Logo ČVUT
Loading...
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2011/2012

Základy neuronových sítí a fuzzy logiky

Předmět není vypsán Nerozvrhuje se
Kód Zakončení Kredity Rozsah Jazyk výuky
17MAZNS KZ 2 1+1
Přednášející:
Cvičící:
Předmět zajišťuje:
katedra biomedicínské informatiky
Anotace:

Neuronové sítě - historie, biologické a umělé neuronové sítě, jejich využití pro zpracování signálu. Modely neuronu, aktivační funkce. Principy učení umělých neuronových sítí. Samoorganizující se sítě(SOM), Kohonenovy mapy. SOM s učitelem, U-matice, LVQ klasifikátor. Vícevrstvé sítě s učením zpětného šíření chyby (BPG). Základní učení BPG a jeho modifikace. Optimalizace struktury, klestění neuronové sítě, výběr vstupních dat. Asociativní paměti, Hopfieldovy sítě, ART sítě. Speciální struktury (CNN, TDNN, Wavelet sítě, fuzzy-neuronové sítě). Aplikace neuronových sítí v biomedicíně. Součástí je i možné využítí neuronových sítí v expertních systémech a pro kompresi dat. Fuzzy množiny a klasické množiny. Definice, základní operace. Dvouhodnotová, vícehodnotová a fuzzy logika. Princip rozšíření. Fuzzy relace, cylindrické rozšíření. Fuzzy čísla a aritmetika. Fuzzy implikace. Přibližné usuzování. Systémy založené na fuzzy pravidlech, fuzzy inference. Logické spojky, t-normy a s-normy. Příklady aplikací v lékařství (fuzzy modelování, využití při zpracování obrazu).

Požadavky:

Základy matematiky a Matlabu.

Klasifikovaný zápočet: Písemný test na 60 minut z odpřednášené a odcvičené látky v rozsahu čtyř otázek. Otázky se budou týkat oblasti neuronových sítí (základní principy extrakce, učení a zevšeobecňovaní znalostí, neuron perceptronového a radiálního typu, základní typy umělých neuronových sítí - MLP, RBF, Kohonenovy mapy, Hopfieldova síť) a fuzzy logiky (vícehodnotová logika, princip fuzzy logicky, základní matematické operace, fuzzy proměnné a fuzzy množina, fuzzifikace, inferenční mechanizmus, defuzzifikace, Takagiho model, Sugenův model).

Osnova přednášek:

1. Úvod. Osnova. Předzpracování a formát dat. Úvod do neuronových sítí

2. Model neuronu. Vícevrstvá perceptronová síť. Struktura sítě a metody učení (backpropagation a další metody učení).

3. RBF síť, Kohonenova síť - struktura, vlastnosti

4. Asociativní paměti, Hopfildova síť, ART síť. Aplikace neuronových sítí

5. Fuzzy množiny a klasické množiny. Definice, základní operace. Dvouhodnotová, vícehodnotová a fuzzy logika.

6. Princip rozšíření. Fuzzy relace, cylindrické rozšíření. Fuzzy čísla a aritmetika. Fuzzy implikace. Přibližné usuzování.

7. Logické spojky, t-normy a s-normy. Příklady aplikací v lékařství (fuzzy modelování, využití při zpracování obrazu).

Osnova cvičení:

1. Modelování jednoduchého neuronu a třívrstvé perceptronové sítě v Matlabu.

2. Návrh RBF sítě pro klasifikační úlohu.

3. Návrh Kohonenovy sítě.

4. Návrh Hopfieldovy sítě.

5. Sestavení fuzzy množin, operace s fuzzy množinami.

6. Fuzzifikace, fuzzy inference, defuzzifikace.

7. Aplikace fuzzy logiky v návrhu fuzzy systému. Aplikace v Matlabu.

Cíle studia:

Poskytnout studentům základní náhled na umělé neuronové sítě a fuzzy logiku.

Studijní materiály:

[1] Mařík V., Štěpánková O., Lažanský J. a kol.: Umělá inteligence 1-5 (zejména díl 4). Academia, Praha, 1993-2008.

[2] Šíma J., Neruda R.: Teoretické otázky neuronových sítí. Matfyzpress, Praha, 1996.

[3] Vysoký P., Fuzzy řízení, skriptum FEL, ČVUT, Praha, 1996

Poznámka:
Další informace:
Pro tento předmět se rozvrh nepřipravuje
Předmět je součástí následujících studijních plánů:
Platnost dat k 9. 7. 2012
Aktualizace výše uvedených informací naleznete na adrese http://bilakniha.cvut.cz/cs/predmet1325806.html