Geo-scienze e Rischi Naturali
|
|
- Alberto Carli
- 6 anni fa
- Visualizzazioni
Transcript
1 Università degli studi della Basilicata Geo-scienze e Rischi Naturali Potenza, 4 5 Marzo 2009 Pericolosità spaziale di frana e reti neurali artificiali: alcuni casi di studio. Stefania Pascale e Francesco Sdao MOVIMENTI DI MASSA: DEFINIZIONE Cruden & Varnes (1994) definiscono una frana un movimento di una massa di roccia, di terra o di detrito lungo un versante
2 DIAGRAMMA GENERALE PER LA VALUTAZIONE DEL RISCHIO IDROGEOLOGICO Fenomeno naturale Intensità Evento Pericolosità Elementi a rischio Vulnerabilità RISCHIO Danno DEFINIZIONE DELLA PERICOLOSITÀ DA FRANA PERICOLOSITÀ: probabilità di accadimento di un fenomeno potenzialmente dannoso, caratterizzato da una certa intensità, nell ambito di un dato intervallo di tempo ed all'interno di una data area (Varnes et al., 1984) NON considerando il fattore TEMPORALE, si parla propriamente di SUSCETTIBILITÀ o PERICOLOSITÀ SPAZIALE (Brabb, 1984) The susceptibility is the possibility that a landslide will occur in a particular area on the basis of the local environmental conditions. (from P. Aleotti & R. Chowdhury, 1999)
3 METODI DI VALUTAZIONE DELLA PERICOLOSITÀ RELATIVA DA FRANA METODI QUALITATIVI METODI QUANTITATIVI EURISTICO ANALISI STATISTICA APPROCCIO GEOTECNICO LOGICA FUZZY Riduzione del grado Diretto Analisi di SOGGETTIVITÀ delle geomorfologica decisioni; Combinazione di Indiretto mappe qualitative PREVISIONE e/o VALUTAZIONE Murat Ercanoglu, del Candan comportamento Gokceoglu di un sistema (2004) Use of fuzzy complesso relations to produce influenzato da una landslide susceptibility pluralità map of di a fattori; landslide prone area (West Analisi Black statistica bivariata Sea Region, Turkey). Engineering Geology (Anbalagan, 1992) Strumento di supporto per le Analisi statistica multivariata DECISIONI; Analisi deterministica Grande facilità di integrazione di variabili di Approccio natura probabilistico diversa (qualitative e/o quantitative) sia in entrata (Input) che in uscita (output) ANALISI NEURALE RETI NEURALI ARTIFICIALI La rete neurale artificiale (ANN, Artificial Neural Network) è formata da un gran numero di unità indipendenti, connesse le une alle altre mediante dei collegamenti. Questo è simile alla struttura del nostro cervello, in cui le unità sono i neuroni e i collegamenti gli assoni e le sinapsi. E un processo che simula il comportamento del cervello umano e, più precisamente, imita i processi di apprendimento La conoscenza viene acquisita dalla rete attraverso una FASE DI APPRENDIMENTO La forza delle connessioni interneurali, note come PESI, viene usata per conservare la conoscenza
4 L ARCHITETTURA DELLA RETE I N P U T Ogni nodo Tutte è collegato le connessioni a tutti i nodi 1 st HIDDEN dello strato trasportano precedente PESIe successivo costituiti LAYER tramite da una numeri CONNESSIONE reali piuttosto piccoli La rete più comune è2 nd quella HIDDENMULTISTRATO (in cui i nodi vengono posti LAYERin strati paralleli, OUTPUT generalmente 2 o 3, al massimo 4) a RETROPROPAGAZIONE (che è il nome LAYER dell algoritmo di addestramento). Il vettore dei valori in INPUT non viene considerato strato, In una in rete quanto esiste trasmette sempre direttamente Una i valori un rete layer reali MULTISTRATO di OUTPUT delle variabili e uno in è input allo I strato nodi costituita dello successivo o da stesso piùnodi, strati e strato non organizzati NON mediati nascosti sono da in funzioni di invece strati trasferimento. collegati (LAYERS) (HIDDEN LAYERS) L UNITA ELEMENTARE DELLA RETE: IL NEURONE INPUT NETTO o ingresso complessivo Il valore finale a in uscita viene inviato come input a tutti i nodi dello strato successivo a I segnali numerici che arrivano al NEURONE sono costituiti da tutti i valori V i di TUTTI i neuroni dello stato precedente, ciascuno moltiplicato per il rispettivo peso p i L input pesato viene poi valutato da una funzione detta di TRASFORMAZIONE che determina l output del singolo neurone
