Modelowanie i przetwarzanie informacji w warunkach niepewności

Wstęp
Rozdział 1. Algorytm k-średnich na wielordzeniowych procesorach CPU oraz akceleratorach GPU
Rozdział 2. Biometryczna identyfikacja tożsamości na podstawie chodu
Rozdział 3. Zagadnienia segmentacji tęczówki na potrzeby systemów biometrycznych
Rozdział 4. Tworzenie uogólnionej architektury wersji oprogramowania z użyciem podobieństw struktur programowych
Rysunek 1.1. Schemat badania
Rysunek 1.2. Wartości syntetycznych mierników oceny wariantów decyzyjnych A1–A10 wyznaczone za pomocą metody TOPSIS z odległością euklidesową dla technik normalizacyjnych N1-N6
Rysunek 1.3. Wartości syntetycznych mierników oceny wariantów decyzyjnych
Rysunek 1.4. Rankingi wariantów decyzyjnych
Rysunek 1.5. Rankingi wariantów decyzyjnych
Rysunek 2.1. Prognozowany harmonogram wprowadzania autonomicznej nawigacji morskiej [4]
Rysunek 2.2. Dwa typy BSP stosowane w technologii AVAL
Rysunek 2.3. Klasyfikacja obiektów przez system wizyjny technologii AVAL
Rysunek 2.4. Komponenty technologii AVAL
Rysunek 2.5. Przykład układu statków i obiektów niebezpiecznych dla statku, oznaczonych literami od A do H
Rysunek 2.6. Wynikowa trasa R dla danych wejściowych z Rys. 5. Trajektoria złożona punków I-VIII daje możliwość efektywnej rejestracji wizyjnej wszystkich obiektów od A do H, przy czym punkt III trasy zapewnia efektywną rejestrację obiektów E i F a punkt
Schemat 2.1. Etapy procesu wykrywania obiektów niebezpiecznych dla statków morskich przez system wizyjny zamontowany na BSP wykorzystywanych w projekcie AVAL
Rysunek 2.7. Układ 20 statków w sytuacji kolizyjnej
Rysunek 2.8. Przykładowe rzeczywiste dane testowe pochodzące z systemu NAVDEC [18, 19].
Rysunek 3.1. Jakość diagnostyczna modelu Lymphography w funkcji procentu usuniętych krawędzi
Rysunek 3.2. Jakość diagnostyczna modelu Lymphography w funkcji procentu odwróconych krawędzi
Rysunek 3.3. Jakość diagnostyczna modelu Lymphography w funkcji poziomu szumu
Rysunek 3.4. Jakość diagnostyczna modelu Lymphography w funkcji zmiennej n
Rysunek 4.1. Strategia wyszukiwania kryjówek przez nietoperze i pozyskiwanie informacji o występowaniu i rozmieszczeniu dziupli w lesie
Rysunek 4.2. Wygląd arkusza interaktywnego
Rysunek 4.3. Układ kryjówek w terenie. Przypadek 1
Rysunek 4.4. Wykresy rozwiązań modelu. Przypadek 1
Rysunek 4.5. Układ kryjówek w terenie. Przypadek 2
Rysunek 4.6. Wykresy rozwiązań modelu. Przypadek 2 dla a = 89
Rysunek 4.7. Wykresy rozwiązań modelu. Przypadek 2 dla a = 51
Rysunek 4.8. Wykresy rozwiązań modelu. Przypadek 3
Rysunek 4.9. Układ kryjówek w terenie. Przypadek 4
Rysunek 4.10. Wykresy rozwiązań modelu. Przypadek 4
Rysunek 4.11. Układ kryjówek w terenie. Przypadek 5
Rysunek 4.12. Wykresy rozwiązań modelu. Przypadek 5
Rysunek 4.13. Ustawienia arkusza interaktywnego w Przypadku 2 dla a = 89
Rysunek 4.14. Ustawienia arkusza interaktywnego w Przypadku 2 dla a = 51
Rysunek 4.15. Ustawienia arkusza interaktywnego w Przypadku 3
Rysunek 4.16. Ustawienia arkusza interaktywnego w Przypadku 4
Rysunek 4.17. Ustawienia arkusza interaktywnego w Przypadku 5
Tabela 1.1. Ogólna postać macierzy decyzyjnej
Tabela 1.2. Formuły zastosowanych w pracy technik normalizacyjnych
