Statistisk mönsterigenkänning
|
|
- Ann-Charlotte Hansson
- för 7 år sedan
- Visningar:
Transkript
1 Statistisk mönsterigenkänning Jonas Sandström Artificiell intelligens II Linköpings universitet HT 2011
2 Innehållsförteckning 1. Innehållsförteckning sid 2 2. Inledning sid 3 3. Statistisk mönsterigenkänning sid3 4. Ett exempel sid 4 5. En första överblick sid 4 6. Teori sid 5 7. Inlärning sid Övervakad inlärning sid Icke övervakad inlärning sid 8 8 Input och normalisering sid 9 9. Diskussion sid Referenser sid 12 2
3 Inledning Till en början var min tanke att denna rapport skulle handla om hur bildigenkänningssystem fungerar. Det var när jag började läsa om bildigenkänning som jag förstod att en och samma igenkänningsteknik kan användas för igenkänning av många olika typer av information. Mönsterigenkänningstekniker ligger till grunden för system som kan känna igen allt ifrån bilder och ljud till vibrationer och dofter, Statistisk mönsterigenkänning är en av de vanligaste teknikerna. Därför valde jag att fördjupa mig inom denna teknik. Min förhoppning med denna rapport är att tydliggöra hur ett Statistiskt mönsterigenkänningssystem är uppbyggt. Till grund för denna rapport ligger material skrivet på engelska, jag har därför valt att översätta alla uttrycken till svenska. Nedan följer några av det för läsaren viktigaste uttrycken och deras svenska översättning. Pattern = mönster Features (i ett mönster)= nyckelpunkter Cluster (samling av punkter) = Kluster Statistisk mönsterigenkänning När vi lagrar en bildfil eller en ljudfil i en digital databas lagrar vi i information om ett objekt. När det gäller bildobjekt är informationen sammansättningen av olika pixlar som på dataskärmen ger upphov till den givna bilden. För ljudobjekt består informationen av sammansättningen av olika ljudvågorna som ger upphov till det givna ljudet. När objekt som liknar varandra sparas i en digital databas så lagras därmed två uppsättningar information som lika varandra. I statistiska mönsterigenkänningssystem omvandlas informationen för objekten till mönster. Statistisk mönsterigenkänningsteknik handlar om att söka bland dessa mönster som tillhör objekten i en databas. Tekniken kan sammanfattas på detta sätt: Man utgår ifrån att liknande information har liknande mönster och att liknande mönster kan härledas till varandra genom statistiska metoder som behandlar probabilistisk logik. Statistisk mönsterigenkänningsteknik kan bara används när liknande objekt ger upphov till liknande mönster. Vad som menas med att ett objekts mönster liknar ett annat objekts mönster beror på hur det statistiska mönsterigenkänningssystemet är uppbyggt, hur det läser 3
4 av olika inputs och hur det har tränats till att kategorisera olika typer av mönster. (mer om inlärning, mönster och klassificering senare i rapporten) Ett exempel Vi antar att vi har en databas bestående av tusen bilder. Ingen av bilderna har tilldelats namn som antyder vad de föreställer. När vi sitter och tittar igenom några av dessa bilder hittar vi en bild på en liten fågel. Vi gillar fågeln och vill därför hitta fler bilder på den. Eftersom vi inte har någon aning om var i databasen vi ska leta efter fler bilder på fågeln och efter att en sökning på ordet Fågel inte gett oss några träffar är den enda information vi har det bildobjekt som vi nyss hittat. I detta läge skulle ett söksystem som byggde på statisk mönsterigenkänning vara oss till stor hjälp. Ett sådant system skulle tillåta oss att söka efter bilder i databasen som har liknande mönster som den fågelbild vi hittat. Har vi tur finner vi därmed fler liknande bilder på fågeln. Exemplet illustrerar en situation som läsaren förhoppningsvis kan relatera till. I verkligheten finns det mängder av andra användningsområden för ett statistiskt mönsterigenkänningssystem, särskilt inom maskininlärning. En första överblick Ett system som bygger på statistisk mönsterigenkänning innehåller tre grundläggande delar: 1. Datainsamling (bearbetning av någon form av information så att den kan läsas av systemet) 2. Datarepresentation (omvandling av informationen till punkter i en vektor) 3. Beslutsfattande (slutgiltigt igenkänning baserad på algoritmer som behandlar probabilistisk logik) bild 1 4
