Detail předmětu
Neuronové sítě, adaptivní a optimální filtrace
QB4 Ak. rok 2018/2019 letní semestr
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.
Okruhy otázek k SDZ
- Architektury a funkce neuronových sítí, řízené a neřízené učení, zobecňování znalostí
- Dopředné sítě, vícevrstvý perceptron, učení zpětným šířením chyby jako LMS problém
- Sítě s radiální bází
- Sitě se vzájemnými a zpětnými vazbami, Hopfieldovy sítě a Boltzmannův stroj
- Samoorganizující se systémy, Kohonenovy mapy
- Problém optimální detekce a restaurace signálů, modely zkreslení, dekonvoluce a nelin. filtrace
- Restaurace jako LMS problém, formulace a přístupy k řešení
- Klasická Wienerova filtrace, diskrétní Wiener-Levinsonova filtrace
- Kalmanova filtrace
- Adaptivní filtace, adaptační algoritmy
Garant předmětu
Jazyk výuky
Zakončení
Rozsah
- 39 hod. přednášky
Bodové hodnocení
- 100 bodů závěrečná zkouška
Zajišťuje ústav
Přednášející
Cvičící
Získané dovednosti, znalosti a kompetence z předmětu
Teoretické znalosti z oblasti neuronových sítí a optimálního zpracování signálů, schopnost aplikace a příp. modifikace těchto metod pro konkrétní problémy.
Cíle předmětu
Získání znalostí z teorie neuronových sítí a teorie adaptivní a optimální filtrace, hledání společných hledisek obou oblastí
Požadované prerekvizitní znalosti a dovednosti
teorie signálu a systému, císlicové zpracování signálu (napr. predmety BCZA, MMZS)
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
Zařazení předmětu ve studijních plánech
- Program VTI-DR-4, obor DVI4, libovolný ročník, volitelný
- Program VTI-DR-4, obor DVI4, libovolný ročník, volitelný
- Program VTI-DR-4 (anglicky), obor DVI4, libovolný ročník, volitelný
- Program VTI-DR-4 (anglicky), obor DVI4, libovolný ročník, volitelný