Программа курса Нейросетевое моделирование сложных технических систем (778960), страница 2

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

Текст из файла (страница 2)

2. Алгоритм построения нейросетевой модели

Способы реализации нейросетей, Этапы настройки нейронной сети на решение задач.

3. Математические модели искусственных нейронов и ИНС

Структура нейрона. Постсинаптические преобразования. Функции активации. Виды нейронов. Виды связей между нейронами. ИНС с прямой передачей данных, с обратной связью, с латеральными связями.

Модуль 2 «Подготовка данных и создание ИНС» , трудоемкостью 1 (одна) зачетная единица, включает следующие виды аудиторных занятий (в часах): лекций - 6, семинарских занятий -0, практических занятий - 0, лабораторных занятий - 0. В состав модуля также входит самостоятельная работа студентов, которая предусматривает проработку изученного материала и подготовку к контрольной работе (в количестве) – 1.

В модуль 2 входят следующие разделы дисциплины:

1. Методы подготовки обучающих нейросеть данных

Структура обучающих данных. Определение необходимого количества наблюдений. Предобработка данных.

1. Классификации нейронных сетей

Архитектура нейронных сетей. Основные типы сетей (линейная сеть, многослойный персептрон, сеть типа радиально-базисная функция, вероятностные сети, сеть Кохонена), их особенности и назначение.

Модуль 3 «Обучение ИНС» трудоемкостью 1 (одна) зачетная единица, включает следующие виды аудиторных занятий (в часах): лекций - 6, семинарских занятий -0, практических занятий - 0, лабораторных занятий - 0. В состав модуля также входит самостоятельная работа студентов, которая предусматривает проработку изученного материала и подготовку к контрольной работе (в количестве) – 1.

В модуль 3 входят следующие разделы дисциплины:

1. Методы обучения нейросетей

Основные процедуры обучения. Факторы, определяющие стратегию обучения. Обучение «с учителем» и без. Методы обучения линейных и нелинейных слоев. Контроль процесса обучения. Ошибки обучения и обобщения.

1. Оценка качества обучения и работы сети

Анализ статистик обучения. Оптимизация процесса обучения. Анализ данных. Особенности нейросетевого моделирования технологических процессов и оборудования в электронике и наноэлектронике.

Модуль 4 «Использование прикладных программных продукты для работы с ИНС» трудоемкостью 1 (одна) зачетная единица, включает следующие виды аудиторных занятий (в часах): лекций - 10, семинарских занятий -0, практических занятий - 0, лабораторных занятий - 0. В состав модуля также входит выполнение домашнего задания (в количестве) – 1, его защита.

В модуль 4 входят следующие разделы дисциплины.

1.Обзор программ-нейроимитаторов

Универсальные и специализированные нейроимитаторы. Назначение и особенности. Порядок работы.

2.Примеры использования программных продуктов.

1. Практические занятия – семинары.

не предусмотрены

1. Лабораторные работы (с использованием измерительной техники и экспериментального или производственного оборудования)

не предусмотрены

1. Самостоятельная работа

4.5.0. Входной контроль готовности студента к освоению дисциплины в соответствии с п. 1.3 программы проводится по результатам письменного контрольного тестирования на первых неделях занятий. Целью тестирования является установление уровня знаний, имеющегося у студента после изучения дисциплин: «Конструкторско-технологический практикум», «Техника эксперимента в электронике и наноэлектронике». Задание, как правило, содержит 2 задачи, на решение которых отводится 30-45 минут.

Типовое задание для оценки готовности студента к освоению дисциплины «Нейросетевое моделирование сложных технических систем»:

Задача 1.

Произвести анализ факторов технологического процесса по тематике работы в рамках «Конструкторско-технологического практикума»

Задача 2.

Технологический процесс исследуется с помощью модели y=1+10x₁ +x₂ + 10x₃, составленной с использованием ПФЭ в интервалах: x₁ – от 200К до 400 К, x₂ – от 0 до 1000 единиц, x₃ – от 0 до 500 баллов. Проводится оптимизация процесса с использованием метода крутого восхождения.

Задание:

• Определите координаты исходной точки,

• Назначьте шаг, с которым происходит изменение каждого из факторов,

• Определите координаты точки, соответствующей первому реализуемому опыту.

• Определите значение функции отклика в этой точке.

4.5.1. Домашние задания

4.5.2. Выполнение текущих (еженедельных) домашних заданий.

