231000 Нечеткая логика

1.
Цели и задачи дисциплины
1.1. Цель. Задачи дисциплины, ее место в подготовке бакалавра (с учетом
квалификационных требований ФГОС)
Рабочая программа по дисциплине «Нечеткая логика и нейронные сети» составлена в соответствии с
требованиями ФГОС ВПО по направлению 231000 «Программная инженерия» и относится к циклу
математических и естественнонаучных дисциплин (Б2).
Учебная дисциплина «Нечеткая логика и нейронные сети» предназначена для профессионального
моделирования инженерных задач.
Целью курса «Нечеткая логика и нейронные сети» является освоение методов нечеткой логики,
формирующих один из новых подходов к анализу и моделированию практических задач. В указанном курсе
обучаемые должны приобрести устойчивые знания по обработке информации, моделированию, исследованию
операций управления и прогнозирования информационных систем.
1.2.
Требования к уровню усвоения дисциплины
Обучающийся должен знать математическую логику, основные определения нечеткой логики и
нейронных сетей, области применения нечетких множеств логики и нейронных сетей, программные средства
для моделирования нечетких множеств и создания нейронных сетей, инструментальные интегрированные
программные среды разработчиков для применения моделей нечетких множеств и нейронных сетей,
технологию создания и использования нейронных сетей, принципы моделирования нечеткой логики и
нейронных сетей для решения инженерных задач
Обучающийся должен уметь применять программные средства разработки моделей нечеткой логики,
пользоваться аппаратными средствами создания нейронных сетей при решении инженерных задач.
Обучающийся должен владеть навыками построения и обучения искусственных нейронных сетей;
навыками формирования систем нечеткого логического вывода, различных стратегий вывода знаний и
объяснения полученных результатов.
Обучающийся должен иметь представление о принципах решения задач математического анализа,
классификации, прогнозировании и управления с помощью нейронных сетей и нечеткого моделирования.
У обучающегося должны быть сформированы следующие общекультурные компетенции (ОК) и
профессиональные компетенции (ПК):
- понимание основных концепций, принципов, теорий и фактов, связанных с информатикой (ПК-1);
- способность к формализации в своей предметной области с учетом ограничений используемых
методов исследования (ПК-2);
- умение готовить презентации, оформлять научно-технические отчеты по результатам выполненной
работы, публиковать результаты исследований в виде статей и докладов на научно-технических конференциях
(ПК-5).
1.3.
Связь с другими дисциплинами Учебного плана
Перечень действующих и предшествующих дисциплин
Математический анализ, Теория вероятностей и
математическая статистика, Математическая логика и
теория алгоритмов, Теория принятия решений, Методы
интеллектуального анализа данных
Перечень последующих дисциплин, видов работ
Системы искусственного интеллекта, Учебноисследовательская работа в семестре
2. Содержание дисциплины, способы и методы учебной
деятельности преподавателя
Методы обучения – система последовательных, взаимосвязанных действий, обеспечивающих усвоение
содержания образования, развитие способностей обучающихся, овладение ими средствами самообразования
и самообучения; обеспечивают цель обучения, способ усвоения и характер взаимодействия преподавателя и
обучающегося; направлены на приобретение знаний, формирование умений, навыков, их закрепление и
контроль.
Монологический (изложение теоретического материала в форме монолога)
М
Показательный (изложение материала с приемами показа)
П
Диалогический (изложение материала в форме беседы с вопросами и ответами)
Д
Эвристический (частично поисковый) (под руководством преподавателя обучающиеся
Э
рассуждают, решают возникающие вопросы, анализируют, обобщают, делают выводы и
решают поставленную задачу)
Проблемное изложение (преподаватель ставит проблему и раскрывает доказательно пути
ее решения)
ПБ
Исследовательский (обучающиеся самостоятельно добывают знания в процессе разрешения
проблемы, сравнивая различные варианты ее решения)
И
Программированный (организация аудиторной и самостоятельной работы обучающихся
осуществляется в индивидуальном темпе и под контролем специальных технических средств)
ПГ
Другой метод, используемый преподавателем (формируется самостоятельно), при этом в п.п.
2.1.-2.4. дается его наименование, необходимые пояснения
Приведенные в таблице сокращения обозначения педагогических методов используются составителем
Рабочей программы для заполнения п.п. 2.1., 2.2. и 2.3. в столбце «Методы».
Реализуемые
компетенции
Вид занятия, модуль, тема и краткое содержание
Методы
практические,
в том числе в
интерактивной
форме, час.
Аудиторные
занятия
(лекции,
лабораторные,
семинарские) – очная форма обучения
Кол. час
Неделя
2.1.
Очная форма обучения
1-2
2
1
1-2
2
1
3-8
6
3
3-4
2
1
5-6
2
1
7-8
2
1
Лекции
Модуль 1 «Нечеткие множества»
Тема «Введение в нечеткие множества
и операции над ними»:
Возникновение нечетких множеств. Современные тенденции
использования нечетких множеств в создании интегрированных
информационных систем. Нечеткая логика. Мягкие вычисления.
