- •Им. В.И. Ульянова (Ленина)» (сПбГэту)
- •210400.62 «Радиотехника»
- •210404.62.____ «Радиоэлектронные системы»
- •210400.62 «Радиотехника»
- •210404.62.____ «Радиоэлектронные системы»
- •Аннотация дисциплины Нейронные сети и нейродинамические системы (Neural networks and neurodynamic systems)
- •1. Цели и задачи дисциплины
- •Место дисциплины в структуре ооп
- •Требования к уровню освоения дисциплины
- •Содержание рабочей программы
- •Лабораторный практикум
- •Практические занятия
- •Распределение учебных часов по темам, видам занятий и видам самостоятельной работы
- •Учебно-методическое и информационное обеспечение дисциплины Основные учебные издания
- •Дополнительные издания
Лабораторный практикум
Лабораторный практикум проводится в классе персональных ЭВМ. Используется программная среда Matlab, включающая в себя Neural Network Toobox и Simulink.
№ |
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 |
|
Практические занятия
№ |
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 |
|