Detail předmětu
Neuronové sítě, adaptivní a optimální filtrace
QB4 Ak. rok 2009/2010 zimní 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.
Garant předmětu
Jazyk výuky
Zakončení
Rozsah
- 39 hod. přednášky
Zajišťuje ústav
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)
Literatura studijní
- J.Jan: Digital Signal Filtering, Analysis and Restoration. IEE Publishing, London, UK, 2000
- B. Kosko (ed.): Neural Networks for signal processing. Prentice Hall 1992
- Jan, J,: Číslicová filtrace, analýza a restaurace signálů. 2. rozš. vydání. VUTIUM Brno 2003
Literatura referenční
- B. Kosko: Neural Networks and fuzzy systems. Prentice Hall 1992
- B. Kosko (ed.): Neural Networks for signal processing. Prentice Hall 1992
- S. Haykin: Neural Networks. Prentice Hall 1994
- J.G.Proakis, et al.: Advanced digital signal processing. McMillan Publ. 1992
- J.Jan: Digital Signal Filtering, Analysis and Restoration. IEE Publishing, London, UK, 2000
- P.M.Clarkson: Optimal and Adaptive Signal Processing. CRC Press, 1993
- S. Haykin: Adaptive Filter Theory. Prentice-Hall Int. 1991
- V.K.Madisetti, D.B.Williams (eds.): The Digital Signal Processing Handbook. CRC Press & IEEE Press, 1998
Osnova přednášek
- 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
Průběžná kontrola studia
Hodnocení studia je založeno na bodovacím systému. Pro úspěšné absolvování předmětu je nutno dosáhnout 50 bodů.
Kontrolovaná výuka
Výuka není kontrolována.
Zařazení předmětu ve studijních plánech