Лингвистическая неопределенность. Нечеткая логика и теория
вероятностей. Определения. Диаграмма Заде. Представления.
Диаграмма Венна. Характеристики. Операции. Свойства. Основные
типы функций принадлежности. Нечеткие отношения
Модуль 2 «Нечеткая логика»
Тема «Нечеткая и лингвистическая переменные. Нечеткие величины,
числа и интервалы»:
Определения нечеткой и лингвистической переменных. Нечеткие
величины, числа и интервалы. Треугольные нечеткие числа и
трапециевидные нечеткие интервалы
Тема «Основы нечеткой логики»
Понятие нечеткого высказывания и нечеткого предиката. Нечеткие
предикаты.
Основные
логические
операции
с
нечеткими
высказываниями. Логическое отрицание нечетких высказываний.
Логическая конъюнкция
нечетких высказываний. Логическая
дизъюнкция нечетких высказываний. Нечеткая импликация. Нечеткая
эквивалентность. Правила нечетких продукций. Прямой и обратный
методы вывода заключений в системах нечетких продукций
Тема «Системы нечеткого вывода»
Базовая архитектура систем нечеткого вывода. Основные этапы
нечеткого вывода. Формирование базы правил систем нечеткого вывода.
Фаззификация (Fuzzification). Агpегирование (Aggregation). Активизация
П, Д,
Э, ПБ
П, Д,
Э, ПБ
ПК-1
П, Д,
Э, ПБ
П, Д,
Э
ПК-1,
ПК-2
ПК-1
П, Д,
Э, ПБ
ПК-1
П, Д,
Э, ПБ
ПК-2
ПК-1
9-11
4
2
9
2
1
10-11
2
1
12-18
6
4
12-13
2
1
14-15
2
2
16-18
2
1
1-2
1-2
2
2
3-8
6
3-4
2
5-6
2
(Activation). Аккумуляция (Accumulation). Дефаззификация (Defuzzifica
tion). Основные алгоритмы нечеткого вывода. Алгоритм Мамдани
(Mamdani).Алгоритм Цукамото (Тsukаmоtо). Алгоритм Ларсена (Larsen).
Алгоритм Cyгено(Sugeno). Примеры использования систем нечеткого
вывода в задачах управления.
Модуль 3 «НЕЧЕТКОЕ МОДЕЛИРОВАНИЕ В СРЕДЕ МАTLAB»
Тема «Общая характеристика программы МАTLAB»:
Основные элементы системы МАTLAB. Основные приемы работы в
системе МАTLAB. Редактор систем нечеткого вывода FIS. Редактор
функций принадлежности. Редактор правил системы нечеткого вывода.
Программа просмотра правил системы нечеткого вывода. Программа
просмотра поверхности системы нечеткого вывода.
Тема «Нечеткая кластеризация в Fuzzy Logic Toolbox»:
Общая характеристика задач кластерного анализа. Задача нечеткой
кластеризации и алгоритм ее решения. Общая формальная постановка
задачи нечеткого кластерного анализа. Уточненная постановка задачи
нечеткой кластеризации. Алгоритм решения задачи нечеткой
кластеризации методом нечетких с-средних. Средства решения задачи
нечеткой кластеризации в пакете Fuzzy Logic ТoolBox.
Модуль 4 «Нейронные сети»
Тема «Понятие нейронной сети, ее функционирование и обучение.
Классификация нейронных сетей»:
История исследования в области нейронных сетей. Биологический
нейрон. Структура и функционирование искусственного нейрона.
Постановка задачи обучения нейронной сети. Классификация
нейронных сетей и их свойства. Эффективность нейронных сетей.
Многослойная нейронная сеть. Круг задач, решаемых с помощью
нейронных сетей. Решение задач классификации, распознавания
образов, прогнозирования и управления с помощью указанных классов
нейронных сетей.
Тема «Пакет NEURAL NETWORKS TOOLBOX»:
Назначение пакета Neural Networks Toolbox. Обзор функций пакета
Neural Networks Toolbox. Создание и исследование нейронных сетей
средствами пакета Neural Networks Toolbox.
Тема «Гибридные нейронные сети, их обучение и использование»:
Нечеткий нейрон. Архитектура нечеткой (гибридной) нейронной сети.
Обучение гибридной нейронной сети. Решение задачи классификации с
помощью гибридной нейронной сети.
Лабораторные занятия
Модуль 1 «Нечеткие множества»
Тема «Введение в нечеткие множества
и операции над ними»:
Основы программирования в системе MATLAB. Массивы, структуры,
ячейки и классы системы MATLAB.
Модуль 2 «Нечеткая логика»
Тема «Нечеткая и лингвистическая переменные. Нечеткие величины,
числа и интервалы»:
Основные элементы рабочего интерфейса программы fuzzyTECH.
Назначение операций главного меню и панели инструментов программы
fuzzyTECH. Графические средства визуализации результатов нечеткого
вывода в программе fuzzyTECH.
