Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2023/2024
UPOZORNĚNÍ: Jsou dostupné studijní plány pro následující akademický rok.

Umělá inteligence v inženýrských aplikacích

Předmět není vypsán Nerozvrhuje se
Kód Zakončení Kredity Rozsah
W37A003 ZK 4P+2C
Garant předmětu:
Přednášející:
Cvičící:
Předmět zajišťuje:
ústav přístrojové a řídící techniky
Anotace:

Přehled metod umělé inteligence a možnosti jejich využití v inženýrství. Příklady podpory řešení problémů a některých inženýrských úloh. Formální aparát pro vybrané partie umělé inteligence (obecná algebra, formální logika, resoluční princip, fuzzy množiny, fuzzy relační kalkul, fuzzy logika, kvalitativní algebry). Některé reprezentativní přístupy a metody umělé inteligence: Metody prohledávání stavového prostoru, způsob formalizace některých inženýrských úloh do prostředí stavového prostoru. Strukturální rozpoznávání obrazců - Formální gramatiky a automaty. Kvalitativní modelování a simulace systémů. Fuzzy regulátory, teorie a navrhování fuzzy regulátorů. (Mamdaniho a Sugenovské regulátory.) Implementace fuzzy regulátorů v prostředí Simulink a Fuzzy Toolbox pro MATLAB. Příklady aplikací. Kvalitativní metody v systémech detekce poruch. Expertní systémy a jejich aplikace v inženýrství. Neuronové sítě. Klasifikace neuronových sítí. Sítě typů: MLP (Multi-Layer Perceptrons), RBF (Radial Basis Function) a HONNU (Higher Order Neural Network Unit). Implementace sítí v prostředí Simulink a Neural Network Toolbox pro MATLAB. Příklady aplikací. Genetické algoritmy a genetické programování.

Požadavky:

dle přednášek

Osnova přednášek:

P1. Matematika pro umělou inteligenci.

P2. Formální a SW prostředky pro podporu řešení problémů.

P3. Strukturální rozpoznávání obrazů. Formální gramatiky.

P4. Formální gramatiky a rozpoznávací automaty.

P5. Fuzzy a fuzzy-kvalitativní modelování a řízení.

P6. Fuzzy a fuzzy-kvalitativní modelování a řízení. (Fuzzy toolbox MatLab/Simulink.)

P7. Expertní systémy a jejich aplikace v inženýrství.

P8. Neuronové sítě. Úvod a MLP (Vícevrstvé perceptronové sítě).

P9. Neuronové sítě. Sítě s RBF (Radiálně Bázovými Funkcemi) a sítě s HONNU.

P10. Neuronové sítě. (Neural Network Toolbox for MatLab/Simulink).

P11. Genetické algoritmy. (Úvod a klasické GA.)

P12. Příklady aplikace genetických algoritmů a genetické programování.

P13. Příklad větší aplikace: Analýza a modelování vlastností kardiovaskulárního systému (HRV, EKG) - srovnání nelineárních metod a metod s nasazením neuronových sítí.

P14. Příklad větší aplikace: Diagnostika strukturálních a provozních poruch konstrukcí a systémů.

Osnova cvičení:

nejsou

Cíle studia:

dle přednášek

Studijní materiály:

1. Mařík, V. a kol.: Umělá inteligence (1+2+3+4). Academia, Praha, (97-01)

2. Vysoký, P.: Fuzzy řízení. ČVUT, Praha, 1999.

3. Bíla, J. : Umělá inteligence a neuronové sítě v aplikacích. ČVUT, Praha, 1998.

Poznámka:

-

Další informace:
Pro tento předmět se rozvrh nepřipravuje
Předmět je součástí následujících studijních plánů:
Platnost dat k 27. 3. 2024
Aktualizace výše uvedených informací naleznete na adrese https://bilakniha.cvut.cz/cs/predmet10899202.html