Sieci neuronowe w modelowaniu i sterowaniu

Znajomość wybranych działów matematyki i teorii sterowania, metod optymalizacji, z pracy w środowisku MatLab i Simulink

przedmiot obligatoryjny

Godziny realizowane z udziałem nauczycieli ( 60 godz.):

- udział w wykładach - 15

- udział w laboratoriach – 45

Czas poświęcony na pracę indywidualną studenta ( 60 godz.):

- przygotowanie do wykładu-10

- przygotowanie do laboratoriów – 20

- przygotowanie do zaliczenia na ocenę z wykładu- 20

- przygotowanie do kolokwium - 10

Łącznie: 120 godz. ( 4 ECTS)

W01: Ma wiedzę w zakresie analizy matematycznej, metod numerycznych, symulacji komputerowych, niezbędnych do zastosowania sieci neuronowych – K_W01

W02: Opisuje działania układów dynamicznych za pomocą modeli, zawierających układy programowe w postaci sieci neuronowych – K_W01,K_W07

W03: Charakteryzuje aparat pojęciowy sieci neuronowych i oraz możliwości ich zastosowania w modelowaniu i projektowaniu algorytmów regulacji – K_W11

U01: Wykorzystuje narzędzia programistyczne MatLab i Simulink, pozwalające na realizację projektów w zakresie tworzenia układów regulacji na podstawie sieci neuronowych –K_U03

U02: Analizuje złożoność algorytmów uczenia sieci neuronowej w zależności od typu modelu K_U06, K_U05

K01: potrafi precyzyjnie formułować pytania działalności naukowej, zwłaszcza w rozbudowie i zastosowaniu układów z elementami sztucznej inteligencji, do których odnoszą się sieci neuronowe - K_K01

Metoda dydaktyczna podająca:

- wykład informacyjny (konwencjonalny)

Wykład, forma bezpośrednia: prezentacja i dyskusja

Metoda dydaktyczna poszukująca:

- laboratoryjna

Laboratoria, forma bezpośrednia: zadania w trakcie zajęć

- wykład konwersatoryjny

- laboratoryjna

Przedmiot omawia szereg zagadnień dotyczących różnych sposobów zastosowania sztucznych sieci neuronowych w problematyce sztucznej inteligencji oraz sterowaniu.

Prezentowane są także zagadnienia związane ze realizacją systemów neuronowych w środowisku MatLab/Simulink.

Sztuczne sieci neuronowe - wprowadzenie:

Neuron biologiczny:budowa neuronu,przewodzenie informacji.

Sztuczny neuron: neuron McCullocha-Pittsa, funkcje aktywacji, realizacja w MatLabie (NN ToolBox).

Sieć neuronowa: adaptacja w przyrodzie, uczenie sieci neuronowej.

Perceptron: struktura neuronu, algorytm uczenia perceptronu, ograniczenia.

Sieci wielowarstwowe: struktury, rodzaje warstw.

Uczenie sieci neuronowej: wsteczna propagacja błędu. Przykład: uczenie sieci dwuwarstwowej. Struktura i uczenie MLP. Zagadnienia nieliniowej separacji.

Klasy sieci neuronowych:

feed-forward (jednokierunkowe) - najczęściej stosowane;

sieci radialne (RBF) – uniwersalny aproksymator;

rekurencyjne - sprzężenia zwrotne;

sieci Kohonena - samo-organizujące się.

Projektowanie sieci, optymalizacja struktury SNN: metody wzrostu, redukcji,optymalizacji dyskretnej.

Rodzaje uczenia sieci: z nauczycielem i bez, uczenie z krytykiem.

Sieci radialne.Architektura RBF. Uczenie jako interpolacja wag.

Uczenie jako aproksymacja parametrów sieci. Uczenie nienadzorowane sieci RBF. Algorytm K-średnich. Uczenie nadzorowane sieci RBF.

Regula Hebba. Pamięć autoasocjacyjna. Binarna macierz korelacji BCM.

Binary Association Matrix (BAM). Algorytmy nauczania. Zastosowania - pamięć rozpoznawcza.

Sieci neuronowe w sterowaniu.

Literatura podstawowa:

1. Rutkowski L., Metody i techniki sztucznej inteligencji, PWN 2005.

2. Sieci neuronowe w zastosowaniach, pod redakcją Urszuli Markowskiej-Kaczmar, Haliny Kwaśnieckiej, Politechnika Wrocławska, 2005

3. Literatura uzupełniająca:

1. O. Sokolov, Prezentacje wykładu w postaci elektronicznej

2. Tadeusiewicz R., Sieci neuronowe, Akademicka Oficyna Wydawnicza, 1993

Metody oceniania:

zaliczenie na ocenę - W01-W03,K01

kolokwium- U01,U02

Kryteria oceniania:

Wykład: zaliczenie na ocenę na podstawie testu (pytania otwarte)

ndst -30 pkt (30%)

dst- 50 pkt (50%)

dst plus- 75 pkt (75%)

db- 90 pkt (90%)

db plus- 95 pkt (95%)

bdb- 100 pkt (100%)

Laboratoria: zaliczenie na ocenę na podstawie wykonywania zadań w trakcie zajęć

ndst -30 pkt (30%)

dst- 50 pkt (50%)

dst plus- 75 pkt (75%)

db- 90 pkt (90%)

db plus- 95 pkt (95%)

bdb- 100 pkt (100%)

Osoby które zaliczą laboratorium na ocenę 5 są zwolnione z egzaminu

„nie dotyczy”