Тема «Основы нечеткой логики»:
Процесс нечеткого моделирования в среде fuzzyTECH. Основные
средства редактирования и анализа систем нечеткого вывода в
fuzzyTECH. Графический редактор лингвистической переменной и
функций принадлежности их термов. Графические редакторы правил
системы нечеткого вывода. Графические средства анализа результатов
нечеткого вывода. Основные средства разработки проектов и
компонентов систем нечеткого вывода в fuzzyTECH. Мастер нечеткого
П, Д,
Э
П, Д,
Э
ПК-5
П, Д,
Э
ПК-5
П, Д,
Э, ПБ
П, Д,
Э, ПБ
ПК-2,
ПК-5
ПК-2
П, Д,
Э
ПК-5
П, Д,
Э, ПБ
ПК-2
ПГ
ПГ
ПК-1
ПК-1
ПГ,
И
ПГ
ПК-1,
ПК-2
ПК-1
ПГ,
И
ПК-1
ПК-5
7-8
2
9-11
4
9
2
10-11
2
12-18
6
12-13
2
14-15
2
16-18
2
проекта. Мастер лингвистической переменной. Мастер блока правил.
Тема «Системы нечеткого вывода»
Процесс разработки системы нечеткого вывода в интерактивном режиме
в Fuzzy Logic Toolbox. Редактор систем нечеткого вывода FIS. Редактор
функций принадлежности. Редактор правил системы нечеткого вывода.
Программа просмотра правил системы нечеткого вывода. Программа
просмотра поверхности системы нечеткого вывода. Пример разработки
системы нечеткого вывода в интерактивном режиме. Процесс
разработки системы нечеткого вывода в режиме командной строки.
Модуль 3 «НЕЧЕТКОЕ МОДЕЛИРОВАНИЕ В СРЕДЕ МАTLAB»
Тема «Общая характеристика программы МАTLAB»:
Нечеткая модель управления кондиционером воздуха в помещении.
Оценивание финансовой состоятельности клиентов при предоставлении
банковских кредитов. Анализ и прогнозирование валютных цен на
финансовом рынке.
Тема «Нечеткая кластеризация в Fuzzy Logic Toolbox»:
Общая характеристика задач кластерного анализа. Задача нечеткой
кластеризации и алгоритм ее решения. Общая формальная постановка
задачи нечеткого кластерного анализа. Уточненная постановка задачи
нечеткой кластеризации. Алгоритм решения задачи нечеткой
кластеризации методом нечетких с-средних. Средства решения задачи
нечеткой кластеризации в пакете Fuzzy Logic ToolBox. Решение задачи
нечеткой кластеризации в командном режиме. Решение задачи нечеткой
кластеризации с использованием средств графического интерфейса.
Решение задачи определения числа кластеров для нечеткой
кластеризации в системе МАTLAB.
Модуль 4 «Нейронные сети»
Тема «Понятие нейронной сети, ее функционирование и обучение.
Классификация нейронных сетей»:
Модели искусственного нейрона Искусственные нейронные сети.
Методы и алгоритмы обучения искусственных нейронных Исследование
персептронных сетей. Исследование линейных нейронных сетей.
Исследование радиальных базисных сетей общего вида.
Тема «Пакет NEURAL NETWORKS TOOLBOX»:
Инициализация пакета Neural Network Toolbox. Окно Create New Data.
Окно Create New Network. Диалоговая панель Network. Импорт-экспорт
данных в Neural Network Toolbox.
Нейронная сеть с прямой передачей сигнала. Реализация логической
функции «И». Аппроксимация функции. Классификация входных
векторов. Демонстрационные примеры NNTool.
Тема «Гибридные нейронные сети, их обучение и использование»:
Общая характеристика ANFIS адаптивных систем нейро-нечеткого
вывода. Понятие нейронной сети и основные способы ее задания.
Гибридная сеть как адаптивная система нейро-нечеткого вывода
Реализация ANFIS в среде МАTLAB Пример решения задачи нейронечеткого вывода.
ПГ,
И
ПК-2
ПГ,
И
ПГ,
И
ПК-5
ПГ,
И
ПК-5
ПГ,
И
ПГ
ПК-2,
ПК-5
ПК-2
ПГ
ПК-5
ПГ,
И
ПК-2
ПК-5
2
Лекции
Тема «Нечеткие множества
и операции над ними. Нечеткая и лингвистическая переменные»:
Возникновение нечетких множеств. Нечеткая логика. Мягкие
П, Д,
Э, ПБ
Реализуемые
компетенции
Вид занятия, модуль, тема и краткое содержание
Методы
в том числе в
интерактивной
форме, час.
Кол. час
Неделя
Аудиторные занятия (лекции, лабораторные, практические, семинарские) - заочная форма
обучения, срок подготовки 5 лет
ПК-1
2
2
2
вычисления. Лингвистическая неопределенность. Нечеткая логика и
теория вероятностей. Определения нечеткой и лингвистической
переменных. Нечеткие величины, числа и интервалы. Основные этапы
нечеткого вывода. Формирование базы правил систем нечеткого вывода.
Примеры использования систем нечеткого вывода в задачах управления.
Основные элементы системы МАTLAB.
