Федеральное государственное бюджетное образовательное учреждение высшего образования «Саратовский государственный технический университет
advertisement
Федеральное государственное бюджетное образовательное учреждение высшего образования «Саратовский государственный технический университет имени Гагарина Ю.А.» Кафедра «Автоматизация, управление, мехатроника» РАБОЧАЯ ПРОГРАММА по дисциплине Б.1.3.6.2 «Нейронные сети и нейрокомпьютеры» направления подготовки 15.03.06 «Мехатроника и робототехника» Профиль «Управление робототехническими системами» форма обучения – очная курс – 4 семестр – 8 зачетных единиц – 5 часов в неделю – 8 всего часов – 180 в том числе: лекции – 36 коллоквиумы – нет практические занятия – 36 лабораторные занятия – нет самостоятельная работа – 108 зачет – нет экзамен – 8 семестр РГР – нет курсовая работа – 8 семестр курсовой проект – нет Рабочая программа обсуждена на заседании кафедры « » _____________ 2015 года, протокол № Зав. кафедрой _____________/ Храмов А.Е. / Рабочая программа утверждена на заседании УМКС/УМКН « » _____________ 2015 года, протокол № _ Председатель УМКС/УМКН _______/ Храмов А.Е. / Саратов 2015 1. Цели и задачи дисциплины Цель преподавания дисциплины: обучение студентов основным принципам построения искусственных нейронных сетей, выбора базовых архитектур, освоению основных правил и алгоритмов обучения, процедур оценки параметров работы сети, программных и аппаратных средств реализации нейронных сетей для решения задач мехатроники и робототехники. Задачи изучения дисциплины: освоение методов и средств решения роботехнических и мехатронных задач, решаемых с использованием аппарата нейронных сетей; а именно изучение: - структуры и особенностей построения искусственных нейронных сетей; - этапов решения задачи с использованием нейронных сетей (выбор структуры, инициализация, обучение, тестирование); - задач, решаемых нейронными сетями; - способов обучения нейронных сетей; - различных архитектур нейронных сетей; - корректный выбор структуры нейронной сети и алгоритмов ее обучения для решения поставленной задачи; - способов оценивания точности и корректности работы нейронной сети. 2. Место дисциплины в структуре ООП ВО Учебная дисциплина Б.1.3.6.2 «Нейронные сети и нейрокомпьютеры» относится к блоку Б.1.3 дисциплин по выбору учебного плана подготовки бакалавров в соответствии с направлением подготовки «Мехатроника и обототехника», профилем «Управление робототехническими системами». Для изучения дисциплины необходимы компетенции, сформированные в результате изучения курсов: «Математика», «Информатика», «Численные методы в робототехнике», «Теория автоматического управления», «Методы искусственного интеллекта». Компетенции, сформированные при изучении данной дисциплины, используются при изучении следующих дисциплин: «Проектирование вычислительных средств систем управления РТК», «Техническая диагностика в мехатронике и робототехнике», материалы дисциплины могут использоваться в преддипломной практике и при подготовке квалификационной работы. 3. Требования к результатам освоения дисциплины Процесс изучения дисциплины направлен на формирование компетенции ОПК – 2 – владением физико-математическим аппаратом, необходимым для описания мехатронных и робототехнических систем. Студент должен знать: модели нейронных сетей и этапы решения задач с их использованием (формирование обучающего множества, выбор структуры НС, обучение, тестирование, моделирование), задачи, эффективно решаемые с использованием нейронных задач, аппаратные и программные средства реализации нейронных сетей. Студент должен уметь: использовать аппарат нейронных сетей для решения мехатронных и робототехнических систем (аппроксимация, распознавание образов, управление, классификация и кластеризация). Студент должен владеть: методами моделирования с использованием аппарата нейронных сетей, практическими навыками выбора структуры нейронной сети для решения мехатронных и робототехнических задачи. 