5 Det tre boxarna som finns på bilden ovan är var och en fyllda med olika tekniker som passar olika bra för olika typer av statiska mönsterigenkänningsproblem. Redan nu framgår det alltså att denna teknik kan vara utformad på många olika sätt. Jag kommer i denna rapport börja med att ge en allmän bild av statistisk mönsterigenkänning för att slutligen landa i mer ingående beskrivningar av tekniken. Teori Vi utgår ifrån en liten databas med tre objekt. Objekten: O₁, O₂ och O₃. De tre objekten har alla sitt eget mönster. Ett mönster innebär i detta fall en samling punkter i en vektor med obegränsat många dimensioner. Vi kallar vektorn X. Den samling punkter som kommer från ett objekt On kallar vi nyckelpunkterna n. Dessa nyckelpunkter representeras i vektorn som Xn. Xn = en viss samling nyckelpunkter n i vektorn X. Vidare antar vi att Xn tillhör kategorin Cz. Kategorin Cz är den kategori i vilken alla inputs med nyckelpunkter som liknar objektet Oz:s nyckelpunkter kategoriseras. Om X₁ och X₂ är nyckelpunkter som tillhör klassen Cz så innebär detta att X₁ och X₂ har likartade nyckelpunkter. Uttryckt i ord innebär detta att både X₁ och X₂ är nyckelpunkter som kommer från två olika mönster som båda två har liknande kriterier för att sorteras in i klassen Cz. Därmed är sannolikheten stor att X₁ och X₂ härstammar från liknande mönster och därmed också från två input som båda liknar objektet Oz mer än något annat av objekten i databasen. För att ett statistiskt mönsterigenkänningssystem ska kunna fatta beslut angående vilka nyckelpunkter Xn, som tillhör en kategori Cz, så användes probabilistisk logik. Olika varianter av Bayes teorem tillåter ett system att fatta beslut om klassindelning grundat på observerad sannolikhet: 5
6 Bayes teorem P(Xa Cb) = P(Cb Xa)*P(Xa) P(Cb) Sannolikheten för nyckelpunkterna Xa givet sannolikheten för kategorin Cb. Vi behöver här ha sanningsvärden för Xa och Cb, värden som systemet behöver hämta någonstans ifrån. Bayes rule of minimum error C P(Xa Cb) = P(Xa Cb)*P(Ci) i=1 Risken för att Xa inte tillhör kategorin Cb kan räknas ut med hjälp av ovanstående algoritm. Värdet användas sedan när systemet ska fatta beslut om kategorisering av nyckelpunkterna Xa. För att ett system ska veta vilka punkter i ett mönster son den skall bryta ut och omvandla till nyckelpunkter används ofta en metod som kallas Principal Component Analysis (PCA). PCA omvandlar punkter från en vektor med flera dimensioner till punkter i en vektor med två dimensioner. Utifrån detta kan sedan nyckelpunkterna utkristalliseras. bild 2 6
7 Givet teorin ovan är utmaningen för ett statistiskt mönsterigenkänningssystem att: 1. Skapa kategorier Cn för objekten On i databasen 2. Omvandla mönster till nyckelpunkter 3.räkna ut sannolikheten för nyckelpunkterna och tilldela dem kategorier Inlärning Trotts att två stycken statistiska mönsterigenkänningssystem kan vara identiska i det avseendet att de använder precis samma databas och precis samma beslutsfattningsalgoritmer kan deras beslutsfattning variera. Detta beror på att kategorierna inom ett statistiskt mönsterigenkänningssystem formas av systemets inlärning. Inlärning innebär i princip att ett system - med hjälp av träningsobjekt i en databas skapar mallar för objekten i databasens mönster, dessa mallar används sedan vid kategoritilldelning av en inputs nyckelpunkter. Hur kategorierna i ett mönsterigenkänningssystem ser ut påverkas alltså av träningen. Bilden nedan beskriver hur detta sker. bild 3 Dålig träning eller dålig träningsdata kan leda till att kategorierna blir dåliga. En dålig kategori innebära (enligt Anil, K m.fl., 2000) att kategorin är: - För ospecifik, den filtrerar inte bort nyckelpunkter som inte hör hemma i den. 7
8 - Den är för specifik, den filtrerar bort nyckelpunkter trotts att den borde ha tillhört kategorin. För att undvika ovanstående problem med kategorier är målet med kategoriskapande att finna en bra ballans mellan antalet träningsobjekt vid inlärning och det sammanlagda antalet objekt som sedan ingår i den databas som användas för mönsterigenkänning. Vad som är en bra ballans beror på vilken typ av objekt som ska behandlas av mönsterigenkänningssystemet, närmare bestämt hur många och hur skilda särdrag objekten har. Övervakad inlärning Innebär att en person är med vid utformningen av kategorierna. Objekten i databasen tilldelas då kategorier för hand, av en person. Denna inlärningsmetod kan vara bra om mönsterigenkänningssystemet ska arbeta med abstrakta kategorier, dvs. kategorier som för en dator inte har något tydlig sammanhängande struktur. Exempel på en sådan kategori är stjärntecken. Vi antar att vi ska skapa ett system som ska söker efter stjärntecken utifrån en bild föreställande himlavalvet. Om vi vill hitta stjärntecknet lilla björn så vet vi att tecknet består av sju olika stjärnor, tillsammans bildar de ett mönster. För oss människor är det ett kulturellt mönster men för en dator är mönster abstrakt. För att kategorierna ska kunna hitta de mönster som ger upphov till stjärntecken behöver systemets utformas med hjälp av övervakad inlärning. Problemet med övervakad inlärning är att det är allt för tidskrävande, ofta mycket opraktiskt om en genomförbart för stora datamängder. Icke övervakad inlärning Innebär att kategoriseringen enbart påverkas av mönstret hos objekten i databasen. Den vanligaste metoden för att skapa kategorier ur mönster är klustring vilket innebär att mönster som liknar varandra kategoriseras i samma klass. Vad som menas med att ett mönster liknar ett annat mönster påverkas i sin tur av vilken typ av klustringsmetod som användes. Mönster 1 och Mönster 2 är liknande. De passar båda två in på mallen nedan och hamnar därför i samma kategori. 8
