- •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
Распределение учебных часов по темам, видам занятий и видам самостоятельной работы
№ темы |
Название разделов, тем рабочей программы и видов самостоятельной работы |
Объем учебных часов |
Сем. |
Литература по темам |
||||||||
Лекции |
Лаб. работы |
Практ. занятия. |
Семинары |
Ауд. занятия |
Самост. Работа * |
Всего |
||||||
Всего |
В инте-рактивн. форме |
|||||||||||
1. |
Введение. Техника нейронных сетей (НС) и ее применение. |
- |
- |
1 |
- |
1 |
- |
1 |
2 |
8 |
Л1,Л2 |
|
2. |
Модель нейрона. |
- |
- |
1 |
- |
1 |
- |
1 |
2 |
8 |
Л1,Л2,Д2 |
|
3. |
Архитектура НС. |
- |
1 |
1 |
- |
2 |
- |
1 |
3 |
8 |
Л1,Л2,Д2 |
|
4. |
Примеры простейших НС. |
- |
1 |
1 |
- |
2 |
1 |
1 |
3 |
8 |
Л1,Л2 |
|
5. |
Обзор алгоритмов обучения НС. |
- |
- |
2 |
- |
2 |
2 |
2 |
4 |
8 |
Л1,Л2 |
|
6. |
Парадигмы обучения. |
- |
- |
2 |
- |
2 |
- |
2 |
4 |
8 |
Л1,Л2 |
|
7. |
Алгоритмы обучения. |
- |
1 |
4 |
- |
5 |
1 |
2 |
7 |
8 |
Л1,Л2 |
|
8. |
Моделирование НС в среде Matlab с использованием функций Neural Network Toobox (NNT). |
- |
1 |
- |
- |
1 |
1 |
3 |
4 |
8 |
Л1,Л3,Д1 |
|
9. |
Решение задачи классификации с позиций нейробиологии. |
- |
|
1 |
- |
1 |
- |
2 |
3 |
8 |
Л1,Л2 |
|
10. |
Псевдоинверсный и градиентный методы оценивания матрицы ассоциативной памяти. |
- |
- |
2 |
- |
2 |
- |
2 |
4 |
8 |
Л1,Л2 |
|
11. |
Перцептрон, обучение по методу коррекции ошибки. |
- |
- |
1 |
- |
1 |
- |
2 |
3 |
8 |
Л2,Л3,Д4 |
|
12. |
Максимально-правдоподобная оценка синаптических весов перцептрона. |
- |
- |
2 |
|
2 |
- |
2 |
4 |
8 |
Л1,Л2 |
|
13. |
Адаптивные фильтры. |
- |
4 |
4 |
- |
8 |
4 |
8 |
16 |
8 |
Л2,Л3,Д1,Д4 |
|
14. |
Алгоритмы адаптации по методу наименьших квадратов. |
- |
- |
2 |
- |
2 |
- |
4 |
6 |
8 |
Л1,Л2,Д4 |
|
15. |
Применение МНК-алгоритмов для обучения многомерного перцептрона. |
- |
- |
1 |
- |
1 |
- |
2 |
3 |
8 |
Л1,Л2,Д2,Д3 |
|
16. |
Градиентные алгоритмы адаптации и их использование для обучения НС. |
- |
3 |
1 |
- |
4 |
1 |
4 |
8 |
8 |
Л2,Л3,Д1,Д4 |
|
17. |
Многослойные нерекуррентные НС. |
- |
4 |
3 |
- |
7 |
2 |
4 |
11 |
8 |
Л2,Л3,Д1 |
|
18. |
Применение МНК-алгоритмов для обучения многослойной НС. |
- |
- |
1 |
- |
1 |
- |
4 |
5 |
8 |
Л1,Л2,Д2 |
|
19. |
НС на радиально-базовых функциях. |
- |
- |
2 |
- |
2 |
- |
2 |
4 |
8 |
Л1,Л2 |
|
20. |
Самоорганизующиеся НС, состязательное обучение. |
- |
2 |
2 |
- |
4 |
2 |
4 |
8 |
8 |
Л2,Л3,Д1 |
|
21. |
Техника LVQ (Learning Vector Quantization). |
- |
3 |
2 |
- |
5 |
1 |
4 |
9 |
8 |
Л2,Л3,Д1 |
|
22. |
Обучение Хебба в самоорганизующихся НС. |
- |
- |
1 |
- |
1 |
- |
2 |
3 |
8 |
Л1,Л2 |
|
23. |
Информационно-теоретические модели самоорганизующихся систем. |
- |
- |
1 |
|
1 |
- |
2 |
3 |
8 |
Л1,Л2 |
|
24. |
Нейродинамические системы. |
- |
- |
2 |
- |
2 |
- |
4 |
6 |
8 |
Л1,Л2,Д2 |
|
25. |
Рекуррентные инерционные НС. |
- |
2 |
2 |
- |
4 |
- |
2 |
6 |
8 |
Л1,Л2,Д2 |
|
26. |
Модульно-экспертные НС. |
- |
- |
1 |
- |
1 |
- |
2 |
3 |
8 |
Л1,Л2 |
|
27. |
Заключение. |
- |
- |
1 |
- |
1 |
- |
1 |
2 |
8 |
Л1,Л2 |
|
Курсовой проект (работа) |
- |
- |
- |
- |
|
|||||||
Индивид домашнее задание (реферат, доклад, расчетно-графическая работа,…) |
- |
- |
- |
- |
Л1,Л2 |
|||||||
Подготовка к экзамену |
|
- |
- |
- |
|
|||||||
ИТОГО: |
|
22 |
44 |
- |
66 |
15 |
70 |
136 |
8 |
|