4. Распределение трудоемкости (час.) дисциплины по темам и видам занятий № Модуля 1 № Не де ли 2 № Те мы 3 1 13 1 2 46 2 3 79 3 Наименование темы 4 Основы теории нейронных сетей. Свойства. Модели нейрона. Классификация НС. Основные типы обучения. Представление Нейронные сети прямого распространения и их обучение. Персептроны. Нейронные сети прямого распространения. Методы обучения многослойных нейронных сетей Различные модели нейронных сетей. Нейронные сети Кохонена. Задачи классификации и распознавания. Радиальные базисные нейронные сети. Реккурентные нейронные сети Часы Всего Лекции Коллоквиумы 5 6 7 8 семестр 40 12 Лабораторные Практические СРС 8 9 8 20 30 6 6 18 60 8 22 30 4 5 10 12 4 Нейрокомпьютеры. 13 18 5 Решение прикладных задач. Решение ОЗК для различных конструкций манипуляторов и др. 6 6 44 4 180 36 Неронные сети на базе ПЛИС и сигнальных процессоров. Аппаратная и элеентная база элементная база нейровычислителей Всего 180 40 36 108 5. Содержание лекционного курса № темы Всего № часов лекции 1 4 1, 2 1 4 3, 4 1 4 5 2 4 6 2 2 7 3 4 8, 9 Тема лекции. Вопросы, отрабатываемые на лекции Учебнометодическое обеспечение Введение. Свойства биологических нейронных сетей. Понятие искусственных нейронных сетей. Важнейшие искусственных нейросетей. Преимущества нейронных сетей. Место нейронных сетей среди других методов решения задач. Параллельность обработки и реализуемость НС Модели нейронов искусственных нейронных сетей нейрона. Классификация нейронных сетей. Модели нейронов. Виды активационных функций. Ограничения модели нейрона. Классификация НС Представление знаний в нейронной сети. Определение знаний. Представление знаний в нейронной сети. Априорная информация в структуре НС (ограничения и специализация структуры). Инвариантность в структуре нейронных сетей (учет возможных изменений данных об объекте Основные типы обучения нейронных сетей. Основные типы обучения нейронных сетей. Обучение, основанное на коррекции ошибок, Обучение на основе памяти. Обучение Хебба. Персептроны. Нейронные сети прямого распространения. Архитекутура. Матицы весов коэффициентов. Проблема исключающего ИЛИ Обучение многослойных НС. Обучение 1-3, 10,17 3, 4,10 ,17 3, 5,11,17 2,3, 6,12, 17 5,7,9,17 8,11,17 3 4 10, 11 4 4 12, 13, 14, 15 4 2 16 5 2 17 5 2 18 многослойных нейронных сетей. Дифференцируемые функции активации. Алгоритм обратного распространения ошибки. Попадание в локальные минимумы, "паралич" сети Этапы решения задачи с помощью НС прямого распространения на примере решения обратной задачи кинематики. Выбор структуры сети. Формирование обучающего множества. Масштабирование данных. Обучение НС. Моделирование Существующие модели нейронных сетей. Радиальные базисные НС. НС Кохонена. Реккурентные НС Введение. Неронные сети на базе ПЛИС и сигнальных процессоров Нейровычислители на базе DSP и ПЛИС: фирм Analog Devices, Texas Instruments; Motorolla Элементная база нейровычислителей. Элементная база нейровычислителей Нейрочипы: анализ и сравнительные характеристики (NeuroMatrix NM6403, NeuroMatrixR NM6404, СБИС ETANN 80170NX фирмы INTEL, ZISC036 и др.) Аппаратная реализация нейровычислителей Структурно-функциональное построение нейровычислителей. Нейроускорители на базе ПЛИС. Нейроускорители на базе каскадного соединения сигнальных процессоров, Нейроускорители на базе нейрочипов. Нейрокомпьютеры 3, 9,11,17 1,3, 10,17 1,2,3, 17 3, -6,17 3-6,17 6. Содержание коллоквиумов Не предусмотрена учебным планом 7. Перечень практических занятий № темы Всего часов № занятия 1 1 2 4 3 1, 2 1 4 3, 4 2 2 5 Тема практического занятия. Задания, вопросы, отрабатываемые на практическом занятии Учебнометодическое обеспечение 4 5 1, 4, 7, 8, 17 Моделирование нейронной сети в Matlab. Пакет по работе с нейронными сетями в системы Matlab Neural Network Toolbox. Возможности. Особенности. Функции. Представление нейронной сети Matlab Neural Network Toolbox Создание объекта нейронной сети network Методы и алгоритмы обучения нейронных сетей. Обучение нейронных сетей. Выбор алгоритма обучения Исследование линейных нейронных сетей. 