Search

The article deals with using a linear predictive controller, exactly explicit Model Predictive Controller (MPC) to control the current loop of induction motor using vector control . Simulation results were obtained in Matlab / Simulink using Multiparametric Toolbox., Článok sa zaoberá použitím lineárneho explicitného prediktívneho regulátora typu Model Predictive Control pri riadení prúdovej slučky asynchrónneho motora s použitím vektorového riadenia. Výsledky simulácií boli získané v pros-tredí Matlab/Simulink za použitia Multiparametric Toolboxu.

V článku je popsána metoda pro identifikaci parametrů synchronního motoru a to vylepšená frekvenční analýza. Dále článek popisuje problémy spojené s normalizací při používání metody procesor-in-the-loop. A závěrem jsou podrobně popisovány řešení různých částí programu při implementaci do DSP., The article described a method for identifying parameters of synchronous motor for improved frequency analysis. Paper describes the problems associated with the normalization method using processor-in-the-loop. Detail the solution of various parts of the program in the implementation of the DSP are described in conclusions.

This article deals the design and implementation of detection and classification of traffic signs. The paper focuses on the red road signs segmetované using HSV Color model. The description of the segments are used radiometric, luminance descriptors and descriptors derived from the Hough transform contour labels. The final classification uses a few simple neural networks, the system was developed and successfully tested in Matlab enviroment., Tento článok sa zoberá návrhom a realizáciou detekcie a klasifikácie dopravných značiek. Práca sa zameriava na červené dopravné značky segmetované využitím HSV farebného modela. Na popis segmentov sú použité rádiometrické, jasové deskriptory a deskriptory odvodené z Houghovej transformácie obrysov značiek. Výsledná klasifikácia využíva niekolko jednoduchých neurónových sietí, celý systém bol vytvorený a úspešne otestovaný v prostredí Matlab.

Teoretický rozbor umělých neuronových sítí, zvláště jejich typů topologií a učení sítí. Zvláštní zaměření je na vícevrstvou neuronovou síť s učením backpropagation. Uvedený algoritmus učení backpropagation jednoduché sítě společně s popisem parametrů ovlivňujících učení sítě a také metody zhodnocení kvality naučení sítě. Definice momentů invariantních na otočení, posun a změnu měřítka. Optimalizace parametrů neuronové sítě k nalezení nejrychleji učící se neuronové sítě, a také sítě s nejlepší hodnotou rozpoznání vzorů písmen z testovací množiny., Theoretical study about neural networks, especially their types of topologies and networks learning. Special attention is attended to multilayer neural network with learning backpropagation. Introduced learning algorithm backpropagation of simple networks in conjunction with descriptions of parameters affecting network learning also methods to exaluation quality of network learning. Definition moment invariants to rotation, translation and scaling. Optimalization parameters of neural networks to find the network which has the fastest learning and also the networks with the best value of recognition patterns of letters from testing set.

Teoretický rozbor umělých neuronových sítí, zvláště jejich typů topologií a učení sítí. Zvláštní zaměření je na vícevrstvou neuronovou síť s učením backpropagation. Uvedený algoritmus učení backpropagation jednoduché sítě společně s popisem parametrů ovlivňujících učení sítě a také metody zhodnocení kvality naučení sítě. Definice momentů invariantních na otočení, posun a změnu měřítka. Optimalizace parametrů neuronové sítě k nalezení nejrychleji učící se neuronové sítě, a také sítě s nejlepší hodnotou rozpoznání vzorů písmen z testovací množiny., Theoretical study about neural networks, especially their types of topologies and networks learning. Special attention is attended to multilayer neural network with learning backpropagation. Introduced learning algorithm backpropagation of simple networks in conjunction with descriptions of parameters affecting network learning also methods to exaluation quality of network learning. Definition moment invariants to rotation, translation and scaling. Optimalization parameters of neural networks to find the network which has the fastest learning and also the networks with the best value of recognition patterns of letters from testing set.

Práca sa zoberá rozpoznávaním červených dopravných značiek. Je využitá segmentácia červenej farby v HSV modeli. Na klasifikáciu využívam kombináciu niektorých vybraných rádiometrických príznakov, príznakov z Houghovej transformácie a jednoduchých natrénovaných neurónových sietí. V závere je navrhnutý komplexný rozhodovací algoritmus., This paper deals with traffic signs recognition. Red color area is obtained by thresholding in HSV color model. Selected radiometric deskriptors, Hough transform deskriptors and neural networs are used to classification. In conclusion has been designed complex decision algorithm.

Teoretický rozbor umělých neuronových sítí, zvláště jejich typů topologií a učení sítí. Zvláštní zaměření je na vícevrstvou neuronovou síť s učením backpropagation. Uvedený algoritmus učení backpropagation jednoduché sítě společně s popisem parametrů ovlivňujících učení sítě a také metody zhodnocení kvality naučení sítě. Definice momentů invariantních na otočení, posun a změnu měřítka. Optimalizace parametrů neuronové sítě k nalezení nejrychleji učící se neuronové sítě, a také sítě s nejlepší hodnotou rozpoznání vzorů písmen z testovací množiny., Theoretical study about neural networks, especially their types of topologies and networks learning. Special attention is attended to multilayer neural network with learning backpropagation. Introduced learning algorithm backpropagation of simple networks in conjunction with descriptions of parameters affecting network learning also methods to exaluation quality of network learning. Definition moment invariants to rotation, translation and scaling. Optimalization parameters of neural networks to find the network which has the fastest learning and also the networks with the best value of recognition patterns of letters from testing set.

