АННОТАЦИЯ курса «Нейронные сети, генетические алгоритмы» Направления подготовки: 231000 Программная инженерия профиль - Разработка программно-информационных систем Квалификация выпускника — бакалавр Дисциплина представляет собой систематизированный курс основ построения нейрокомпьютеров. Дается детальный обзор и описание важнейших методов обучения нейронных сетей различной структуры, а также задач, решаемых этими сетями. Рассмотрены вопросы реализации нейронных сетей. Целью дисциплины является систематизация знаний о возможностях и особенностях применения нейрокомпьютерных алгоритмов и систем для обработки информации. Для изучения дисциплины студенты должны обладать компетенциями, сформированными при изучении основной образовательной программы подготовки бакалавра и базовой части профессионального цикла образовательной программы подготовки магистра. Дисциплина является компонентом вариативной части и предшествует преподаванию курсов: «Интеллектуальные системы», «Применение ВВС». Содержание дисциплины Все содержание дисциплины разбито на 8 модулей: Модуль 1. Основные понятия нейрокомпьютерных систем. Модели нейронов В модуле рассматривается: Символьная и коннекционистская парадигмы искусственного интеллекта, понятие искусственной нейронной сети (НС), история возникновения и перспективы развития НС, отличия НС от традиционных вычислительных систем. Структура и функции различных моделей нейрона: персептрон, сигмоидальный нейрон, адалайн, Паде-нейрон, нейрон с квадратичным сумматором, сигма-пи нейроны, нейрон Хебба, стохастическая модель нейрона, кубические модели нейронов. Модуль 2. Особенности линейного и нелинейного разделения двух классов. В модуле рассматривается: Решение задачи линейного разделения двух классов методом центров масс, алгоритм обучения персептрона, виды обучения, геометрическая интерпретация задачи разделения двух классов. Решение задачи нелинейного разделения двух классов методом максимума правдоподобия и многослойной сетью, реализация булевых функций посредством нейронной сети. Модуль 3. Виды нейронных сетей и способы организации их функционирования. Характеристики многослойных сетей. В модуле рассматривается: Варианты многослойных сетей, режимы функционирования сетей, предобработка входных данных сети, виды интерпретации ответов НС, задача аппроксимации функций и оценка способности сети решить эту задачу. Многослойный персептрон, алгоритм обратного распространения ошибки, подбор коэффициента обучения (одномерная минимизация), методы инициализации весов сети. Модуль 4. Градиентные алгоритмы обучения сети. Методы глобальной оптимизации. В модуле рассматривается: Особенности задачи оптимизации, возникающей при обучении нейронных сетей; алгоритмы выбора направления минимизации: алгоритм наискорейшего спуска, партанметоды, одношаговый квазиньютоновский метод и сопряженные градиенты. Алгоритм имитации отжига, генетические алгоритмы, использование случайных возмущений в обучении (метод виртуальных частиц). Модуль 5. Радиальные нейронные сети. Рекуррентные сети как ассоциативные запоминающие устройства В модуле рассматривается: Математические основы радиальных сетей и методы их обучения. Сравнение радиальных и сигмоидальных нейронных сетей. Нейронная сеть Хопфилда как автоассоциативная память, обучаемая с использованием метода Хебба и проекционного метода; гетероассоциативная память на основе сети Хемминга и двунаправленная ассоциативная память. Модуль 6. Задачи комбинаторной оптимизации рекуррентными сетями. Рекуррентные сети на базе персептрона. В модуле рассматривается: Решение задачи коммивояжера сетью Хопфилда и машиной Больцмана. Параметры функции энергии нейронных сетей, обеспечивающие решение задачи коммивояжера. Многослойные рекуррентные сети (персептронная\break сеть с обратной связью, рекуррентная сеть Эльмана, сеть RTRN) и их использование для идентификации динамических объектов. Модуль 7. Самоорганизация (самообучение) нейронных сетей. Адаптивная резонансная теория (АРТ) В модуле рассматривается: Метод динамических ядер в классификации без учителя, алгоритмы обучения сетей с самоорганизацией и их применение к компрессии данных и прогнозированию. Соотношение стабильности и пластичности при запоминании; архитектура, реализация, обучение и характеристики сети АРТ (адаптивной резонансной теории). Модуль 8. Нечеткие и гибридные нейронные сети. Контрастирование (редукция) нейронной сети. Методы аппаратной реализации нейрокомпьютеров В модуле рассматривается: Математические основы нечетких систем, преимущества и алгоритмы обучения нечетких нейронных сетей, нечеткие сети с генетической настройкой, экспертные системы на основе гибридных НС. Методы оценки значимости параметров нейронной сети и сигналов в ней; сокращение числа входов в линейном сумматоре методом "снизу-вверх", метод исключения параметров "сверху-вниз" с ортогонализацией и бинаризация сумматора. Рассматриваются электронные и оптические методы реализации нейрокомпьютеров. Общая трудоемкость дисциплины: Составляет 4 зачетные единицы. Форма итогового контроля: экзамен. В результате изучения дисциплины студент должен: Знать: теоретические основы применения нечетких и гибридных нейронных сетей;. методы аппаратной реализации нейрокомпьютеров, тенденции их развития; архитектуру нейронных сетей; Уметь: настраивать число нейронов в скрытых слоях сети; применять семантику графических языков; использовать на практике особенности линейного и нелинейного разделения двух классов Владеть: определениями основных понятий нейрокомпьютерных систем; терминологией задач комбинаторной оптимизации рекуррентными сетями; способами решения задач оптимизации, возникающей при обучении нейронных сетей; алгоритмизацией выбора направления минимизации; способностью применять генетические алгоритмы, умением осуществлять оценку значимости параметров нейронной сети и сигналов в ней. Разработчик: Д.т.н., профессор Гагарина Л.Г.