Tabela 1.3. Macierz decyzyjna
Tabela 1.4. Macierz decyzyjna po normalizacji wektorowej N1, współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.5. Macierz decyzyjna po normalizacji liniowej opartej na max typ 1 (N2), współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.6. Macierz decyzyjna po normalizacji liniowej opartej na max typ 2 (N3), współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.7. Macierz decyzyjna po normalizacji liniowej opartej na max-min (N4), współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.8. Macierz decyzyjna po normalizacji liniowej opartej na sumie (N5), współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.9. Macierz decyzyjna po normalizacji logarytmicznej (N6), współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.10. Macierz współczynników korelacji Pearsona (r) dla syntetycznych mierników oceny wariantów decyzyjnych uzyskanych metodą TOPSIS ze względu na normalizacje N1-N6
Tabela 1.11. Macierz współczynników korelacji Pearsona (r) dla syntetycznych mierników oceny wariantów decyzyjnych uzyskanych metodą TOPSIS-M ze względu na normalizacje N1-N6
Tabela 1.12. Macierz współczynników korelacji Spearmana (s) dla rankingów uzyskanych metodą TOPSIS ze względu na normalizacje N1-N6
Tabela 1.13. Macierz współczynników korelacji Spearmana (s) dla rankingów uzyskanych metodą TOPSIS-M ze względu na normalizacje N1-N6
Tabela 1.14. Zestawienie trzech najlepszych i dwóch najgorszych wariantów decyzyjnych
Tabela 1.15. Wartości współczynników podobieństwa μpq dla TOPSIS i TOPSIS-M z normalizacjami N1-N6
Tabela 2.1. Dane wejściowe i wynikowe laboratoryjne dla sytuacji z rysunku 2.7
Tabela 2.2. Dane wejściowe i wynikowe algorytmu rozwiązującego problem DOP
Listing 4.6. Kod programujący każdy komponent interaktywnego dokumentu
Wstęp
Rozdział 1 Wpływ doboru technik normalizacji kryteriów decyzyjnych na stabilność rankingów uzyskanych algorytmem topsis
1.1. Algorytm TOPSIS
1.1.1. Klasyczny algorytm TOPSIS
1.1.2. Modyfikacje algorytmu TOPSIS
1.1.3. Techniki normalizacji kryteriów
1.1.4. TOPSIS-M
1.2. Metody oceny stabilności rankingów
1.3. Przykład obliczeniowy i schemat badania
1.4. Wyniki badania
1.4.1. Rankingi wariantów decyzyjnych uzyskane za pomocą TOPSIS z wykorzystaniem różnych formuł normalizacyjnych
1.4.2. Stabilność rankingów uzyskanych algorytmami TOPSIS i TOPSIS-M z wykorzystaniem wybranych technik normalizacji
Bibliografia
Rozdział 2 Problem generowania optymalnej trasy bezzałogowego statku powietrznego stosowanego do detekcji obiektów niebezpiecznych w systemach autonomicznej nawigacji morskiej
2.1. Przegląd literatury
2.2. Specyfikacja problemu
2.3. Wyniki testów algorytmu w warunkach rzeczywistych
Bibliografia
Rozdział 3 Inżynieria wiedzy w konstruowaniu modeli sieci bayesowskich w medycynie
3.1. Badanie czułości struktury modeli sieci bayesowskich
3.2. Badanie czułości parametrów numerycznych modeli sieci bayesowskich
Bibliografia
Rozdział 4 Rozwiązania modelu opisującego rozwój podpopulacji nietoperzy – analiza przy użyciu interaktywnego arkusza programu Maple
4.1. Model matematyczny
4.2. Interaktywny arkusz Maple
4.3. Analiza wybranych przypadków przy użyciu arkusza interaktywnego Maple
Bibliografia
Spis tabel