3, 7, 17 1, 2, 3, 7, 17 2 4 6, 7 3 4 8, 9 3 2 10 3 4 11, 12 3 4 13, 14 3 2 15 3 4 16, 17 3 2 18 Создание. Инициализация начальных параметров. Обучение Исследование персептронных сетей. Создание. Настройка параметров нейронной сети. Моделирование функций алгебры логики с использование персептрона Исследование самоорганизующихся слоев Кохонена. Решение задачи классификации, распознавания символов Исследование самоорганизующихся карт Кохонена. Карты Кохонена. Решение задачи классификации, распознавания символов Радиальные базисные нейронные сети. Использование радиальных базисных нейронных сетей. Решение задачи аппроксимации. Сравнение с нейронными сетями прямого распространения Исследование радиальных базисных сетей типа PNN. Использование радиальных базисных нейронных сетей типа PNN Исследование радиальных базисных сетей типа GRNN. Использование радиальных базисных нейронных сетей типа GRNN Нейронные сети Хопфилда. Реккурентные нейронные сети. Архитектура. Обучение. Решение задач прогнозирования и управления Исследование сетей Элмана. Реккурентные нейронные сети. Архитектура. Обучение 3, 7, 17 1, 2, 3, 7, 17 1, 2, 3, 7, 17 1, 2, 3, 7, 17 1, 2, 3, 7, 17 1, 2, 17 1, 2, 3, 7, 17 1, 2, 3, 7, 17 8. Перечень лабораторных работ Не предусмотрены учебным планом 9. Задания для самостоятельной работы студентов № темы Всего Часов Задания, вопросы, для самостоятельного изучения (задания) 1 1 2 20 3 2 18 3 30 5 20 5 20 Архитектуры (парадигмы) нейронных сетей (формирование, обучение) Методы глобальной оптимизации для обучения нейронных сетей. Генетические алгоритмы Решение задач аппроксимации Решение задач классификации, распознавания, кластеризации Решение задач управления Учебнометодическое обеспечение 4 1, 2, 3, 7, 17 3, 7, 17 1, 2, 9, 17 1, 2, 3, 7, 1, 2, 3, 7, 9, 17 Методические указания по самостоятельному изучению отдельных разделов дисциплины приведены в соответствующем разделе ИОС. Виды, график контроля СРС, (по решению кафедры УМКС/УМКН). 10. Расчетно-графическая работа Не предусмотрена учебным планом 11. Курсовая работа Предполагает решение обратной задачи кинематики с использованием, нейросетевого аппарата для различных вариантов конструкций манипуляторов. Задание включает все этапы решения задачи с использованием нейронных сетей: выбор структуры, формирование обучающего множества, выбор метода обучения, обучение моделирование работы и тестирование нейронной сети. Кроме этого, необходимо выполнить сравнительный анализ точности решения задачи в зависимости от структуры нейронной сети, объема обучающей выборки и метода обучения. Требования к оформлению курсовой работы. Курсовая работа является работой, содержащий в себе элементы научного исследования. В связи с этим к нему должны предъявляться требования по оформлению, как к научной работе. Эти требования регламентируются государственными стандартами, в частности: • ГОСТ 7.32-2001 «Отчет о научно-исследовательской работе. Структура и правила оформления». • ГОСТ 7.1-2003 «Библиографическая запись. Библиографическое описание. Общие требования и правила составления». • ГОСТ 7.80-2000 «Библиографическая запись. Заголовок. Общие требования и правила составления». • ГОСТ 7.82—2001 «Библиографическая запись. Библиографическое описание электронных ресурсов». Формат Курсовая работа должен быть выполнен на одной стороне листа белой бумаги формата А4 (210×297 мм) через полтора интервала. Цвет шрифта должен быть черным. Гарнитура шрифта основного текста — «Times New Roman» или аналогичная, кегль (размер) от 12 до 14 пунктов. Размеры полей (не менее): правое — 10 мм, верхнее, нижнее и левое — 20 мм. Формат абзаца: полное выравнивание («по ширине»), отступ — 8–12 мм, одинаковый по всему тексту. Заголовки разделов и подразделов следует печатать на отдельной строке с прописной буквы без точки в конце, не подчеркивая. Выравнивание по центру или по левому краю. Отбивка: перед заголовком – 12 пунктов, после – 6 пунктов. Нумерация Страницы следует нумеровать арабскими цифрами, соблюдая сквозную нумерацию по всему тексту (титульный лист включают в общую нумерацию). Номер страницы проставляют в центре нижней части листа без точки. На титульном листе номер не проставляют. Титульный лист В верхней части титульного листа пишется, в какой организации выполняется работа, далее буквами увеличенного кегля указывается тип («Реферат») и тема работы, ниже в правой половине листа — информация, кто выполнил и кто проверяет работу. В центре нижней части титульного листа пишется город и год выполнения. Библиография Библиографические ссылки в тексте реферата оформляются в виде номера источника в квадратных скобках. Библиографическое описание (в списке источников) состоит из следующих элементов: • основного заглавия; • обозначения материала, заключенного в квадратные скобки; • сведений, относящихся к заглавию, отделенных двоеточием; • сведений об ответственности, отделенных наклонной чертой; • при ссылке на статью из сборника или периодического издания — сведений о документе, в котором помещена составная часть, отделенных двумя наклонными чертами с пробелами до и после них; • места издания, отделенного точкой и тире; • имени издателя, отделенного двоеточием; • даты издания, отделенной запятой. 