rpd000007592 (1015254), страница 2

Файл №1015254 rpd000007592 (220400 (27.04.04).М1 Управление и информационные технологии в технических системах) 2 страницаrpd000007592 (1015254) страница 22017-06-182017-06-18СтудИзба

220400 (27.04.04).М1 Управление и информационные технологии в технических системах

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: Экзамен (4 семестр).doc

УЧЕБНО-МЕТОДИЧЕСКОЕ И ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ ДИСЦИПЛИНЫ

а)основная литература:

1. Электронный конспект (на CD носителе, размещенном в системе УМК), преподаватель доц. Кудрявцев П.С., М.: МАИ, каф. 301

2. Методические указания к лабораторным работам на CD – носителе, размещенном в системе УМК), преподаватель доц. Кудрявцев П.С., М.: МАИ, каф. 301.

3. Мерков А.Б. Введение в методы статистического обучения. М.: Едиториал, УРСС, 2011, - 256 с.

4. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. –М.: Горячая линия-Телеком,2007 – 452 с.

5. Дюкова Е.В. Дискретные (логические) процедуры распознавания: принципы конструирования, сложность реализации и основные модели. –М.:Прометей, 2003 -29 с.

6. Проектирование нечетких систем средствами MATLAB –М.: Горячая линия- Телеком, 2007 – 288 с.

7. Лепский А.Е., Броневич А.Г. Математические методы распознавания образов. – Таганрог: Изд-во ТТИ ЮФУ,2009 – 155 с.

б)дополнительная литература:

8. Burnham K., Anderson D. Model Selection and Multimodel Inference. – NJ: Springer,2002 – 515 pp.

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

MatLab (System Identification Toolbox, Robust Control Toolbox, Statistics Toolbox, Neural Networks Toolbox, Fuzzy Logic Toolbox); StatSoft (Statistica for Windows);

электронные библиотечные системы: http: // bookfi.org ; http: // www .twirpx.com ; http: // intuit.ru

МАТЕРИАЛЬНО-ТЕХНИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ДИСЦИПЛИНЫ

1. Лекционные занятия:

a. комплект электронных презентаций,

b. аудитория, оснащенная презентационной техникой в виде электронного проектора, экрана, компьютера и настенной доски.

2. Практические занятия:

a. компьютерный класс,

b. пакеты ПО общего назначения ( MS Word, Excell, Access);

c. специализированное ПО: программный пакет инженерного проектирования MatLab, программный пакет Statistica.

3. Лабораторные работы

a. лаборатория каф.301, оснащенная компьютерной техникой,

b. методические указания и шаблоны отчетов по лабораторным работам.

Приложение 1
к рабочей программе дисциплины
«Обучающиеся технические системы »

Аннотация рабочей программы

Дисциплина Обучающиеся технические системы является частью Профессионального цикла дисциплин подготовки студентов по направлению подготовки Управление в технических системах. Дисциплина реализуется на 3 факультете «Московского авиационного института (национального исследовательского университета)» кафедрой (кафедрами) 301.

Дисциплина нацелена на формирование следующих компетенций: ПК-5 ,КП-1.

Содержание дисциплины охватывает круг вопросов, связанных с: принципами и методами разработки систем управления, функционирующих в условиях неопределенности.

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

Программой дисциплины предусмотрены следующие виды контроля: промежуточная аттестация в форме Экзамен (4 семестр).

Общая трудоемкость освоения дисциплины составляет 4 зачетных единиц, 144 часов. Программой дисциплины предусмотрены лекционные (10 часов), практические (26 часов), лабораторные (32 часов) занятия и (49 часов) самостоятельной работы студента. Основные вопросы дисциплины связаны с детерминированной и стохастической теориями распознавания образов, методами реализации нейронно-нечетких моделей управления и с классическими задачами идентификации систем.

Приложение 2
к рабочей программе дисциплины
«Обучающиеся технические системы »

Cодержание учебных занятий

Лекции

1.1.1. Основные задачи обучения технических систем. Методы параметрической идентификации и адаптации. (АЗ: 2, СРС: 1)

Тип лекции: Информационная лекция

Форма организации: Лекция, мастер-класс

Описание: Структура аппаратно-программных комплексов управления, функционирующих в условиях неопределенности. Регрессионные модели идентификации. АРСС и ARX модели динамических систем. Адаптивные системы с идентификацией. Классификация и подбор моделей с помощью обучения.

1.2.1. Классификация моделей на основе параметрической теории статистических решений. Методы обучения с учителем. (АЗ: 2, СРС: 1)

Тип лекции: Информационная лекция

Форма организации: Лекция, мастер-класс

Описание: Задачи теория распознавания образов. Обучение распознавателей. Вероятностные модели обучения с учителем. Метод минимизации эмпирического риска. Условия сходимости процесса обучения. Линейные распознаватели.

1.3.1. Алгебраический подход к решению задач классификации. Обучение по прецедентам. (АЗ: 2, СРС: 1)

Тип лекции: Информационная лекция

Форма организации: Лекция, мастер-класс

Описание: Логические (дискретные) алгоритмы распознавания. Задачи обучения по прецедентам . Сложность задач классификации. Построение классификаторов на основе нормальных форм. Проблема переобучения. Решающие списки и деревья. Метод комитетов и взвешенное голосование логических правил.

1.4.1. Непараметрическая классификация. Методы обучения без учителя. (АЗ: 2, СРС: 2)

Тип лекции: Информационная лекция

Форма организации: Лекция, мастер-класс

Описание: Непараметрическая регрессия. Обучение без учителя. Линейные распознаватели и ядра Мерсера. Задача расщепления смесей вероятностных распределений. Методы кластерного анализа и неметрического шкалирования. Метод частично-обучающих выборок.

1.5.1. Нейронные сети. Системы нечеткого управления. Методы обучения. (АЗ: 2, СРС: 2)

Тип лекции: Информационная лекция

Форма организации: Лекция, мастер-класс

Описание: Искусственные нейронные сети. Многослойные перцептроны. Обучение нейронных сетей. Системы нечеткого управления, нечеткие классификаторы и методы их обучения. Моделирование систем нечеткого управления с помощью сетей Петри. Модели нечетко-нейронного управления.

Практические занятия

1.1.1. Типовые структуры адаптивных систем с идентификацией. Регрессионный анализ. (АЗ: 2, СРС: 2)