9 bild 4 Mönster 1 Mönster 2 Mall Att ovanstående två mönster liknar mallen är enkelt för en människa att förstå, men för att en dator ska kunna se likheten i mönstret måste den använda sig av någon form av beräkning. Inom statistisk mönsterigenkänning används ofta Gauss funktion. bild 5 Algoritmen används både för att normalisera mönster vid skapandet av kategorier och till att normalisera mönster som ska matchas mot kategorin. Oavsett vilken typ av inlärning som har använts för att skapa kategorier så kommer kategoriseringsproblem att uppstå om det finns en stor mängd kategorier, eller om databasen har allt för många säregna objekt. Input och normalisering Den information som matas in för sökning i mönsterigenkänningssystemet kallas input. Jag har redan nämnts att inputen måste ha ett mönster som liknar mönstren hos objekten i databasen för att systemet ska kunna kategorisera det korrekt. Med hjälp av Gauss funktion eller Bayes teorem kan systemet på matematisk väg bryta ut nyckelpunkterna i en input och skapa ett normaliserat mönster. 9
10 En input kan behöva mer eller mindra normalisering beroende på hur bra sensorisk hårdvara mönsterigenkänningssystemet har till sitt förfogande. Se exemplen nedan: Vi tänker oss följande; vi vill söka i en databas som innehåller olika typer av ljud, vi har två olika inspelningar på det ljud som vi vill använda som input (alltså det ljud som kommer bearbetas av systemet). Den ena inspelningen är gjord med en bra mikrofon, den andra med en dålig mikrofon. Använder vi den bra inspelningen som input ger vi systemet ett mindre brusigt input att behandla, och därmed ökar vi chansen för att systemet ska göra en korrekt kategorisering av inputens mönster. Ett annat exempel är att vi letar efter en bild på bokstaven D. Följande bilder ska symbolisera olika input föreställande bokstaven D som har scannats in i en databas. Ett statistiskt mönsterigenkänningssystem riskerar att kategorisera några av dessa input i en felaktiga kategori om de inte först normaliseras. bild 6 Diskussion Den statistiska mönsterigenkänningstekniken största fördel är kanske främst att den kan implementeras i många olika typer av system och därför användas i vitt skilda sammanhang. Eftersom tekniken bygger på probabilistisk logik krävs inget avancerat neuralt nätverk för att skapa ett statistisktmönsterigenkänningssystem och därmed kan även mycket simpla system använda teknik. Eftersom Bayers teorem är en välkänd sats kan den vara bra att använda om man vill skapa ett mönsterigenkänningssystem som ska vara enkelt för användaren att förstå. Den mest väsentliga skillnaden mellan olika statistiska mönsterigenkänningssystem är ifall systemet har använt sig av övervakad eller icke övervakad inlärning. Övervakad inlärning passar bäst för igenkänning av mer abstrakta mönster medans icke övervakad inlärning med 10
11 fördel kan användas vid enklare mönsterigenkänning, exempelvis igenkänning av tvådimensionella bilder. Det jag ser som den största nackdelen med statistisk mönsterigenkänning är att tekniken inte kan användas för abstrakt mönsterigenkänning av stora mängder data eftersom övervakad inlärning är allt för tidskrävande. Statistiska mönsterigenkänningssystem kommer troligtvis alltid att användas för att lösa enklare mönsterigenkänningsuppgifter, men för svårare mönsterigenkänningsuppgifter finns bättre metoder (neurala nätverk) som ligger utanför statistisk mönsterigenkänningsteknik. Jag antar att om man i framtiden lyckas kombinera ett system som har kunskap om kulturella mönster (stjärntecken och liknande) med en icke övervakad inlärningsteknik, kan detta leda till ett genombrott för användandet av statistisk mönsterigenkänning. 11
12 Referenser Böcker Russel,S & Norvig,P Artificial Intelligence, A Modern Approach 2:nd edition (2003) K, Fukunaga Introduction to statistical pattern recognition (1990) Artikel: Anil, K mfl Statistical Pattern recognition: A review (2000) Internet Pattern recognition ( , 10:00) Bayes theorem ( , 10:01) Cluster analysis ( , 10:02) Bild Bild 5 ( , 12:43) 12
Vinjetter TDDC91 Datastrukturer och algoritmer
Vinjetter TDDC91 Datastrukturer och algoritmer 17 augusti 2015 2 Scenario 1 Man har inom Posten Logistik AB skrivit programvara för sortering av kundinformation och vill standardisera användningen av sorteringsalgoritmer.
Läs merBeräkning med ord. -hur en dator hanterar perception. Linköpings universitet Artificiell intelligens 2 2010-10-03 Erik Claesson 880816-1692
Beräkning med ord -hur en dator hanterar perception 2010-10-03 Erik Claesson 880816-1692 Innehåll Inledning... 3 Syfte... 3 Kan datorer hantera perception?... 4 Naturligt språk... 4 Fuzzy Granulation...
Läs merAnsiktsigenkänning. Anna Ericsson Linköpings Universitet Linköping
Ansiktsigenkänning Anna Ericsson Linköpings Universitet Linköping 2011-09-18 Innehållsförteckning Sammanfattning... 1 Introduktion... 2 Ansiktsigenkänning med Eigenfaces... 3 Eigenfaces steg för steg...