Teoretický rozbor umělých neuronových sítí, zvláště jejich typů topologií a učení sítí. Zvláštní zaměření je na vícevrstvou neuronovou síť s učením backpropagation. Uvedený algoritmus učení backpropagation jednoduché sítě společně s popisem parametrů ovlivňujících učení sítě a také metody zhodnocení kvality naučení sítě. Definice momentů invariantních na otočení, posun a změnu měřítka. Optimalizace parametrů neuronové sítě k nalezení nejrychleji učící se neuronové sítě, a také sítě s nejlepší hodnotou rozpoznání vzorů písmen z testovací množiny., Theoretical study about neural networks, especially their types of topologies and networks learning. Special attention is attended to multilayer neural network with learning backpropagation. Introduced learning algorithm backpropagation of simple networks in conjunction with descriptions of parameters affecting network learning also methods to exaluation quality of network learning. Definition moment invariants to rotation, translation and scaling. Optimalization parameters of neural networks to find the network which has the fastest learning and also the networks with the best value of recognition patterns of letters from testing set.

Teoretický rozbor umělých neuronových sítí, zvláště jejich typů topologií a učení sítí. Zvláštní zaměření je na vícevrstvou neuronovou síť s učením backpropagation. Uvedený algoritmus učení backpropagation jednoduché sítě společně s popisem parametrů ovlivňujících učení sítě a také metody zhodnocení kvality naučení sítě. Definice momentů invariantních na otočení, posun a změnu měřítka. Optimalizace parametrů neuronové sítě k nalezení nejrychleji učící se neuronové sítě, a také sítě s nejlepší hodnotou rozpoznání vzorů písmen z testovací množiny., Theoretical study about neural networks, especially their types of topologies and networks learning. Special attention is attended to multilayer neural network with learning backpropagation. Introduced learning algorithm backpropagation of simple networks in conjunction with descriptions of parameters affecting network learning also methods to exaluation quality of network learning. Definition moment invariants to rotation, translation and scaling. Optimalization parameters of neural networks to find the network which has the fastest learning and also the networks with the best value of recognition patterns of letters from testing set.

Teoretický rozbor umělých neuronových sítí, zvláště jejich typů topologií a učení sítí. Zvláštní zaměření je na vícevrstvou neuronovou síť s učením backpropagation. Uvedený algoritmus učení backpropagation jednoduché sítě společně s popisem parametrů ovlivňujících učení sítě a také metody zhodnocení kvality naučení sítě. Definice momentů invariantních na otočení, posun a změnu měřítka. Optimalizace parametrů neuronové sítě k nalezení nejrychleji učící se neuronové sítě, a také sítě s nejlepší hodnotou rozpoznání vzorů písmen z testovací množiny., Theoretical study about neural networks, especially their types of topologies and networks learning. Special attention is attended to multilayer neural network with learning backpropagation. Introduced learning algorithm backpropagation of simple networks in conjunction with descriptions of parameters affecting network learning also methods to exaluation quality of network learning. Definition moment invariants to rotation, translation and scaling. Optimalization parameters of neural networks to find the network which has the fastest learning and also the networks with the best value of recognition patterns of letters from testing set.

Teoretický rozbor umělých neuronových sítí, zvláště jejich typů topologií a učení sítí. Zvláštní zaměření je na vícevrstvou neuronovou síť s učením backpropagation. Uvedený algoritmus učení backpropagation jednoduché sítě společně s popisem parametrů ovlivňujících učení sítě a také metody zhodnocení kvality naučení sítě. Definice momentů invariantních na otočení, posun a změnu měřítka. Optimalizace parametrů neuronové sítě k nalezení nejrychleji učící se neuronové sítě, a také sítě s nejlepší hodnotou rozpoznání vzorů písmen z testovací množiny., Theoretical study about neural networks, especially their types of topologies and networks learning. Special attention is attended to multilayer neural network with learning backpropagation. Introduced learning algorithm backpropagation of simple networks in conjunction with descriptions of parameters affecting network learning also methods to exaluation quality of network learning. Definition moment invariants to rotation, translation and scaling. Optimalization parameters of neural networks to find the network which has the fastest learning and also the networks with the best value of recognition patterns of letters from testing set.

Práca sa zoberá rozpoznávaním červených dopravných značiek. Je využitá segmentácia červenej farby v HSV modeli. Na klasifikáciu využívam kombináciu niektorých vybraných rádiometrických príznakov, príznakov z Houghovej transformácie a jednoduchých natrénovaných neurónových sietí. V závere je navrhnutý komplexný rozhodovací algoritmus., This paper deals with traffic signs recognition. Red color area is obtained by thresholding in HSV color model. Selected radiometric deskriptors, Hough transform deskriptors and neural networs are used to classification. In conclusion has been designed complex decision algorithm.