12. Курсовой проект Не предусмотрен учебным планом 13. Фонд оценочных средств для проведения промежуточной аттестации обучающихся по дисциплине (модулю) Процедура оценивания знаний, умений и навыков проводится в соответствии со следующими методическими материалами и заключается в проведении устного экзаменационного опроса в виде диалога преподавателя со студентом, цель которого – систематизация и уточнение имеющихся у студента знаний, проверка его индивидуальных возможностей усвоения материала для оценки способности студента применить полученные ранее знания для организации системы управления информационной безопасностью, в проведении модулей как способов межсессионной проверки знаний, умений, навыков студента в середине семестра по пройденным темам изучаемого предмета. Показателем оценивания степени усвоения знаний является оценка, полученная при ответе на вопросы для экзамена. Оценка выставляется по четырехбалльной шкале, соответствующей оценкам «отлично», «хорошо», «удовлетворительно», «неудовлетворительно» и осуществляется путем анализа ответа на вопросы для экзамена. При этом руководствуются следующими критериями. Оценка Критерии оценивания результатов обучения (дескрипторы) Отлично заслуживает обучающийся, обнаруживший всестороннее, систематическое и глубокое знание учебного материала, предусмотренного программой, усвоивший основную литературу и знакомый с дополнительной литературой, рекомендованной программой. Хорошо заслуживает обучающийся, обнаруживший полное знание учебного материала, усвоивший основную литературу, рекомендованную в программе. Оценка "хорошо" выставляется обучающимся, показавшим систематический характер знаний по дисциплине и способным к их самостоятельному пополнению и обновлению в ходе дальнейшей учебной работы и профессиональной деятельности. Удовлетворительно заслуживает обучающийся, обнаруживший знания основного учебного материала в объеме, необходимом для дальнейшей учебы и предстоящей работы по профессии, знакомых с основной литературой, рекомендованной программой. Оценка выставляется обучающимся, допустившим погрешности в ответе на экзамене и при выполнении экзаменационных заданий, но обладающим необходимыми знаниями для их устранения под руководством преподавателя. Неудовлетворительно выставляется обучающемуся, обнаружившему пробелы в знаниях основного учебного материала. Оценка ставится обучающимся, которые не могут продолжить обучение или приступить к профессиональной деятельности по окончании образовательного учреждения без дополнительных занятий по рассматриваемой дисциплине. Умения и навыки, приобретенные студентом при преподавании рассматриваемой дисциплины, оцениваются по результатам выполнения практических заданий, включающих одну или несколько задач (вопросов) в виде краткой формулировки действий (комплекса действий), которые следует выполнить, или описание результата, который нужно получить. Показателем оценивания степени усвоения знаний является оценка, полученная при представлении материалов и докладе по выданной теме. Оценка выставляется по четырехбальной шкале, соответствующей оценкам «отлично», «хорошо», «удовлетворительно», «неудовлетворительно» и осуществляется путем анализа представленного материала в ответ на практические контрольные задания. При этом руководствуются следующими критериями: Оценка Критерии оценивания результатов обучения (дескрипторы) Отлично 5 баллов выставляется студенту, если задание выполнено в полном объёме с соблюдением необходимой последовательности. Студенты работают Хорошо удовлетворительно полностью самостоятельно: подбирают необходимые для выполнения предлагаемых работ в задании источники знаний, показывают необходимые для проведения практической работы теоретические знания, практические умения и навыки. 