Detail předmětu
Neuronové sítě, adaptivní a optimální filtrace
QB4 Ak. rok 2007/2008 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.