Министерство образования Российской Федерации

Санкт-Петербургский государственный электротехнический

университет “ЛЭТИ”

РАБОЧАЯ ПРОГРАММА

дисциплины

“Нейронные сети и нейрокомпьютеры”

Для подготовки дипломированных специалистов по направлению: 657100 – “Прикладная математика” по специальности 073000 – “Прикладная математика”.

Санкт-Петербург

2001

Санкт-Петербургский государственный электротехнический

университет “ЛЭТИ”

“УТВЕРЖДАЮ”

Проректор по учебной работе

проф. ___________ Ушаков В.Н.

“_____”_______________2001 г.

РАБОЧАЯ ПРОГРАММА

дисциплины

“Нейронные сети и нейрокомпьютеры”

Для направления 657100 – “Прикладная математика”:

по специальности 073000 – “Прикладная математика”.

Факультет компьютерной техники и информатики

Кафедра математического обеспечения ЭВМ

Курс – 5

Семестр – 10

Лекции	30 ч.		Экзамен	10 семестр
			(или текущий контроль)
Практические занятия
(или семинары)
Лабораторные занятия	15 ч.		Зачет	10 семестр
Курсовое проектирование

Аудиторные занятия	45 ч.
Самостоятельные занятия	45 ч.	(число часов из учебного плана)
Всего часов	90 ч.

2001

Рабочая программа обсуждена на заседании кафедры математического обеспечения и применения ЭВМ “____”_______________2001 г., протокол №______.

Рабочая программа составлена в соответствии с государственным образовательным стандартом по направлению 657100 –“Прикладная математика” и специальности 073000 -“Прикладная математика

Рабочая программа согласована с рабочими программами изученных ранее дисциплин:

1)Теория вероятностей и математическая статистика

2)Анализ и интерпретация данных

Рабочая программа одобрена методической комиссией факультета компьютерных технологий и информатики “____”_____________2001г.

Цели и задачи дисциплины

1. Изучение основных принципов организации информационных процессов в нейрокомпьютерных системах;

2. Формирование навыков разработки и реализации программных моделей нейрокомпьютерных систем.

Требования к уровню освоения дисциплины

В результате изучения дисциплины студенты должны:

- знать _{основные принципы организации информационных процессов в нейрокомпьютерных системах; основные архитектуры нейрокомпьютерных систем и области их применения; основные способы и правила обучения нейрокомпьютерных систем;}

- иметь навыки разработки и реализации программных моделей нейрокомпьютерных систем; уметь делать оценки и сравнивать качество обучения и функционирования различных моделей нейрокомпьютерных систем.

Иметь представление о современных достижениях в области разработки и коммерческом использовании нейрокомпьютерных систем и нейрокомпьютеров.

Содержание рабочей программы

Тема 1. Введение в нейронные вычисления

Предмет дисциплины, её структура и содержание. Биологические нейронные сети. Особенности биологических вычислительных систем в отличие от искусственных с традиционной архитектурой. Некоторые задачи, решаемые с помощью искусственных нейронных сетей (ИНС). Очерк истории нейроинформатики.

Тема 2. Принципы организации и функционирования ИНС

Основные определения для ИНС. Нейронная сеть. Межнейронные связи. Искусственный нейрон. Постановка задачи обучения ИНС. Классификация законов и способов обучения. Архитектуры ИНС

Тема 3. Первые ИНС. Персептрон. Адаптивный линейный элемент

Однослойный персептрон. Представляемость персептрона. Проблема “Исключающее ИЛИ”. Преодоление ограничения линейной разделимости. Обучение персептрона. Дельта-правило. Проблемы обучения персептрона. Адаптивный линейный элемент. Закон обучения Уидроу. Сходимость алгоритма Уидроу.

Тема 4. Ассоциативные сети

Линейный ассоциатор. Закон обучения Хебба. Рекуррентные ассоциативные сети. Сеть Хопфилда. Алгоритм функционирования сети Хопфилда, емкость памяти. Сеть “Brain State in a Box”. Двунаправленная ассоциативная память. Стохастическое обучение. Машина Больцмана.

Тема 5. Сети преобразования данных

Задача преобразования данных. Классы сетей преобразования данных. Теорема Колмогорова. Сеть обратного распространения ошибки. Закон обучения Backpropagation. Радиальная базисная функция. Самоорганизующиеся карты Кохонена. Закон обучения Кохонена. Звезды Гроссберга. Закон обучения Гроссберга. Сеть встречного распространения. Обучение соревнованием, фильтрацией. ИНС для пространственно-временной обработки сигнала.

Тема 6. Подготовка данных для обучения инс

“Проклятие размерности”. Избыточность входных данных. Генетические алгоритмы. Отбор входных данных для обучения сети с помощью генетических алгоритмов.

Тема 7. Перспективы развития и применения инс и нейрокомпьютеров

Проблемы реализации ИНС. Методы реализации ИНС. Нейрокомпьютеры. Основные характеристики нейрокомпьютеров. Заключение.