М.2.В.4 Искусственные нейронные сети в управлении (3 семестр

М.2.В.4
Искусственные нейронные сети в управлении
(3 семестр)
Краткое содержание дисциплины. Предметом изучаемой дисциплины являются
искусственные нейронные сети и их место в науке об управлении.
В курсе изучаются модели нейронов, задачи и методы обучения, нейронные сети с
обратными связями и специализированные нейронные сети.
Кредитная стоимость дисциплины. 4 кредита + 2 кредита курсовая работа.
Цель. Изучить метод построения систем автоматического управления на основе
искусственных нейронных сетей.
Результаты обучения. В результате изучения дисциплины студент должен:
знать: методы построения систем автоматического управления на основе
искусственных нейронных сетей.
уметь: программно построить модель системы управления нейронной сети и выполнить
процедуру ее обучения.
владеть: методами и алгоритмами использования искусственных нейронных сетей в
системах управления.
Содержание курса.
Модели нейронов: Биологический нейрон и его математическая модель. Типы функций
активаций. Нейросети и их классификация. Математические модели специализированных
нейронов. Многослойные нейронные сети. Представление задач регрессии,
аппроксимации, идентификации, управления, сжатия данных в нейросетевом логическом
базисе. Многослойный персептрон.
Детерминированные методы обучения: Методы нулевого порядка. Методы первого
порядка. Методы второго порядка.
Некорректные задачи обучения: Неустойчивость вычисления первой и второй
производных в различных метрических пространствах. Обусловленность решения
матричных уравнений. Методы решения некорректных задач.
Стохастические и эволюционные методы обучения: Обучение Больцмана, Гаусса,
Коши. Преобразования случайных величин и векторов. Моделирование стохастических
методов обучения. Эволюционные методы обучения.
Нейронные сети с обратными связями: Нейросети Хопфилда. Нейросетевые методы
решения оптимизационно-комбинаторных задач. Нейросети Хэмминга. Распознавание
образов с помощью расстояний. Двунаправленные ассоциативные нейросети. Нейросети с
обратными связями на базе персептрона.
Специализированные нейросети: Гибридные нейросети и их применения. Сети RBF.
Сети Фальмана. Нечеткие нейросети Ишибуши-Танаки. Нейросети Вольтерра. Решение
четкой и нечеткой системы линейных алгебраических уравнений нейросетевыми
методами. Нейросети с самоорганизацией.
Трудоемкость, час.
144
Лекций, час.
18
Лабораторные работы, час.
72
СРС, час.
54
Пререквизиты. Теория автоматического управления, Теория вероятностей и
математическая статистика, Численные методы.
Основная литература.
Мочалов И.А. Искусственные нейронные сети в задачах управления и обработки
информации. – М.: 2004. – 145 с.
Аттетков А.В., Галкин С.В., Зарубин В.С. Методы оптимизации. – М.: МГТУ им.
Н.Э.Баумана, 2003.
Лоули Д., Максвелл А. Факторный анализ как статистический метод. – М., Мир, 1967.
Гаврилов А.И. и др. Методы робастного, нейро-нечеткого и адаптивного управления. –
М.: МГТУ им. Н.Э.Баумана, 2001.
Осовский С. Нейронные сети для обработки информации. – М.: Финансы и статистика,
2002.
Апифанов О.М. Идентификация процессов теплообмена в летательных аппаратах. – М.:
Машиностроение, 1979.
Ту Дж., Гонсалес Р. Принципы распознавания образов. – М.: Мир, 1979.
Себер Дж. Линейный регрессионный анализ. – М.: Мир, 1980.
Дополнительная литература.
Мочалов И.А. и др. Методы робастного, нейро-нечеткого и адаптивного управления. –
М., МГТУ им. Н.Э.Баумана, 2001.
Минаев Ю.Н., Филимонова О.Ю., Лисс Б. Методы и алгоритмы идентификации и
прогнозирования в условиях неопределенности в нейросетевом логическом базисе. – М.:
Наука, 1977.
Володин В.В. Вычислительные основы линейной алгебры. – М.: Наука, 1977.
Марчук Г.И. Методы вычислительной математики. – М.: Наука, 1977.
Андерсон Т. Статистический анализ временных рядов. – М.: Мир, 1976.
Координатор. Мочалов И. А., д.т.н., профессор.
Использование компьютера. Компьютер используется во всех лабораторных работах
с установленным ПО: MatLab R2008b.
Лабораторные работы.
Применение двухслойной нейронной сети для моделирования дискретной
динамической системы.
Оптимизация двухслойной нейронной сети для моделирования дискретной нелинейной
системы
Решение задачи коммивояжера с использованием нейронной сети Хопфилда.
Решение четкой системы линейных алгебраических уравнений (СЛАУ) нейросетевым
методом.
Решение нечеткой системы линейных алгебраических уравнений (СЛАУ)
нейросетевыми методами.
Преподаватель: Казарян Д.Э., ассистент
Дата: 29.10.2014