Sieci neuronowe w systemach bezpieczeństwa-PW

niestacjonarne

I stopnia

W 8/+, L 10/+

Analiza matematyczna /Znajomość rachunku macierzowego

Przetwarzanie sygnałów/Podstawowe pojęcia przetwarzania sygnałów

Metodyka i techniki programowania/Znajomość podstaw pracy w środowisku Matlab

Kierunek: Elektronika i Telekomunikacja;

specjalność: Inżynieria Systemów Bezpieczeństwa

Prof. dr hab. inż. Stanisław Osowski

Przedmiot służy do zrozumienia przez studentów metod nieliniowego przetwarzania sygnałów metodami wzorowanymi na systemach nerwowych istot żywych. Student pozna struktury i metody uczenia różnych rodzajów sieci neuronowych i ich zastosowanie w różnych aplikacjach związanych z systemami bezpieczeństwa

Wykłady /metody dydaktyczne: Wykład z podaniem informacji teoretycznych i analizą przykładów technicznych ilustrujących teorie i zastosowania sztucznych sieci neuronowych. Wykład z możliwym wykorzystaniem technik audiowizualnych; dyskusja; podanie zadań do samodzielnego rozwiązania i tematów do studiowania.

Tematy kolejnych zajęć (po 2 godziny lekcyjne):

1. Sieci neuronowe sigmoidalne MLP

Prototyp sieci nerwowej, Struktura sieci MLP, ogólny algorytm uczenia, metoda propagacji wstecznej, reguła grafów przepływowych w generacji gradientu. Metody gradientowe uczenia sieci MLP i zdolności generalizacyjne sieci. Warunki dobrej generalizacji, dobór próbek uczących i architektury sieci, metody redukcji sieci.

2. Sieci RBF i SVM

Struktura sieci lokalnej, metody uczenia oparte o samoorganizację oraz metody gradientowe, dobór optymalnej architektury sieci RBF, przykłady zastosowań. Sieć SVM do klasyfikacji i regresji, zasada działania, zdefiniowanie problemu uczenia sieci SVM, algorytmy uczące, przykłady zastosowań.

3. Sieci rekurencyjne i samoorganizujące Kohonen

Podstawowe struktury sieci, sieć Hopfielda i Hamminga , algorytmy uczące. Sieci samoorganizujące Kohonena, pojęcie sąsiedztwa i aktywacji neuronów z sąsiedztwa zwycięzcy, problem neuronów martwych, metody WTA i WTM uczenia tych sieci: algorytmy Kohonena, , algorytm gazu neuronowego. Przykłady zastosowań.

4. Sieci PCA i ICA

Dekompozycja PCA, sieć PCA, przykłady zastosowań sieci PCA. Uogólniony algorytm Hebba w sieciach Heraulta-Juttena (HJ), algorytmy „ślepej” separacji sygnałów stochastycznie niezależnych, program ICALAB, przykłady zastosowań sieci ślepej separacji.

Ćwiczenia laboratoryjne /metody dydaktyczne: Ćwiczenia laboratoryjne z wykorzystaniem gotowych programów uczących; dyskusja różnych rozwiązań neuronowych; podanie zadań do samodzielnego rozwiązania.

Tematy kolejnych zajęć (po 2 godziny lekcyjne):

1. Badanie sieci MLP w klasyfikacji i regresji.

2. Sieci RBF – algorytmy uczące i zastosowania.

3. Sieci SVM i ich zastosowania.

4. Badanie sieci rekurencyjnych Hopfielda i Hamminga.

5. Sieci PCA oraz ICA i ich zastosowania.

Seminaria /metody dydaktyczne:

Nie przewiduje się.

podstawowa:

S. Osowski, Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza PW, Warszawa, 2006

W. Duch, J. Korbicz, L. Rutkowski, R. Tadeusiewicz, Sieci neuronowe, EXIT, ISBN: 83-87674-18-4, 2000

uzupełniająca:

J. Żurada, M. Barski, W. Jędruch, Sztuczne sieci neuronowe : podstawy teorii i zastosowania. PWN, Warszawa, 1996

H. Demuth, M. Beale, Neural Network Toolbox User’s Guide – For Use with MATLAB. The MathWorks, Inc., Natick, MA, 2008

W1/ Zna i rozumie zaawansowane metody sztucznych sieci neuronowych w systemach bezpieczeństwa i przetwarzaniu informacji w systemach bezpieczeństwa. K_W13

W2 / Ma poszerzoną i pogłębioną wiedzę w zakresie niektórych działów matematyki, obejmującą elementy analizy i projektowania sztucznych sieci neuronowych i algorytmów przetwarzania sygnałów i informacji. K_W01

U1 / Potrafi pozyskiwać informacje z literatury, baz danych i innych źródeł; potrafi integrować uzyskane informacje, dokonywać ich interpretacji i krytycznej oceny, a także wyciągać wnioski oraz formułować orz formułować i wyczerpująco uzasadniać opinie. K_U01

U2 / Potrafi wykorzystać poznane metody i modele matematyczne , w razie potrzeby odpowiednio je modyfikując, do realizacji projektów w obszarze zastosowań sztucznych sieci neuronowych w systemach bezpieczeństwa. K_U08

K1 / Rozumie potrzebę uczenia się przez całe życie; potrafi inspirować i organizować proces uczenia się innych osób. K_K01

K2 / Potrafi współdziałać i pracować w grupie przyjmując w niej różne role. K_K04

Przedmiot kończy się zaliczeniem na podstawie kolokwium z tematyki wykładu

Zaliczenie przedmiotu jest przeprowadzane w formie: pisemno-ustnej obejmującej całość programu przedmiotu.

Warunkiem dopuszczenia do zaliczenia przedmiotu jest: zaliczenie ćwiczeń laboratoryjnych.

Na końcową ocenę składają się: oceny bieżące z ćwiczeń laboratoryjnych oraz wyniki zaliczenia treści teoretycznych.

Efekty W1, W2 sprawdzane są na: ćwiczeniach rachunkowych i zaliczeniu.

Efekty U1, U2 efekty z kategorii umiejętności weryfikowane są w trakcie ćwiczeń laboratoryjnych oraz w dużym zakresie na końcowym zaliczeniu z wykładu

Efekty K1, K2 efekt z kategorii kompetencji społecznych weryfikowany jest w trakcie ćwiczeń praktycznych.

Nie przewiduje się.