5 PROCESSO DI APPRENDIMENTO (TRAINING) Il processo di apprendimento standard consiste in ripetute iterazioni (EPOCHE), in ciascuna delle quali si presenta alla rete TUTTO il set di esempi. Al termine di ogni EPOCA,, i pesi preesistenti vengono modificati in modo orientato e tale da migliorare costantemente la capacità della rete di riprodurre l output l (target) a partire dall input. Ingressi Rete neurale Uscite Modifica dei parametri della rete Calcolo dell errore Algoritmo di backpropagation Al termine del training, la CONOSCENZA acquisita dalla rete RISIEDE nei VALORI dei PESI ADDESTRAMENTO: TRAINING SET TEST SET DATA SET Data Set: Totalità dei casi reali a disposizione (100%) Il problema principale di una rete neurale è che essa è una "scatola chiusa", è cioè molto difficile comprenderne Training Set il funzionamento e ci si deve spesso Casi limitare realmente a fidarsi utilizzati per dell'addestramento, senza avere la l addestramento possibilità di controllare della cosa rete (30%) Training effettivamente Test avviene dentro la rete. set set In questa fase di impiego operativo vengono forniti alla rete casi dei quali non si conosce l esito (target) ma solo l assetto delle variabili in input. La rete (se convenientemente addestrata) fornirà, caso per caso, la valutazione dell output del sistema Test Set Casi che non entrano nel training ma che vengono utilizzati per il controllo della capacità di GENERALIZZAZIONE della rete (70%)
6 CASO DI STUDIO: IL TERRITORIO DI POTENZA Carta geolitologica del territorio comunale di Potenza F. Sdao e S. Pascale CASO DI STUDIO: IL TERRITORIO DI POTENZA Febbraio Marzo 2005
7 APPLICAZIONE DELLA RETE NEURALE INPUT Aspetto del rilievo Elevazione Angolo di pendio Litologia Forma del rilevo Uso del suolo Indice topografico Strato nascosto Strato nascosto Strato nascosto Training Testing OUTPUT Errore
8 CASO DI STUDIO: I VERSANTI DELLA GRAVINA DI MATERA
9 CASO DI STUDIO: PARCO ARCHEOLOGICO STORICO NATURALE DELLE CHIESE RUPESTRI- MATERA BELVEDERE DELLE CHIESE RUPESTRI Situazioni instabili in corrispondenza di testimonianze rupestri (VIII XIII sec. D.C) APPLICAZIONE DELLA RETE NEURALE INPUT TRAINING
10 CARTA DI SUSCETTIBILITA DEL BELVEDERE CHIESE RUPESTRI meters 0,015 0,010 0,005 0,000-0,005-0,010-0,015 N. of pixels Delta Nord w.r.t. Staz.10 Staz E+05 Staz E+05 Staz. 04 Staz E+05 Staz E+05 Staz. 07 Staz E+04 Staz E+04 VL L M H VH 4.00E E E /01/ /11/ /10/ /08/ /06/ /05/ /03/ /01/ /12/ /10/ /09/2002 Landslide susceptibility Rete Date di monitoraggio GPS CONCLUSIONI I metodi basati sull intelligenza artificiale (RETI NEURALI ARTIFICIALI) sono sempre più spesso applicati alla valutazione della pericolosità spaziale da frana; le reti neurali possono costituire una risposta relativamente semplice nella risoluzione di problemi complessi come quelli concernenti la valutazione della suscettibilità de frana. attualmente oltre le reti neurali artificiali, la fuzzy logic, gli automi cellulari, ecc, sono sempre più spesso applicati nella valutazione della suscettibilità di frana.
11
Machine Learning:Reti Neurali. Sommario
Machine Learning:Reti Neurali Sommario Apprendimento nel percettrone a sigmoide Reti feed-forward multistrato Apprendimento nel percettrone multistrato: back-propagation Conclusioni Apprendimento nel percettrone
DettagliLA PREDIZIONE DELLE PORTATE DELLE SORGENTI DI. Salvatore Rampone Carmine Tiso
UN SISTEMA DI INTELLIGENZA COMPUTAZIONALE PER LA PREDIZIONE DELLE PORTATE DELLE SORGENTI DI SERINO Salvatore Rampone Carmine Tiso DSGA - Dipartimento di Studi Geologici e Ambientali Università del Sannio
DettagliUniversità degli Studi di Salerno - Facoltà di Ingegneria A.A Laurea Magistrale in Ingegneria per l Ambiente ed il Territorio
Università degli Studi di Salerno - Facoltà di Ingegneria A.A. 2013-2014 Laurea Magistrale in Ingegneria per l Ambiente ed il Territorio Corso di Frane Prof. ing. Michele Calvello Introduzione al rischio
DettagliUniversità degli Studi di Salerno Dipartimento di Ingegneria Civile A.A Laurea Magistrale in Ingegneria per l Ambiente ed il Territorio
Università degli Studi di Salerno Dipartimento di Ingegneria Civile A.A. 2014-2015 Laurea Magistrale in Ingegneria per l Ambiente ed il Territorio Corso di Frane Prof. ing. Michele Calvello Introduzione
DettagliModelli Matematici per il
Modelli Matematici per il Preannuncio delle Frane Equazione del RISCHIO R H * E * V I P I la probabilità che avvenga un evento di intensità I E elementi a rischio V Vulnerabilità Previsione spaziale Previsione
DettagliADDESTRAMENTO DI UNA RETE NEURALE ED EVENTUALI CONSIDERAZIONI PRESTAZIONALI. (a cura di Buttolo Marco).
