Neuronové modelování a fuzzy systémy (FSI-RNM)

Akademický rok 1999/2000
Garant: prof. RNDr. Ing. Tomáš Březina, CSc.  
Garantující pracoviště: ÚAI všechny předměty garantované tímto pracovištěm
Jazyk výuky: čeština
Cíle předmětu:
Zvládnout základy neuronového modelování a všeobecné využití neuronových
modelů při zpracování dat. Zvládnout rámec konstukce "inteligentních"
kontrolérů.
Výstupy studia a kompetence:
Znalost funkce neuronových sítí a přiměřenosti jejich použití při
zpracování dat, speciálně při návrhu "inteligentních" kontrolérů.
Prerekvizity:
 
Obsah předmětu (anotace):
Kurz seznamuje s nejfrekventovanejšími paradigmaty neuronových sítí, dále
se zabývá možnými technicky orientovanými aplikacemi neuronových sítí
a jejich praktickým vyuzitím. Výuka teorie se soustreďuje zejména na dynamiku
neuronu - zvlášt jejich aktivaci, signály a aktivacní modely; na dynamiku
synapsí - jak na ucení bez ucitele, tak na ucení s ucitelem
(soutezivé ucení, zpetné šírení); architektury sítí a rovnovázný bod sítí.
Dále je porovnána neuronová reprezentace a fuzzy reprezentace
strukturované znalosti a uvedené poznatky vyuzity ke konstrukci
kontrolérů.
Metody vyučování:
 
Způsob a kritéria hodnocení:
Pro udělení zápočtu je nutné vypracovat a obhájit jednoduchý projekt
využívající poznatků z kursu.
Zkouška probíhá obvyklým způsobem.
Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky:
 
Typ (způsob) výuky:
    Přednáška  11 × 3 hod. nepovinná                  
    Cvičení na počítači  11 × 2 hod. povinná                  
Osnova:
    Přednáška 1. Konekcionistický model živocišného mozku, neuronové dynamické systémy,
obecné signálové funkce, aditivní neuronová dynamika.
2. Aditivní bivalentní modely, obecné neuronové aktivace, učení jako
kódování, změna a kvantifikace.
3. Základní pravidla učení bez učitele, stochastické učení bez učitele
a stochastický rovnovážný stav.
4. Učení s učitelem, učení jako stochastické učení vzoru se známou
příslušností ke třídě, jako stochastická aproximace.
5. Algoritmus zpětného šíření.
6. Neuronové sítě jako stochastické gradientní systémy, synaptická
konvergence k centroidům, globální rovnovážný stav: konvergence
a stabilita, globální stabilita zpětnovazebních neuronových sítí,
strukturální stabilita učení bez učitele.
7. Fuzzy množiny a systémy, neurčitost v pravděpodobnostním světě,
náhodnost proti víceznačnosti.
8. Fuzzy a neuronové odhady funkcí, neuronová reprezentace a fuzzy
reprezentace strukturované znalosti.
9. Konroléry založené na matematickém modelu.
10. Fuzzy kontroléry.
11. Kontroléry založené na Kalmanově filtru.
    Cvičení na počítači  
Literatura - základní:
1. B. Kosko: Neural Networks and Fuzzy systems, , 0
Literatura - doporučená:
1. V. Kvasnička a kol.: Úvod do teórie neurónových sietí, , 0
Zařazení předmětu ve studijních programech:
Program Forma Obor Spec. Typ ukončení   Kredity     Povinnost     St.     Roč.     Semestr  
M2301-5 prezenční studium Aplikovaná mechanika 03 Aplikovaná mechanika-mechatronika zá,zk 5 Povinný 2 2 Z