Практические занятия
Тема «Нечеткие множества
и операции над ними. Нечеткая и лингвистическая переменные»:
Основы программирования в системе MATLAB.
Массивы, структуры, ячейки и классы системы MATLAB
Процесс разработки системы нечеткого вывода в интерактивном режиме
в Fuzzy Logic Toolbox. Редактор систем нечеткого вывода FIS. Редактор
функций принадлежности. Редактор правил системы нечеткого вывода.
Программа просмотра правил системы нечеткого вывода. Программа
просмотра поверхности системы нечеткого вывода. Пример разработки
системы нечеткого вывода в интерактивном режиме.
Тема «Общая характеристика программы МАTLAB»:
Оценивание финансовой состоятельности клиентов при предоставлении
банковских кредитов.
Тема «Понятие нейронной сети. Пакет NEURAL NETWORKS
TOOLBOX»:
Инициализация пакета Neural Network Toolbox. Окно Create New Data.
Окно Create New Network. Диалоговая панель Network. Импорт-экспорт
данных в Neural Network Toolbox.
Нейронная сеть с прямой передачей сигнала. Реализация логической
функции «И». Аппроксимация функции. Классификация входных
векторов. Демонстрационные примеры NNTool.
ПГ
ПК-1,
ПК-2
ПГ
ПК-5
ПГ
ПК-5
2
2
2
Лекции
Тема «Нечеткие множества
и операции над ними. Нечеткая и лингвистическая переменные»:
Возникновение нечетких множеств. Нечеткая логика. Мягкие
вычисления. Лингвистическая неопределенность. Нечеткая логика и
теория вероятностей. Определения нечеткой и лингвистической
переменных. Нечеткие величины, числа и интервалы. Основные этапы
нечеткого вывода. Формирование базы правил систем нечеткого вывода.
Примеры использования систем нечеткого вывода в задачах управления.
Основные элементы системы МАTLAB.
Практические занятия
Тема «Нечеткие множества
и операции над ними. Нечеткая и лингвистическая переменные»:
Основы программирования в системе MATLAB.
Массивы, структуры, ячейки и классы системы MATLAB
Процесс разработки системы нечеткого вывода в интерактивном режиме
в Fuzzy Logic Toolbox. Редактор систем нечеткого вывода FIS. Редактор
функций принадлежности. Редактор правил системы нечеткого вывода.
Программа просмотра правил системы нечеткого вывода. Программа
просмотра поверхности системы нечеткого вывода. Пример разработки
системы нечеткого вывода в интерактивном режиме.
Тема «Понятие нейронной сети. Пакет NEURAL NETWORKS
TOOLBOX»:
Инициализация пакета Neural Network Toolbox. Окно Create New Data.
Реализуемые
компетенции
Вид занятия, модуль, тема и краткое содержание
Методы
в том числе в
интерактивной
форме, час.
Кол. час
Неделя
Аудиторные занятия (лекции, лабораторные, практические, семинарские) - заочная форма
обучения, срок подготовки 3 года 6 месяцев (в)
П, Д,
Э, ПБ
ПК-1
ПГ
ПК-1,
ПК-2
ПГ
ПК-5
Окно Create New Network. Диалоговая панель Network. Импорт-экспорт
данных в Neural Network Toolbox.
Нейронная сеть с прямой передачей сигнала. Реализация логической
функции «И». Аппроксимация функции. Классификация входных
векторов. Демонстрационные примеры NNTool.
2
2
2
Лекции
Тема «Нечеткие множества
и операции над ними. Нечеткая и лингвистическая переменные»:
Возникновение нечетких множеств. Нечеткая логика. Мягкие
вычисления. Лингвистическая неопределенность. Нечеткая логика и
теория вероятностей. Определения нечеткой и лингвистической
переменных. Нечеткие величины, числа и интервалы. Основные этапы
нечеткого вывода. Формирование базы правил систем нечеткого вывода.
Примеры использования систем нечеткого вывода в задачах управления.
Основные элементы системы МАTLAB.
Практические занятия
Тема «Нечеткие множества
и операции над ними. Нечеткая и лингвистическая переменные»:
Основы программирования в системе MATLAB.
Массивы, структуры, ячейки и классы системы MATLAB
Процесс разработки системы нечеткого вывода в интерактивном режиме
в Fuzzy Logic Toolbox. Редактор систем нечеткого вывода FIS. Редактор
функций принадлежности. Редактор правил системы нечеткого вывода.
Программа просмотра правил системы нечеткого вывода. Программа
просмотра поверхности системы нечеткого вывода. Пример разработки
системы нечеткого вывода в интерактивном режиме.
Тема «Понятие нейронной сети. Пакет NEURAL NETWORKS
TOOLBOX»:
Инициализация пакета Neural Network Toolbox. Окно Create New Data.
Окно Create New Network. Диалоговая панель Network. Импорт-экспорт
данных в Neural Network Toolbox.
Нейронная сеть с прямой передачей сигнала. Реализация логической
функции «И». Аппроксимация функции. Классификация входных
векторов. Демонстрационные примеры NNTool.