Spis rysunków
Modelowanie i przetwarzanie informacji_3.pdf
Wstęp
Rozdział 1. Algorytm k-średnich na wielordzeniowych procesorach CPU oraz akceleratorach GPU
Rozdział 2. Biometryczna identyfikacja tożsamości na podstawie chodu
Rozdział 3. Zagadnienia segmentacji tęczówki na potrzeby systemów biometrycznych
Rozdział 4. Tworzenie uogólnionej architektury wersji oprogramowania z użyciem podobieństw struktur programowych
Rysunek 1.1. Schemat badania
Rysunek 1.2. Wartości syntetycznych mierników oceny wariantów decyzyjnych A1–A10 wyznaczone za pomocą metody TOPSIS z odległością euklidesową dla technik normalizacyjnych N1-N6
Rysunek 1.3. Wartości syntetycznych mierników oceny wariantów decyzyjnych
Rysunek 1.4. Rankingi wariantów decyzyjnych
Rysunek 1.5. Rankingi wariantów decyzyjnych
Rysunek 2.1. Prognozowany harmonogram wprowadzania autonomicznej nawigacji morskiej [4]
Rysunek 2.2. Dwa typy BSP stosowane w technologii AVAL
Rysunek 2.3. Klasyfikacja obiektów przez system wizyjny technologii AVAL
Rysunek 2.4. Komponenty technologii AVAL
Rysunek 2.5. Przykład układu statków i obiektów niebezpiecznych dla statku, oznaczonych literami od A do H
Rysunek 2.6. Wynikowa trasa R dla danych wejściowych z Rys. 5. Trajektoria złożona punków I-VIII daje możliwość efektywnej rejestracji wizyjnej wszystkich obiektów od A do H, przy czym punkt III trasy zapewnia efektywną rejestrację obiektów E i F a punkt
Schemat 2.1. Etapy procesu wykrywania obiektów niebezpiecznych dla statków morskich przez system wizyjny zamontowany na BSP wykorzystywanych w projekcie AVAL
Rysunek 2.7. Układ 20 statków w sytuacji kolizyjnej
Rysunek 2.8. Przykładowe rzeczywiste dane testowe pochodzące z systemu NAVDEC [18, 19].
Rysunek 3.1. Jakość diagnostyczna modelu Lymphography w funkcji procentu usuniętych krawędzi
Rysunek 3.2. Jakość diagnostyczna modelu Lymphography w funkcji procentu odwróconych krawędzi
Rysunek 3.3. Jakość diagnostyczna modelu Lymphography w funkcji poziomu szumu
Rysunek 3.4. Jakość diagnostyczna modelu Lymphography w funkcji zmiennej n
Rysunek 4.1. Strategia wyszukiwania kryjówek przez nietoperze i pozyskiwanie informacji o występowaniu i rozmieszczeniu dziupli w lesie
Rysunek 4.2. Wygląd arkusza interaktywnego
Rysunek 4.3. Układ kryjówek w terenie. Przypadek 1
Rysunek 4.4. Wykresy rozwiązań modelu. Przypadek 1
Rysunek 4.5. Układ kryjówek w terenie. Przypadek 2
Rysunek 4.6. Wykresy rozwiązań modelu. Przypadek 2 dla a = 89
Rysunek 4.7. Wykresy rozwiązań modelu. Przypadek 2 dla a = 51
Rysunek 4.8. Wykresy rozwiązań modelu. Przypadek 3
Rysunek 4.9. Układ kryjówek w terenie. Przypadek 4
Rysunek 4.10. Wykresy rozwiązań modelu. Przypadek 4
Rysunek 4.11. Układ kryjówek w terenie. Przypadek 5
Rysunek 4.12. Wykresy rozwiązań modelu. Przypadek 5
Rysunek 4.13. Ustawienia arkusza interaktywnego w Przypadku 2 dla a = 89
Rysunek 4.14. Ustawienia arkusza interaktywnego w Przypadku 2 dla a = 51
Rysunek 4.15. Ustawienia arkusza interaktywnego w Przypadku 3
Rysunek 4.16. Ustawienia arkusza interaktywnego w Przypadku 4
Rysunek 4.17. Ustawienia arkusza interaktywnego w Przypadku 5
Tabela 1.1. Ogólna postać macierzy decyzyjnej
Tabela 1.2. Formuły zastosowanych w pracy technik normalizacyjnych
