SylabUZ
Course name | Intelligent Control Methods |
Course ID | 11.9-WE-AiRD-IMS |
Faculty | Faculty of Computer Science, Electrical Engineering and Automatics |
Field of study | Automatic Control and Robotics / Computer Control Systems |
Education profile | academic |
Level of studies | Second-cycle studies leading to MSc degree |
Beginning semester | summer term 2016/2017 |
Semester | 2 |
ECTS credits to win | 5 |
Course type | obligatory |
Teaching language | polish |
Author of syllabus |
|
The class form | Hours per semester (full-time) | Hours per week (full-time) | Hours per semester (part-time) | Hours per week (part-time) | Form of assignment |
Lecture | 30 | 2 | 18 | 1,2 | Exam |
Laboratory | 30 | 2 | 18 | 1,2 | Credit with grade |
zapoznanie studentów w technikami obliczeń inteligentnych: sztucznymi sieciami neuronowymi i logiką rozmytą
ukształtowanie umiejętności projektowania systemów sterowania za pomocą metod inteligentnych
Teoria sterowania
Wprowadzenie do sztucznych sieci neuronowych: Właściwości sieci neuronowych, podstawowe topologie połączeń międzyneuronowych, metody uczenia, właściwości sztucznych sieci neuronowych, obszary zastosowań w automatyce i robotyce.
Sieci jednokierunkowe wielowarstwowe: Budowa podstawowej jednostki przetwarzającej. Struktura sieci i jej zasada działania, algorytm wstecznej propagacji błędu i jego modyfikacje, pojęcie uogólniania wiedzy, regularyzacja. Zastosowanie sieci wielowarstwowych do zadania klasyfikacji.
Sieci dynamiczne: Sieci jednokierunkowe z opóźnieniami, sieci rekurencyjne (sieć Williamsa-Zipsera) i sieci częściowo rekurencyjne (sieć Elmana). Modele szeregowo-równoległy i równoległy identyfikacji.
Wprowadzenie do logiki rozmytej: Pojęcie zbioru rozmytego, proces rozmywania i wyostrzania. Baza reguł, generowanie bazy reguł. Model wnioskowania Mamdaniego i Takagi-Sugeno.
wykład: wykład konwencjonalny
laboratorium: ćwiczenia laboratoryjne
Outcome description | Outcome symbols | Methods of verification | The class form |
Wykład – warunkiem zaliczenia jest uzyskanie pozytywnej oceny z egzaminu przeprowadzonego w formie pisemnej i ustnej.
Laboratorium – warunkiem zaliczenia jest uzyskanie pozytywnych ocen ze sprawdzianów przygotowania teoretycznego do wykonywania ćwiczeń i sprawozdań z ćwiczeń wskazanych przez prowadzącego zajęcia
Składowe oceny końcowej = wykład: 50% + laboratorium: 50%
1. Korbicz, A. Obuchowicz, D. Uciński D., Sieci neuronowe. Podstawy i zastosowania, Akademicka Oficyna Wydawnicza, PLJ, Warszawa, 1994
2. R. Rojek, K. Bartecki, J. Korniak, Zastosowanie sztucznych sieci neuronowych i logiki rozmytej w automatyce, Oficyna Wydawnicza Politechniki Opolskiej, Opole, 2000
3. R.R. Yager, D.P. Filev, Podstawy modelowania i sterowania rozmytego, WNT, Warszawa, 1995
4. M. Noorgard, O. Ravn, N.M. Poulsen, L.K. Hansen, Neural networks for Modelling and Control of Dynamic Systems, Springer-Verlag, Londyn, 2000
Modified by prof. dr hab. inż. Marcin Witczak (last modification: 13-09-2016 12:46)