ADDESTRAMENTO DI UNA RETE NEURALE ED EVENTUALI CONSIDERAZIONI PRESTAZIONALI. (a cura di Buttolo Marco). Lalgoritmo più utilizzato per addestrare una rete neurale è lalgoritmo di bac-propagation. In sostanza
DettagliReti Neurali (Parte I)
Reti Neurali (Parte I) Corso di AA, anno 2017/18, Padova Fabio Aiolli 30 Ottobre 2017 Fabio Aiolli Reti Neurali (Parte I) 30 Ottobre 2017 1 / 15 Reti Neurali Artificiali: Generalità Due motivazioni diverse
DettagliAnalisi e Mitigazione del Rischio Idrogeologico
Relazione finale dell attività di tirocinio Studio ed analisi della suscettibilità all innesco di frane per una porzione del territorio della Provincia di Roma matr. 1681191 Tutor: Dott. Carlo Esposito
DettagliCorso di Intelligenza Artificiale A.A. 2016/2017
Università degli Studi di Cagliari Corsi di Laurea Magistrale in Ing. Elettronica Corso di Intelligenza rtificiale.. 26/27 Esercizi sui metodi di apprendimento automatico. Si consideri la funzione ooleana
DettagliIntelligenza Artificiale. Soft Computing: Reti Neurali Generalità
Intelligenza Artificiale Soft Computing: Reti Neurali Generalità Neurone Artificiale Costituito da due stadi in cascata: sommatore lineare (produce il cosiddetto net input) net = S j w j i j w j è il peso
DettagliReti Neurali. Corso di AA, anno 2016/17, Padova. Fabio Aiolli. 2 Novembre Fabio Aiolli Reti Neurali 2 Novembre / 14. unipd_logo.
Reti Neurali Corso di AA, anno 2016/17, Padova Fabio Aiolli 2 Novembre 2016 Fabio Aiolli Reti Neurali 2 Novembre 2016 1 / 14 Reti Neurali Artificiali: Generalità Due motivazioni diverse hanno spinto storicamente
DettagliReti Neurali in Generale
istemi di Elaborazione dell Informazione 76 Reti Neurali in Generale Le Reti Neurali Artificiali sono studiate sotto molti punti di vista. In particolare, contributi alla ricerca in questo campo provengono
DettagliIn memoria di mio padre. A mia madre, a tutti gli amici. A tutti voi grazie.
In memoria di mio padre. A mia madre, a tutti gli amici. A tutti voi grazie. Università di Pisa Corso di laurea in Ingegneria Aerospaziale TESI DI LAUREA SPECIALISTICA Sviluppo ed ottimizzazione delle
DettagliMetodi supervisionati di classificazione
Metodi supervisionati di classificazione Giorgio Valentini e-mail: valentini@dsi.unimi.it DSI - Dipartimento di Scienze dell'informazione Classificazione bio-molecolare di tessuti e geni Diagnosi a livello
DettagliAlcune tecniche di analisi del rischio indotto da frane
seminario Gorizia - 2 luglio 2011 Alcune tecniche di analisi del rischio indotto da frane Ing. Monica Barbero I parte Terminologia indice del seminario Fasi di valutazione del rischio Metodologie di valutazione
DettagliReti Neurali (Parte I)
Reti Neurali (Parte I) Corso di AA, anno 2018/19, Padova Fabio Aiolli 07 Novembre 2018 Fabio Aiolli Reti Neurali (Parte I) 07 Novembre 2018 1 / 16 Reti Neurali Artificiali: Generalità Due motivazioni diverse
DettagliTecniche avanzate per la progettazione e la gestione dei sistemi produttivi
Tecniche avanzate per la progettazione e la gestione dei sistemi produttivi 1 Panoramica generale Dalle Scienze naturali Dalla matematica Knowledge Based systems Artificial Neural Networks Simulation Chaos
DettagliAlgoritmi di classificazione supervisionati
Corso di Bioinformatica Algoritmi di classificazione supervisionati Giorgio Valentini DI Università degli Studi di Milano 1 Metodi di apprendimento supervisionato per problemi di biologia computazionale
DettagliReti neurali. una breve introduzione
Reti neurali una breve introduzione Idea Con un solo neurone non posso fare molto... Con molti neuroni connessi posso ottenere un sistema di elaborazione nasce una nuova proprietà emergente del sistema
DettagliUNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II SCUOLA POLITECNICA E DELLE SCIENZE DI BASE DIPARTIMENTO DI INGEGNERIA CIVILE EDILE E AMBIENTALE
UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II SCUOLA POLITECNICA E DELLE SCIENZE DI BASE DIPARTIMENTO DI INGEGNERIA CIVILE EDILE E AMBIENTALE CORSO DI LAUREA IN INGEGNERIA PER L AMBIENTE ED IL TERRITORIO
DettagliRETI NEURALI. Esempio: Stima del rendimento volumetrico η
RETI NEURALI Contenuti: Reti di percettroni Reti neurali a base radiale Esempio: Stima del rendimento volumetrico η Conclusioni Motivazione: Modelli flessibili e modulari (= costituiti dalla interconnessione
DettagliOtacon22 HgComo. Reti neurali artificiali
Otacon22 HgComo Reti neurali artificiali Chi sono? Daniele Iamartino ( aka Otacon22 ) Membro del team HgComo Studente/sperimentatore Futura matricola del PoliMi, ex liceale con tesina sulle reti neurali!