4 балла выставляется студенту, если задание выполнено в полном объёме и самостоятельно. Допускаются отклонения от необходимой последовательности выполнения, не влияющие на правильность конечного результата. Студенты используют указанные преподавателем источники знаний, включая страницы атласа, таблицы из приложения к учебнику, страницы из справочной литературы по предмету. Задание показывает знание учащихся основного теоретического материала и овладение умениями, необходимыми для самостоятельного выполнения работы. Могут быть неточности и небрежность в оформлении результатов работы. 3 балла выставляется студенту, если задание на практическую работа выполняется и оформляется студентами при помощи преподавателя или хорошо подготовленных и уже выполненных на «отлично» данную работу студентов. На выполнение задания затрачивается много времени (можно дать возможность доделать работу дома). Студенты показывают знания теоретического материала, но испытывают затруднение при самостоятельной работе с физическими приборами, графиками, таблицами справочной литературы. неудовлетворительно 2 балла выставляется, если студенты показывают плохое знание теоретического материала и отсутствие умения применить знания к решению практической задачи. Руководство и помощь со стороны преподавателя и хорошо подготовленных студентов неэффективны по причине плохой подготовки студента. Процедура оценивания знаний, умений, навыков включает учет успешности выполнения практических работ, самостоятельной работы и сдачу экзамена. Критерии сформированности компетенций: При проверке знаний положительное решение принимается в случае правильного ответа не менее чем 30 % вопросов теста и/или ответа на поставленные на контрольные вопросы в, при условии выполнения полного комплекса практических работ по дисциплине и выполнения заданий на самостоятельную работу студента. При проверке умения в соответствии с уровнями освоения студенту предоставляется возможность после выполнения практических работ по дисциплине и заданий на самостоятельную работу, продемонстрировать умение решать поставленные задачи по использованию аппарата нейронных сетей с использованием пакета Neural Networks Toolbox системы Matlab. При проверке владения навыковыми составляющими компетенций студенту предоставляется возможность решения профессиональных задач в соответствии с уровнями их освоения, с оценкой полноты предлагаемых для решения методов, оптимальности выбора метода и средств её решения, устойчивости демонстрируемых способностей. Контрольные задания 1. С использованием функции создать нейронную сеть прямого распространения с 3 входами, 5 скрытыми слоями. 2. Создать линейную НС с использованием пакета Neural Network Toolbox Matlab. Сформировать обучающее множество. Продемонстрировать групповой и последовательный способы обучения и адаптации. 3. Сформировать множество из 40 случайных векторов на плоскости из 8 кластеров группирующихся около своих центров. Сформировать конкурирующую сеть Кохонена из восьми нейронов для того, чтобы распределить их по классам. Построить графики векторов входа и центров кластеризации. 4. Сфомировать самоорганизующуюся карту Кохонена для обработки двухэлементных векторов входа с прямоугольной сеткой (размера 23), гексагональной сеткой и сеткой со случайным расположением узлов, задав 12 двухэлементных векторов входа. 5. Сформировать нейронную сеть прямого распространения с 2-х компонентным входом и одним выходом. Обучить НС формировать нелинейную функцию двух перемнных, используя градиентные методы. 6. Сформировать нейронную сеть прямого распространения с 3-х компонентным входом и одним выходом. Обучить НС формировать нелинейную функцию трех перемнных, используя метод Левенберга-Марквада. Тестовые задания Какая из функций пакета Neural Networks Toolbox системы Matlab позволяет инициализировать поля созданной НС? 1. Init 2. initNet 3. initn Какая из функций пакета Neural Networks Toolbox системы Matlab позволяет промоделировать работу НС? 1. 2. 3. 4. simNet sim modelNet model Как обозначена матрица весов в объекте нейронной сети Net ? 1. Net.W 2. Net.iW 3. Net.nW 4. Net.oW 5. Net.tW Какая из функций активации в Matlab’e представляет логический сигмоид ? 1. logsig 2. tansig 3. hardlim 4. purelin Как обозначена матрица весов в объекте нейронной сети Net ? 