Tabela 1.3. Macierz decyzyjna
Tabela 1.4. Macierz decyzyjna po normalizacji wektorowej N1, współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.5. Macierz decyzyjna po normalizacji liniowej opartej na max typ 1 (N2), współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.6. Macierz decyzyjna po normalizacji liniowej opartej na max typ 2 (N3), współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.7. Macierz decyzyjna po normalizacji liniowej opartej na max-min (N4), współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.8. Macierz decyzyjna po normalizacji liniowej opartej na sumie (N5), współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.9. Macierz decyzyjna po normalizacji logarytmicznej (N6), współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.10. Macierz współczynników korelacji Pearsona (r) dla syntetycznych mierników oceny wariantów decyzyjnych uzyskanych metodą TOPSIS ze względu na normalizacje N1-N6
Tabela 1.11. Macierz współczynników korelacji Pearsona (r) dla syntetycznych mierników oceny wariantów decyzyjnych uzyskanych metodą TOPSIS-M ze względu na normalizacje N1-N6
Tabela 1.12. Macierz współczynników korelacji Spearmana (s) dla rankingów uzyskanych metodą TOPSIS ze względu na normalizacje N1-N6
Tabela 1.13. Macierz współczynników korelacji Spearmana (s) dla rankingów uzyskanych metodą TOPSIS-M ze względu na normalizacje N1-N6
Tabela 1.14. Zestawienie trzech najlepszych i dwóch najgorszych wariantów decyzyjnych
Tabela 1.15. Wartości współczynników podobieństwa μpq dla TOPSIS i TOPSIS-M z normalizacjami N1-N6
Tabela 2.1. Dane wejściowe i wynikowe laboratoryjne dla sytuacji z rysunku 2.7
Tabela 2.2. Dane wejściowe i wynikowe algorytmu rozwiązującego problem DOP
Listing 4.6. Kod programujący każdy komponent interaktywnego dokumentu
Wstęp
Rozdział 1 Wpływ doboru technik normalizacji kryteriów decyzyjnych na stabilność rankingów uzyskanych algorytmem topsis
1.1. Algorytm TOPSIS
1.1.1. Klasyczny algorytm TOPSIS
1.1.2. Modyfikacje algorytmu TOPSIS
1.1.3. Techniki normalizacji kryteriów
1.1.4. TOPSIS-M
1.2. Metody oceny stabilności rankingów
1.3. Przykład obliczeniowy i schemat badania
1.4. Wyniki badania
1.4.1. Rankingi wariantów decyzyjnych uzyskane za pomocą TOPSIS z wykorzystaniem różnych formuł normalizacyjnych
1.4.2. Stabilność rankingów uzyskanych algorytmami TOPSIS i TOPSIS-M z wykorzystaniem wybranych technik normalizacji
Bibliografia
Rozdział 2 Problem generowania optymalnej trasy bezzałogowego statku powietrznego stosowanego do detekcji obiektów niebezpiecznych w systemach autonomicznej nawigacji morskiej
2.1. Przegląd literatury
2.2. Specyfikacja problemu
2.3. Wyniki testów algorytmu w warunkach rzeczywistych
Bibliografia
Rozdział 3 Inżynieria wiedzy w konstruowaniu modeli sieci bayesowskich w medycynie
3.1. Badanie czułości struktury modeli sieci bayesowskich
3.2. Badanie czułości parametrów numerycznych modeli sieci bayesowskich
Bibliografia
Rozdział 4 Rozwiązania modelu opisującego rozwój podpopulacji nietoperzy – analiza przy użyciu interaktywnego arkusza programu Maple
4.1. Model matematyczny
4.2. Interaktywny arkusz Maple
4.3. Analiza wybranych przypadków przy użyciu arkusza interaktywnego Maple
Bibliografia
Spis tabel