DettagliMetodi supervisionati di classificazione
Metodi supervisionati di classificazione Giorgio Valentini e-mail: valentini@dsi.unimi.it DSI - Dipartimento di Scienze dell'informazione Classificazione bio-molecolare di tessuti e geni Diagnosi a livello
DettagliIntroduzione alle Reti Neurali
Introduzione alle Reti Neurali Stefano Gualandi Università di Pavia, Dipartimento di Matematica email: twitter: blog: stefano.gualandi@unipv.it @famo2spaghi http://stegua.github.com Reti Neurali Terminator
DettagliNOVITÀ DEI MODELLI DI ANALISI DEL RISCHIO
ABI OSSIF NOVITÀ DEI MODELLI DI ANALISI DEL RISCHIO G. Bruno Ronsivalle Università degli Studi di Verona Mercoledì 11 aprile 2018 Milano, ABI Via Olona 2 ARGOMENTI Analisi del Rischio Rischio Esogeno Rischio
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Teoria e applicazioni industriali Parte 4 Reti neurali per la classificazione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
DettagliLezione introduttiva su reti neurali e SVM Veronica Piccialli. Corso di Ottimizzazione a.a (seconda parte)
Lezione introduttiva su reti neurali e SVM Veronica Piccialli Corso di Ottimizzazione a.a. 2009-10 (seconda parte) Ottimizzazione Statistica Fisica Biologia Reti Neurali Matematica Psicologia Informatica
DettagliSistemi Neurali Artificiali applicati alla Robotica e alla BioRobotica
Sistemi Neurali Artificiali applicati alla Robotica e alla BioRobotica PhD. Ing. Michele Folgheraiter Corso di ROBOTICA2 Prof.ssa Giuseppina Gini Anno. Acc. 2005/2006 Controllo Mediante Rete-Neurale -
DettagliLA CLASSIFICAZIONE IN SOCIOLOGIA
~FICI LABORA1"'0Rl0 SOCIOLOGICO Teoria, Epistemologia, Metodo Cleto Corposanto LA CLASSIFICAZIONE IN SOCIOLOGIA Reti neurali, Discriminant e Cluster Analysis ancoangeli Istituto Universitario Architettura
DettagliCriteri alternativi all Entropia
Sistemi Intelligenti 94 Criteri alternativi all Entropia Altri criteri suggeriti al posto dell Entropia: - Variance Impurity (per due classi) - (Weighted) Gini Impurity (generalizzazione di Variance Impurity
DettagliReti Neurali (Parte III)
Reti Neurali (Parte III) Corso di AA, anno 2017/18, Padova Fabio Aiolli 08 Novembre 2017 Fabio Aiolli Reti Neurali (Parte III) 08 Novembre 2017 1 / 16 Reti Neurali Multistrato Fabio Aiolli Reti Neurali
DettagliSTUDIO DI RETI NEURALI CON METODI DI TEORIA DEI GRAFI
STUDIO DI RETI NEURALI CON METODI DI TEORIA DEI GRAFI ATTESTATO DI ALTA QUALIFICAZIONE SSST CLASSE DI GOVERNO E SCIENZE NATURALI CANDIDATO: MARCO RICCARDI RELATORE: PROF. MICHELE CASELLE MATRICOLA: 778830
DettagliRischi da inondazioni e frane
Programma nazionale di ricerca beni culturali e ambientali PARNASO Workshop Sistema software che consente l integrazione automatica di carte tematiche Rischi da inondazioni e frane Paola De Lotto 14 settembre
DettagliIL NUOVO MODELLO PER LA PREVISIONE POLLINICA. Stefano Marchesi Direzione Tecnica Centro Tematico Regionale Ambiente Salute
IL NUOVO MODELLO PER LA PREVISIONE POLLINICA Stefano Marchesi Direzione Tecnica Centro Tematico Regionale Ambiente Salute La presenza del polline in atmosfera concentrazione pollinica [numero di granuli/mc
Dettagli[Giuseppe Alessandri, Appunti]
Partendo da una differenziazione, oramai assodata, fra progettazione sul versante della razionalità tecnica e quello della complessità (Cristianini, tecnodid, 2001), è possibile sviluppare dei parallelismi
DettagliEvolutionary computing, machine learning et alia.
Evolutionary computing, machine learning et alia antonino.polimeno@unipd 1 Motivazioni Ingegneria chimica e chimica industriale Ottimizzazione di reattori condizioni di reazione Sintesi Chimica combinatoriale,
DettagliMACHINE LEARNING E CREATIVITÀ ARTIFICIALE
MACHINE LEARNING E CREATIVITÀ ARTIFICIALE Davide Maltoni Ingegneria e Scienze Informatiche Cesena EDMOND DE BELAMY EDMOND DE BELAMY Battuto all asta da Christie s nell ottobre 2018. Stima iniziale di vendita:
DettagliIl Rischio ambientale prodotto della pericolosità per la vulnerabilità di un territorio (per l esposizione).
