Neuronové sítě
Přednáška
Cvičení/laboratoř
2020,
letní semestr
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
Po
Út
St
Čt
Pá
Kredity | 5 |
Rozsah | 2 / 2 / 0 |
Examinace | Z+Zk |
Jazyk výuky | čeština |
Úroveň | [] |
Garant |
prof. Ing. Aleš Procházka, CSc. |
Anotace
Předmět je zaměřen na seznámení s konstrukcí, optimalizací a využitím matematických modelů neuronových sítí. Součástí předmětu jsou studie návrhu a užití umělých neuronových sítí (i) pro potlačování rušivých složek signálů, (ii) pro predikci časových řad včetně využití rekurentních sítí a dále (iii) pro klasifikaci vlastností signálů nebo obrazů na základě dané matice vzorů. Aplikační příklady jsou zaměřené na zpracování biomedicínských vícerozměrných signálů a dat z oblasti životního prostředí. Veškeré výpočetní algoritmy jsou konstruované a ověřované ve výpočetním prostředí systému MATLAB.
Sylabus
1. Programový systém Matlab, základní operace, práce se soubory
2. Dvourozměrná a třírozměrná grafika, symbolická matematika, systém Simulink
3. Základní matematické modely neuronů, přenosové funkce, chybová plocha
4. Jednovrstvé sítě, perceptron, architektura neuronu a sítě, principy klasifikace signálu
5. Adaptivní lineární element (ADALINE), učení a trénování sítě
6. Aplikace neuronových sítí při potlačování rušivých složek signálů
7. Vícevrstvé sítě, principy učení a trénování, optimalizace parametrů, gradientní metoda
8. Základní optimalizační metody (backpropagation, Levenberg-Marquardtův algoritmus)
9. Aplikace neuronových sítí při predikci signálů a modelování systémů
10. Funkce radiálního typu, optimalizace struktury sítě
11. Samoorganizující se sítě a mapy, inicializace a učení
12. Aplikace neuronových sítí při segmentace a klasifikace reálných dat, výběr vlastností
13. Simulace neuronových sítí v prostředí jazyka Simulink
14. Aplikace neuronových sítí při identifikaci a řízení, metody učení
2. Dvourozměrná a třírozměrná grafika, symbolická matematika, systém Simulink
3. Základní matematické modely neuronů, přenosové funkce, chybová plocha
4. Jednovrstvé sítě, perceptron, architektura neuronu a sítě, principy klasifikace signálu
5. Adaptivní lineární element (ADALINE), učení a trénování sítě
6. Aplikace neuronových sítí při potlačování rušivých složek signálů
7. Vícevrstvé sítě, principy učení a trénování, optimalizace parametrů, gradientní metoda
8. Základní optimalizační metody (backpropagation, Levenberg-Marquardtův algoritmus)
9. Aplikace neuronových sítí při predikci signálů a modelování systémů
10. Funkce radiálního typu, optimalizace struktury sítě
11. Samoorganizující se sítě a mapy, inicializace a učení
12. Aplikace neuronových sítí při segmentace a klasifikace reálných dat, výběr vlastností
13. Simulace neuronových sítí v prostředí jazyka Simulink
14. Aplikace neuronových sítí při identifikaci a řízení, metody učení
Literatura
Z: S. Haykin: Neural Networks, Prentice Hall, 1999, ISBN 0132733501