Home

 

Poprawa jakości systemów uczących się metodami boostingowymi

Opisanie i oprogramowanie kilku algorytmów klasyfikacji i aproksymacji danych. Opisanie i oprogramowanie metod boostingowych. Wykonanie eksperymentów numerycznych na kilku zbiorach danych. 

Extreme learning machine do aproksymacji funkcji

Opisanie i oprogramowanie algorytmów aproksymacji funkcji opartych na sieci neuronowej typu extreme learning machine (można wykorzystać gotowe implementacje). Zbadanie właściwości aproksymatora. Wykonanie eksperymentów numerycznych na kilku zbiorach danych.

Extreme learning machine jako klasyfikatory

Opisanie i oprogramowanie algorytmów klasyfikacji opartych na sieci neuronowej typu extreme learning machine (można wykorzystać gotowe implementacje). Zbadanie właściwości klasyfikatora. Wykonanie eksperymentów numerycznych na kilku zbiorach danych. 

Krótkoterminowe prognozy obciążeń systemów elektroenergetycznych z wykorzystaniem łańcuchów Markowa

Opracowanie i oprogramowanie modelu wykorzystującego łańcuchy Markowa do prognozowania przebiegów dobowych obciążeń systemów. Przeprowadzenie eksperymentów numerycznych na danych o różnym stopniu regularności. Analiza rezultatów.

Lasy losowe w zadaniach klasyfikacji danych

Analiza modeli rozpoznawania obrazów z nauczycielem wykorzystujących lasy losowe. Zbadanie algorytmów uczenia lasów, oprogramowanie (można wykorzystać gotowe algorytmy), eksperymenty numeryczne na kilku zadaniach testowych, optymalizacja lasów, analiza rezultatów.

Sztuczne systemy immunologiczne w klasyfikacji danych

Opisanie i oprogramowanie algorytmów klasyfikacji opartych na systemach immunologicznych. Wykonanie eksperymentów numerycznych na kilku zbiorach danych.

Krótkoterminowe prognozy obciążeń systemów elektroenergetycznych z wykorzystaniem sieci neuronowych o radialnych funkcjach bazowych

Opracowanie i oprogramowanie modelu wykorzystującego sieci RBF do prognozowania przebiegów dobowych obciążeń systemów elektroenergetycznych. Przeprowadzenie eksperymentów numerycznych na danych o różnym stopniu regularności. Analiza rezultatów.

Krótkoterminowe prognozy obciążeń systemów elektroenergetycznych z wykorzystaniem wielowarstwowego perceptronu

Opracowanie i oprogramowanie modelu wykorzystującego wielowarstwowy perceptron do prognozowania przebiegów dobowych obciążeń systemów. Przeprowadzenie eksperymentów numerycznych na danych o różnym stopniu regularności. Analiza rezultatów.

Krótkoterminowe prognozowanie zapotrzebowania na energię elektryczną za pomocą samoorganizującego się odwzorowania cech

Oprogramowanie sieci neuronowej lub wykorzystanie gotowych funkcji Matlaba. Opracowanie modelu prognozowania przebiegu dobowego obciążeń systemów. Przeprowadzenie eksperymentów numerycznych z różnymi wariantami i algorytmami uczenia sieci na danych o różnym stopniu regularności.