Реализуемые
компетенции
Методы
Вид занятия, модуль, тема и краткое содержание
П, Д,
Э, ПБ
ПК-1
ПГ
ПК-1,
ПК-2
ПГ
ПК-5
Кол. час
2
2
2
2
2
2
лабораторным занятиям; тематика рефератной работы; контрольные, рекомендации по
использованию литературы и ЭВМ и др.
Самостоятельное изучение отдельных тем курса:
- Обзор ПО для нечеткого моделирования;
- Обзор ПО для построения нейронных сетей;
- Нечеткие числа и интервалы в форме (LR)функций.
- Исследование самоорганизующихся слоев и слоев Кохонена.
- Общая характеристика ANFIS адаптивных систем нейро-нечеткого вывода.
- Основы языка программирования системы МАTLAB
Тематика заданий для индивидуальной работы:
енции
Неделя
2
3
4
5
6
13
Темы, разделы, вынесенные на самостоятельную подготовку, вопросы к практическим и
Компет
Самостоятельная работа обучающегося – очная форма обучения
2.2.
1-
в том числе в
интерактивной
форме, час.
Неделя
Кол. час
Аудиторные занятия (лекции, лабораторные, практические, семинарские) - заочная форма
обучения, срок подготовки 3 года 6 месяцев (с)
ПК-2
17
14
1. Нечеткое моделирование оценки финансовой задолженности контрагентов на предприятии. ПК-5
2. Анализ и прогнозирование цен продукции внешнем рынке с помощью теории нечетких
множеств.
3. Оценка обученности обучающегося на основе теории нечеткого моделирования.
4. Нечеткое моделирование риска выбора оптимального ПО на предприятии.
5. Спроектировать нейронную сеть, реализующую оценку стоимости услуг рекламного
агентства.
6. Спроектировать нейронную сеть, реализующую оценку стоимости туристического
предложения.
118
10
Усвоение текущего учебного материала
ПК-1
ПК-2
4
4
4
4
6
6
4
10
4
6
67
8
лабораторным занятиям; тематика рефератной работы; контрольные, рекомендации по
использованию литературы и ЭВМ и др.
Самостоятельное изучение отдельных тем курса:
- История развития теории и приложений нечетких множеств и нечеткой логики.
- Обзор ПО для нечеткого моделирования;
- Обзор ПО для построения нейронных сетей;
- Нечеткие числа и интервалы в форме (LR)функций.
- Исследование самоорганизующихся слоев Кохонена.
- Исследование самоорганизующихся карт Кохонена.
- Общая характеристика ANFIS адаптивных систем нейро-нечеткого вывода.
- Основы языка программирования системы МАTLAB.
- Основы работы в программе fuzzyTECH.
- Обучение гибридной нейронной сети.
енции
Темы, разделы, вынесенные на самостоятельную подготовку, вопросы к практическим и
Компет
Кол. час
Неделя
Самостоятельная работа обучающегося – заочная форма обучения, срок обучения 5 лет
ПК-2
Тематика заданий для индивидуальной работы
1. Нечеткое моделирование оценки финансовой задолженности контрагентов на предприятии.
2. Анализ и прогнозирование цен продукции внешнем рынке с помощью теории нечетких ПК-5
множеств.
3. Оценка обученности обучающегося на основе теории нечеткого моделирования.
4. Нечеткое моделирование риска выбора оптимального ПО на предприятии.
5. Спроектировать нейронную сеть, реализующую оценку стоимости услуг рекламного
агентства.
6. Спроектировать нейронную сеть, реализующую оценку стоимости туристического
предложения.
Усвоение текущего учебного материала
ПК-1
ПК-2
4
4
4
4
6
6
4
использованию литературы и ЭВМ и др.
Самостоятельное изучение отдельных тем курса:
- История развития теории и приложений нечетких множеств и нечеткой логики.
- Обзор ПО для нечеткого моделирования;
- Обзор ПО для построения нейронных сетей;
- Нечеткие числа и интервалы в форме (LR) функций.
- Исследование самоорганизующихся слоев Кохонена.
- Исследование самоорганизующихся карт Кохонена.
- Общая характеристика ANFIS адаптивных систем нейро-нечеткого вывода.
енции
Темы, разделы, вынесенные на самостоятельную подготовку, вопросы к практическим и
лабораторным занятиям; тематика рефератной работы; контрольные, рекомендации по
Компет
Кол. час
Неделя
Самостоятельная работа обучающегося – заочная форма обучения, срок обучения 3 года 6
месяцев (в)
ПК-2
10
4
6
69
6
- Основы языка программирования системы МАTLAB.
- Основы работы в программе fuzzyTECH.
- Обучение гибридной нейронной сети.
Тематика заданий для индивидуальной работы
ПК-5
1. Нечеткое моделирование оценки финансовой задолженности контрагентов на предприятии.
2. Анализ и прогнозирование цен продукции внешнем рынке с помощью теории нечетких
множеств.
3. Оценка обученности обучающегося на основе теории нечеткого моделирования.
4. Нечеткое моделирование риска выбора оптимального ПО на предприятии.