1. Net.b 2. Net.ib 3. Net.nb 4. Net.ob 5. Net.tb Какая из функций используется при факторном анализе в системе Matlab 1. postreg 2. prepca 3. prestd 4. poststd Какой из методов обучения требует заранее установленного количества итераций 1. adapt 2. train Какая из функций формирует НС с линейной функцией активации 1. newl 2. newlin 3. newline Контрольные вопросы 1. Основные архитектуры и виды нейронный сетей: слоистые, полносвязные, сигмоидные, монотонные; нейросети с учителем и без учителя, Хопфилда, Кохонена 2. Элементы нейросетей: синапс или линейная связь, нелинейный элемент или функция активации, точка ветвления, сумматоры - простой, адаптивный, неоднородный, квадратичный 3. Биологический нейрон 4. Режимы работы нейросетей (операции с нейросетями) 5. Типы нелинейных функций 6. Входные и выходные сигналы, функционирование, обучение, тестирование, оценивание 7. Обучение и оптимизация. Методы обучения: градиентный, случайный, партан и др. квазиньютоновский и сопряженных градиентов; одномерная оптимизация 8. Обучаемые нейросети. Обучение по примерам, страницам, по всему задачнику (обучающей выборке); преимущества, проблемы и особенности обучения по страницам 9. Значимость параметров и сигналов 10. Контрастирование 11. Предобработка, ее виды: Перемасштабирование, Нормализация, Стандартизация 12. Задачи для нейросетей: задачи математические и прикладные 13. Оценка работы сети 14. Архитектуры нейроимитаторов: элементы нейрокомпьютера или нейроимитатора 15. Постановка задачи для обучения НС; методика сбора и организации данных 16. Аппроксимация и основные теоремы: Вейерштрасса, Стоуна, обобщенная Вопросы для экзамена 1. Понятие искусственных нейронных сетей. Характерные черты ИНС. 2. Важнейшие свойства биологических и искусственных нейросетей. 3. Параллельность обработки и реализуемость НС. 4. Место нейронных сетей среди других методов решения задач. Понятие формального нейрона. 5. Функции активации. 6. Классификация НС. 7. Задачи, решаемые с помощью НС. 8. Типы обучения нейронных сетей 9. Обучение НС. Обучение “с учителем”, ”Обучение без учителя”. 10. Недостатки метода обратного распространения ошибки. Модификации алгоритма. 11. Персептрон. Архитектура, методы обучения 12. Линейно разделимые и неразделимые задачи. Проблема исключающего ИЛИ. Необходимость использования многослойных сетей 13. Структура сети прямого распространения. 14. Обучение многослойных нейронных сетей. Методы оптимизации. 15. Алгоритм обратного распространения ошибки. 16. Решение обратной задачи кинематики с помощью сети прямого распространения (постановка задачи, этапы решения, входные и выходные данные, функция активации, метод обучения). 17. Задача классификации. 18. НС Кохонена. Структура НС. Методы обучения. 19. Радиальные НС. Структура НС. Методы обучения. 20. Сравнительные характеристика НС прямого распространения и RBFсетей. 21. Реккурентные НС. Особенности НС. 22. НС Хопфилда. Структура НС. Задачи, решаемые с помощью НС Хопфилда. 23. НС Элмана. 24. Глобальные методы оптимизации. Генетический алгоритм. Алгоритм имитации отжига. 25. Проектирование, обучение и моделирование НС с помощью пакета Neural Network Toolbox системы Matlab 26. Функции создание, инициализация, моделирование НС в Matlab. 27. Алгоритмы обучения: градиентные, метода сопряженных градиентов, квазиньютоновские методы. 28. Методы минимизации функционала ошибки при обучении НС. 29. Создание обучающего множества (обучающее, контрольное, тестовое). 30. Функции инициализации весов. 31. Функции обучения сети. Параметры обучения 32. Моделирование сети 33. Нейрокомпьютеры. Классификация Существующие аппаратные средства, поддерживающие работу нейронных сетей. Тестовые задания по дисциплине Какие функции выполняет входной слой многослойного персептрона? 1. Транслирует сигнал на выходной слой многослойного персептрона. 2. Удаляет "шум" из сигнала. 3. Передает входной вектор сигналов на первый скрытый слой. 4. Вычисляет производную для алгоритма обратного распространения ошибки. Аксон – это выходной или входной отросток нейрона? 1. Входной 2. Выходной Что идет сначала – мутация или кроссовер? (в генетических алгоритмах). 1. Мутация 2. Кроссовер 3. Операции кроссовер в генетических алгоритмах не существует. 4. Без разницы. Нейрон получил на вход сигнал от четырех других нейронов уровни возбуждения, значения которых равны 10, -20, 5, 4 и соответствующие веса связей равны 0.8, 0.5, 0.7 и -0.5 соответственно. Вычислите сигнал на выходе го нейрона в случае если функция активации нейронов есть гиперболический ). Выберите правильный ответ: тангенс ( 1. 