Detail předmětu

Neuronové sítě, adaptivní a optimální filtrace

FIT-QB4Ak. rok: 2020/2021

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

  1. Architektury a funkce neuronových sítí, řízené a neřízené učení, zobecňování znalostí
  2. Dopředné sítě, vícevrstvý perceptron, učení zpětným šířením chyby jako LMS problém
  3. Sítě s radiální bází
  4. Sitě se vzájemnými a zpětnými vazbami, Hopfieldovy sítě a Boltzmannův stroj
  5. Samoorganizující se systémy, Kohonenovy mapy
  6. Problém optimální detekce a restaurace signálů, modely zkreslení, dekonvoluce a nelin. filtrace
  7. Restaurace jako LMS problém, formulace a přístupy k řešení
  8. Klasická Wienerova filtrace, diskrétní Wiener-Levinsonova filtrace
  9. Kalmanova filtrace
  10. Adaptivní filtace, adaptační algoritmy

Výsledky učení předmětu

Teoretické znalosti z oblasti neuronových sítí a optimálního zpracování signálů, schopnost aplikace a příp. modifikace těchto metod pro konkrétní problémy.

Prerekvizity

teorie signálu a systému, císlicové zpracování signálu (napr. predmety BCZA, MMZS)

Jazyk výuky

čeština, angličtina

Cíl

Získání znalostí z teorie neuronových sítí a teorie adaptivní a optimální filtrace, hledání společných hledisek obou oblastí

Typ (způsob) výuky

 

Přednáška

39 hod., nepovinná

Vyučující / Lektor

Osnova

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

eLearning