Läs merInlämningsuppgift : Finn. 2D1418 Språkteknologi. Christoffer Sabel E-post: csabel@kth.se 1
Inlämningsuppgift : Finn 2D1418 Språkteknologi Christoffer Sabel E-post: csabel@kth.se 1 1. Inledning...3 2. Teori...3 2.1 Termdokumentmatrisen...3 2.2 Finn...4 3. Implementation...4 3.1 Databasen...4
Läs merFrån ljusenergi till en kub som går att stå på Hur man får en dator att känna igen olika former i visuell information
ARTIFICIELL INTELLIGENS II INSTITUTUINEN FÖR DATAVETENSKAP LINKÖPINGS UNIVERSITET Från ljusenergi till en kub som går att stå på Hur man får en dator att känna igen olika former i visuell information Anna
Läs merArtificial)Intelligence) Taligenkänning)
LINKÖPINGS)UNIVERSITET) Artificial)Intelligence) Taligenkänning)! Adam%Annerhult% 2012009017%! Contents' ' ) ) ) ) ) Inledning... 3! Så fungerar taligenkänning... 4! Grundläggande egenskaper i ett taligenkänningsprogram...
Läs merSHAZAM! En!smart!musiktjänst! Linha108! Fördjupningsarbete!729G43!
SHAZAM Ensmartmusiktjänst Linha108 Fördjupningsarbete729G43 Sammanfattning Shazam är en musiktjänst som genom en sökalgoritm kan känna igen ljud och returnera låt och artist till användaren. Detta sker
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 merhttp://www.sm.luth.se/~andreas/info/howtosearch/index.html
& ' ( ( ) * +, ', -. / ' 0! 1 " 2 # 3 / /! 1 $ 4, % 5 # 3, http://www.sm.luth.se/~andreas/info/howtosearch/index.html Andreas Tips och trix till sökningar i Cyberrymnden Här försöker jag att gå igenom
Läs merBildmosaik. Bilddatabaser, TNM025. Anna Flisberg Linne a Mellblom. linme882. Linko pings Universitet
Bildmosaik Bilddatabaser, TNM025 Linko pings Universitet Anna Flisberg Linne a Mellblom annfl042 linme882 28 maj 2015 Innehåll 1 Introduktion 2 2 Metod 2 2.1 Features..............................................
Läs merHierarchical Temporal Memory Maskininlärning
Hierarchical Temporal Memory Maskininlärning Innehåll Sammanfattning... 3 Inledning... 4 Vad är HTM?... 4 Hur fungerar HTM?... 4 Hierarchical... 4 Temporal... 5 Memory... 5 Hitta orsaker i världen... 5
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 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 merVad är Artificiell Intelligens (AI) Olika typer av AI och deras användningsområden Innovation med hjälp av AI Framtiden och etiska frågeställningar
1 Agenda Vad är Artificiell Intelligens (AI) Olika typer av AI och deras användningsområden Innovation med hjälp av AI Framtiden och etiska frågeställningar 2 Nuvarande AI Funktioner en grov Analogi Rekommendation,
Läs merFuzzy Logic. När oskarpa definitioner blir kristallklara. Åsa Svensson. Linköpings Universitet. Linköping
Fuzzy Logic När oskarpa definitioner blir kristallklara Linköpings Universitet Linköping Sammanfattning I denna fördjupningsuppgift har jag fokuserat på Fuzzy Logic och försökt att beskriva det på ett
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 merAnsiktsigenkänning med MATLAB
Ansiktsigenkänning med MATLAB Avancerad bildbehandling Christoffer Dahl, Johannes Dahlgren, Semone Kallin Clarke, Michaela Ulvhammar 12/2/2012 Sammanfattning Uppgiften som gavs var att skapa ett system
Läs merCase-based resoning. och dess användning inom sjukvården. Linköpings universitet Artificiell intelligens II 729G11 HT 2011
Linköpings universitet Artificiell intelligens II HT 2011 Case-based resoning och dess användning inom sjukvården Sammanfattning Det här arbetet handlar om vad case-based resoning är, hur den funkar, vilka
Läs merLathund till PowerPoint 2002 (XP)
Lathund till PowerPoint 2002, sid 1(5) Lathund till PowerPoint 2002 (XP) Överblick 1. Arbetsfönstret här jobbar du med dina bilder 2. Överblick här ser du miniatyrer av alla bilder 3. Åtgärdsfönstret här
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 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 merEtt enkelt OCR-system
P r o j e k t i B i l d a n a l y s Ett enkelt OCR-system av Anders Fredriksson F98 Fredrik Rosqvist F98 Handledare: Magnus Oskarsson Lunds Tekniska Högskola 2001-11-29 - Sida 1 - 1.Inledning Många människor
Läs merTaligenkänning. Sanna Aronsson sanar429 Artificiell Intelligens, HKGBB0
Taligenkänning, HKGBB0 Abstract Ett taligenkänningssystem är att ett system som har som uppgift att identifiera enstaka ord eller hela sekvenser av ord. Detta gör den genom att jämföra denna ordsekvens
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 merStatistisk Maskinöversättning eller:
729G43 Statistisk Maskinöversättning eller: Hur jag slutade ängslas (över fördjupningsuppgiften) och lärde mig hata stoppord. Jonas Hilmersson 2019-04-15 Innehåll 1. Introduktion... 1 2. Datamängden...
