Týden |
Přednášky |
Laboratoř |
Text |
M-soubory |
Projekt |
1 |
Základní příkazy systému MATLAB, maticové a vektorové operace, datové struktury, grafika, práce se soubory, SIMULINK |
|
|
2
|
Maticový popis umělých neuronových sítí, přenosové funkce, typy sítí, vybrané aplikace
|
Základní výpočetní algoritmy, chybová plocha, vybrané příkazy: HARDLIM, TANSIG, LOGSIG, PURELIN, ERRSURF
|
|
|
3
|
Základní model neuronu (PERCEPTRON), učení a trénování sítě, princip klasifikace
|
Způsob učení perceptronu, vybrané příkazy: RANDS, INITP, LEARNP, TRAINP, PLOTPC, PLOTPV
|
|
|
4
|
Lineární sítě (ADALINE), model neuronu a architektuta sítě, princip učení
|
Adaptivní lineární sí, vybrané příkazy: INITLIN, LEARNWH, TRAINWH, SOLVELIN, SIM, ADAPTWH
|
|
|
5
|
|
Projekt NN1: Adaptivní potlačování rušivých složek signálu
|
|
|
|
6
|
Vícevrstvé neuronové sítě, model neuronu a architektuta sítě, Levenberg-Marquardtova metoda, predikce časových řad
|
Základní algoritmy učení, optimalizace koeficientů sítě, vybrané příkazy: INITFF, SIM, LEARNBP, TRANBP
|
|
|
7
|
|
Projekt NN2: Analýza a predikce reálných časových řad
|
|
|
|
8
|
|
STUDIE: Adaptive Signal Processing and Adaptive Neural Networks (B. Widraw)
|
|
|
9
|
Funkce radiálního typu, model sítě, volba struktury sítě
|
Optimalizace sítě, vybrané příkazy: RADBAS, SOLVERB
|
|
|
10
|
Asociační učicí metody, Hebbova metoda, Kohonenova metoda
|
Učení sítě, vybrané příkazy: LEARNH, LEARNK
|
|
|
11
|
Samoorganizující se sítě, inicializace a učení, samoorganizující se mapy
|
Samoorganizující se mapy, vybrané příkazy: NBDIST, NBGRID, COMPET
|
|
|
12
|
|
Projekt NN3: Klasifikace segmentů EEG signálu
|
|
|
|
13
|
Modelování neuronových sítí v systému SIMULINK
|
Základní bloky pro modelování neuronových sítí, potlačování šumu
|
|
|
Projekt NN - 4
|
14
|
|
KOLOKVIUM
|
|
|
|