiva.
OBS! För flervalsfrågorna gäller att flera alternativ eller inget alternativ kan vara korrekt. På flervalsfrågorna kan man bara ha rätt eller fel, dvs frågan måste vara helt korrekt besvarad. Totalt kan
Läs merAtt programmera en Beethoven
Linköpings universitet Att programmera en Beethoven Fördjupning inom Neurala nätverk och LSTM 2018-01-03 Innehåll 1 Inledning- Musik och artificiell intelligens... 2 1.1 Historia... 2 1.2 Bakgrund AIVA...
Läs merFörstärkarens högfrekvensegenskaper. Återkoppling och stabilitet. Återkoppling och förstärkning/bandbredd. Operationsförstärkare.
FÖRELÄSNING 5 Förstärkarens högfrekvensegenskaper Återkoppling och stabilitet Återkoppling och förstärkning/bandbredd Operationsförstärkare Kaskadkoppling Per Larsson-Edefors, Chalmers tekniska högskola
Läs merTSIU61: Reglerteknik. Lead-lag-regulatorn. Gustaf Hendeby.
TSIU61: Reglerteknik Föreläsning 7 Lead-lag-regulatorn Tidsfördröjning Gustaf Hendeby gustaf.hendeby@liu.se TSIU61 Föreläsning 7 Gustaf Hendeby HT1 2017 1 / 24 Innehåll föreläsning 7 ˆ Sammanfattning av
Läs merF5 Introduktion till digitalteknik
Exklusiv eller XOR F5 Introduktion till digitalteknik EDAA05 Roger Henriksson Jonas Wisbrant På övning 2 stötte ni på uttrycket x = (a b) ( a b) som kan utläsas antingen a eller b, men inte både a och
Läs merSpektrala Transformer
Spektrala Transformer Kurssammanfattning Fyra kärnkoncept Sampling Faltning Poler och nollställen Fouriertransform Koncept #1: Sampling En korrekt samplad signal kan rekonstrueras exakt, dvs ingen information
Läs merTIDSDISKRETA SYSTEM SYSTEMEGENSKAPER. Minne Kausalitet Tidsinvarians. Linjäritet Inverterbarhet Stabilitet. System. Tillämpad Fysik och Elektronik 1
TIDSDISKRETA SYSTEM TILLÄMPAD FYSIK OCH ELEKTRONIK, UMEÅ UNIVERSITET 1 SYSTEMEGENSKAPER x[n] System y[n] Minne Kausalitet Tidsinvarians Linjäritet Inverterbarhet Stabilitet TILLÄMPAD FYSIK OCH ELEKTRONIK,
Läs merAppendix A. Dubbelkonsmodellen en datorexekverbar designprincip för hjärnan
Appendix A Dubbelkonsmodellen en datorexekverbar designprincip för hjärnan Min hypotes är att hierarkier av Cortical Feature Maps (CFM:er) utgör grunden för människans kognitiva förmågor. Denna hypotes
Läs merTSDT08 Signaler och System I Extra uppgifter
TSDT08 Signaler och System I Extra uppgifter Erik G. Larsson ISY/Kommunikationssystem december, 2008 P. Ett LTI system har impulssvaret och matas med insignalen ht) = e 2t ut) xt) = e 3t ut) + cosπt +
Läs merTentamen i Krets- och mätteknik, fk, ETEF15. Exempeltentamen
Lunds Tekniska Högskola, Institutionen för Elektro- och informationsteknik Ingenjörshögskolan, Campus Helsingborg Tentamen i Krets- och mätteknik, fk, ETEF15 Exempeltentamen Uppgifterna i tentamen ger
Läs merBeskrivning av signaler i frekvensdomänen - sammanfattning
Beskrivning av signaler i frekvensdomänen - sammanfattning Bengt Carlsson Systems and Control Dept of Information Technology, Uppsala University January 21, 2010 Abstract Detta material ger en sammanfattning
Läs mer8.3 Variabeltransformationer Frånkoppling. Betrakta ett 2x2-system, som beskrivs med modellen (8.3.1)
8.3 Variabeltransformationer Betrakta ett 2x2-system, som beskrivs med modellen y () s G () s G () s u () s 1 11 12 1 y2() s = G21() s G22() s u2() s (8.3.1) Figuren till höger visar ett blockschema över
Läs merTentamen i Digitalteknik, EIT020
Elektro- och informationsteknik Tentamen i Digitalteknik, EIT020 4 april 2013, kl 14-19 Skriv namn och årskurs på alla papper. Börja en ny lösning på ett nytt papper. Använd bara en sida av pappret. Lösningarna
Läs merAntag att b är förgreningsfaktorn, d sökdjupet, T (d) tidskomplexiteten och M(d) minneskomplexiteten.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merTeststorheten är ett modellvalideringsmått Betrakta. Översikt. Modellvalideringsmått, forts. Titta lite noggrannare på testet.