Läs merVetenskaplig teori och metod II Att hitta vetenskapliga artiklar
Vetenskaplig teori och metod II Att hitta vetenskapliga artiklar Sjuksköterskeprogrammet T3 Maj 2015 Camilla Persson camilla.persson@umu.se Idag tittar vi på: Repetition av sökprocessen: förberedelser
Läs merMatematisk modellering fortsättningskurs Visuell variation
Matematisk modellering fortsättningskurs Visuell variation Johan Hedberg, Fredrik Svensson, Frida Hansson, Samare Jarf 12 maj 2011 1 1 Sammanfattning I denna rapport undersöker vi en modell för att beskriva
Läs merFöreläsning 5: Grafer Del 1
2D1458, Problemlösning och programmering under press Föreläsning 5: Grafer Del 1 Datum: 2006-10-02 Skribent(er): Henrik Sjögren, Patrik Glas Föreläsare: Gunnar Kreitz Den här föreläsningen var den första
Läs merSymboler och abstrakta system
Symboler och abstrakta system Warwick Tucker Matematiska institutionen Uppsala universitet warwick@math.uu.se Warwick Tucker, Matematiska institutionen, Uppsala universitet 1 Vad är ett komplext system?
Läs mer729G11 Artificiell Intelligens Marcus Johansson Marjo581. Fuzzy logic. Marcus Johansson Marjo581
Fuzzy logic 880328-2535 Innehåll Fuzzy logic... 1 1. Inledning... 4 2. Jämförelse mellan fuzzy logic och tvåvärdeslogik.... 4 3. Fuzzy sets.... 4 4. Linvistiska variabler... 5 5. Operatorer... 5 6. If-
Läs merLyssna Ljuda Läs 1(6) Lyssna Ljuda Läs ISLORMUA Lyssna Ljuda Läs ÅNBEKÄVWTPY Lyssna Ljuda Läs GÖJFDHXCZQ
1(6) C LÄROMEDEL Lyssna Ljuda Läs Lyssna Ljuda Läs ISLORMUA 7762-512-4 Lyssna Ljuda Läs ÅNBEKÄVWTPY 7762-513-1 Lyssna Ljuda Läs GÖJFDHXCZQ 7762-514-8 Serien Lyssna Ljuda Läs är tre på varandra följande
Läs merTENTAMEN TDDD12 Databasteknik 7 januari 2010, kl 14-18
Institutionen för datavetenskap Linköpings universitet TENTAMEN TDDD12 Databasteknik 7 januari 2010, kl 14-18 Jourhavande lärare: Jose M. Peña (1651) Poäng: Tentan består av 2 delar. För godkänd krävs
Läs merRemoteBud. Inlämnas: Patrik Johnsson, e01pjo Viktor Karlsson, e01vk
RemoteBud Inlämnas: 2005-02-01 Patrik Johnsson, e01pjo Viktor Karlsson, e01vk Abstract Skulle du också vilja styra dina lampor och rulla ner dina persienner med hjälp av din TV-fjärrkontroll? Remotebud
Läs merFöreläsning 7: Klassificering, minsta kvadratproblem, SVD, forts.
Föreläsning 7: Klassificering, minsta kvadratproblem, SVD, forts. Berkant Savas Tillämpad matematik i natur och teknikvetenskap, TNA5 Institutionen för teknik och naturvetenskap Linköpings universitet
Läs merFuzzy Logic: Den oskarpa skarpheten
Fuzzy Logic: Den oskarpa skarpheten Av: 1 Innehåll Inledning... 3 Vad är Fuzzy Logic?... 4 Fuzzy sets... 4 Medlemsskapsfunktion... 5 Operatorer... 7 Union... 7 Snitt... 8 Komplement... 8 Exempel med de
Läs merUpprepade mönster (fortsättning från del 1)
Modul: Algebra Del 2: Resonemangsförmåga Upprepade mönster (fortsättning från del 1) Anna-Lena Ekdahl och Robert Gunnarsson, Högskolan i Jönköping Ett viktigt syfte med att arbeta med upprepade mönster
Läs meri LabVIEW. Några programmeringstekniska grundbegrepp
Institutionen för elektroteknik Några programmeringstekniska grundbegrepp 1999-02-16 Inledning Inom datorprogrammering förekommer ett antal grundbegrepp som är i stort sett likadana oberoende om vi talar
Läs merÖRJAN EDSTRÖM 2007-08 NR 4
ÖRJAN EDSTRÖM Andreas Inghammar, Funktionshindrad med rätt till arbete? En komparativ studie av arbetsrättsliga regleringar kring arbete och funktionshinder i Sverige, England och Tyskland, Juristförlaget
Läs merEpisoderna i denna artikel är hämtade
JONAS EMANUELSSON Berätta vad du tänker! Två berättelser om rätt och fel svar Artikeln handlar om de frågor lärare ställer till sina elever i klassrummet och vad som händer i den efterföljande interaktionen.
Läs merIntroduktion till logik
Introduktion till logik Av Johan Johansson Johan.johansson@guldstadsgymnasiet.se Logik sägs som många andra saker komma från de grekiska filosoferna, och ordet kommer också därifrån. Grekerna kallade det
Läs merSpecifikation av kandidatexjobb
Specifikation av kandidatexjobb 3D-rekonstruktion av Rubiks kub André Gräsman Rasmus Göransson grasman@kth.se rasmusgo@kth.se 890430-3214 850908-8517 Introduktion Vi vill göra en förstudie om 3D rekonstruktion.
