Вопросы к экзамену
1.Основные недостатки традиционных математических и компьютерных моделей. Нейросетевые модели как математические и компьютерные модели, основанные на использовании искусственных нейронных сетей. Возможности нейросетевого моделирования.
2.Типовые задачи НС-моделирования: Представление зависимостей между величинами. Входные и выходные величины, возможные комбинации их видов. Модели как отображения входных величин в выходные. Статические и динамические зависимости между величинами.
3.Типовые задачи НС-моделирования: Классификация данных. Формулировка задачи классификации. Задачи классификации и распознавания объектов, анализ сцен. Основные черты задач классификации. Проблема представления объектовклассификации: признаки, признаковые пространства. Источники разнообразия классифицируемых объектов, трудности классификации отдельных объектов; проблемы разделимости классов.
4.Типовые задачи НС-моделирования: Выявление закономерностей в данных. Выявление закономерностей в данных как проблема формирования вектора признаков в задачах классификации/распознавания в ситуациях со значительным уровнем разнообразия и неопределенностей в свойствах классифицирумых объектов/явлений. Статические и динамические задачи выявления закономерностей в данных.
5.Типовые задачи НС-моделирования: Кластеризация данных. Формулировка задачи кластеризации. Информация о взаимном расположении классифицирумых объектов и ее роль в решении задач кластеризации. Взаимосвязи между задачами классификации данных, выявления закономерностей в данных и кластеризации данных.
6.Типовые задачи НС-моделирования: Сжатие данных. Размерность и разрядность данных. Связь длины описания данных с их размерностью и разрядностью. Виды кодирования данных: понижение размерности, уменьшение разнообразия данных за счет понижения их разрядности.
7.Типовые задачи НС-моделирования: Визуализация данных. Упорядочение многомерной входной информации в виде одномерных, двумерных и трехмерных карт.
8.Типовые задачи НС-моделирования: Ассоциативная память. Основные виды ассоциативной памяти: гетероассоциативная память и автоассоциативная память. Функции гетероассоциативной и автоассоциативной памяти.
9.Типовые задачи НС-моделирования: оптимизация. Задача коммивояжера как один из видов задач целочисленного программирования, трудных для решения традиционными средствами. Сеть Хопфилда как альтернативный подход к решению задачи коммивояжера средствами НС-моделирования.
10.Важнейшие идеи, на которых основано НС-моделирование. Использование обучения как инструмента формирования и настройки НС-модели.
11.Основные структурные элементы НС-моделей. Подходы к обучению НС-моделей.
12.Персептрон Розенблатта. Архитектура персептрона, однонейронный вариант, персептрон общего вида. Обучающее правило персептрона.
13.Правило обучения Хебба. Постулат Хебба. Линейный ассоциатор, обучение его с помощью правила Хебба. Свойства хеббовского обучения.
14.Линейный ассоциатор. Псевдоинверсное правило обучения. Автоассоциативная память.
15.Варианты правила Хебба: вариант с изменяемой скоростью обучения; вариант с забыванием; вариант, учитывающий фактический выход сети; варианты для обучения без учителя.
16.Обучение сетей - правило Уидроу-Хоффа. Сеть ADALINE.
17.Обучающий алгоритм LMS. Применение алгоритма LMS для сети ADALINE.
18.Правило Уидроу-Хоффа и задача адаптивной фиильтрации.
19.Многослойные сети прямого распространения. Линейные многослойные сети, ограниченность этой модели. Однослойная и многослойная нелинейные сети.
20.Многослойные сети прямого распространения в задачах классификации.
21.Многослойные сети прямого распространения в задачах аппроксимации функций.
22.Обучение многослойных сетей прямого распространения: общая схема процесса обучения нейросети.
23.Алгоритм обратного распространения ошибки: общая схема.
24.Алгоритм обратного распространения ошибки: вывод выражений для корректировки синаптических весов
25.Применение сетей прямого распространения: аппроксимация функции сетью.
26.Применение сетей прямого распространения:.обобщающие свойства сетей.
27.Глобальная и локальная рецептивность сетей. Класс локально-рецептивных сетей.
28.Сети радиальных базисных функций (RBF-сети).
29.Нейросетевые модели с обратными связями. Рекуррентные сети
30.Нейросетевые модели с обратными связями как динамические системы.
31.Сети Хопфилда: общая структура, принципы работы, свойства. Обучение сети Хопфилда.
32.Нейросетевые модели с соревновательным обучением. Сеть Хемминга, ее структура, принципы работы.
33.Самоорганизующаяся карта Кохонена (SOM), ее структура, принципы работы.
34.Обучающееся векторное квантование (LVQ). Понятие векторного квантования, кодирующие векторы, мозаика Вороного, опорные векторы.
35.Методы поиска решений, основанные на аналогиях с биологической эволюцией. Генетические алгоритмы, их основные особенности.
36.Элементы генетических алгоритмов: популяция, поколения, репродукция; операторы кроссинговера и мутации; оценка приспособленности членов популяции (особей), селекция.
37.Нечеткие системы. Нечеткие множества, нечеткая логика, нечеткие системы: основные понятия, взаимосвязи с традиционными математическими моделями.
38.Нечеткие множества: их возможности для решения задач анализа сложных систем. Формализация нечеткости.
39.Операции с нечеткими множествами. Нечеткие отношения и их применение в анализе сложных систем.
Приложение 1
к рабочей программе дисциплины
« Дополнительные главы информатики »
Аннотация рабочей программы
Дисциплина Дополнительные главы информатики является частью Математический и естественно-научный цикл цикла дисциплин подготовки студентов по направлению подготовки Баллистика и гидроаэродинамика. Дисциплина реализуется на 1 факультете «Московский авиационный институт (национальный исследовательский университет)» кафедрой (кафедрами) 106.
Дисциплина нацелена на формирование следующих компетенций: ОК-9,ПК-3,ПК-4,ПК-6,ПК-9,ПК-10,ПК-12,ПСК-4ОК-9,ПК-3,ПК-4,ПК-6,ПК-9,ПК-10,ПК-12,ПСК-4.
Содержание дисциплины охватывает круг вопросов, связанных с: перспективными областями информационных технологий и их значением для авиационной техники; методами формализации сложных систем на основе новых информационных технологий и применением средств системы Матлаб.
Преподавание дисциплины предусматривает следующие формы организации учебного процесса: Лекция, мастер-класс,Практическое занятие.
Программой дисциплины предусмотрены следующие виды контроля: промежуточная аттестация в форме Экзамен (4 семестр).
Общая трудоемкость освоения дисциплины составляет 4 зачетных единиц, 144 часов. Программой дисциплины предусмотрены лекционные (44 часов), практические (24 часов), лабораторные (0 часов) занятия и (49 часов) самостоятельной работы студента.
В результате изучения дисциплины «Дополнительные главы информатики» студент должен
а) знать: основные идеи и концепции, лежащие в основе новых информационных техноло-гий, основанных на аппарате мягких вычислений;
б) уметь: решать несложные задачи, характерные для изучаемой области в среде системы Матлаб, использовать полученные знания при выполнении курсовых работ и дипломного про-екта;
в) иметь представление: об основных особенностях аппарата искусственных нейронных сетей и мягких вычислений и его важ-нейших составных частях, о пределах применимости данного аппарата, а также о возможностях его использования совместно с традиционными информационными технологиями и традицион-ным математическим моделированием.
Приложение 2
к рабочей программе дисциплины
« Дополнительные главы информатики »