5. Спроектировать нейронную сеть, реализующую оценку стоимости услуг рекламного
агентства.
6. Спроектировать нейронную сеть, реализующую оценку стоимости туристического
предложения.
Усвоение текущего учебного материала
ПК-1
ПК-2
4
4
4
4
6
6
4
10
4
6
2.3.
использованию литературы и ЭВМ и др.
Самостоятельное изучение отдельных тем курса:
- История развития теории и приложений нечетких множеств и нечеткой логики.
- Обзор ПО для нечеткого моделирования;
- Обзор ПО для построения нейронных сетей;
- Нечеткие числа и интервалы в форме (LR)функций.
- Исследование самоорганизующихся слоев Кохонена.
- Исследование самоорганизующихся карт Кохонена.
- Общая характеристика ANFIS адаптивных систем нейро-нечеткого вывода.
- Основы языка программирования системы МАTLAB.
- Основы работы в программе fuzzyTECH.
- Обучение гибридной нейронной сети.
енции
Темы, разделы, вынесенные на самостоятельную подготовку, вопросы к практическим и
лабораторным занятиям; тематика рефератной работы; контрольные, рекомендации по
Компет
Кол. час
Неделя
Самостоятельная работа обучающегося – заочная форма обучения, срок обучения 3 года 6
месяцев (с)
ПК-2
69
Тематика заданий для индивидуальной работы
1. Нечеткое моделирование оценки финансовой задолженности контрагентов на предприятии.
2. Анализ и прогнозирование цен продукции внешнем рынке с помощью теории нечетких ПК-5
множеств.
3. Оценка обученности обучающегося на основе теории нечеткого моделирования.
4. Нечеткое моделирование риска выбора оптимального ПО на предприятии.
5. Спроектировать нейронную сеть, реализующую оценку стоимости услуг рекламного
агентства.
6. Спроектировать нейронную сеть, реализующую оценку стоимости туристического
предложения.
6
Усвоение текущего учебного материала
ПК-1
ПК-2
Интерактивные технологии и инновационные методы, используемые в образовательном
процессе
Основаны на использовании современных достижений науки и информационных
технологий. Направлены на повышение качества подготовки путем развития у обучающихся
творческих способностей и самостоятельности (методы проблемного обучения, исследовательские
методы, тренинговые формы, рейтинговые системы обучения и контроля знаний и др.).
№
Наименование основных форм
1.
Компьютерные симуляции
2.
Разбор конкретных ситуаций
3.
Результаты
работы
исследовательских групп
студенческих
Краткое
описание
и
примеры,
использования в темах и разделах, место
проведения
Все практические работы выполняются в
компьютерных классах университета
Разработка нечетких моделей и нейронных
сетей на конкретных примерах
Предоставление отчетов о проделанной
работе группами обучающихся (после
изучения
Модуля
3
«НЕЧЕТКОЕ
МОДЕЛИРОВАНИЕ В СРЕДЕ МАTLAB»)
Часы
5
3
2
3. Средства обучения
3.1. Информационно-методические
№
Перечень основной учебной литературы и дополнительной литературы, методических
разработок; с указанием наличия в библиотеке
Основная учебная литература:
1.
2.
3.
4.
5.
6.
7.
Долженко А.И. Нечеткие модели – эффективный инструментарий для анализа
потребительского качества информационных систем: монография. – Ростов-на-Дону: РГЭУ
(РИНХ), 2008. – 220 с.
Мациевский С. В. Нечеткие множества: Учебное пособие.- Калининград: Изд-во КГУ, 2004.176 с.
Хайкин С. Нейронные сети. - Издательство: Вильямс ISBN: 5-8459-0890-2, 2006. - 1104 с.
Пономарев А.С. Нечеткие множества в задачах автоматизированного управления и
принятия решений. - 2005. - 232 с.
Леоненков А.В.
Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб: БХВ-Петербург, 2005. - 736 с.
Штовба С.Д. Проектирование нечетких систем средствами MATLAB - М.: Горячая линия Телеком, 2007. - 288 с.
Маслобоев Ю.П. Введение в Neural Network Toolbox. – [Электронный ресурс]. http://matlab.exponenta.ru/neuralnetwork/book1/index.php/
Дополнительная литература:
1.
Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. –
М.: Физматлит, 2001. – 211 с.
2.
Яхъяева Г.Э. Нечеткие множества и нейронные сети. – М.: БИНОМ, 2006. – 315 с.
3.
Ежов А.А. Шумский С.А. Нейрокомпьютинг и его применение в экономике. – М., 1998. –
216 с.
4.
Рутковская Д., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие
системы. - Издательство: Горячая линия-Телеком, 2010. – 452 с.
5.
Прикладные нечеткие системы \ Под ред.Т.Тэрано, К.Асаи, М.Сугэно. – М.:Мир, 1993. 368 с.
6.
Поспелов - Нечеткие множества в моделях управления и искусственном интеллекте. – М.:
Наука, 1986. – 312 с.
7.
Кофман А. Введение в теорию нечетких множеств. – М.: Радио и связь,1982. – 431 с.
8.
