Sieci neuronowe w systemach bezpieczeństwa-PW

stacjonarne

I stopnia

W 14/+

L16/+

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

Specjalności: Inżynieria Systemów Bezpieczeństwa

Prof. dr hab. inż. Stanisław Osowski

Sieci neuronowe typu perceptron wielowarstwowy (MLP), sieci o radialnej funkcji bazowej (RBF), sieci wektorów nośnych (SVM), sieci rekurencyjne, sieci Kohonena, PCA i ICA, struktury i metody uczenia, przykłady zastosowań w systemach bezpieczeństwa.

Wykłady/metody dydaktyczne: werbalno-wizualna prezentacja treści programowych w postaci prezentacji w PowerPoint i pokaz działania sieci:

Tematy kolejnych zajęć:

1. Sieci neuronowe sigmoidalne MLP

Prototyp sieci nerwowej, struktura sieci MLP, ogólny algorytm uczenia, metoda propagacji wstecznej, reguła grafów przepływowych w generacji gradientu

2. Metody gradientowe uczenia sieci MLP i zdolności generalizacyjne sieci

Algorytm największego spadku, algorytmy newtonowskie, algorytm gradientów sprzężonych, dobór kroku optymalizacji. Warunki dobrej generalizacji, dobór próbek uczących i architektury sieci, metody redukcji sieci.

3. Sieci RBF

Struktura sieci lokalnej, metody uczenia oparte o samoorganizację oraz metody gradientowe, dobór optymalnej architektury sieci RBF, przykłady zastosowań sieci RBF w sztucznym nosie elektronicznym.

4. Sieci SVM

Sieć do klasyfikacji, zasada działania, zdefiniowanie problemu uczenia sieci SVM, algorytmy uczące. Sieci SVM do regresji, zasada działania, algorytmy uczące, przykłady zastosowań.

5. Sieci rekurencyjne

Podstawowe struktury sieci, sieć Hopfielda i Hamminga , algorytmy uczące, problemy minimów fałszywych. Sieć Elmana, przykłady zastosowań.

6. 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.

7. 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 w rozpoznawaniu twarzy.

Laboratoria/metody dydaktyczne: weryfikacja działania sieci neuronowych w wybranych zadaniach klasyfikacji i aproksymacji przy użyciu programów komputerowych

Tematy kolejnych zajęć:

1. Badanie algorytmów uczenia sieci MLP – 4 godz.

2. Badanie sieci RBF i ich zastosowania – 2 godz.

3. Sieci SVM w zadaniach klasyfikacji i regresji – 2 godz.

4. Sieci rekurencyjne Hopfielda i Hamminga – 2 godz.

5. Sieci samoorganizujące Kohonena i ich zastosowania – 2 godz.

6. Sieci PCA i ich zastosowania w przetwarzaniu sygnałów i obrazów – 2 godz.

7. Sieci ICA i ich zastosowanie w ślepej separacji sygnałów – 2godz.

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, 2008S. S. Osowski, Metody i narzędzia eksploracji danych, BTC, Legionowo, 2013

W1 / Student zna i rozumie podstawowe pojęcia definiujące sztuczne sieci neuronowe, różne rozwiązania sieciowe, w tym sieci MLP, RBF, SVM, TSK, sieci samoorganizujące i rekurencyjne, metody uczenia sieci neuronowych, zdolności generalizacyjne sieci, podstawowe zastosowania sieci, zwłaszcza w systemach bezpieczeństwa. K_W13

W2 / Student zna i potrafi zastosować w praktyce uniwersalne środowisko do obliczeń naukowo-technicznych Matlab, specjalizowane komputerowe narzędzia i programy do uczenia i zastosowania sieci neuronowych różnego rodzaju w zastosowaniach praktycznych. K_W01

U1 / Student potrafi posłużyć się właściwie dobranymi środowiskami programistycznymi i dostępnymi narzędziami w tych środowiskach do zaprojektowania i weryfikacji określonych struktur sieci neuronowych dla osiągnięcia postawionego celu. K_U01

U2 / Student potrafi ocenić przydatność metod i narzędzi służących do rozwiązywania prostych zadań inżynierskich, typowych dla zastosowania sieci neuronowych dla rozwiązania postawionego zadania. K_U08

K1 / Student ma świadomość odpowiedzialności za pracę własną oraz jest gotowy do podporządkowania się zasadom pracy w zespole i ponoszenia odpowiedzialności za wspólnie realizowane zadania. K_K04

Przedmiot jest zaliczany na podstawie kolokwium przeprowadzanego w formie pisemnej, obejmującego całość programu przedmiotu. Warunkiem dopuszczenia do zaliczenia przedmiotu jest zaliczenie ćwiczeń laboratoryjnych. Warunkiem zaliczenia ćwiczeń laboratoryjnych jest wykonanie praktyczne i zaliczenie sprawozdań ze wszystkich ćwiczeń na ocenę pozytywną zgodnie z regulaminem obowiązującym w laboratorium. Ocena z zaliczenia ćwiczeń laboratoryjnych jest średnią ocen otrzymaną z poszczególnych ćwiczeń.

Osiągnięcie poszczególnych efektów kształcenia weryfikowane jest następująco:

Efekty W1, W2, U1, U2 weryfikowane są w trakcie ćwiczeń laboratoryjnych, sporządzaniu sprawozdania z laboratorium oraz w dużym zakresie na końcowym zaliczeniu z wykładu

Efekt K1 weryfikowany jest w trakcie ćwiczeń praktycznych.

Nie przewiduje się.