Лабораторный практикум

№

Наименование лабораторных работ

Трудоемкость, ауд. ч.

Номер темы

1.

Моделирование перцептрона в среде визуального моделирования Simulink.

2 часа

3,4

2.

Моделирование и обучение перцептрона с помощью функций Neural Network Toobox.

2 часа

7,8

3.

Моделирование программируемого ФНЧ для коррекции АЧХ канала связи.

4 часа

13

4.

Компенсация переотражений в канале связи.

3 часа

16

5.

Задача 1-шагового прогноза.

2 часа

25

6.

Моделирование многослойной НС.

4 часа

17

7.

Классификация сигналов с помощью состязательной

НС.

2 часа

20

8.

Классификация сигналов с помощью техники LVQ.

3 часа

21

ИТОГО

22 часа

№

Наименование темы занятия

Трудоемкость, ауд. ч.

Номер темы

1.

Введение. Техника нейронных сетей (НС) и ее применение. Модель нейрона. Архитектура и примеры простейших НС.

4 часа

1,2,3,4

2.

Обзор алгоритмов обучения НС. Парадигмы и алгоритмы обучения НС.

8 часа

5,6,7

3.

Решение задачи классификации с позиций нейробиологии. Псевдоинверсный и градиентный методы оценивания матрицы ассоциативной памяти. Перцептрон, обучение по методу коррекции ошибки.

4 часа

9,10,11

4.

Максимально-правдоподобная оценка синаптических весов перцептрона

2 часа

12

5.

Адаптивные фильтры

4 часа

13

6.

Алгоритмы адаптации по методу наименьших квадратов

2 часа

14

7.

Применение МНК-алгоритмов для обучения многомерного перцептрона. Градиентные алгоритмы адаптации и их использование для обучения НС.

2 часа

15,16

8.

Многослойные нерекуррентные НС. Применение МНК-алгоритмов для обучения многослойной НС.

4 часа

17,18

9.

НС на радиально-базовых функциях.

2 часа

19

10.

Самоорганизующиеся НС, состязательное обучение.

2 часа

20

11.

Техника LVQ (Learning Vector Quantization).

2 часа

21

12.

Обучение Хебба в самоорганизующихся НС. Информационно-теоретические модели самоорганизующихся систем.

2 часа

22,23

13.

Нейродинамические системы. Рекуррентные инерционные НС.

4 часа

24,25

14.

Модульно-экспертные НС. Заключение.

2 часа

26,27

ИТОГО

44 часа