Ämnen för dagen TSFS6 Diagnos och övervakning Föreläsning 5 - Konstruktion av teststorheter Erik Frisk Institutionen för systemteknik Linköpings universitet frisk@isy.liu.se 27-4-5 En teststorhet är ett
Läs mer5B1817 Tillämpad ickelinjär optimering. Metoder för problem utan bivillkor, forts.
5B1817 Tillämpad ickelinjär optimering Föreläsning 5 Metoder för problem utan bivillkor, forts. A. Forsgren, KTH 1 Föreläsning 5 5B1817 2006/2007 Lösningar För en given metod blir en lösning den bästa
Läs merLUNDS TEKNISKA HÖGSKOLA Institutionen för Elektro- och Informationsteknik
LUNDS TEKNISKA HÖGSKOLA Institutionen för Elektro- och Informationsteknik SIGNALBEHANDLING I MULTIMEDIA, EITA50, LP4, 209 Inlämningsuppgift av 2, Assignment out of 2 Inlämningstid: Lämnas in senast kl
Läs merKretsformning och känslighet
Innehåll föreläsning 7 2 Reglerteknik, föreläsning 7 Kretsformning och känslighet Fredrik Lindsten fredrik.lindsten@liu.se Kontor 2A:521, Hus B, Reglerteknik Institutionen för systemteknik (ISY) 1. Sammanfattning
Läs merAsymptotisk analys innebär att... man försöker uppskatta vad som händer för stora indatamängder.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervarlsfrågorna ges 1 poäng för korrekt svar och 0,5 poäng om skillnaden mellan antalet korrekta svar och antalet
Läs merTSEA22 Digitalteknik 2019!
1(39) 2019 Mattias Krysander Ingemar Ragnemalm 1(39) Föreläsning 5. Sekv1. enna föreläsning: Vippor Sekvensnät Moore och Mealy 2(39)2(39) Förra föreläsningen: Labb 1. Adderare. Carryaccelerator Och ännu
Läs merReglerteori. Föreläsning 4. Torkel Glad
Reglerteori. Föreläsning 4 Torkel Glad Föreläsning 1 Torkel Glad Januari 2018 2 Sammanfattning av Föreläsning 3 Kovariansfunktion: R u (τ) = Eu(t)u(t τ) T Spektrum: Storleksmått: Vitt brus: Φ u (ω) =
Läs mer2.1 Mikromodul: stokastiska processer
2. Mikromodul: stokastiska processer 9 2. Mikromodul: stokastiska processer 2.. Stokastiska variabler En stokastiskt variabel X beskrivs av dess täthetsfunktion p X (x), vars viktigaste egenskaper sammanfattas
Läs merLösningsförslag TSRT09 Reglerteori
Lösningsförslag TSRT9 Reglerteori 8-8-8. (a) RGA(G()) = med y. ( ), dvs, vi bör para ihop u med y och u s+ (b) Underdeterminanter till systemet är (s+)(s+3), s+, s+3, s+, s (s+)(s+)(s+3). MGN är p(s) =
Läs merRepetition och sammanfattning av syntes och analys av sekvensnät
Repetition och sammanfattning av syntes och analys av sekvensnät Sekvensnät = ihopkoppling av sekvenskretsar Består i praktiken av - minnesdel (sekvenskretsar) - kombinatorisk del. Sekvenskretsar = kretsar
Läs merKan vi beskriva ett system utan någon fysikalisk kännedom om systemet?
Kan vi beskriva ett system utan någon fysikalisk kännedom om systemet? 1 Om svaret på frågan är ja så öppnar sig möjligheten att skapa en generell verktygslåda som fungerar för analys och manipulering
Läs merAsymptotisk analys innebär att... man försöker uppskatta vad som händer för stora indatamängder.
OBS! För flervalsfrågorna gäller att ett, flera eller inget alternativ kan vara korrekt. På flervalsfrågorna kan man bara ha rätt eller fel, dvs frågan måste vara helt korrekt besvarad för att man skall
Läs merÄmnen för dagen. TSFS06 Diagnos och övervakning Föreläsning 5 - Konstruktion av teststorheter. Beteendemoder och felmodeller.