Rischi Ambientali: Il Rischio ambientale deve essere considerato in ragione della possibilità che il verificarsi di un certo fenomeno naturale diventi causa di danni significativi alla popolazione ed all
DettagliCorso di Matematica per la Chimica. Dott.ssa Maria Carmela De Bonis a.a
Dott.ssa Maria Carmela De Bonis a.a. 2013-14 Programmi Un elaboratore riceve dei dati in ingresso, li elabora secondo una sequenza predefinita di operazioni e infine restituisce il risultato sotto forma
DettagliL INTELLIGENZA ARTIFICIALE E LA SICUREZZA APPLICATIVA. Sessione di studio AIEA Torino, Gianluca Zanini Kleis s.r.l.
L INTELLIGENZA ARTIFICIALE E LA SICUREZZA APPLICATIVA Sessione di studio AIEA Torino, 25.10.2007 Gianluca Zanini Kleis s.r.l. CASE STUDY: UNA FRODE INFORMATICA Scenario: un Internet Banking una vulnerabilità
DettagliRiconoscimento immagini con Keras e Tensorflow Gabriele Baldi
Riconoscimento immagini con Keras e Tensorflow Gabriele Baldi https://github.com/bnznamco/keras_model_and_slides_notabugconf Riconoscimento immagini Attività tipica del cervello umano Task molto difficile
DettagliProf. Giorgio Poletti
10 Informatica Laurea Triennale in Economia Anno Accademico 2017-2018 Prof. Giorgio Poletti giorgio.poletti@unife.it «La civiltà sta producendo macchine che si comportano come uomini e uomini che si comportano
DettagliLE RETI NEURALI ARTIFICIALI
LE RETI NEURALI ARTIFICIALI Una introduzione di V3rt1g0 Le Reti Neurali Artificiali (RNA) compongono una vasta famiglia di sistemi di elaborazione particolarmente adatti a risolvere problemi non lineari.
DettagliINTRODUZIONE AI SISTEMI DI CLASSIFICAZIONE
INTRODUZIONE AI SISTEMI DI CLASSIFICAZIONE CON RETI NEURALI di G. Masala INTRODUZIONE Sistema di classificazione o riconoscimento Un sistema di classificazione [1][2] o di riconoscimento, considerato in
DettagliDal connessionismo classico ai modelli genearativi gerarchici
European Research Council http://ccnl.psy.unipd.it Dal connessionismo classico ai modelli genearativi gerarchici Marco Zorzi Computational Cognitive Neuroscience Lab Università di Padova 1 Connessionismo
DettagliIngegneria del software
Ingegneria del software Non linearità del software Prima di procedere a vedere altri criteri di definizione di casi di test occorre evidenziare alcune caratteristiche del software Una caratteristica fondamentale
DettagliReti Neurali MLP e RFB
Reti Neurali MLP e RFB Antonio Manno mannoanto@libero.it, www.statistica.too.it Indice 1 Introduzione 1 2 Le reti neurali 4 2.1 Il sistema nervoso e origine delle reti neurali.............. 4 2.2 Reti
DettagliIdentificazione dei Parametri Caratteristici di un Plasma Circolare Tramite Rete Neuronale
Identificazione dei Parametri Caratteristici di un Plasma Circolare Tramite Rete Neuronale Il presente lavoro, facente segiuto a quanto scritto precedentemente ha il fine di descrivere il codice di calcolo
DettagliUso dell algoritmo di Quantizzazione Vettoriale per la determinazione del numero di nodi dello strato hidden in una rete neurale multilivello
Tesina di Intelligenza Artificiale Uso dell algoritmo di Quantizzazione Vettoriale per la determinazione del numero di nodi dello strato hidden in una rete neurale multilivello Roberto Fortino S228682
DettagliSpinello in Comune di Santa Sofia
Art. 12 quater Perimetrazioni delle aree a rischio di frana sottoposte a specifici approfondimenti geognostici Spinello in Comune di Santa Sofia 1. La perimetrazione suddivide il territorio in tre zone
DettagliConfronto tra le metodologie di valutazione della pericolosità da caduta blocchi BRGM (fr) - MATTEROCK (ch) PROVIALP (it)
Campo di applicazione Caduta di pietre o blocchi Evento caduta pietre (possibile) Evento caduta blocchi 30-50 m3 Evento caduta blocchi 1 30-50 m3 Tipologia dello studio A grande scala: su lunghi assi stradali
DettagliSpazio e trasformazioni sensorimotorie
Università degli studi di Padova Dipartimento di Psicologia Generale Spazio e trasformazioni sensorimotorie Michele De Filippo De Grazia Simone Cutini Outline Trasformazioni sensorimotorie Basi anatomo-fisiologiche
DettagliLa Previsione delle Frane in Emilia-Romagna a breve e lungo termine
La Previsione delle Frane in Emilia-Romagna a breve e lungo termine Marco Pizziolo, Giampiero Gozza Regione Emilia-Romagna - Servizio Geologico, sismico e dei Suoli Alcuni dati riassuntivi: 70.000 frane
