Název:

Neuronové sítě, adaptivní a optimální filtrace

Zkratka:QB4
Ak.rok:2012/2013
Semestr:letní
Studijní plán:
ProgramOborRočníkPovinnost
VTI-DR-4DVI4-volitelný
Vyučovací jazyk:čeština
Ukončení:zkouška (ústní)
Výuka:
hod./sempřednáškasem./cvičenílab. cvičenípoč. cvičeníjiná
Rozsah:390000
 zkouškatestycvičenílaboratořeostatní
Body:1000000
Garant:Jan Jiří, prof. Ing., CSc., UBMI
Fakulta:Fakulta elektrotechniky a komunikačních technologií VUT v Brně
Pracoviště:Ústav biomedicínského inženýrství FEKT VUT v Brně
 
Cíle předmětu:
  Získání znalostí z teorie neuronových sítí a teorie adaptivní a optimální filtrace, hledání společných hledisek obou oblastí
Anotace:
  Předmět se v prvé části zabývá přehledem typů architektur neuronových sítí a podrobnou analýzou jejich vlastností. Součástí tohoto rozboru je využití neuronových sítí ve zpracování a rozpoznávání signálů a obrazů. Ve druhé části je předmět věnován teorii optimální detekce a restaurace signálu v klasické i zobecněné podobě, se zdůraznění společného základu této oblasti. Předmět upozorňuje na společná hlediska v oblasti neuronových sítí a v oblasti optimalizovaného zpracování signálu.
Požadované prerekvizitní znalosti a dovednosti:
  teorie signálu a systému, císlicové zpracování signálu (napr. predmety BCZA, MMZS)
Získané dovednosti, znalosti a kompetence:
  Teoretické znalosti z oblasti neuronových sítí a optimálního zpracování signálů, schopnost aplikace a příp. modifikace těchto metod pro konkrétní problémy.
Osnova přednášek:
 Výuka předmětu bude pouze formou samostudia doporučené literatury s ústni zkouškou na konci semestru (podrobné informace o látce a konkrétní literatuře budou zaslány přihlášeným studentům emailem).

  • Architektury a klasifikace neuronových sítí. Neuron jako procesor a klasifikátor, metody tréninku, nenaučitelné problémy
  • Dopředné sítě, jednoduchý a vícevrstvý perceptron. Učení - zpětné šíření chyby jako iterativní minimalizace střední kvadratické odchylky
  • Řízené a neřízené učení. Zobecňování znalostí a optimální stupeň tréninku
  • Sítě s vzájemnými vazbami. Hopfieldovy sítě, chování, stavový diagram, atraktory, učení. Sítě se skrytými uzly
  • Využití relaxační minimalizace "energie" pro optimalizační úlohy, využití sítě jako asociativní paměti. Stochastický neuron a simulované žíhání, Boltzmannův stroj
  • Rekursivní a Jordanovy sítě. Soutěživé učení
  • Kohonenovy mapy, asociativní učení, automatická lokální organizace, zjemnění klasifikace
  • Možnosti neuronových sítí jako signálových procesorů a analyzátorů, praktické aplikace ve zpracování a restauraci signálů a obrazů
  • Optimální detekce a restaurace signálu - přístupy. Nelineární "přizpůsobené" filtry
  • Model zkreslení, LMS-filtrace, diskretní Wienerův filtr v nestacionárním prostředí
  • Kálmánova filtrace ve skalární verzi, vektorové zobecnění ve stacionárním a nestacionárním prostředí
  • Adaptivní filtrace, adaptační algoritmy, rekursivní realizace adaptivní filtrace, filtrace metodou stochastického gradientu
  • Typické aplikace adaptivní filtrace. Srovnání konceptů optimální a adaptivní filtrace s neuronově orientovaným přístupem
Literatura referenční:
 
  • B. Kosko: Neural Networks and fuzzy systems. Prentice Hall 1992
  • B. Kosko (ed.): Neural Networks for signal processing. Prentice Hall 1992
  • S. Haykin: Neural Networks. Prentice Hall 1994
  • J.G.Proakis, et al.: Advanced digital signal processing. McMillan Publ. 1992
  • J.Jan: Digital Signal Filtering, Analysis and Restoration. IEE Publishing, London, UK, 2000
  • P.M.Clarkson: Optimal and Adaptive Signal Processing. CRC Press, 1993
  • S. Haykin: Adaptive Filter Theory. Prentice-Hall Int. 1991
  • V.K.Madisetti, D.B.Williams (eds.): The Digital Signal Processing Handbook. CRC Press & IEEE Press, 1998
Literatura studijní:
 
  • J.Jan: Digital Signal Filtering, Analysis and Restoration. IEE Publishing, London, UK, 2000
  • B. Kosko (ed.): Neural Networks for signal processing. Prentice Hall 1992
  • Jan, J,: Číslicová filtrace, analýza a restaurace signálů. 2. rozš. vydání. VUTIUM Brno 2003