Spis rysunków
Wstęp
Rozdział 1. Algorytm k-średnich na wielordzeniowych procesorach CPU oraz akceleratorach GPU
Rozdział 2. Biometryczna identyfikacja tożsamości na podstawie chodu
Rozdział 3. Zagadnienia segmentacji tęczówki na potrzeby systemów biometrycznych
Rozdział 4. Tworzenie uogólnionej architektury wersji oprogramowania z użyciem podobieństw struktur programowych
Rysunek 1.1. Schemat badania
Rysunek 1.2. Wartości syntetycznych mierników oceny wariantów decyzyjnych A1–A10 wyznaczone za pomocą metody TOPSIS z odległością euklidesową dla technik normalizacyjnych N1-N6
Rysunek 1.3. Wartości syntetycznych mierników oceny wariantów decyzyjnych
Rysunek 1.4. Rankingi wariantów decyzyjnych
Rysunek 1.5. Rankingi wariantów decyzyjnych
Rysunek 2.1. Prognozowany harmonogram wprowadzania autonomicznej nawigacji morskiej [4]
Rysunek 2.2. Dwa typy BSP stosowane w technologii AVAL
Rysunek 2.3. Klasyfikacja obiektów przez system wizyjny technologii AVAL
Rysunek 2.4. Komponenty technologii AVAL
Rysunek 2.5. Przykład układu statków i obiektów niebezpiecznych dla statku, oznaczonych literami od A do H
Rysunek 2.6. Wynikowa trasa R dla danych wejściowych z Rys. 5. Trajektoria złożona punków I-VIII daje możliwość efektywnej rejestracji wizyjnej wszystkich obiektów od A do H, przy czym punkt III trasy zapewnia efektywną rejestrację obiektów E i F a punkt
Schemat 2.1. Etapy procesu wykrywania obiektów niebezpiecznych dla statków morskich przez system wizyjny zamontowany na BSP wykorzystywanych w projekcie AVAL
Rysunek 2.7. Układ 20 statków w sytuacji kolizyjnej
Rysunek 2.8. Przykładowe rzeczywiste dane testowe pochodzące z systemu NAVDEC [18, 19].
Rysunek 3.1. Jakość diagnostyczna modelu Lymphography w funkcji procentu usuniętych krawędzi
Rysunek 3.2. Jakość diagnostyczna modelu Lymphography w funkcji procentu odwróconych krawędzi
Rysunek 3.3. Jakość diagnostyczna modelu Lymphography w funkcji poziomu szumu
Rysunek 3.4. Jakość diagnostyczna modelu Lymphography w funkcji zmiennej n
Rysunek 4.1. Strategia wyszukiwania kryjówek przez nietoperze i pozyskiwanie informacji o występowaniu i rozmieszczeniu dziupli w lesie
Rysunek 4.2. Wygląd arkusza interaktywnego
Rysunek 4.3. Układ kryjówek w terenie. Przypadek 1
Rysunek 4.4. Wykresy rozwiązań modelu. Przypadek 1
Rysunek 4.5. Układ kryjówek w terenie. Przypadek 2
Rysunek 4.6. Wykresy rozwiązań modelu. Przypadek 2 dla a = 89
Rysunek 4.7. Wykresy rozwiązań modelu. Przypadek 2 dla a = 51
Rysunek 4.8. Wykresy rozwiązań modelu. Przypadek 3
Rysunek 4.9. Układ kryjówek w terenie. Przypadek 4
Rysunek 4.10. Wykresy rozwiązań modelu. Przypadek 4
Rysunek 4.11. Układ kryjówek w terenie. Przypadek 5
Rysunek 4.12. Wykresy rozwiązań modelu. Przypadek 5
Rysunek 4.13. Ustawienia arkusza interaktywnego w Przypadku 2 dla a = 89
Rysunek 4.14. Ustawienia arkusza interaktywnego w Przypadku 2 dla a = 51
Rysunek 4.15. Ustawienia arkusza interaktywnego w Przypadku 3
Rysunek 4.16. Ustawienia arkusza interaktywnego w Przypadku 4
Rysunek 4.17. Ustawienia arkusza interaktywnego w Przypadku 5
Tabela 1.1. Ogólna postać macierzy decyzyjnej
Tabela 1.2. Formuły zastosowanych w pracy technik normalizacyjnych
Tabela 1.3. Macierz decyzyjna
