Geum.ru

Программа

Вид материалаПрограмма

Содержание


Содержание курса
Лабораторный практикум
Учебно-методическое обеспечение дисциплины
Подобный материал:


МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ


Государственное образовательное учреждение высшего профессионального образования

Российский Университет дружбы народов


(РУДН)


ПРОГРАММА

Дисциплины "Искусственные нейронные сети в задачах управления и обработки информации "

Направление " Автоматизация и управление"


Инженерный факультет

Кафедра "Кибернетики и мехатроники"


Составитель программы д.т.н., проф. Мочалов И.А.

"ОДОБРЕНО":

Зав. кафедрой д.т.н., проф. Пупков К.А.

«Кибернетики и мехатроники»


Москва 2010 г.

СОДЕРЖАНИЕ КУРСА

Лекции


1.Биологический нейрон и его математическая модель. Типы функций активации. Нейросети и их классификация.

2.Математические модели нейронов и методы их обучения: персептрон; сигмоидальный нейрон; нейрон “адалайн”.

3.Нейрон Гроссберга (инстар и аутстар); нейрон ВТА; нейрон Хэбба; стохастический нейрон. Многослойные нейронные сети.

4.Задача линейной регрессии в нейросетевых терминах. Задача аппроксимации нелинейной функции многих переменных с использованием нейронной сети. Модель линейного динамического объекта в терминах нейрона. Система автоматической оптимизации в форме нейрона типа персептрона.

5.Применение нейронных сетей: распознавание двухмерных образов; сжатие данных; управление и идентификация.

6.Однонаправленные многослойные нейросети. Многослойный персептрон. Принцип обратного распространения ошибки.

7.Методы обучения нейросетей. Постановка задачи обучения. Детерминированные методы обучения: нулевого, первого и второго порядков.

8.Некорректные задачи при обучении нейросетей детерминированными методами: неустойчивость вычисления первой и второй производных в различных метрических пространствах. Число обусловленности при решении матричного уравнения. Примеры вычисления числа обусловленности.

9.Методы решения некорректных задач обучения нейросетей. Методы естественной регуляризации: сглаживание данных с помощью четких и нечетких скользящих средних; четкое и нечеткое экспоненциальное сглаживание; оптимальное управление измерениями. Методы с использованием сглаживающих функционалов.

10.Стохастические методы обучения нейросетей: больцмановское, гауссовское обучение, обучение Коши. Другие типы обучения с использованием математических методов моделирования.

11.Эволюционные методы обучения нейросетей. Процесс эволюции. Механизм скрещивания, мутации и селекции. Модель нечеткого генетического алгоритма оптимизации. Оценка надежности программного обеспечения.

12.Сети встречного распространения. Слои Кохонека и Гроссберга. Сжатие данных.

13.Сети с обратными связями: Хопфилда, Хэмминга. Задача коммивояжера. NP алгоритмы. Области применения задачи коммивояжера. Геометрическая интерпретация задачи распознавания с помощью расстояний. Двунаправленные ассоциативные сети.

14.Сети с обратными связями на базе персептрона: многослойный рекуррентный персептрон; сеть Эльмана; сеть Вильяма-Зиперса.

15.Гибридные нейросети. Техническая диагностика оборудования. Прогнозирование цен на валютном рынке. Нечеткие нейросети Ишибуши-Танаки. Специализированные сети: Фальмана, Вольтерра.

16.Сети с самоорганизацией на основе конкуренции и корреляционного типа. Применение сетей с самоорганизацией.

17.Практическая реализация нейросетевых методов в системах управления: нейро-нечеткое управление струйно-компрессорной системой; вибродиагностика технологического оборудования.

18.Пакеты прикладных программ по нейросетям.

ЛАБОРАТОРНЫЙ ПРАКТИКУМ

Лабораторная работа №1. Применение двухслойной нейронной сети для моделирования дискретной динамической системы.

Лабораторная работа №2. Идентификация нелинейной динамической системы с использованием двухслойной нейронной сети.




Примерная тематика курсовых работ


Оценка надежности программного обеспечения с использованием эволюционных методов оптимизации.


УЧЕБНО-МЕТОДИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ДИСЦИПЛИНЫ
Основная литература:

1.Мочалов И.А. и др. Методы робастного, нейро-нечеткого и адаптивного управления. М., МГТУ им. Н.Э. Баумана, 2001.

2.Мочалов И.А. Нечеткие вероятностно-статистические методы в задачах управления. Гл. 9-11. М., Электронный носитель на CD, МГТУ им. Н.Э. Баумана, 2003.

3.Мочалов И.А. Методические материалы по нечетким методам в задачах управления. М., Электронный носитель на CD, МГТУ им. Н.Э. Баумана, 2004.

4.Осовский С. Нейронные сети для обработки информации. М., Финансы и статистика, 2002.

5.Нейронные сети. Statistic Neural Networks. Пер. с англ. М., Горячая линия – Телеком, 2000.

6.Леоненков А. Нечеткое моделирование в среде Matlab и FuzzyTech. С.-П., БХВ – Петербург, 2003.

7.Дьяконов В., Круглов В. Математические пакеты расширения Matlab. Специальный справочник. Питер, 2001.

Дополнительная литература:


1.Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. М., Мир, 1992.

2.Краткий конспект лекций по нейронным сетям. Internet, сайт каф. ИУ-4 МГТУ им. Н.Э. Баумана.

3.Камашинский В.И., Смирнов Д.А. Нейронные сети и их применения в системах управления и связи. М., Горячая линия – Телеком, 2003.

4. Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизация систем. С.-П., Наука и техника, 2003.

5.Галушкин А.И. Теория нейронных сетей. Книга 1. М., Радиотехника,2000.

6.Галушкин А.И. Нейрокомпьютеры. Книга 3. М., Радиотехника, 2000.

7.Омату С., Халид М., Юсоф Р. Нейроуправление и его приложения. Книга 2. М., Радиотехника, 2000.