Intelligent control methods - opis przedmiotu

Informacje ogólne

Nazwa przedmiotu	Intelligent control methods
Kod przedmiotu	11.9-WE-AutD-IntelConMeth.-Er
Wydział	Wydział Nauk Inżynieryjno-Technicznych
Kierunek	Automatyka i robotyka / Komputerowe Systemy Automatyki
Profil	ogólnoakademicki
Rodzaj studiów	Program Erasmus drugiego stopnia
Semestr rozpoczęcia	semestr zimowy 2021/2022

Informacje o przedmiocie

Semestr	2
Liczba punktów ECTS do zdobycia	5
Typ przedmiotu	obowiązkowy
Język nauczania	angielski
Sylabus opracował	prof. dr hab. inż. Marcin Witczak

Formy zajęć

Forma zajęć	Liczba godzin w semestrze (stacjonarne)	Liczba godzin w tygodniu (stacjonarne)	Liczba godzin w semestrze (niestacjonarne)	Liczba godzin w tygodniu (niestacjonarne)	Forma zaliczenia
Wykład	30	2	-	-	Egzamin
Laboratorium	30	2	-	-	Zaliczenie na ocenę

Cel przedmiotu

Introduction to artificial neural networks and fuzzy logic.

Shaping skills in design fuzzy and neural network-based control systems

Wymagania wstępne

Control theory

Zakres tematyczny

Introduction to neural networks: properties, essential topologies and connections, learning methods, application perspectives in control engineering and robotics.

Multilayer feedforward networks: design of an essential processing unit. Network structures and working rules, backpropagation algorithm and its modifications, knowledge generalization, regularization. Neural networks in classification tasks. Dynamic neural networks: feedforward networks with delay, recurrent networks (Williams-Zipser network), partially recurrent network (Elman network). Serial and parallel models in system identification. Essential control structures using neural networks.

Introduction to fuzzy logic: fuzzy sets, fuzzification and defazification. Rule base and its generation. Fuzzy inference models: Mamdani and Takagi-Sugeno. Design of Takagi-Sugeno models. Design of fuzzy PID. State feedback controller with Takagi-Sugeno models.

Metody kształcenia

Lecture: conventional lecture
Lab: laboratory exercises

Efekty uczenia się i metody weryfikacji osiągania efektów uczenia się

Opis efektu	Symbole efektów	Metody weryfikacji	Forma zajęć

Warunki zaliczenia

Lecture - positive score of a written exam
Lab – positive scores concerning all laboratory tasks
Final score composition = Lecture: 50% + Lab: 50%

Literatura podstawowa

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

Literatura uzupełniająca

Uwagi

Zmodyfikowane przez prof. dr hab. inż. Marcin Witczak (ostatnia modyfikacja: 25-08-2021 11:14)