Алтунин А. Е., Семухин М. В. Модели и алгоритмы принятия решений в нечетких условиях:
Монография.— Тюмень: Издательство Тюменского государственного университета, 2000. - 352 с.[Электронный ресурс]. - http:// www.plink.ru/tnm/index.htm.
9.
Пивкин В. Я., Бакулин Е. П., Кореньков Д. И. Нечеткие множества в системах управления:
Методическое пособие / Под ред. Проф. Золотухина Ю. Н.— 1995. – [Электронный ресурс]. http://idisys.iae.nsk.su/fuzzy_book/content.html.
10.
Батыршин И.З., Недосекин А.А., Стецко А.А., Тарасов В.Б., Язенин А.В., Ярушкина Н.Г.
Теория и практика нечетких гибридных систем/Под ред. Н.Г. Ярушкиной. – М.: Физматлит, 2006.
11.
Девятков В. В. Системы искусственного интеллекта.- М.: Изд-во МГТУ им. Н. Э. Баумана,
2001.- 352 с.
12.
Корнеев В. В., Гареев А. Ф., Васютин С. В., Райх В.В. Базы данных. Интеллектуальная
обработка информации.- М.: Нолидж, 2001.- 495 с.
13.
Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. - М.:
Горячая линия - Телеком, 2001.- 382 с.
15
5
5
1
1
1
1
1
1
1
1
1
1
1
1
1
1
3.2. Материально-технические
№ ауд.
Компьютерн
ые классы
Основное
оборудование,
стенды,
макеты,
компьютерная техника, наглядные пособия и
другие
дидактические
материалы,
обеспечивающие проведение лабораторных и
практических занятий, научно-исследовательской
работы обучающихся с указанием наличия
Мультимедийный компьютер, локальная сеть,
мультимедиа интерактивное оборудование
Телевизионн
ые аудитории
Компьютер, телевизионная или проекционная
техника
Основное
назначение
(опытное,
обучающее, контролирующее) и краткая
характеристика
использования
при
изучении
явлений
и
процессов,
выполнении расчетов.
Назначение
опытное,
обучающее.
Применяется для создания нечетких
моделей и построения нейронных сетей
Назначение обучающее. Применяется
для демонстрации презентаций
4. Текущий, промежуточный контроль знаний обучающихся
№
1.
Тесты (демонстрационный вариант), темы курсовых работ/проектов, вопросы и задания для
текущего контроля, для подготовки к зачету, экзамену
Текущий контроль успеваемости
По Модулю 1 «Нечеткие множества»:
Контрольный письменный опрос по следующим вопросам:
Вариант 1
1. Дайте определение понятия множества.
2. Опишите способы задания функции принадлежности отдельных элементов множества.
3. Дайте определение операции объединения множеств и поясните ее смысл с помощью
диаграммы Венна.
4. Какие отношения называются бинарными? Какие примеры бинарных отношений вы могли бы
привести?
5. Сформулируйте определение нечеткого множества и поясните его основной смысл.
Практическое задание:
В MATLAB реализуйте операции по обработке структуры.
Вариант 2
1. Приведите основные способы и формы представления множеств.
2. Опишите основные свойства операций над множествами: коммутативности, ассоциативности,
идемпотентности, дистрибутивности и инволюции.
3. Приведите примеры реальных задач, которые приводят к необходимости введения понятия
нечеткого множества.
4. Дайте определение операции пересечения множеств и поясните ее смысл с помощью
диаграммы Венна.
5. Дайте определение нечеткого отношения и приведите примеры нечетких отношений.
Практическое задание:
В MATLAB реализуйте операции по обработке двумерного массива.
По Модулю 2 «Нечеткая логика»:
Контрольный письменный опрос по следующим вопросам:
Вариант 1
1. Объясните сущность понятия неопределенности, его природу и основные источники.
2.Раскройте сущность понятия лингвистической переменной.
3.Раскройте понятие фаззификация (Fuzzification).
4.С помощью каких правил формируются значения лингвистической переменной?
5. Что такое аккумуляция (Accumulation)?
6. Перечислите основные алгоритмы нечеткого вывода. Их особенности.
Вариант 2
1.Приведите классификацию лингвистических неопределенностей, поясните их сущность и дайте
примеры.
2. Приведите пример терм-множества значений некоторой лингвистической переменной.
3. Что представляет собой терм-множество?
4. Что такое аrpеrирование (Aggregation)?
5. Раскройте понятие активизация (Activation).
6. Раскройте понятие дефаззификация (Defuzzifica tion).
По Модулю 3 «НЕЧЕТКОЕ МОДЕЛИРОВАНИЕ В СРЕДЕ МАTLAB»
Контрольный письменный опрос по следующим вопросам:
Вариант 1
1. Основные элементы системы МАTLAB. Основные приемы работы в системе МАTLAB.
2. Для чего нужна программа просмотра правил системы нечеткого вывода в Fuzzy Logic
Toolbox?
3. Как создаются функций принадлежности в Fuzzy Logic Toolbox?
