Document 2687653

2
Цели и задачи освоения учебной дисциплины
1.1. Цель дисциплины
Курс "Интеллектуальные системы обработки информации" является курсом по
выбору направления магистерской подготовки 03.04.03 (011800) "Радиофизика" и дает
студентам знания об основных принципах построения и алгоритмах обучения
искусственных нейронных сетей обработки информации. В курсе рассматриваются вопросы
практического применения искусственных нейронных сетей в задачах обработки сигналов
цифровых и аналоговых систем.
1.2. Задачи дисциплины
После изучения курса студент должен знать основные типы искусственных
нейронных сетей, методы их обучения, возможности, и уметь грамотно формулировать и
решать задачи обработки информации при помощи нейросетей, обладать следующими
компетенциями: способностью оперировать углубленными знаниями в области математики
и естественных наук (ОК-1); способностью совершенствовать и развивать свой
интеллектуальный и общекультурный уровень, добиваться нравственного и физического
совершенствования своей личности (ОК-6).
1.3.
Взаимосвязь учебных дисциплин
Курс "Интеллектуальные системы обработки информации" базируется на курсах
"Цифровая обработка сигналов", "Математика" и "Теория вероятностей и математическая
статистика".
1.4.
Формы работы
Для реализации компетентностного подхода предусматривается использование в
учебном процессе активных форм проведения занятий, в процессе обучение
предусматривается использование мультимедийных, что в сочетании с внеаудиторной
работой формирует и развивает профессиональные навыки студентов.
1.5.
Виды контроля
В курсе используется текущий и итоговый виды контроля
1.6.
Методика формирования результирующей оценки
В течение, семестра проводится три модульных контрольных. Результирующая
оценка формируется на основе результатов текущего контроля усвоения знаний.
2.
Структура изучения дисциплины
Всего часов (общая трудоемкость часов)
72
В том числе:
Аудиторных занятий
34
из них лекций
34
семинарских/практических занятий
лабораторных занятий
практикумов
Самостоятельных занятий:
38
изучение основной и дополнительной литературы
15
написание курсовых работ, эссе, рефератов
выполнение письменных домашних заданий, расчетов, проектов 10
выполнение контрольных работ, тестов
13
Подготовка к экзамену, экзамен
-
3
3. Тематический план изучения дисциплины
Тема
Содержание
Введение
Биологические
основы
функционирования нейрона.
Простейшие модели нейрона.
Прикладные возможности нейронных
сетей.
Модели
нейронов
методы
обучения
Вид
занятий
аудиторные
Форма
занятий
лекция
Кол-во
часов
4
самостоятел
ьные
изучение
основно
й
и
дополни
тельной
литерату
ры
лекция
1
изучение
основно
й
и
дополни
тельной
литерату
ры
лекция
2
изучение
основно
й
и
дополни
тельной
литерату
ры
лекция
2
изучение
основно
й
и
дополни
тельной
литерату
ры
лекция
2
изучение
основно
й
и
дополни
тельной
литерату
ры
2
Персептрон и сигмоидальный нейрон.
Нейрон типа «адалайн».
Инстар и аутстар Гроссберга.
Нейроны типа WTA.
Модель нейрона Хебба.
Стохастическая модель нейрона.
аудиторные
Многослойные
сети
сигмоидальног
о типа
Однослойная сеть.
Многослойный персептрон.
Градиентные алгоритмы обучения.
Эвристические методы обучения.
Генетические алгоритмы.
аудиторные
Рекуррентные
сети
Автоассоциативная сеть Хопфилда.
Сеть Хемминга.
Сеть типа ВАМ.
Персептронная сеть с обратной связью.
Рекуррентная сеть Эльмана.
аудиторные
Понятие нечеткого множества и операций
на нем. Системы нечеткого вывода.
Нечеткая сеть TSK.
Алгоритмы обучения нечеткой нейронной
сети.
Адаптивный алгоритм самоорганизации
нечеткой сети.
аудиторные
Нечеткие
нейронные
сети
и
их
самостоятел
ьные
самостоятел
ьные
самостоятел
ьные
самостоятел
ьные
4. Вопросы к дисциплине
1. Биологические основы функционирования нейрона.
2. Простейшие модели нейрона.
3. Прикладные возможности нейронных сетей.
4. Персептрон и сигмоидальный нейрон.
5. Нейрон типа «адалайн».
4
4
4
5
Форма
контроля
опрос,
выполнен
ие
контрольн
ой работы
опрос,
выполнен
ие
контрольн
ой работы
опрос,
выполнен
ие
контрольн
ой работы
опрос,
выполнен
ие
контрольн
ой работы
опрос,
выполнен
ие
контрольн
ой работы
4
6. Инстар и аутстар Гроссберга.
7. Нейроны типа WTA.
8. Модель нейрона Хебба.
9. Стохастическая модель нейрона.
10. Однослойная сеть.
11. Многослойный персептрон.
12. Градиентные алгоритмы обучения.
13. Эвристические методы обучения.
14. Генетические алгоритмы.
15. Автоассоциативная сеть Хопфилда.
16. Сеть Хемминга.
17. Сеть типа ВАМ.
18. Персептронная сеть с обратной связью.
19. Рекуррентная сеть Эльмана.
20. Понятие нечеткого множества и операций на нем. Системы нечеткого вывода.
21. Нечеткая сеть TSK.
22. Алгоритмы обучения нечеткой нейронной сети.
23. Адаптивный алгоритм самоорганизации нечеткой сети.
5. Учебно-методическое обеспечение
5.1.
Список литературы
Основная литература
1.
Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические
алгоритмы и нечеткие системы. – М.: Горячая линия – Телеком, 2006. – 452с.
2.
Смолин, Д. В. Введение в искусственный интеллект : конспект лекций для студ. вузов.
- Изд. 2-е, перераб. - М. : Физматлит, 2007. - 260 с.
3.
Раннев, Г. Г. Интеллектуальные средства измерений : учебник [для студ. вузов] / Г. Г.
Раннев. - М. : Академия, 2011. - 264 с.
Дополнительная литература
1.
Оссовский С. Нейронные сети для обработки информации. – М.: Финансы и
статистика, 2002. – 344с.
2.
Айфичер Э.C., Джервис Б.У. Цифровая обработка сигналов: практический подход.—
M.: Изд. Дом "Вильямс", 2004. — 992с.
3.
Уидроу Б., Стирнз С. Адаптивная обработка сигналов.— М.: Радио и Связь, 1989. —
440с.
5.2.
Реестр электронных библиотечных ресурсов
1. Библиотека по естественным наукам (БЕН) РАН http://www.benran.ru/
2. Государственная публичная научно-техническая библиотека (ГПНТБ)
http://www.gpntb.ru/
3. Российская государственная библиотека (РГБ) http://www.rsl.ru/
5.3.
http://umka.volsu.ru/newumka2/