0.2449 2. 0.3145 3. 0.5 4. -0.5 Что обычно длиннее – аксон или дендрит? 1. Аксон 2. Дендрит Можно ли применять функцию активации типа «ступенька» при методе обучения обратного распространения ошибки? 1. Да 2. Нет Какая из нижеперечисленных нейронных сетей есть сеть с обратными связями? 1. Сеть Кохонена. 2. Сеть Хемминга. 3. Выходная звезда Гроссберга. 4. Радиально-базисная сеть. Нейрон получил на вход сигнал от четырех других нейронов уровни возбуждения, значения которых равны 10, -20, 5, 4 и соответствующие веса связей равны 0.8, 0.5, 0.7 и -0.5 соответственно. Вычислите сигнал на выходе го нейрона в случае если функция активации нейронов ). Выберите правильный ответ: есть логистическая сигмоида ( 1.-4 2. 0.25 3. -3.52 4. 1.7 К принципиальным отличиям обработки информации в нейрокомпьютере от обычной вычеслительной машины не является: - большая емкость памяти - параллельность обработки - способность к обучению на примерах Отросток нейрона, который служит в качестве входнгого канала для передачи нервных импульсов от других нейронов, называется: - аксон - дендрит - синапс - спайк Самообучением, протекающим без учителя, называется: - обучение карт Кохонена - обучение звезд Гроссберга К сетям прямого распространения не относится Сети Хопфилда Сети Кохонена Сети с обратным распространением ошибки Переобучение – это: - Излишне точное соответствие нейронной сети конкретному набору обучающих векторов, при котором сеть теряет способность к обопщению Зацикливание процесса обучения Паралич сети Во встречном распространении объединены два алгоритма: - карта Кохонена и звезд Гроссберга - карта Кохонена и персептрон Розенблатта - персептрон Розенблатта и звезд Гроссберга - сети Хемминга и Хопфилда Функцией активации нейрона называется: - алгоритм обучения сети; - нелинейный преобразователь сигнала на выходе; - взвешенная сумма входов нейрона; С помощью какой функции можно сформировать в Matlab’e нейронную сеть прямого распространения? 1. newp 2. newff 3. netinit 4. newc 5. newn Какая из функций активации в Matlab’e является функцией c жестким ограничением (логическая ступенька) ? 1. logsig 2. tansig 3. hardlim 4. purelin Нужно ли при создании нейронной сети с помощью функции newff в Matlab’e указывать метод обучения? 5. Да 6. Нет Из чего состоит обучающее множество при обучении НС с “учителем”? 1. Из множества входных значений 2. Из множества выходных значений 3. И множества входных и выходных значений Дополнительно обучающее множество может включать: 1. Контрольное подмножество 2. Тестовое подмножество 3. Контрольное и тестовое множества 4. Контрольно-тестовое множество 5. Проверочное и тестовое множества 14. Образовательные технологии Для успешного освоения дисциплины в ходе изложения материала используются лекции на основе мультимедийных презентаций. При изложении материала лектор обсуждает проблемные вопросы, направленные на практическую и самостоятельную деятельность студента. Большое внимание на лекционных и практических занятиях уделяется решению задач из курса «Моделирование систем и процессов». Для развития самостоятельной активности в изучении материала студентам предлагается использование интернет-ресурсов (электронных каталогов, специализированных порталов и сайтов), подготовка к участию в дискуссиях по предлагаемым темам курса, выступление с рефератами. По всем практическим и самостоятельным работам студентам предлагается индивидуальное задание. При защите рефератов будет использоваться технология рецензиро-вания «1-2-3»: студент рецензент по рецензируемому реферату должен сделать одно замечание, два положительных момента, три предложения по улучшению. При решении задач, связанных с алгоритмизацией и программированием, студенты делятся на пары. Члены каждой микрогруппы придумывают тесты для проверки задачи коллеги, а также проверяют решения друг друга. При обучении лиц с ограниченными возможностями и инвалидов используются подходы, способствующие созданию безбарьерной образовательной среды: технологии дифференциации и индивидуализации обучения, сопровождение тьюторами в образовательном пространстве; увеличивается время на самостоятельное освоение материала. 