Практическое задание:
Полстройте нечеткую модель для анализа входящей документации на предприятии через
редактор систем нечеткого вывода FIS. Задайте функции принадлежности. Сформулируйте правила
системы нечеткого вывода. Посмотрите правила системы нечеткого вывода. Просмотрите поверхность
системы нечеткого вывода.
Вариант 2
1. Опишите функции редактора правил системы нечеткого вывода в Fuzzy Logic Toolbox
2. Опишите функции редактора систем нечеткого вывода FIS в Fuzzy Logic Toolbox
3. Для чего нужна программа просмотра поверхности системы нечеткого вывода в Fuzzy Logic
Toolbox?
Практическое задание:
Полстройте нечеткую модель для анализа товарооборота продукции через редактор систем
нечеткого вывода FIS. Задайте функции принадлежности. Сформулируйте правила системы нечеткого
вывода. Посмотрите правила системы нечеткого вывода. Просмотрите поверхность системы нечеткого
вывода.
По Модулю 4 «Нейронные сети»
Контрольный письменный опрос по следующим вопросам:
Вариант 1
1. Раскройте понятие биологического нейрона
2. Для чего нужна Вкладка Train Network (Обучить сеть)?
3. Что позволяет сделать вкладка Simulate?
4. Раскройте понятие многослойной нейронной сети
Вариант 2
1. Опишите интерфейс Neural Network Toolbox
2. Приведите классификацию нейронных сетей
3. Раскройте понятие нечеткого нейрона
4. Что представляет собой обучение гибридной нейронной сети?
Практическое задание:
Спроектировать нейронную сеть, реализующую оценку себестоимости продукции.
2.
Промежуточная аттестация
Вопросы к экзамену:
1. Нечеткая алгебра как расширение булевой алгебры
2. Возникновение нечетких множеств. Нечеткая логика. Мягкие вычисления.
3. Лингвистическая неопределенность. Нечеткая логика и теория вероятностей.
4. Определения нечетких множеств. Диаграмма Заде. Представления нечетких множеств.
Диаграмма Венна.
5. Характеристики, операции, свойства нечетких множеств
6. Основные типы функций принадлежности. Нечеткие отношения
7. Определения нечеткой и лингвистической переменных.
8. Нечеткие величины, числа и интервалы.
9. Треугольные нечеткие числа и трапециевидные нечеткие интервалы
10. Понятие нечеткого высказывания и нечеткого предиката. Нечеткие предикаты.
11. Основные логические операции с нечеткими высказываниями. Логическое отрицание нечетких
высказываний.
12. Логическая конъюнкция нечетких высказываний. Логическая дизъюнкция нечетких
высказываний.
13. Нечеткая импликация. Нечеткая эквивалентность. Правила нечетких продукций.
14. Прямой и обратный методы вывода заключений в системах нечетких продукций
15. Базовая архитектура систем нечеткого вывода. Основные этапы нечеткого вывода.
Формирование базы правил систем нечеткого вывода.
16. Фаззификация (Fuzzification). Агpегирование (Aggregation). Активизация (Activation).
Аккумуляция (Accumulation). Дефаззификация (Defuzzifica tion).
17. Основные алгоритмы нечеткого вывода. Алгоритм Мамдани (Mamdani).Алгоритм Цукамото
(Тsukаmоtо). Алгоритм Ларсена (Larsen). Алгоритм Cyгено(Sugeno).
18. Примеры использования систем нечеткого вывода в задачах управления.
19. Основные элементы системы МАTLAB. Основные приемы работы в системе МАTLAB.
20. Редактор систем нечеткого вывода FIS. Редактор функций принадлежности. Редактор правил
системы нечеткого вывода. Программа просмотра правил системы нечеткого вывода. Программа
просмотра поверхности системы нечеткого вывода.
21. Общая характеристика задач кластерного анализа. Задача нечеткой кластеризации и алгоритм ее
решения.
22. Общая формальная постановка задачи нечеткого кластерного анализа. Уточненная постановка
задачи нечеткой кластеризации. Алгоритм решения задачи нечеткой кластеризации методом нечетких ссредних.
23. Средства решения задачи нечеткой кластеризации в пакете Fuzzy Logic ТoolBox.
24. История исследования в области нейронных сетей. Биологический нейрон.
25. Структура и функционирование искусственного нейрона. Постановка задачи обучения
нейронной сети.
26. Классификация нейронных сетей и их свойства.
27. Эффективность нейронных сетей. Многослойная нейронная сеть.
28. Решение задач классификации, распознавания образов, прогнозирования и управления с
помощью указанных классов нейронных сетей.
29. Назначение пакета Neural Networks Toolbox. Обзор функций пакета Neural Networks Toolbox.
30. Создание и исследование нейронных сетей средствами пакета Neural Networks Toolbox.
31. Нечеткий нейрон. Архитектура нечеткой (гибридной) нейронной сети.
32. Обучение гибридной нейронной сети.
33. Решение задачи классификации с помощью гибридной нейронной сети.
5. Дополнения и изменения в рабочей программе на учебный год
_____/______
Следующие записи относятся к п.п.
Автор
Зав. rафедрой
Принято УМУ__________________________________ Дата:________________