DettagliESERCITAZIONE n. 3. Analisi quantitativa del rischio a scala di pendio UNIVERSITÀ DEGLI STUDI DI SALERNO CORSO DI FRANE FACOLTÀ DI INGEGNERIA
UNIVERSITÀ DEGLI STUDI DI SALERNO FACOLTÀ DI INGEGNERIA Corso di Laurea Magistrale in Ingegneria per l ambiente ed il territorio CORSO DI FRANE Anno Accademico 2014/2015 ESERCITAZIONE n. 3 Analisi quantitativa
DettagliCorso di Laurea Specialistica in Ingegneria Informatica
UNIVERSITÀ DEGLI STUDI DI PADOVA FACOLTÀ DI INGEGNERIA Corso di Laurea Specialistica in Ingegneria Informatica Ragionamento Qualitativo e Apprendimento Automatico per l'analisi di Dati di Genomica RELATORE:
DettagliUNITÀ TERITORIALI PER L ANALISI E LA ZONAZIONE DELLA FRANOSITÀ A PICCOLA E MEDIA SCALA
UNITÀ TERITORIALI PER L ANALISI E LA ZONAZIONE DELLA FRANOSITÀ A PICCOLA E MEDIA SCALA Michele Calvello, Leonardo Cascini, Sabrina Mastroianni Dipartimento di Ingegneria Civile, Università di Salerno mcalvello@unisa.it;
DettagliPrima valutazione delle aree di rischio idrogeologico nella Valle del Salto
Prima valutazione delle aree di rischio idrogeologico nella Valle del Salto La VII Comunità Montana a ALTOPIANO DI RASCINO PETRELLA SALTO FIAMIGNANO CONCERVIANO BORGOROSE VARCO SABINO LAGO DEL SALTO MARCETELLI
DettagliComputazione per l interazione naturale: macchine che apprendono
Computazione per l interazione naturale: macchine che apprendono Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@dsi.unimi.it
DettagliLa rappresentazione cartografica è una forma di descrizione del territorio fondata sulla restituzione delle relazioni spaziali di elementi geografici
Cartografia digitale e modelli di dati spaziali modelli vettoriali e modelli raster La descrizione cartografica La rappresentazione cartografica è una forma di descrizione del territorio fondata sulla
DettagliIntelligenza Computazionale INSEGNAMENTO ANNO ACCADEMICO Informatica Magistrale CORSO DI LAUREA IN Anna Maria Fanelli DOCENTE II
Intelligenza Computazionale INSEGNAMENTO 2016-17 ANNO ACCADEMICO Informatica Magistrale CORSO DI LAUREA IN Anna Maria Fanelli DOCENTE II I ANNO DI CORSO SEMESTRE 4 N CREDITI LEZIONI FRONTALI: 32 68 N ORE
DettagliBoltzmann Machine e Deep NN
Boltzmann Machine e Deep NN Boltzmann Machine (Modelli Termodinamici) la Boltzmann Machine (BM) è una Rete Neurale stocastica, completamente connessa, con due tipi di unità: visibili (input, output) e
DettagliReti Neurali. Giuseppe Manco. References: Chapter 4, Mitchell Chapter 1-2,4, Haykin Chapter 1-4, Bishop. Reti Neurali
Giuseppe Manco References: Chapter 4, Mitchell Chapter 1-2,4, Haykin Chapter 1-4, Bishop Perceptron Learning Unità neurale Gradiente Discendente Reti Multi-Layer Funzioni nonlineari Reti di funzioni nonlineari
DettagliIntelligenza Artificiale Complementi ed Esercizi
Intelligenza Artificiale Complementi ed Esercizi Reti Neurali AA 2013-2014 Il riconoscimento dei caratteri scritti a mano Handwritten Recognition Il problema Data una cifra scritta a mano, riconoscere
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 4 Reti neurali per la classificazione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com
DettagliVantaggi della scelta verso l utilizzo di un solo soggetto:
L uso della statistica per la valutazione degli interventi: premesse teoriche Capitolo 4 Vantaggi della scelta verso l utilizzo di un solo soggetto: 1) Analisi della prestazione individuale: analisi del
DettagliMetodologia di implementazione del sistema per la spazializzazione dei dati meteo
Metodologia di implementazione del sistema per la spazializzazione dei dati meteo Metodologia di implementazione del sistema per la spazializzazione dei dati meteo . Metodologia Le reti di monitoraggio
Dettagli(Frequency Shift Keying) per la segnalazione. La tecnica di accesso radio utilizzata è chiamata FDMA (Frequency Division Multiple Access), con cui lo
INTRODUZIONE L obiettivo di questa tesi è studiare un modo per ottenere un minor spreco di banda al fine di garantire una qualità del servizio, cioè di andare a prenotare alla richiesta del servizio le
DettagliNEURAL NETWORKS. Il cervello: tra analogia e semantica. TEST: esercizio analogo-cognitivo
Corso di Laurea Triennale in Informatica (B.Sc.) Seminario per il corso di! Ingegneria del Software (prof. E. Tramontana) Ecce homo «Un occhio che scruta nella semioscurità: questo è il cervello.» [G.