Выполнение текущих (еженедельных) домашних заданий предусмотрено в виде проработки разделов лекционного курса, необходимых для подготовки к контрольным мероприятиям и выполнения домашних заданий. Контроль проводится на консультациях и при защите соответствующих работ.

4.5.3 Рефераты (эссе и т.п.)

не предусмотрены

4.5.4. Подготовка к контрольным мероприятиям и их проведение

1. Научно-исследовательская работа

не предусмотрена

1. Рейтинговая система контроля освоения дисциплины

Контрольные мероприятия в каждом модуле проводятся в виде письменных тестов, а в модуле 4 выполняется домашнее задание и производится его защита. В рейтинговые баллы по модулю входит оценка по результатам теста, оценка за качество домашнего задания, оценка за инициативность, учитывается также своевременность выполнения всех разделов модуля.

Для получения положительной оценки знаний за модуль необходимо получить по крайней мере минимальное значение баллов за каждый его раздел. При выставлении итоговой оценки по дисциплине в семестре проводится пересчет баллов в оценки за контрольные мероприятия по рекомендациям Положения о модульно-рейтинговой системе Университета.

Типовые варианты заданий и вопросов для подготовки.

Модуль 1 «Общие вопросы решения задач с использованием ИНС »

- Письменная контрольная работа (тест):

Задача 1. Какой вид имеет математическая модель формального нейрона с 3-мя входами, реализующего в качестве функции активации функцию единичного скачка (пороговую)? Сколько настраиваемых параметров имеет такой нейрон?

Задача 2. Создайте математическую модель трехслойной нейросети с прямыми связями, состоящую из формальных нейронов с количеством по слоям 5-3-1. Второй слой обладает также латеральными связями. Изобразите, моделируемую Вами сеть.

Модуль 2 «Подготовка данных и создание ИНС »

- Письменная контрольная работа (тест):

1. Какой (какие) тип сетей не пригоден для решения задач регрессии?

2. очему при недостатке обучающей информации рекомендуется использовать линейную сеть?

3. Какой (какие) тип сетей можно использовать для распознавания изображения?

4. Обучающий набор данных содержит 60 наблюдений, характеризуемых 10 входными параметрами и двумя выходными. Поставленную задачу предполагается решать с использованием вероятностной сети. Сколько нейронов должен содержать первый промежуточный слой?

Модуль 3 «Обучение ИНС »

- Письменная контрольная работа (тест):

1. В алгоритме обратного распространения вектор градиента поверхности ошибок вычисляется для:

• пространства переменных обучающих данных

• пространства весовых коэффициентов

• пространства весовых коэффициентов и констант функции активации

1. Для какой (каких) сети дополнительно к отклонениям (и центрам) надо задать метод обучения?

• многослойный персептрон

• радиальная базисная функция

• сеть Кохонена

• вероятностная нейронная сеть

• линейная сеть

• обобщенно-регрессионная сеть

1. Почему число элементов (нейронов) во втором промежуточном слое обобщенно-регрессионной сети на единицу больше, чем в выходном слое?

• каждый выход имеет в этом слое свой элемент, формирующий для него взвешенную сумму, а дополнительный элемент отвечает за коэффициент потерь

• каждый выход имеет в этом слое свой элемент, формирующий для него взвешенную сумму, а дополнительный элемент вычисляет сумму весовых коэффициентов

1. При каком соотношении стандартного отклонения ошибки прогноза и стандартного отклонения обучающих данных можно говорить о наилучшем качестве регрессии?

• меньше 1

• много меньше 1

• больше 1

• много больше 1

• 1

Модуль 4 «Использование прикладных программных продуктов для решения задач нейросетевого моделирования »

- Домашнее задание «Исследование …..(сложной технической системы) с использованием нейронных сетей» :

В домашнем задании следует решить следующие основные задачи:

1. на основании тематики НИРС произвести анализ параметров выбранной системы;

2. провести нейросетевое моделирование заданной системы;

3. проанализировать полученные результаты и сделать выводы.

Исходные данные:

1. сложная техническая система — объект исследования (технологический процесс / оборудование);

2. входные и выходные параметры определяются в процессе работы по тематике НИР.

Порядок выполнения домашнего задания

1. Составить краткое описание системы, являющейся объектом задания. Сформулировать задачу.

2. Произвести анализ входных и выходных параметров,

3. Подготовить и предварительно обработать набор данных, выполнить разбиение набора данных на обучающее, контрольное и тестовое множества.