Tabela 1.4. Macierz decyzyjna po normalizacji wektorowej N1, współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.5. Macierz decyzyjna po normalizacji liniowej opartej na max typ 1 (N2), współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.6. Macierz decyzyjna po normalizacji liniowej opartej na max typ 2 (N3), współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.7. Macierz decyzyjna po normalizacji liniowej opartej na max-min (N4), współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.8. Macierz decyzyjna po normalizacji liniowej opartej na sumie (N5), współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.9. Macierz decyzyjna po normalizacji logarytmicznej (N6), współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.10. Macierz współczynników korelacji Pearsona (r) dla syntetycznych mierników oceny wariantów decyzyjnych uzyskanych metodą TOPSIS ze względu na normalizacje N1-N6
Tabela 1.11. Macierz współczynników korelacji Pearsona (r) dla syntetycznych mierników oceny wariantów decyzyjnych uzyskanych metodą TOPSIS-M ze względu na normalizacje N1-N6
Tabela 1.12. Macierz współczynników korelacji Spearmana (s) dla rankingów uzyskanych metodą TOPSIS ze względu na normalizacje N1-N6
Tabela 1.13. Macierz współczynników korelacji Spearmana (s) dla rankingów uzyskanych metodą TOPSIS-M ze względu na normalizacje N1-N6
Tabela 1.14. Zestawienie trzech najlepszych i dwóch najgorszych wariantów decyzyjnych
Tabela 1.15. Wartości współczynników podobieństwa μpq dla TOPSIS i TOPSIS-M z normalizacjami N1-N6
Tabela 2.1. Dane wejściowe i wynikowe laboratoryjne dla sytuacji z rysunku 2.7
Tabela 2.2. Dane wejściowe i wynikowe algorytmu rozwiązującego problem DOP
Listing 4.6. Kod programujący każdy komponent interaktywnego dokumentu
Wstęp
Rozdział 1 Wpływ doboru technik normalizacji kryteriów decyzyjnych na stabilność rankingów uzyskanych algorytmem topsis
1.1. Algorytm TOPSIS
1.1.1. Klasyczny algorytm TOPSIS
1.1.2. Modyfikacje algorytmu TOPSIS
1.1.3. Techniki normalizacji kryteriów
1.1.4. TOPSIS-M
1.2. Metody oceny stabilności rankingów
1.3. Przykład obliczeniowy i schemat badania
1.4. Wyniki badania
1.4.1. Rankingi wariantów decyzyjnych uzyskane za pomocą TOPSIS z wykorzystaniem różnych formuł normalizacyjnych
1.4.2. Stabilność rankingów uzyskanych algorytmami TOPSIS i TOPSIS-M z wykorzystaniem wybranych technik normalizacji
Bibliografia
Rozdział 2 Problem generowania optymalnej trasy bezzałogowego statku powietrznego stosowanego do detekcji obiektów niebezpiecznych w systemach autonomicznej nawigacji morskiej
2.1. Przegląd literatury
2.2. Specyfikacja problemu
2.3. Wyniki testów algorytmu w warunkach rzeczywistych
Bibliografia
Rozdział 3 Inżynieria wiedzy w konstruowaniu modeli sieci bayesowskich w medycynie
3.1. Badanie czułości struktury modeli sieci bayesowskich
3.2. Badanie czułości parametrów numerycznych modeli sieci bayesowskich
Bibliografia
Rozdział 4 Rozwiązania modelu opisującego rozwój podpopulacji nietoperzy – analiza przy użyciu interaktywnego arkusza programu Maple
4.1. Model matematyczny
4.2. Interaktywny arkusz Maple
4.3. Analiza wybranych przypadków przy użyciu arkusza interaktywnego Maple
Bibliografia
Spis tabel
Spis rysunków
67.pdf
Wstęp