DettagliRapporto 2018 sul dissesto idrogeologico in Italia
Rapporto 2018 sul dissesto idrogeologico in Italia Carla Iadanza, ISPRA MITIGAZIONE DEI RISCHI NATURALI E ADATTAMENTO AI CAMBIAMENTI CLIMATICI 19 settembre RemTech Expo 2018 (19, 20, 21 Settembre) FerraraFiere
DettagliL'INTERPOLAZIONE SPAZIALE DELLE MISURE DI PRESSIONE
L'INTERPOLAZIONE SPAZIALE DELLE MISURE DI PRESSIONE E stata utilizzata la tecnica di interpolazione spaziale geostatistica del cokriging, la quale risulta particolarmente idonea a descrivere grandezze
DettagliLo studio della stabilità dei pendii naturali richiede
Lo studio della stabilità dei pendii naturali richiede Osservazioni e rilievi di superficie Raccolta di notizie storiche Constatazione di movimenti Raccolta dei dati Le verifiche di sicurezza, anche in
DettagliTabella riassuntiva Fabbisogno finanziario 2002
Tabella riassuntiva Fabbisogno finanziario 2002 N Scheda Progetto Linee Obiettivi Periodo Fabbisogno 2002 1 Piattaforma Miglioramento della fruibilità 2002 130000 Web-GIS per dell informazione contenuta
DettagliModelli della memoria semantica e lessicale e del conflitto cognitivo
Modelli della memoria semantica e lessicale e del conflitto cognitivo Mauro Ursino Dept. of Electric, Electronic and Information Engineering University of Bologna Padova, CCNL 31 gennaio 2013 La memoria
Dettagli1. Il cognitivismo classico 2. L approccio innatistamodulare. 3. L approccio connessionista 4. Il neurocostruttivismo
Lezione 3 Connessionismo MODULO 3 Le teorie dell elaborazione delle informazioni 1. Il cognitivismo classico 2. L approccio innatistamodulare 3. L approccio connessionista 4. Il neurocostruttivismo Argomenti
DettagliCorso di Visione Artificiale. Texture. Samuel Rota Bulò
Corso di Visione Artificiale Texture Samuel Rota Bulò Texture Le texture sono facili da riconoscere ma difficili da definire. Texture Il fatto di essere una texture dipende dal livello di scala a cui si
DettagliGEOMATEMATICA. Dott.ssa ELVIRA DI NARDO Dipartimento di Matematica e Informatica
GEOMATEMATICA Dott.ssa ELVIRA DI NARDO Dipartimento di Matematica e Informatica http://www.unibas.it/utenti/dinardo/ G. Ciotoli, M. Finoia Dalla Statistica alla Geostatistica: Introduzione all analisi
DettagliSTUDI DI MICROZONAZIONE SISMICA: TEORIA E APPLICAZIONI
STUDI DI MICROZONAZIONE SISMICA: TEORIA E APPLICAZIONI Pericolosità Sismica Nazionale: dati disponibili e loro utilizzo A cura di: Dott. (Ph.D.( Ph.D.) ) Simone Barani NTC08: Azione Sismica Pericolosità
DettagliAUTOMA A STATI FINITI
Gli Automi Un Automa è un dispositivo, o un suo modello in forma di macchina sequenziale, creato per eseguire un particolare compito, che può trovarsi in diverse configurazioni più o meno complesse caratterizzate
DettagliX meeting degli utenti italiani di GRASS Cagliari, Febbraio 2009
X meeting degli utenti italiani di GRASS Cagliari, 26-27 Febbraio 2009 Modello numerico in GRASS per la creazione di mappe di inondazione in caso di rottura dighe Analisi del rischio L'analisi di rischio
DettagliDifesa dai Terremoti: Il Rischio Sismico
Difesa dai Terremoti: Il Definizione Il rischio sismico è determinato da una combinazione della pericolosità, della vulnerabilità e dell esposizione ed è la misura dei danni che, in base al tipo di sismicità,
DettagliApprendimento Automatico
Apprendimento Automatico Metodi Bayesiani Fabio Aiolli 11 Dicembre 2017 Fabio Aiolli Apprendimento Automatico 11 Dicembre 2017 1 / 19 Metodi Bayesiani I metodi Bayesiani forniscono tecniche computazionali
DettagliPSICOLOGIA SVILUPPO E DELL EDUCAZIONE
PSICOLOGIA SVILUPPO E DELL EDUCAZIONE ANGELA COSTABILE PROF.ORDINARIO PSICOLOGIA SVILUPPO ED EDUCAZIONE UNIVERSITÀ DELLA CALABRIA a.costabile@unical.it SVILUPPO: CARATTERISTICHE E AREE PRINCIPALI; NODI
DettagliMODELLI MATEMATICI PER I SISTEMI DI INFORMAZIONE ALL UTENZA: introduzione ai modelli dell ingegneria dei trasporti
Corso di TRASPORTI E TERRITORIO e TEORIA E TECNICA DELLA CIRCOLAZIONE MODELLI MATEMATICI PER I SISTEMI DI INFORMAZIONE ALL UTENZA: introduzione ai modelli dell ingegneria dei trasporti DOCENTI Agostino
DettagliData mining: classificazione
DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group of DataBase and Data Mining Group
DettagliProgettazione di un sensore nanostrutturato per la misura della concentrazione ambientale di ammoniaca