4. Сделать обоснованный выбор типа и архитектуры нейронной сети.*

5. Выбрать способ обучения сети и параметры процесса обучения. Выбрать функцию ошибки и ее допустимое значение.

6. Выполнить оценку качества обучения сети, проанализировать возможные причины ошибок.

7. Произвести анализ возможностей нейронной сети при работе с произвольными данными.

8. Проанализировать результаты:

• Выделить достоинства и недостатки метода нейросетевого моделирования,

• Оценить точность решения задачи и пригодность метода для использования в рассматриваемой задаче,

• Произвести сравнение возможностей использованных типов и архитектур нейронных сетей.

* - для решения задачи необходимо использовать 2 типа сетей и для одного из типов две различающиеся архитектуры. Одна из обязательных сетей определяется в соответствии с вариантом по заданию преподавателя. При решении задачи кластеризации варианты архитектур выбираются самостоятельно.

Подготовленное домашнее задание включает следующие материалы:

1. Файлы familiya.sta, familiya.bnt ( при необходимости также файл familiya.xls)

2. Пояснительная записка, составленная по пп. 1-8,

3. Приложения:

• Набор данных с указанием типов переменных и наблюдений,

• Иллюстрации архитектур сетей,

• Графики процесса обучения,

• Статистики регрессии / классификации,

• Поверхности отклика, топологические карты, диаграммы кластеров.

1. Образовательные технологии

При изучении дисциплины предусмотрены следующие активные и интерактивные формы проведения занятий:

1. Применение интерактивных анимированных разделов лекционного курса

2. Учебно-методический комплекс по изучению дисциплины

3. Активное обсуждение презентаций студентов по результатам домашних заданий

4. Работа в команде при подготовке аналитических обзоров и презентаций по полученным результатам.

1. Методическое обеспечение дисциплины

7.1. Основная учебная литература

1. Нейронные сети. Под ред. В.П.Боровикова. 2-е изд. перераб. и доп. - М.: Горячая линия - Телеком, 2008. -392 с.

2. StatSoft. Автоматизированные нейронные сети. http://www.statsoft.ru/products/STATISTICA_Neural_Networks/index.php#tab-more-link

7.2. Дополнительная учебная литература

1. Саймон Хайкин. Нейронные сети: полный курс, пер. с англ. ООО «ИД Вильямс», 2006 – 1104 с.

2. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры: Учеб.пособие для вузов. М.: Изд-во МГТУ им.Баумана, 2004. –320 с.

7.3. Кафедральные издания и методические материалы

1. Наборы электронных презентаций

2. Образцы выполнения домашних работ в виде аналитических обзоров и презентаций по ним.

7.4. Электронные ресурсы (с указанием названия и полного электронного адреса).

1. Statsoft. STATISTICA Automated Neural Networks. http://www.statsoft.ru/products/STATISTICA_Neural_Networks/

2. Электронный рецензируемый журнал «Нейроинформатика». http://www.niisi.ru/iont/ni/Journal/

3. Журнал «Искусственный интеллект и принятие решений». http://aidt.ru/

4. Journal of Artifical Intelligence Research. http://www.jair.org/

5. Neural Networks. http://www.sciencedirect.com/science/journal/08936080

6. Neurocomputing. http://www.sciencedirect.com/science/journal/09252312

7.5. Литература по тематике научно-исследовательской работы (печатные издания и электронные ресурсы)

1. Материально-техническое обеспечение дисциплины

Методические материалы:

1. Учебно-методический комплекс по дисциплине, организованный в гипертекстовом формате.

2. Конспект лекций в электронном виде, раздаваемый студентам на первом занятии и обеспечивающий их самостоятельную работу.

3. Набор электронных презентаций для использования в аудиторных занятиях.

4. Набор оценочных средств для контроля усвоения материала дисциплины.

Используемое оборудование:

мультимедийный проектор.

Рецензент организация, должность, Ф.И.О. ______________

Председатель методической комиссии факультета ____

(Ф.И.О.) ___________________ «____» __________ 201_ г.

Декан факультета _______

(Ф.И.О.) ___________________ «____» __________ 201_ г.

СОГЛАСОВАНО:

Согласование с деканами выпускающих факультетов обязательно по всем дисциплинам

Декан (ы) факультета(ов) _______

(Ф.И.О.) ___________________ «____» __________ 201_ г.

Начальник Методического управления

Васильев Н.В. ___________________ «____» __________ 201_ г.

2

документ из 11 страниц

Характеристики

Список файлов учебной работы