Läs merEmma Hallstan Emmha584
LINKÖPING UNIVERISTET SIFT AIBOs ögon Emma Hallstan Emmha584 Innehållsförteckning Inledning... 3 Syfte... 3 SIFT- Scale Invariant Feature Transform... 3 Historien om SIFT... 4 SIFT algoritmen... 4 1. Scale-space
Läs merOnline klustring. UMEÅ UNIVERSITET 9 december 2003 Institutionen för Datavetenskap. Namn E-post
UMEÅ UNIVERSITET 9 december 2003 Institutionen för Datavetenskap Mönsterigenkänning 5p Online klustring Namn E-post Handledare Christina Olsén Tdbc94 Abstract. This report is an attempt at an introduction
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 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 merVisualisering av samverkan
Visualisering av samverkan 18 december 2017 En viktig aspekt i samverkan är att inte bara ha koll på vilka andra aktörer du själv samverkar med, utan även veta om vilka aktörer du inte samverkar med, men
Läs merSignalbehandling Röstigenkänning
L A B O R A T I O N S R A P P O R T Kurs: Klass: Datum: I ämnet Signalbehandling ISI019 Enk3 011211 Signalbehandling Röstigenkänning Jonas Lindström Martin Bergström INSTITUTIONEN I SKELLEFTEÅ Sida: 1
Läs merProjektion av träningsdata på aktuell underrum av dim 1. Föreläsning 7: Klassificering, minsta kvadratproblem, SVD, forts.
Projektion av träningsdata på aktuell underrum av dim Föreläsning : Klassificering, minsta kvadratproblem, SVD, forts. Berkant Savas Tillämpad matematik i natur och teknikvetenskap, TNA Institutionen för
Läs merFormell logik Kapitel 1 och 2. Robin Stenwall Lunds universitet
Formell logik Kapitel 1 och 2 Robin Stenwall Lunds universitet Kapitel 1: Atomära satser Drömmen om ett perfekt språk fritt från vardagsspråkets mångtydighet och vaghet (jmf Leibniz, Russell, Wittgenstein,
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 merVetenskaplig metodik
Vetenskaplig metodik Vilka metoder används? Vi kan dela in metoder i flera grupper: Deduktiva metoder Metoder för hantering av experiment Metoder för publicering och liknande. Från föreläsning 3 Föreläsningen
Läs merAI, musik & PLCGalgoritmen
LINKOPINGS UNIVERSITET, IDA AI, musik & PLCGalgoritmen AI inom en artistisk domän sarwi387 9/18/2012 ABSTRAKT AI har anpassats på de flesta naturvetenskapliga ämnen tidigare men man har de senaste årtionden
Läs merKritiskt tänkande HTXF04:3 FTEB05. Induktiv argumentation
Kritiskt tänkande HTXF04:3 FTEB05 Induktiv argumentation En svaghet med deduktiv argumentation Vi har sagt att de bästa argumenten är de sunda argumenten, dvs de logiskt giltiga deduktiva argument med
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 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 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 merVektorer, matriser, nätverk - några elementa
Vektorer, matriser, nätverk - några elementa Innehåll: Vektorer Radvektorer och kolumnvektorer Operationer med vektorer Input- och outputvektorer i neurala nätverk Utvikning om kompetitiva nät Matriser
Läs merMaskininlärning med boostrapping. Maskininlärningslabb i Språkteknologi
Maskininlärning med boostrapping Maskininlärningslabb i Språkteknologi Abstrakt Vi undersöker, med hjälp av maskininlärningslabben från denna kurs, hur pass bra resultat bootstrapping ger i samband med
Läs merFallbaserat resonerande
Linköpings Universitet Fallbaserat resonerande Klassifikation av signaler från smarta sensorer Kristina Svahnström 2016-01-08 Innehållsförteckning Inledning... 1 Fallbaserat resonerande... 1 Tillämpning...
Läs merData mining. Data mining Skillnaden mellan observationella och experimentella data
Data mining Skillnaden mellan observationella och experimentella data Data mining Metoder för att automatisktupptäcka icke-trivial användbar information i stora datamängder 1 Data mining: (Mot-)exempel
Läs merKursplan Grundläggande matematik
2012-12-06 Kursplan Grundläggande matematik Grundläggande matematik innehåller tre delkurser, sammanlagt 600 poäng: 1. Delkurs 1 (200 poäng) GRNMATu, motsvarande grundskolan upp till årskurs 6 2. Delkurs
Läs merKategorisering och klustring. Kategorisering vid indexering. Kategorisering. Kategorisering föränderligtf. Klustring
Kategorisering och klustring Hercules Dalianis DSV-SU-KTH e-post:hercules@kth.se 070-568 13 59 / 08-674 75 47 Skillnaden mellan kategorisering och klustring? Kategori är förutbestämt av någon Kluster är
Läs merBAS A01 Baskurs för universitetsstudier!
BAS A01 Baskurs för universitetsstudier! Jeanette Emt, Filosofiska institutionen! Det mesta som vi menar när vi talar om våra minnen finns i långtidsminnet. Karaktäristiskt för detta är att vi inte anstränger
Läs mer2 Matematisk grammatik
MATEMATISK GRAMMATIK Matematisk grammatik.1 Skriva matematik Matematisk grammatik, minst lika kul som det låter, och hur man skriver matematik är nästan lika viktigt som vad man skriver. En grammatisk
Läs merAtt fånga den akustiska energin
Att fånga den akustiska energin När vi nu har en viss förståelse av vad ljud egentligen är kan vi börja sätta oss in i hur det kan fångas upp och efterhand lagras. När en ljudvåg sprider sig är det inte
Läs merVinjetter TDDC91 Datastrukturer och algoritmer
Vinjetter TDDC91 Datastrukturer och algoritmer 30 augusti 2013 2 Scenario 1 Man har inom Posten Logistik AB skrivit programvara för sortering av kundinformation och vill standardisera användningen av sorteringsalgoritmer.