15. ПЕРЕЧЕНЬ УЧЕБНО-МЕТОДИЧЕСКОГО ОБЕСПЕЧЕНИЯ ДЛЯ ОБУЧАЮЩИХСЯ ПО ДИСЦИПЛИНЕ Обязательные издания 1. Галушкин А.И. Нейронные сети. Основы теории [Электронный ресурс]: монография/ Галушкин А.И.— Электрон. текстовые данные.— М.: Горячая линия - Телеком, 2012.— 496 c.— Режим доступа: http://www.iprbookshop.ru/12005.— ЭБС «IPRbooks», по паролю 2. Галушкин А.И. Нейросетевые технологии в России (1982-2010) [Электронный ресурс]: монография/ Галушкин А.И., Симоров С.Н.— Электрон. текстовые данные.— М.: Горячая линия - Телеком, 2011.— 316 c.— Режим доступа: http://www.iprbookshop.ru/12006.— ЭБС «IPRbooks», по паролю 3. Гладков Л.А. Генетические алгоритмы [Электронный ресурс]/ Гладков Л.А., Курейчик В.В., Курейчик В.М.— Электрон. текстовые данные.— М.: ФИЗМАТЛИТ, 2010.— 366 c.— Режим доступа: http://www.iprbookshop.ru/12974.— ЭБС «IPRbooks», по паролю 4. Аверченков В.И. Основы математического моделирования технических систем [Электронный ресурс]: учебное пособие/ Аверченков В.И., Федоров В.П., Хейфец М.Л.— Электрон. текстовые данные.— Брянск: Брянский государственный технический университет, 2012.— 271 c.— Режим доступа: http://www.iprbookshop.ru/7003.— ЭБС «IPRbooks», по паролю Дополнительные издания 5. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы [Электронный ресурс]/ Рутковская Д., Пилиньский М., Рутковский Л.— Электрон. текстовые данные.— М.: Горячая линия - Телеком, 2013.— 384 c.— Режим доступа: http://www.iprbookshop.ru/37190.— ЭБС «IPRbooks», по паролю 6. М. Тим Джонс Программирование искусственного интеллекта в приложениях [Электронный ресурс]/ М. Тим Джонс— Электрон. текстовые данные.— М.: ДМК Пресс, 2011.— 312 c.— Режим доступа: http://www.iprbookshop.ru/7857.— ЭБС «IPRbooks», по паролю 7. Барский А.Б. Введение в нейронные сети [Электронный ресурс]/ Барский А.Б.— Электрон. текстовые данные.— М.: Интернет-Университет Информационных Технологий (ИНТУИТ), 2016.— 358 c.— Режим доступа: http://www.iprbookshop.ru/16694.— ЭБС «IPRbooks», по паролю 8. Дьяконов В.П. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики [Электронный ресурс]: монография/ Дьяконов В.П., Круглов В.В.— Электрон. текстовые данные.— М.: СОЛОН-ПРЕСС, 2009.— 454 c.— Режим доступа: http://www.iprbookshop.ru/8683.— ЭБС «IPRbooks», по паролю 9. Никитин Ю.Р. Диагностирование мехатронных систем [Электронный ресурс]: учебное пособие/ Никитин Ю.Р., Абрамов И.В.— Электрон. текстовые данные.— Саратов: Вузовское образование, 2013.— 116 c.— Режим доступа: http://www.iprbookshop.ru/13859.— ЭБС «IPRbooks», по паролю Периодические издания 10. Электронный журнал «Нейроинформатика» http://www.niisi.ru/iont/ni/Journal/ 11. Neural Computation Journal. http://www.mitpressjournals.org/loi/neco 12. Журнал «Neurocomputing» Интернет ресурсы 13. http://www.niisi.ru/iont/ni – Российская ассоциация нейроинформатики. 14. http://www.elsevier.com/wps/find/journaldescription.cws_home/505628/description 15. The Journal of Neuroscience 16. http://www.jneurosci.org/ Источники ИОС 17. https://portal3.sstu.ru/Facult/INETM/AUM/MHRT/B.2.3.4.2/default.aspx Все лекционные и учебно-методические материалы размещены в электронной форме в ИОС СГТУ имени Гагарина Ю.А. https://portal.sstu.ru/Fakult/FETIP/IBS/c3116/default.aspx. 16. Материально-техническое обеспечение Лекционные и практические занятия проходят с использованием компьютеров в дисплейных классах, оборудованном специализированной учебной мебелью, технических средств обучения (мультимедийный проектор, интерактивная доска). Для обеспечения образовательного процесса по дисциплине используются лекционные аудитории, оборудованные специализированной учебной мебелью и оснащенные современными техническими средствами обучения (проектор, интерактивные доски) и компьютерные классы для проведения практический занятий. Для проведения практических занятий используются компьютерные классы с соответствующим программным обеспечением (MicrosoftOffice 2007/2010, SolidWorks, Matlab), рассчитанные на обучение группы студентов, удовлетворяющие санитарно-гигиеническим требованиям, работающие под управлением операционной системы MicrosoftWindows XP или Windows 7 с подключением к сети Internet. Электронная библиотека вуза: http://lib.sstu.ru/index.php/elmrazdel/melellib Электронная информационно-образовательная среда: https://portal.sstu.ru
