rpd000005511 (1015189), страница 2

Файл №1015189 rpd000005511 (161700 (24.04.03).М4 Динамика полета и управление движением летательных аппаратов) 2 страницаrpd000005511 (1015189) страница 22017-06-182017-06-18СтудИзба

161700 (24.04.03).М4 Динамика полета и управление движением летательных аппаратов

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Регистрация/авторизация

Текст из файла (страница 2)

Прикрепленные файлы:

Вопросы для подготовки к экзамену/зачету:

1.Предмет нейроинформатики и цели курса. НС-модели как математические и компью-терные модели, основанные на использовании искусственных нейронных сетей.

2.Типовые задачи нейроинформатики — представление зависимостей между величинами

3.Типовые задачи нейроинформатики — классификация данных.

4.Типовые задачи нейроинформатики — выявление закономерностей в данных.

5.Типовые задачи нейроинформатики — кластеризация данных.

6.Типовые задачи нейроинформатики — сжатие данных.

7.Типовые задачи нейроинформатики — визуализация данных.

8.Типовые задачи нейроинформатики — ассоциативная память.

9.Типовые задачи нейроинформатики — оптимизация.

10.Важнейшие (фундаментальные) идеи, на которых основано НС-моделирование.

11.Основные структурные элементы НС-моделей.

12.Персептрон Розенблатта.

13.Правило обучения Хебба. Постулат Хебба.

14.Линейный ассоциатор. Псевдоинверсное правило обучения. Автоассоциативная память.

15.Варианты правила Хебба:

16.Обучение сетей — правило Уидроу-Хоффа. Сеть ADALINE.

17.Обучающий алгоритм LMS.

18.Правило Уидроу-Хоффа и задача адаптивной фиильтрации.

19.Многослойные сети прямого распространения.

20.Многослойные сети прямого распространения в задачах классификации.

21.Многослойные сети прямого распространения в задачах аппроксимации функций.

22.Обучение многослойных сетей прямого распространения.

23.Обучение многослойных сетей прямого распространения. Алгоритм обратного распространения ошибки

24.Применение сетей прямого распространения.

25.Недостатки алгоритма обратного распространения ошибки, основанного на оптимизационной схеме наискорейшего спуска. Возможные пути устранения этих недостатков.

26.Альтернативные варианты алгоритма обратного распространения ошибки

27.Глобальная и локальная рецептивность сетей. Класс локально-рецептивных сетей.

28.Сети радиальных базисных функций (RBF-сети)

29.Нейросети и составное представление функций.

30.Нейросетевые модели с обратными связями. Рекуррентные сети

31.Сети Хопфилда: общая структура, принципы работы, свойства.

32.Нейросетевые модели с обратными связями: модель NARX.

33.Нейросетевые модели с соревновательным обучением.

34.Самоорганизующаяся карта Кохонена (SOM), ее структура, принципы работы

35.Обучающееся векторное квантование (LVQ).

УЧЕБНО-МЕТОДИЧЕСКОЕ И ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ ДИСЦИПЛИНЫ

а)основная литература:

1. Головко В.А. Нейронные сети: Обучение, организация и применение. – М.: ИПРЖР, 2001. – 256 с.

2. Каллан Р. Основные концепции нейронных сетей: Пер. с англ. – М.: Вильямс, 2003. – 288 .

3. Кохонен Т. Самоорганизующиеся карты: Пер. с англ. – М.: БИНОМ. Лаборатория знаний, 2007 – 545с.

4. Круглов В.В., Борисов В.В. Искусственные нейронные сети: Теория и практика. – 2-е изд. –

М.: Горячая линия–Телеком, 2002. – 382 с.

5. Хайкин С. Нейронные сети: Полный курс. Пер. с англ. – М.: Вильямс, 2006. – 1104 с.

б)дополнительная литература:

1. Верхаген К. и др. Распознавание образов: Состояние и перспективы: Пер. с англ. – М.: Радио и связь, 1985. – 104 с.

2. Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. и др. Нейроинформатика. – Новоси-бирск: Наука, 1998. – 296с.

3. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. – Новосибирск: Наука, 1996. – 276 с.

4. Зиновьев А.Ю. Визуализация многомерных данных. – Красноярск: Изд-во ИВМ СО РАН, 2001. – 180 с.

5. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его приложения в экономике и бизнесе. – М.: Изд-во МИФИ, 1998. – 224 с.

в)программное обеспечение, Интернет-ресурсы, электронные библиотечные системы:

МАТЕРИАЛЬНО-ТЕХНИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ДИСЦИПЛИНЫ

Проведение лекций осуществляется с помощью компьютера и мультимедийного проектора.

Лабораторные работы проводятся в компьютерном классе, оснащенном персональными компьютерами,

объединенными в локальную вычислительную сеть.

Приложение 1
к рабочей программе дисциплины
«Основы нейроинформатики »

Аннотация рабочей программы

Дисциплина Основы нейроинформатики является частью Общенаучного цикла дисциплин подготовки студентов по направлению подготовки Баллистика и гидроаэродинамика. Дисциплина реализуется на 1 факультете «Московского авиационного института (национального исследовательского университета)» кафедрой (кафедрами) 106.

Дисциплина нацелена на формирование следующих компетенций: ОК-1 ,ОК-3 ,ОК-15 ,ПК-4 ,ПК-21 ,ПК-30 ,ПК-31 ,ПК-34 ,ПК-35 ,ПК-36 ,ПСК-5.

Содержание дисциплины охватывает круг вопросов, связанных с: получением студентами представления о перспективных областях информационных технологий, основанных на аппарате нейросетевых вычислений, а также их значении для авиационной техники.

Преподавание дисциплины предусматривает следующие формы организации учебного процесса: Лекция, мастер-класс, Лабораторная работа.

Программой дисциплины предусмотрены следующие виды контроля: промежуточная аттестация в форме Зачет.

Общая трудоемкость освоения дисциплины составляет 2 зачетных единиц, 72 часов. Программой дисциплины предусмотрены лекционные (14 часов), практические (0 часов), лабораторные (20 часов) занятия и (38 часов) самостоятельной работы студента. Задачей изучения дисциплины является обучение студентов методам формализации сложных систем на основе нейросетевых технологий с применением средств системы Матлаб.

В результате изучения дисциплины «Дополнительные главы информатики» студент должен

а) знать: основные идеи и концепции, лежащие в основе новых информационных техноло-гий, основанных на аппарате нейросетевых вычислений;

б) уметь: решать несложные задачи, характерные для изучаемой области в среде системы Матлаб, использовать полученные знания при выполнении курсовых работ и дипломного про-екта;

в) иметь представление: об основных особенностях аппарата нейросетевых вычислений и его важнейших составных частях, о пределах применимости данного аппарата, а также о воз-можностях его использования совместно с традиционными информационными технологиями и традиционным математическим моделированием.

Приложение 2
к рабочей программе дисциплины
«Основы нейроинформатики »

Cодержание учебных занятий

Лекции

1.1.1. Математические и компьютерные модели, основанные на использовании искусственных нейронных сетей(АЗ: 2, СРС: 1)

Тип лекции: Информационная лекция