Läs mer7 MÖNSTERDETEKTERING
7 MÖNSTERDETEKTERING 7.1 Korrelation Korrelation av två bilder f(x,y) och g(x,y) kan språkligt sett betyda att man gör just det som utsäges av (7.1). Bilderna läggs alltså på varandra med den ena bilden
Läs merEtt spel skapat av Albin Wahlstrand
Viking vs. Demons Ett spel skapat av Albin Wahlstrand 2012-06-03 1 Abstrakt Denna rapport kommer att handla om mina positiva och negativa erfarenheter inom projektet jag jobbat på de senaste 10 veckorna.
Läs mer1 LP-problem på standardform och Simplexmetoden
Krister Svanberg, mars 202 LP-problem på standardform och Simplexmetoden I detta avsnitt utgår vi från LP-formuleringen (2.2) från föreläsning. Denna form är den bäst lämpade för en strömlinjeformad implementering
Läs merOptimeringslara = matematik som syftar till att analysera och. Optimeringslara ar en gren av den tillampade matematiken.
Optimal = basta mojliga. Optimeringslara = matematik som syftar till att analysera och nna det basta mojliga. Anvands oftast till att nna ett basta handlingsalternativ i tekniska och ekonomiska beslutsproblem.
Läs merSpråkteknologi och Open Source
Språkteknologi och Open Source Erik Edin F01 erikedin@kth.se 15 oktober 2004 1 1 Open Source Open Source är en rörelse som syftar till att skriva datorprogram som släpps fria utan kommersiella intressen.
Läs merFöreläsning 6: Analys och tolkning från insamling till insikt
Föreläsning 6: Analys och tolkning från insamling till insikt FSR: 1, 5, 6, 7 Rogers et al. Kapitel 8 Översikt Kvalitativ och kvantitativ analys Enkel kvantitativ analys Enkel kvalitativ analys Presentera
Läs merBlock 2 Algebra och Diskret Matematik A. Följder, strängar och tal. Referenser. Inledning. 1. Följder
Block 2 Algebra och Diskret Matematik A BLOCK INNEHÅLL Referenser Inledning 1. Följder 2. Rekursiva definitioner 3. Sigmanotation för summor 4. Strängar 5. Tal 6. Övningsuppgifter Referenser Följder, strängar
Läs merBig Data för Fordon och Transport! Vår Digitala Framtid, Trafikverket!! Björn Bjurling, SICS Swedish ICT, 20150421!
Big Data för Fordon och Transport! Vår Digitala Framtid, Trafikverket!! Björn Bjurling, SICS Swedish ICT, 20150421! Sammanfattning! Big Data är överallt! Big Data Analytics används för att utvinna information
Läs merFördjupningsarbete HT 2012 FUZZY LOGIC
FUZZY LOGIC 1 Innehåll Bakgrund & Introduktion till fuzzy logic... 3 Syfte... 3 Fuzzy sets... 4 Hedges... 5 Fuzzy set logic... 6 IF-THEN relger... 7 Fuzzy Inference... 7 Användandet utav fuzzy logic i
Läs merArtificiell Intelligens den nya superkraften
Artificiell Intelligens den nya superkraften Socialchefsdagarna, 4 oktober 2018 #CGINext Artificiell Intelligens Förmågan hos mjukvara att agera självständigt på ett intelligent sätt tidigare bara associerat
Läs merVektorgeometri för gymnasister
Vektorgeometri för gymnasister Per-Anders Svensson http://homepage.lnu.se/staff/psvmsi/vektorgeometri/gymnasiet.html Fakulteten för teknik Linnéuniversitetet Areor, vektorprodukter, volymer och determinanter
Läs merFöreläsning 3 Dagens föreläsning går igenom
Databasbaserad publicering Föreläsning 3 1 Föreläsning 3 Dagens föreläsning går igenom E/R-modellen & Läs om E/R-diagram i kapitel 2-3 i boken "Databasteknik" eller motsvarande avsnitt på http://www.databasteknik.se/webbkursen/er/index.html
Läs merHandledare: Mikael Goldmann
2012-02- 23 Jacob Rydh Robert Hedin Sudoku Solver Projektspecifikation Handledare: Mikael Goldmann Introduktion Vi ska studera och utforma olika algoritmer för att lösa Sudoku puzzel. Vi kommer testa olika
Läs merKundkategorisering i Rebus
Kundkategorisering i Rebus 2004-10-15: Åbergs DataSystem AB. Start på dokumentet. 2005-01-11: Flik 2: Nytt om resor finns eller inte. I Rebus finns det ett kundregister och ett kategoriregister. I kategoriregistret
Läs merversion 2.5 CONTENTO SVENSKA AB Introduktion till Kursbyggarverktyg
version 2.5 CONTENTO SVENSKA AB Introduktion till Kursbyggarverktyg Introduktion till kursbyggarverktyg Contento Svenska AB Hornsgatan 103 117 28 Stocholm Table of Contents KAPITEL 1 Introduktion 2 Begrepp
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 merLösningsförslag till tentamen i Språkteknologi 2D1418,
Lösningsförslag till tentamen i Språkteknologi 2D1418, 2004-10-18 1. Stavningskontroll utan ordlista (10 poäng) a) Med 29 bokstäver i alfabetet och en specialbokstav för ordbörjan/ordslut så finns det
Läs merArbeta i Qlikview. Grundkurs i Qlikview- enkel Exempel och beskrivning av grundläggande funktioner