Rozdział 1. Algorytm k-średnich na wielordzeniowych procesorach CPU oraz akceleratorach GPU
Rozdział 2. Biometryczna identyfikacja tożsamości na podstawie chodu
Rozdział 3. Zagadnienia segmentacji tęczówki na potrzeby systemów biometrycznych
Rozdział 4. Tworzenie uogólnionej architektury wersji oprogramowania z użyciem podobieństw struktur programowych
Rysunek 1.1. Schemat badania
Rysunek 1.2. Wartości syntetycznych mierników oceny wariantów decyzyjnych A1–A10 wyznaczone za pomocą metody TOPSIS z odległością euklidesową dla technik normalizacyjnych N1-N6
Rysunek 1.3. Wartości syntetycznych mierników oceny wariantów decyzyjnych
Rysunek 1.4. Rankingi wariantów decyzyjnych
Rysunek 1.5. Rankingi wariantów decyzyjnych
Rysunek 2.1. Prognozowany harmonogram wprowadzania autonomicznej nawigacji morskiej [4]
Rysunek 2.2. Dwa typy BSP stosowane w technologii AVAL
Rysunek 2.3. Klasyfikacja obiektów przez system wizyjny technologii AVAL
Rysunek 2.4. Komponenty technologii AVAL
Rysunek 2.5. Przykład układu statków i obiektów niebezpiecznych dla statku, oznaczonych literami od A do H
Rysunek 2.6. Wynikowa trasa R dla danych wejściowych z Rys. 5. Trajektoria złożona punków I-VIII daje możliwość efektywnej rejestracji wizyjnej wszystkich obiektów od A do H, przy czym punkt III trasy zapewnia efektywną rejestrację obiektów E i F a punkt
Schemat 2.1. Etapy procesu wykrywania obiektów niebezpiecznych dla statków morskich przez system wizyjny zamontowany na BSP wykorzystywanych w projekcie AVAL
Rysunek 2.7. Układ 20 statków w sytuacji kolizyjnej
Rysunek 2.8. Przykładowe rzeczywiste dane testowe pochodzące z systemu NAVDEC [18, 19].
Rysunek 3.1. Jakość diagnostyczna modelu Lymphography w funkcji procentu usuniętych krawędzi
Rysunek 3.2. Jakość diagnostyczna modelu Lymphography w funkcji procentu odwróconych krawędzi
Rysunek 3.3. Jakość diagnostyczna modelu Lymphography w funkcji poziomu szumu
Rysunek 3.4. Jakość diagnostyczna modelu Lymphography w funkcji zmiennej n
Rysunek 4.1. Strategia wyszukiwania kryjówek przez nietoperze i pozyskiwanie informacji o występowaniu i rozmieszczeniu dziupli w lesie
Rysunek 4.2. Wygląd arkusza interaktywnego
Rysunek 4.3. Układ kryjówek w terenie. Przypadek 1
Rysunek 4.4. Wykresy rozwiązań modelu. Przypadek 1
Rysunek 4.5. Układ kryjówek w terenie. Przypadek 2
Rysunek 4.6. Wykresy rozwiązań modelu. Przypadek 2 dla a = 89
Rysunek 4.7. Wykresy rozwiązań modelu. Przypadek 2 dla a = 51
Rysunek 4.8. Wykresy rozwiązań modelu. Przypadek 3
Rysunek 4.9. Układ kryjówek w terenie. Przypadek 4
Rysunek 4.10. Wykresy rozwiązań modelu. Przypadek 4
Rysunek 4.11. Układ kryjówek w terenie. Przypadek 5
Rysunek 4.12. Wykresy rozwiązań modelu. Przypadek 5
Rysunek 4.13. Ustawienia arkusza interaktywnego w Przypadku 2 dla a = 89
Rysunek 4.14. Ustawienia arkusza interaktywnego w Przypadku 2 dla a = 51
Rysunek 4.15. Ustawienia arkusza interaktywnego w Przypadku 3
Rysunek 4.16. Ustawienia arkusza interaktywnego w Przypadku 4
Rysunek 4.17. Ustawienia arkusza interaktywnego w Przypadku 5
Tabela 1.1. Ogólna postać macierzy decyzyjnej
Tabela 1.2. Formuły zastosowanych w pracy technik normalizacyjnych
Tabela 1.3. Macierz decyzyjna