Ämnen för dagen TSFS6 Diagnos och övervakning Föreläsning 5 - Konstruktion av teststorheter Erik Frisk Institutionen för systemteknik Linköpings universitet erik.frisk@liu.se 29-4-8 En teststorhet är ett
Läs merFöreläsning 2. Reglerteknik AK. c Bo Wahlberg. 3 september Avdelningen för reglerteknik Skolan för elektro- och systemteknik
Föreläsning 2 Reglerteknik AK c Bo Wahlberg Avdelningen för reglerteknik Skolan för elektro- och systemteknik 3 september 2013 Introduktion Förra gången: Dynamiska system = Differentialekvationer Återkoppling
Läs mer6. Reglering av stokastiska system
6. Stokastiska system 6. Reglering av stokastiska system Vi har hittills använt deterministiska modeller, inklusive deterministiska störningar, såsom steg, ramper och sinussignaler som inte varierar slumpmässigt.
Läs merAnaloga och Digitala Signaler. Analogt och Digitalt. Analogt. Digitalt. Analogt få komponenter låg effektförbrukning
Analoga och Digitala Signaler Analogt och Digitalt Analogt 00000000000000000000000000000000000 t Digitalt Analogt kontra Digitalt Analogt å komponenter låg eektörbrukning verkliga signaler Digitalt Hög
Läs mer5 OP-förstärkare och filter
5 OP-förstärkare och filter 5.1 KOMPARATORKOPPLINGAR 5.1.1 I kretsen nedan är en OP-förstärkare kopplad som en komparator utan återkoppling. Uref = 5 V, Um= 13 V. a) Rita utsignalen som funktion av insignalen
Läs merSystem. Z-transformen. Staffan Grundberg. 8 februari 2016
Z-transformen 8 februari 2016 Innehåll Z-transformen Tidsdiskreta LTI-system Överföringsfunktioner Frekvensegenskaper Z-transformen Z-transformen av en tidsdiskret signal y[n] ges av Y (z) = Z[y] = y[n]z
Läs merA/D- och D/A- omvandlare
A/D- och D/A- omvandlare Jan Carlsson 1 Inledning Om vi tänker oss att vi skall reglera en process så ställer vi in ett börvärde, det är det värde som man vill processen skall åstadkomma. Sedan har vi
Läs merNeurovetenskap 30/08/2013. Kognitiv neurovetenskap. Lober. Olika färg, olika vävnadsstruktur. Hjärnbarken
729G01 Kognitionsvetenskaplig introduktionskurs: Kognitiv neurovetenskap och kognitiv modellering Rita Kovordanyi, Institutionen för datavetenskap (IDA) rita.kovordanyi@liu.se Kognitiv neurovetenskap Baseras
Läs merReglerteknik AK. Tentamen 24 oktober 2016 kl 8-13
Institutionen för REGLERTEKNIK Reglerteknik AK Tentamen 24 oktober 26 kl 8-3 Poängberäkning och betygsättning Lösningar och svar till alla uppgifter skall vara klart motiverade. Tentamen omfattar totalt
Läs merIE1205 Digital Design: F10: Synkrona tillståndsautomater del 2
IE1205 Digital Design: F10: Synkrona tillståndsautomater del 2 Sekvensnät Om en och samma insignal kan ge upphov till olika utsignal, är logiknätet ett sekvensnät. Det måste då ha ett inre minne som gör
Läs mer1. Vi har givet två impulssvar enligt nedan (pilen under sekvenserna indikerar den position där n=0) h 1 (n) = [ ]
TEKNISKA HÖGSKOLAN I LUND Institutionen för elektro- och informationsteknik Kurskod: ESS00 Tentamen i Digital Signalbehanding Datum: 0 5 Time period: 08.00 3.00 Bedömning: Sex uppgifter. Varje uppgift
Läs merRepetition TSIU05 Digitalteknik Di/EL. Michael Josefsson
Repetition TSIU05 Digitalteknik Di/EL Michael Josefsson Här kommer några frågeställningar och uppgifter du kan använda för att använda som egenkontroll på om du förstått huvudinnehållet i respektive föreläsning.
Läs merTSIU61: Reglerteknik. Regulatorsyntes mha bodediagram (1/4) Känslighet Robusthet. Sammanfattning av föreläsning 7
TSIU6 Föreläsning 8 Gustaf Hendeby HT 207 / 8 Innehåll föreläsning 8 TSIU6: Reglerteknik Föreläsning 8 Känslighet Robusthet Gustaf Hendeby ˆ Sammanfattning av föreläsning 7 ˆ Känslighet mot störningar
Läs merLösningar till tentamen i styr- och reglerteknik (Med fet stil!)
Lösningar till tentamen i styr- och reglerteknik (Med fet stil!) Uppgift 1 (4p) Figuren nedan visar ett reglersystem för nivån i en tank.utflödet från tanken styrs av en pump och har storleken V (m 3 /s).
Läs merInlärning utan övervakning
Översikt Biologiska mekanismer bakom inlärning Inlärning utan övervakning Inlärning utan övervakning Hebbiansk modellinlärning Självorganisering Arbetsfördelning mellan noder i ett lager som utvecklas
Läs mer