Arbeta i Qlikview Grundkurs i Qlikview- enkel Exempel och beskrivning av grundläggande funktioner Ekonomi- och planeringsavdelningen/ Qlikview Systemförvaltning Innehåll 1 Sammanfattning... 3 2 Lär känna
Läs merDependensregler - Lathund
Dependensregler - Lathund INTRODUKTION I textprogrammet TeCST är det möjligt för en skribent att skriva, redigera och klistra in text för att få ut läsbarhetsmått och få förslag på hur texten kan skrivas
Läs merUpprepade mönster kan talen bytas ut mot bokstäverna: A B C A B C eller mot formerna: Anna-Lena Ekdahl, Högskolan i Jönköping
Algebra Del 1 Upprepade mönster Anna-Lena Ekdahl, Högskolan i Jönköping Det är välkänt att barn långt innan de börjat skolan utforskar och skapar mönster på olika sätt och med olika material. Ofta skapas
Läs merUtbildning i sökning av produkter och produktinformation
Hjälpmedelstjänsten information till förskrivare Hjälpmedelstjänsten är del av en befintlig databas som heter Nationell katalog för produkter och avtal. Västra Götalandsregionen ansvarar för drift, förvaltning
Läs merFilosofisk logik Kapitel 15. Robin Stenwall Lunds universitet
Filosofisk logik Kapitel 15 Robin Stenwall Lunds universitet Dagens upplägg Första ordningens mängdlära Naiv mängdlära Abstraktionsaxiomet (eg. comprehension) Extensionalitetsaxiomet Små mängder Ordnade
Läs merIdentifiering av ordvitsar med Granska
Identifiering av ordvitsar med Granska jonord@kth.se Inledning För att försöka identifiera ordvitsar med Granska användes ett litet urval av ordvitsar hämtade från olika ställen. Målet med identifiering
Läs merAtt orientera i den närliggande natur- och utemiljön med hjälp av kartor, såväl med som utan digitala verktyg. Kartors uppbyggnad och symboler.
Centralt innehåll 4-6 DIGITALISERING Idrott och hälsa Att orientera i den närliggande natur- och utemiljön med hjälp av kartor, såväl med som utan digitala verktyg. Kartors uppbyggnad och symboler. Matematik
Läs merProgrammering i C++ En manual för kursen Datavetenskaplig introduktionskurs 5p
Programmering i C++ En manual för kursen Datavetenskaplig introduktionskurs 5p Skriven av Michael Andersson Introduktion Programmering I högnivåspråk fokuserar på själv problemet (algoritmen) istället
Läs merTill flera av ovanstående finns det dessutom varianter, vilka kommer att presenteras i de olika avsnitten.
LINGUS32 Handledning Anne Börjesson Introduktion Lingus32 är ett program som främst är avsett att användas för att göra multimedia-baserade språkövningar. Programmet är skrivet för PC. Det finns möjlighet
Läs merProgramkonstruktion. Tentamen,
Programkonstruktion (Programmeringsmetodik DV1) Tentamen, 2008-03-10 Lars-Henrik Eriksson Institutionen för informationsteknologi Uppsala Universitet Tid: 0900-14:00. Börja med att läsa igenom alla frågorna
Läs merVektorgeometri för gymnasister
Vektorgeometri för gymnasister Per-Anders Svensson http://w3.msi.vxu.se/users/pa/vektorgeometri/gymnasiet.html Institutionen för datavetenskap, fysik och matematik Linnéuniversitetet Vektorer i planet
Läs merSöka artiklar i CSA-databaser Handledning
På Malmö högskola har vi flera databaser via CSA, bl.a. Sociological Abstracts, Social Services Abstracts, ERIC och PsychInfo, det betyder att gränssnittet för dessa databaser ser likadana ut. Om du har
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 merDatastrukturer och algoritmer. Innehåll. Tabell. Tabell - exempel. Gränsyta till Tabell. Tabell. Modell. Hashtabell Relation, lexikon.
Datastrukturer och algoritmer Föreläsning 7 Tabell, hashtabell Relation & lexikon Innehåll Tabell Tabell Hashtabell Relation, lexikon Modell Uppslagsbok Organisation Ändlig avbildning av argument på värden
Läs merShakey s värld med HTNplanering
Shakey s värld med HTNplanering 2010-10-03 Artificiell Intelligens 2, 729G11 Maria Lindqvist Fördjupningsarbete, HT 2010 880913-0506 Linköpings Universitet marli314 2 Innehållsförteckning Inledning...
Läs merFaltningsreverb i realtidsimplementering
Faltningsreverb i realtidsimplementering SMS45 Lp1 26 DSP-system i praktiken Jörgen Anderton - jorand-3@student.ltu.se Henrik Wikner - henwik-1@student.ltu.se Introduktion Digitala reverb kan delas upp
Läs merResträkning och ekvationer
64 Resträkning och ekvationer Torsten Ekedahl Stockholms Universitet Beskrivning av uppgiften. Specialarbetet består i att sätta sig in i hur man räknar med rester vid division med primtal, hur man löser
Läs mer