Закреплена за кафедрой | Кафедра радиофизики и теоретической физики |
---|---|
Направление подготовки | 03.04.03. Радиофизика |
Профиль | Электромагнитные волны в средах |
Форма обучения | Очная |
Общая трудоемкость | 3 ЗЕТ |
Учебный план | 03_04_03_ЭМВС-12-2019 |
|
|
Распределение часов по семестрам
Курс (семестр) | 2 (3) | Итого | ||
---|---|---|---|---|
Недель | 13 | |||
Вид занятий | УП | РПД | УП | РПД |
Лекции | 12 | 12 | 12 | 12 |
Практические | 12 | 12 | 12 | 12 |
Сам. работа | 84 | 84 | 84 | 84 |
Итого | 108 | 108 | 108 | 108 |
Визирование РПД для исполнения в очередном учебном году
Рабочая программа пересмотрена, обсуждена и одобрена для
исполнения в 2019-2020 учебном году на заседании
кафедры
Кафедра радиофизики и теоретической физики
Протокол от 06.06.2019 г. № 9/2018-19
Заведующий кафедрой д.ф.-м.н., профессор А. А. Лагутин
1.1. | знакомство с понятием «адаптивными системы», междисциплинарными связями этого раздела науки и ролью радиофизики в ней; знакомство с принципами построения адаптивных элементов (нейронов) и систем, с искуственными нейронными сетями (ИНС), алгоритмами и прикладными аспектами спользования ИНС; приобретение практических навыков и умений работы с ИНС, решения прикладных задач с их использованием. |
---|
Цикл (раздел) ООП: Б1.В.ДВ.04 |
ОПК-4 | способностью к свободному владению профессионально-профилированными знаниями в области информационных технологий, использованию современных компьютерных сетей, программных продуктов и ресурсов информационно-телекоммуникационной сети "Интернет" |
ПК-1 | способностью использовать в своей научно-исследовательской деятельности знание современных проблем и новейших достижений физики и радиофизики |
В результате освоения дисциплины обучающийся должен | |
3.1. | Знать: |
---|---|
3.1.1. | физические основы организации адаптивных систем, основанных на нейронах; принципы функционирования и мотивации адаптивных систем; принципы архитектуры искусственных нейронов и нейронных сетей. |
3.2. | Уметь: |
3.2.1. | определять задачи, эффективно решаемые с использованием технологий адаптивных систем и искусственных нейронных сетей в частности. |
3.3. | Иметь навыки и (или) опыт деятельности (владеть): |
3.3.1. | Работы со специализированным ПО, моделирующим ИНС. |
Код занятия | Наименование разделов и тем | Вид занятия | Семестр | Часов | Компетенции | Литература |
---|---|---|---|---|---|---|
Раздел 1. Введение | ||||||
1.1. | Основные понятия. