Slide 1
|
|
- Рая Динкова
- преди 4 години
- Прегледи:
Препис
1 Комбиниран подход за разпознаване на он-лайн подписи Десислава Бояджиева Научен ръководител: доц. д-р Георги Глухчев г.
2 Съдържание 1. Формулировка на задачата Разпознаване на подписи Актуалност на задачата Цели на дисертацията 2. Избор на признаци Предварителна обработка на подпис Извличане на признаци Минимизиране на броя на признаците
3 Съдържание 3. Класификация Невронни мрежи за разпознаване по подпис Обобщен модел за верификация по подпис 4. Експерименти и резултати Бази данни за подписи Експерименти Изводи 5. Софтуерно приложение 6. Заключение
4 Разпознаване на подписи Подписът като биометрична модалност Оригинални и подправени подписи Оригинален и подправени подписи (неумел, умел и прост)
5 Разпознаване на подписи Системи за разпознаване по подпис (СРП) o Он-лайн и оф-лайн o Етапи в създаване на СРП Събиране на подписи Предварителна обработка Извличане на признаци Класификация Оценка на грешката o o Признаци Трудности
6 Актуалност на задачата Области на приложение Прилагани подходи o Статистически подход o DTW o HMM o Невронни мрежи o Комбинирани методи Съвременни изследвания
7 Цели на дисертацията Събиране на подписи и публична БД за подписи Извличане на стандартни и нови признаци Минимизиране на броя на признаците Изследване на различни модели на невронни мрежи за верификация Провеждане на експерименти Разработка на софтуерно приложение за разпознаване на подписи 7
8 Предварителна обработка Сурови данни от графичния таблет: за всяка точка от траекторията: x и y координати на върха на писалката, натиск, времеви отпечатък, ъгъл на наклон на писалката и др. Извършвани операции: Трансформация на координатите x и y Ротация на подписите Транслация на подписите в избрана начална точка 8
9 Извличане на признаци Озн. Признак Озн. Признак A1 Дължина на подписа L A14 Разстояние от най-лявата точка до центъра A2 Височина H A15 Разстояние от центъра до най-дясната точка A3 A4 Сплеснатост H/L Брой точки N A16 Ъгъл на отсечката, определена от центъра и найлявата точка A5 A6 Общо време Брой сегменти A17 Ъгъл на отсечката, определена от центъра и найдясната точка A7 Плътност A4/A1*A2 A18 Разстояние от най-лявата точка до началната A8 A9 Разстояние от началната точка до центъра Разстояние от крайната точка до центъра A19 A20 Разстояние от най-дясната точка до крайната Ъгъл на отсечката, определена от най-лявата точка и началната A10 A11 A12 Разстояние от началната до крайната точка Ъгъл на отсечката, определена от центъра и началната точка Ъгъл на отсечката, определена от центъра и крайната точка A21 A22 A23 А24 Ъгъл на отсечката, определена от крайната и найдясната точка Брой щрихи Наклон на подписа Средна стойност на натиск A13 Ъгъл на отсечката, определена от началната и крайната точка А25 A26 Средна стойност на наклон на писалката Средна стойност на азимут 9
10 Минимизиране на броя на признаците Изборът на признаци се състои в намирането на оптимално подмножество от k на брой информативни признаци от първоначалните p на брой (k<=p), като същевременно се цели откриването и премахването на повтарящата се и излишна информация. Два подхода: Подмножество от общи признаци за участниците Индивидуално подмножество от признаци за всеки участник 10
11 Намиране на подмножество от общи признаци Нормиране fi zscore fi fi, i 1,..., k fi fi f i Средна стойност на i-ти признак Стандартно отклонение на i-ти признак Стойност на корелация r X, X 1 2 p i 1 ( X )( X ) X 1i 1 2i 2 p p 2 2 ( X ) ( ) 1i X1 X 2i X2 i 1 i 1 X 11
12 Намиране на индивидуално множество от признаци Прилага се метод на Hocking и Leslie за избор на най-добър регресионен модел. Различните регресионни модели се сравняват с критерии. RSS p Критерий Cp на Mallows: Cp ( n 2 p) 2 ˆ За добри се считат подмножествата от променливи, за които стойността на Cp e по-малка от p и близка до p. 12
13 Намиране на индивидуално подмножество от признаци (2) Остатъчна сума от квадрати 2 n RSS ( y x ) RSS p j i ij j 1 i 1 p е дисперсията на вектора на остатъците e: 2 Оценката на се задава с: 1 n k 2 2 RSSk ˆ ( yj ixij). n k j 1 i 1 n k k e = y ix i 1 i p 2 13
14 Метод на Hocking и Leslie r променливи се премахват и p променливи остават в модела, r+p=k; Редукцията в RSS от премахването на r променливи се задава с: r - подмножеството от променливи, за което е min определя p - подмножество от променливи, за което RSS e min; Статистиката Cp се пресмята по следния начин:
15 Метод на Hocking и Leslie 15
16 НМ за разпознаване по подпис Дават точни отговори за входни данни, неизползвани при обучението; Могат да моделират всяка функция на множество от променливи; Възможност за обобщаване, затова могат да се справят с разнообразието и вариативността на подписите; Обучение в оф-лайн режим; Предимства и недостатъци.
17 Крос валидация За оценка на производителността на класификатор За избор на модел измежду няколко модела Данните се разделят в обучаващо и тестово множество Подходяща за малък обем данни Дава оценка на способността за обобщаване
18 Обобщен модел 18
19 БД за подписи Собствена подписи от колеги от ОСРО-БАН 8 потребителя; графичен таблет Wacom Intuos3; оригинални подписи, неумели и умели фалшификати; данни за всяка точка от подпис: x и y координати, времеви отпечатък, ниво на натиск, наклон, азимут и индикатор за начало на щрих. SUsig подписи от работещи в Sabanci University; 89 потребителя; графичен таблет Wacom Graphire2; оригинални подписи, неумели и умели фалшификати; данни за всяка точка от подпис: x и y координати, времеви отпечатък, ниво на натиск, индикатор за начало на щрих. 19
20 Софтуерно приложение Среда за разработка Хардуер o Графичен таблет Wacom Intuos3 o Лаптоп с ОС Windows Vista Софтуер o Microsoft Visual Studio 2008 Express o Microsoft.NET Tablet PC SDK 1.7 o SQL Server Compact Edition 2008; o MATLAB R2010b с Neural Networks Toolbox
21 Диаграма на таблиците в БД 21
22 Резултати # на модел Брой признаци (входни неврони) Оригинални подписи Подправени подписи Брой скрити неврони 1 Общи признаци 2 Вариант 1 15 неумели Случай 1 3 Вариант 2 8 или 10 от 1 до Вариант 2 Вариант 1 9 неумели и 6 умели Случай 2 6 Общи признаци 22
23 Резултати: собствена БД 1. Намиране на подмножество от общи признаци за всички Остават 17 на брой признака: А2, А5, А6, А8, А11, А12, А13, А15, А16, А17, А20, А21, А22, А23, А24, А25, А26 2. Намиране на индивидуално помножество от признаци Вариант 1: 4 участника с по 13 признака 4 участника с < 13 признака Вариант 2: 7 участника с по 13 признака 1 участник с 5 признака 23
24 Резултати: собствена БД #1 #2 #3 #4 #5 #6 #7 #8 Вар A A A A A A A A A A A A A A A A A Cp 10,4 9,07 9,09 9,58 8,1 9,05 7,1 9,21 10,2 4,87 9,08 9,33 9,12 9,24 10,3 9,77 p
25 Резултати: собствена БД 3. Построяване на модел за верификация с НМ Участник Признаци Брой скрити неврони Отрицателни примери Точност Избран модел 1 Вариант 1 3 Случай 1 ~ 96% 2 2 Общи признаци 3 Случай 2 ~ 99,5% 6 3 Общи признаци 3 Случай 2 ~ 99,5% 6 4 Вариант 1 1 Случай 2 ~ 99,8% 5 5 Вариант 1 1 Случай 2 ~ 99,5% 5 6 Вариант 1 2 Случай 2 ~ 99% 5 7 Вариант 1 2 Случай 2 ~ 98% 5 8 Вариант 2 1 Случай 1 ~ 97% 3 25
26 Резултати: SUsig БД 1. Намиране на подмножество от общи признаци за всички Остават 13 на брой признака: А1, А2, А4, А6, А10, А12, А13, А16, А17, А21, А22, А23, А24 2. Намиране на индивидуално помножество от признаци Вариант Брой редуцирани признаци Брой участници Вариант Брой редуцирани признаци Брой участници
27 Резултати: SUsig БД 3. Избор на модел Признаци Обучаващи подписи Модел Брой срещания Общи признаци Случай Вариант 1 Случай Вариант 2 Случай Общи признаци Случай Вариант 1 Случай Вариант 2 Случай R Брой срещания Случай 1 53 Случай 2 36 Брой срещания Общи признаци 29 Вариант 1 36 Вариант
28 Резултати: SUsig БД 4. Тестване на избраните модели: 9 инициализации на теглата За обучение За валидация За тестване Собствени 3 или 4 2 или 3 3 Фалшифицирани Участник EER (%) Праг на инициализация Точност (100%) 1 0,00 0, ,00 0, ,00 0, ,00 0, ,00 0, Средна точност: 98,46% 28
29 Изводи 1. Задачата за избор на подмножество от признаци може да се реши чрез прилагането на метода за избор на регресионни променливи; 2. Признаковото подмножество за всеки участник е индивидуално; 3. За някои от участниците точността на верификацията по общо множество от признаци надвишава тази по индивидуално множество от признаци; 4. Не може категорично да се твърди, че използването на общи или индивидуални признаци води до по-добри резултати за конкретната задача; 5. Не може категорично да се заключи, че построените само с неумели фалшификати модели са с по-високо качество от построените с умели и неумели фалшификати; 6. Постигната точност 98,46%, EER 1,61%, FRR 0%, FAR 2,70%. 29
30 Заключение Обобщение Насоки за бъдеща работа ПРОЕКТ BG051PO /40 30
31 Приноси Научни приноси: Предложена е съвкупност от общи признаци за описание на подписи от графичен таблет и методология за извличането им; Предложен е последователен критерий за минимизиране на признаково пространство, който поради своята универсалност, би могъл да се прилага за избор на найинформативно подпространство от признаци и при други задачи за разпознаване; Разработен е обобщен мрежов модел на процеса за онлайн верификация на подписи; Предложена е методология за изграждане и оценка на 31 невронни мрежи.
32 Приноси Научно-приложни приноси: Извършена е минимизация на съвкупността от признаци за всеки потребител, включен в базата данни; Извършено е сравнение на точността на верификацията по общите и индивидуални признаци с използването на собствена база данни и такава със свободен достъп в Интернет; Изследвано е значението на използването на умели и неумели фалшификати в процеса на обучението за точността на верификацията; Разработени са алгоритми за предварителна обработка на получената от графичния таблет информация, позволяващи 32 стандартизиране при извличането на признаци.
33 Приноси Приложни приноси: Разработена е софтуерна система, даваща възможност за: добавяне на потребител, търсене на даден потребител чрез навигация, събиране на подписи с графичен таблет, предварителна обработка на данните за подписи, извличане на признаци, избор на информативно подпространство от признаци, визуализация на оригинални и фалшиви подписи, избор на модел на класификатор и обучението му; Създаден е речник на част от специфичните термини в разпознаването на образи на български и английски език. 33
34 Приноси Приложни приноси: Разработена е софтуерна система, даваща възможност за: добавяне на потребител, търсене на даден потребител чрез навигация, събиране на подписи с графичен таблет, предварителна обработка на данните за подписи, извличане на признаци, избор на информативно подпространство от признаци, визуализация на оригинални и фалшиви подписи, избор на модел на класификатор и обучението му; Създаден е речник на част от специфичните термини в разпознаването на образи на български и английски език. 34
35 Списък на публикациите 1. Boyadzhieva D., Gluhchev G., Feature Set Selection for On-line Signatures using Selection of Regression Variables, In: Proceedings of the 4th International Conference on Pattern Recognition and Machine Intelligence PReMI 11, Moscow, Springer -Verlag Berlin Heidelberg, pp Boyadzhieva D., Gluhchev G., An approach to feature selection for on-line signatures, In: Proceedings of the 10th Anniversary International Scientific Conference UNITECH 10 Vol. I, Gabrovo, Bulgaria, pp. I-457 I Бояджиева Д., Извличане на признаци на подпис от графичен таблет, В: Научни трудове на Русенски университет "Ангел Кънчев", 2010, том 49, серия 3.2, Русе, България, стр Dimitrova D., Gluhchev G., Pressure Evaluation in On-Line and Off-Line Signatures, In: Proceedings of the Joint COST 2101 & 2102 International Conference on Biometric ID Management and Multimodal Communication (BioID_MultiComm 09), Madrid, Spain, Springer -Verlag Berlin Heidelberg, 2009, pp Desislava Boyadzhieva and Georgi Gluhchev., A GN model for on-line signature verification, In: Proceedings of the 14th Int. Workshop on Generalized Nets, Burgas, Bulgaria, November 2013, pp
36 Списък на други публикации 1. Dimitrova D., Popov A., Finding face features in color images using fuzzy hit-or-miss transform, In: Proceedings of the 9th WSEAS International Conference on Fuzzy Systems (FS 08), Technical University of Sofia, 2008, pp Popov A., Dimitrova D., A new approach for finding face features in color images, In: Proceedings of the 4th International IEEE Conference on Intelligent Systems (IS 08) Vol. 2, Varna, 2008, pp
37 Въпроси? Благодаря за вниманието! 37
Microsoft PowerPoint - DBoyadzhieva
: Изграждане на висококвалифицирани млади изследователи по съвременни информационни технологии за оптимизация, разпознаване на образи и подпомагане вземането на решения Минимизиране на броя на признаците
ПодробноСТАНОВИЩЕ върху дисертационен труд за даване на образователна и научна степен ДОКТОР Автор на дисертационния труд: Емилия Радева Колева Тема на дисерт
СТАНОВИЩЕ върху дисертационен труд за даване на образователна и научна степен ДОКТОР Автор на дисертационния труд: Емилия Радева Колева Тема на дисертационния труд: Автоматизирана система за оценка на
ПодробноРЕЦЕНЗИЯ от проф. д-р Красен Стефанов Стефанов на дисертационен труд на тема ИНСТРУМЕНТИ ЗА ПРЕДСТАВЯНЕ НА 3D ОБЕКТИ И КОЛЕКЦИИ В ИНТЕРНЕТ за придобив
РЕЦЕНЗИЯ от проф. д-р Красен Стефанов Стефанов на дисертационен труд на тема ИНСТРУМЕНТИ ЗА ПРЕДСТАВЯНЕ НА 3D ОБЕКТИ И КОЛЕКЦИИ В ИНТЕРНЕТ за придобиване на образователната и научна степен доктор, в област
ПодробноМашинно обучение - въведение
Линейна регресия с една променлива Доц. д-р Ивайло Пенев Кат. Компютърни науки и технологии Пример 1 Данни за цени на къщи Площ (x) Означения: Цена в $ (y) 2104 460 000 1416 232 000 1534 315 000 852 178
ПодробноСТАНОВИЩЕ на дисертационен труд за получаване на образователната и научна степен доктор на тема: АКУСТИЧНО-ФОНЕТИЧНО МОДЕЛИРАНЕ ЗА РАЗПОЗНАВАНЕ НА ДЕТ
СТАНОВИЩЕ на дисертационен труд за получаване на образователната и научна степен доктор на тема: АКУСТИЧНО-ФОНЕТИЧНО МОДЕЛИРАНЕ ЗА РАЗПОЗНАВАНЕ НА ДЕТСКА РЕЧ НА БЪЛГАРСКИ ЕЗИК Научна специалност: Информатика
ПодробноЛекция Класификация с линейна обучаваща машина Обучаващата машина може да бъде дефинирана като устройство, чиито действия са повлияни от миналия опит
Лекция Класификация с линейна обучаваща машина Обучаващата машина може да бъде дефинирана като устройство, чиито действия са повлияни от миналия опит [1]. Линейната обучаваща машина (ЛОМ) е стравнително
ПодробноМашинно обучение Лабораторно упражнение 9 Класификация с множество класове. Представяне на невронна мрежа Упражнението демонстрира класификация в множ
Машинно обучение Лабораторно упражнение 9 Класификация с множество класове. Представяне на невронна мрежа Упражнението демонстрира класификация в множество класове чрез методи логаритмична регресия и невронни
ПодробноУНИВЕРСИТЕТ ЗА НАЦИОНАЛНО И СВЕТОВНО СТОПАНСТВО Р Е Ц Е Н З И Я От: Академик д.т.н. Кирил Любенов Боянов Институт по Информационни и комуникационни те
УНИВЕРСИТЕТ ЗА НАЦИОНАЛНО И СВЕТОВНО СТОПАНСТВО Р Е Ц Е Н З И Я От: Академик д.т.н. Кирил Любенов Боянов Институт по Информационни и комуникационни технологии, Българска академия на науките Относно: дисертационен
Подробнов общ вид и е напълно приложима и за многомерни системи с малък брой входове и изходи, каквито често се срещат в техниката. Акцент в труда е автоматиз
в общ вид и е напълно приложима и за многомерни системи с малък брой входове и изходи, каквито често се срещат в техниката. Акцент в труда е автоматизирането на процеса на идентификация. Дискутират се
Подробно1 УНИВЕРСИТЕТ ЗА НАЦИОНАЛНО И СВЕТОВНО СТОПАНСТВО Катедра Информационни технологии и комуникации Р Е Ц Е Н З И Я От: Доц. д-р Димитър Иванов Петров На
1 УНИВЕРСИТЕТ ЗА НАЦИОНАЛНО И СВЕТОВНО СТОПАНСТВО Катедра Информационни технологии и комуникации Р Е Ц Е Н З И Я От: Доц. д-р Димитър Иванов Петров Научна специалност: Приложение на изчислителната техника
ПодробноНАУЧНИ ТРУДОВЕ НА РУСЕНСКИЯ УНИВЕРСИТЕТ , том 47, серия 4 Сравнително изследване на някои от характеристиките на измервателните системи за позиц
Сравнително изследване на някои от характеристиките на измервателните системи за позициониране и навигация на автомобили Даниел Любенов, Митко Маринов A comparative study of some characteristics of the
ПодробноICrAData Софтуер за Интеркритериален анализ Николай Икономов 1, Петър Василев 2, Олимпия Роева 2 1 Институт по математика и информатика, БАН nikonomov
ICrAData Софтуер за Интеркритериален анализ Николай Икономов 1, Петър Василев 2, Олимпия Роева 2 1 Институт по математика и информатика, БАН nikonomov@math.bas.bg 2 Институт по биофизика и биомедицинско
ПодробноПроектът се осъществява с финансовата подкрепа на Оперативна Програма Развитие на Човешките Ресурси , Съфинансиран от Европейския Социален Фо
ЛЯТНА ШКОЛА 2013 ПОВИШАВАНЕ ТОЧНОСТТА НА РОБОТ ЧРЕЗ ИДЕНТИФИКАЦИЯ И РАЗПОЗНАВАНЕ Доц. д-р инж. Роман Захариев ПОВИШАВАНЕ НА ЕФЕКТИВНОСТТА И КАЧЕСТВОТО НА ОБУЧЕНИЕ И НА НАУЧНИЯ ПОТЕНЦИАЛ В ОБЛАСТТА НА СИСТЕМНОТО
ПодробноРЕЦЕНЗИЯ на дисертационен труд за присъждане на образователната и научна степен доктор по професионално направление 4.6. Информатика и компютърни наук
РЕЦЕНЗИЯ на дисертационен труд за присъждане на образователната и научна степен доктор по професионално направление 4.6. Информатика и компютърни науки Научна организация: Химикотехнологичен и металургичен
Подробно-.docx
СТАНОВИЩЕ от проф. д-р Христина Костадинова Лалабонова, дмн, Ръководител катедрa Лицево-челюстна хирургия при МУ- ФДМ- Пловдив, специалист по Орална хирургия, Лицево-челюстна хирургия, Обща дентална медицина,
ПодробноРЕЦЕНЗИЯ на дисертационна работа за придобиване на ОНС Доктор по докторантска програма от професионално направление 5.4 Енергетика, специалност Промиш
РЕЦЕНЗИЯ на дисертационна работа за придобиване на ОНС Доктор по докторантска програма от професионално направление 5.4 Енергетика, специалност Промишлена топлотехника с автор: инж. Андрей Христов Андреев
ПодробноУНИВЕРСИТЕТ ЗА НАЦИОНАЛНО И СВЕТОВНО СТОПАНСТВО С Т А Н О В И Щ Е От: доц. д-р Красимир Маринов Маринов УНИВЕРСИТЕТ ЗА НАЦИОНАЛНО И СВЕТОВНО СТОПАНСТВ
УНИВЕРСИТЕТ ЗА НАЦИОНАЛНО И СВЕТОВНО СТОПАНСТВО С Т А Н О В И Щ Е От: доц. д-р Красимир Маринов Маринов УНИВЕРСИТЕТ ЗА НАЦИОНАЛНО И СВЕТОВНО СТОПАНСТВО Научна специалност Маркетинг Относно: дисертационен
ПодробноМАТЕМАТИКА ЗА 1. КЛАС МЕТОДИЧЕСКИ АКЦЕНТИ И РЕШЕНИЯ
Традиции и съвременни подходи в обучението по математика в 1. клас 1 Учебен комплект на издателство Просвета с автори Юлияна Гарчева и Ангелина Манова 2 3 Към комплекта има още: Електронен учебник с разработени
ПодробноСТОПАНСКА АКАДЕМИЯ „Д
Основи на статистиката (Учебник) Проф. д-р Поля Ангелова автор Проф. д-р Петър Банчев рецензент Доц. д-р Величко Петров рецензент Академично издателство Ценов Свищов 4 СЪДЪРЖАНИЕ Предговор... 11 Тема първа.
ПодробноАнализ и оптимизация на софтуерни приложения
Анализ и оптимизация на софтуерни приложения Александър Пенев Васил Василев Съдържание 1. Производителност 2. Оптимизация 3. Методи за оптимизация 2/18 Защо производителността е важна? Дава възможност
ПодробноУНИВЕРСИТЕТ ЗА НАЦИОНАЛНО И СВЕТОВНО СТОПАНСТВО С Т А Н О В И Щ Е От: доц. д-р Надя Димитрова Миронова Относно: дисертационен труд за присъждане на об
УНИВЕРСИТЕТ ЗА НАЦИОНАЛНО И СВЕТОВНО СТОПАНСТВО С Т А Н О В И Щ Е От: доц. д-р Надя Димитрова Миронова Относно: дисертационен труд за присъждане на образователна и научна степен доктор по научна специалност
ПодробноPowerPoint Presentation
Топография на съдилищата в България Обучителен семинар Граждански контрол върху публичността и прозрачността в работата на съдилищата София, 22 февруари 2019 г., 23 февруари 2019 г. ЕРГОНОМИЧНОСТ НА ИНТЕРНЕТ
ПодробноMicrosoft Word - seminar12.docx
Семинар 12 Линеен дискриминантен анализ В този семинар ще се запознаем с линейния дискриминантен анализ (ЛДА), който се използва в статистиката, разпознаването на образи и обучението на машини. От обектите
ПодробноРЕЦЕНЗИЯ НА ДОКТОРСКА ДИСЕРТАЦИЯ НА ТЕМА: ОСОБЕНОСТИТЕ НА ЛИЧНОСТТА И ПРОФЕСИОНАЛНО ОРИЕНТИРАНЕ В ПЕРИОДА НА ЮНОШЕСТВОТО за придобиване на образовател
РЕЦЕНЗИЯ НА ДОКТОРСКА ДИСЕРТАЦИЯ НА ТЕМА: ОСОБЕНОСТИТЕ НА ЛИЧНОСТТА И ПРОФЕСИОНАЛНО ОРИЕНТИРАНЕ В ПЕРИОДА НА ЮНОШЕСТВОТО за придобиване на образователна и научна степен доктор в Област на висше образование:
ПодробноLicense Plate Recognition Уеб базирана система за разпознаване на регистрационни номера и отчитане на средна скорост
License Plate Recognition Уеб базирана система за разпознаване на регистрационни номера и отчитане на средна скорост Ен Ер Джи СОФТ ЕООД Възможности на LPR системата лесен и интуитивен потребителски интерфейс
Подробногодишно разпределение по математика за 8. клас 36 учебни седмици по 3 учебни часа = 108 учебни часа I срок 18 учебни седмици = 54 учебни часа II срок
годишно разпределение по математика за 8. клас 36 учебни седмици по 3 учебни часа = 08 учебни часа I срок 8 учебни седмици = 54 учебни часа II срок 8 учебни седмици = 54 учебни часа на урок Вид на урока
ПодробноКомпютърна Графика и Презентации - Графично моделиране
Компютърна Графика и Презентации Графично Моделиране. Генеративна Компютърна Графика гл. ас. д-р А. Пенев Генеративната КГ се занимава с: Построяване на обекти (модели); Генерация на изображение; Преобразуване
ПодробноВидеорекордер АHD-3908 Ръководство за експлоатация Моделите от тази серия са отличен избор за цифрово наблюдение на обекти в различни сфери, където во
Видеорекордер АHD-3908 Ръководство за експлоатация Моделите от тази серия са отличен избор за цифрово наблюдение на обекти в различни сфери, където водещ фактор е сигурността. Вградената LINUX операционна
ПодробноMicrosoft Word - recenzia P. Petrov
Р Е Ц Е Н З И Я на дисертационен труд за придобиване на образователна и научна степен доктор Тема: Управление на промяната при внедряване на съвременни образователни технологии Автор: Петър Веселинов Петров
ПодробноЛогаритмична регресия
Логаритмична регресия Доц. д-р Ивайло Пенев Кат. Компютърни науки и технологии Функция на хипотезата h θ x = g θ T x = 1 1 + e θt x Функция на цената J θ = 1 σ m i=1 m Cost(h θ x i, y i ), където Cost(h
ПодробноАВТОМАТИЗИРАН КОМПЛЕКС ЗА СИТОПЕЧАТ ВЪРХУ ЦИЛИНДРИЧНИ ПОВЪРХНИНИ
ИЗСЛЕДВАНЕ НА ЗЪБНА ПРЕДАВКА ОТ ВОДНИ СЪОРЪЖЕНИЯ В СРЕДА НА САЕ СИСТЕМА Милчо Ташев Резюме: В настоящата статия са представени получените резултати от изследване в среда на САЕ система една конкретна зъбна
ПодробноОТЧЕТ НА НАУЧНИЯ ПРОГРЕС ПРЕЗ ПЕРИОДА г.
ПРОГРЕС НА ДИСЕРТАЦИОННИЯ ТРУД ПРЕЗ ПЕРИОДА 2010-2012г. На докторанта Тодор Павлов Костадинов ИИКТ - БАН Научни ръководители Проф. Дтн. А. Лазаров Проф. Дтн. Х. Кабакчиев Детайли за аспирантурата Редовна
ПодробноОсновен вариант за клас Задача 1. (4 точки) На графиката на полином a n x n + a n 1 x n a 1 x + a 0, чиито коефициенти a n, a n 1,..., a 1
Основен вариант за 10 12 клас Задача 1. (4 точки) На графиката на полином a n x n + a n 1 x n 1 + + a 1 x + a 0, чиито коефициенти a n, a n 1,..., a 1, a 0 са цели числа, са отбелязани две точки с целочислени
ПодробноСподеляне на анонимни данни с Lenovo Съдържание Споделяне на анонимни данни с Lenovo... 1 Harmony... 1 Lenovo Companion Lenovo Customer Engag
Споделяне на анонимни данни с Lenovo Съдържание Споделяне на анонимни данни с Lenovo... 1 Harmony... 1 Lenovo Companion 3.0... 2 Lenovo Customer Engagement Service... 3 Lenovo Experience Improvement (само
ПодробноMicrosoft Word - CV_bg 2017.doc
АВТОБИОГРАФИЯ на Марин Петров Маринов Роден на 23.08.1948г., живущ в София, Младост бл.20, ап.26 Моб.тел: +359 888 87 32 54, e-mail: marin.marinov@epu.bg ОБРАЗОВАНИЕ 1972 електроинженер, Институт за инженери
ПодробноВъведение в информационните технологии и компютърните системи
Въведение в информационните технологии и компютърните системи ПЛАН НА УРОКА 1. ИНФОРМАЦИЯ И ИНФОРМАЦИОННИ ДЕЙНОСТИ Информация Технология Информационни технологии 2. ОСНОВНИ ХАРАКТЕРИСТИКИ НА КОМПЮТЪРНАТА
ПодробноЦЕНТЪР ПО ИНФОРМАТИКА И ТЕХНИЧЕСКИ НАУКИ УЧЕБНА ПРОГРАМА Утвърждавам: Декан: CS 206 ИЗКУСТВЕН ИНТЕЛЕКТ Приета: прот. 8 от г.; Актуализирана
ЦЕНТЪР ПО ИНФОРМАТИКА И ТЕХНИЧЕСКИ НАУКИ УЧЕБНА ПРОГРАМА Утвърждавам: Декан: CS 206 ИЗКУСТВЕН ИНТЕЛЕКТ Приета: прот. 8 от 28.04.2005 г.; Актуализирана прот. 16 от 17.06.2016 г. Лектор: Акад. Проф. Иван
ПодробноБЪЛГАРСКА АКАДЕМИЯ НА НАУКИТЕ ИНСТИТУТ ПО СИСТЕМНО ИНЖЕНЕРСТВО И РОБОТИКА България, София 1113, ПК 79, ул. “Акад. Г.Бончев”, Бл.2, Тел.(+359 2)
Актуалност и резултати по дисертационния труд МИКРОСЕНЗОРИ ЗА МАГНИТНО ПОЛЕ НА НОВИ ПРИНЦИПИ на гл. ас. инж. Август Йорданов Иванов Актуалността на дисертационната тема е посветена на един от най-наболелите
ПодробноСТАНОВИЩЕ на д.м.н. Георги Атанасов Тотков професор в ПУ Паисий Хилендарски относно дисертационен труд за присъждане на ОНС доктор в област на висше о
СТАНОВИЩЕ на д.м.н. Георги Атанасов Тотков професор в ПУ Паисий Хилендарски относно дисертационен труд за присъждане на ОНС доктор в област на висше образование 4.0 Природни науки, математика и информатика,
ПодробноРазпределение ИУЧ МАТ 4. клас.
УТВЪРДИЛ: Директор:... (Име, фамилия, подпис) ТЕМАТИЧНО РАЗПРЕДЕЛЕНИЕ ИУЧ по предмета Математика 4. клас 34 седмици х 1 ч. седмично = 34 ч. годишно Месец Седмица на тема Тема на урока Очаквани резултати
Подробно