Tabela 1.4. Macierz decyzyjna po normalizacji wektorowej N1, współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.5. Macierz decyzyjna po normalizacji liniowej opartej na max typ 1 (N2), współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.6. Macierz decyzyjna po normalizacji liniowej opartej na max typ 2 (N3), współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.7. Macierz decyzyjna po normalizacji liniowej opartej na max-min (N4), współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.8. Macierz decyzyjna po normalizacji liniowej opartej na sumie (N5), współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.9. Macierz decyzyjna po normalizacji logarytmicznej (N6), współrzędne wektorów: idealnego (A+) i antyidealnego (A–), wartości ocen globalnych oraz rankingi wariantów decyzyjnych
Tabela 1.10. Macierz współczynników korelacji Pearsona (r) dla syntetycznych mierników oceny wariantów decyzyjnych uzyskanych metodą TOPSIS ze względu na normalizacje N1-N6
Tabela 1.11. Macierz współczynników korelacji Pearsona (r) dla syntetycznych mierników oceny wariantów decyzyjnych uzyskanych metodą TOPSIS-M ze względu na normalizacje N1-N6
Tabela 1.12. Macierz współczynników korelacji Spearmana (s) dla rankingów uzyskanych metodą TOPSIS ze względu na normalizacje N1-N6
Tabela 1.13. Macierz współczynników korelacji Spearmana (s) dla rankingów uzyskanych metodą TOPSIS-M ze względu na normalizacje N1-N6
Tabela 1.14. Zestawienie trzech najlepszych i dwóch najgorszych wariantów decyzyjnych
Tabela 1.15. Wartości współczynników podobieństwa μpq dla TOPSIS i TOPSIS-M z normalizacjami N1-N6
Tabela 2.1. Dane wejściowe i wynikowe laboratoryjne dla sytuacji z rysunku 2.7
Tabela 2.2. Dane wejściowe i wynikowe algorytmu rozwiązującego problem DOP
Listing 4.6. Kod programujący każdy komponent interaktywnego dokumentu
Wstęp
Rozdział 1 Wpływ doboru technik normalizacji kryteriów decyzyjnych na stabilność rankingów uzyskanych algorytmem topsis
1.1. Algorytm TOPSIS
1.1.1. Klasyczny algorytm TOPSIS
1.1.2. Modyfikacje algorytmu TOPSIS
1.1.3. Techniki normalizacji kryteriów
1.1.4. TOPSIS-M
1.2. Metody oceny stabilności rankingów
1.3. Przykład obliczeniowy i schemat badania
1.4. Wyniki badania
1.4.1. Rankingi wariantów decyzyjnych uzyskane za pomocą TOPSIS z wykorzystaniem różnych formuł normalizacyjnych
1.4.2. Stabilność rankingów uzyskanych algorytmami TOPSIS i TOPSIS-M z wykorzystaniem wybranych technik normalizacji
Bibliografia
Rozdział 2 Problem generowania optymalnej trasy bezzałogowego statku powietrznego stosowanego do detekcji obiektów niebezpiecznych w systemach autonomicznej nawigacji morskiej
2.1. Przegląd literatury
2.2. Specyfikacja problemu
2.3. Wyniki testów algorytmu w warunkach rzeczywistych
Bibliografia
Rozdział 3 Inżynieria wiedzy w konstruowaniu modeli sieci bayesowskich w medycynie
3.1. Badanie czułości struktury modeli sieci bayesowskich
3.2. Badanie czułości parametrów numerycznych modeli sieci bayesowskich
Bibliografia
Rozdział 4 Rozwiązania modelu opisującego rozwój podpopulacji nietoperzy – analiza przy użyciu interaktywnego arkusza programu Maple
4.1. Model matematyczny
4.2. Interaktywny arkusz Maple
4.3. Analiza wybranych przypadków przy użyciu arkusza interaktywnego Maple
Bibliografia
Spis tabel
Spis rysunków