Progettazione di un sensore nanostrutturato per la misura della concentrazione ambientale di ammoniaca Stage A2A presso il Dipartimento di Matematica e Fisica (Università Cattolica del Sacro Cuore - Brescia)
DettagliTesina per il corso di Intelligenza Artificiale
Tesina per il corso di Intelligenza Artificiale Missing Data Manipulation with MDT realizzato da Alfonso Isola & Filippo Grassia Prof. Ing.. Alberto Faro Introduzione (1.1) L obiettivo del nostro lavoro
DettagliWEATHER RISK MANAGEMENT: FATTI E MISFATTI, ALLOCAZIONE DEI RISCHI E CONTRATTO SOCIALE
WEATHER RISK MANAGEMENT: FATTI E MISFATTI, ALLOCAZIONE DEI RISCHI E CONTRATTO SOCIALE dr. ing. Alessandro Pezzoli Ricercatore Universitario Confermato Professore Aggregato Weather Risk Management DIST
DettagliMODULO 3: CENNI SULLE RETI NEURALI
MODULO 3: 1 CENNI SULLE RETI NEURALI Bibliografia: D. Floreano, Manuale sulle reti neurali, Bologna, Il Mulino, 1996. 2 1. Sistemi di calcolo seriale e intelligenza naturale Malgrado il fatto che i computer
DettagliGEOLOGICO ED IDROGEOLOGICO - Corso A
Università Mediterranea di Reggio Calabria FACOLTA DI ARCHITETTURA A.A. 2008-2009 ANALISI DEL RISCHIO GEOLOGICO ED IDROGEOLOGICO - Corso A Il Rischio Dott. M.C. Mandaglio 1 - DEFINIZIONE DI RISCHIO Parametri
DettagliSISTEMI INFORMATIVI GEOGRAFICI IN GEO- LOGIA
MARIA TERESA MELIS SISTEMI INFORMATIVI GEOGRAFICI IN GEO- LOGIA titimelis@unica.it ANNO ACCADEMICO 2016/ 2017 LEZIONE 2 INTRODUZIONE AL GIS Corso di Sistemi Informativi Geografici in Geologia a cura di
DettagliPericolosità, Vulnerabilità, Rischio
Provincia di Latina Settore Polizia Provinciale Servizio Protezione Civile Corso specialistico per Operatori di Protezione Civile Rischio Idrogeologico e Idraulico Pericolosità, Vulnerabilità, Rischio
DettagliITIS A. Volta Flavia Lollis pag. 1
Il Function Point è una delle metriche più antiche e tuttora diffuse nell ambito della valutazione di progetti software. Ciò che lo rende insostituibile e superiore ad altri metodi può essere riassunto
DettagliMachine Learning:Reti Neurali. Sommario. Storia Il Sistema Nervoso Il Neurone Formale di Mc Culloch and Pitts Esempi
Machine Learning:Reti Neurali Sommario Storia Il Sistema Nervoso Il Neurone Formale di Mc Culloch and Pitts Esempi Storia - 1 3000 a.c. Ippocrate: primi tentativi di studio del cervello umano. Vengono
DettagliDeterminazione di DON in campioni di frumento duro mediante naso elettronico
Determinazione di DON in campioni di frumento duro mediante naso elettronico Selezione dei campioni Della totalità dei campioni analizzati sono stati selezionati 105 campioni da utilizzare per l addestramento
DettagliSmart Home. Sistemi Telematici 2014/15 Ing. Francesca Paradiso
1 Smart Home francesca.paradiso@unifi.it Sistemi Telematici 2014/15 Ing. Francesca Paradiso 2 Il Paradigma «Smart» 3 Il Paradigma «Smart» Smart = Intelligente??? Elementi Costitutivi: - Connettività -
DettagliIIS Via Silvestri ITIS Volta Programma svolto di Tecnologie Informatiche A.S. 2016/17 Classe 1 B
IIS Via Silvestri ITIS Volta Programma svolto di Tecnologie Informatiche A.S. 2016/17 Classe 1 B Modulo n 1 - Concetti informatici di base 1.1 Introduzione allo studio del computer 1.2 Rappresentazione
DettagliModelli generativi per sequenze: Recurrent Temporal Restricted Boltzmann Machines
Modelli generativi per sequenze: Recurrent Temporal Restricted Boltzmann Machines Alberto Testolin Computational Cognitive Neuroscience Lab Dipartimento di Psicologia Generale Università degli studi di
DettagliNuova zonazione sismica e procedure per la valutazione degli effetti sismici di sito nel territorio lombardo
Nuova zonazione sismica e procedure per la valutazione degli effetti sismici di sito nel territorio lombardo F. Pergalani, M. Compagnoni, M.P. Boni Politecnico di Milano - Dipartimento di Ingegneria Strutturale,
DettagliIntroduzione alle Reti Neurali Artificiali
alle Reti Neurali Artificiali Corso di MOBD Roma 23 Ottobre 2017 Grippo, L., and M. Sciandrone. Metodi di ottimizzazione per le reti neurali. Rapporto Tecnico (2003): 09-03. 1 / 34 Contesto Contesto Definizione
DettagliComputazione per l interazione naturale: macchine che apprendono
Comput per l inter naturale: macchine che apprendono Corso di Inter uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it http://boccignone.di.unimi.it/ium2_2014.html
Dettagli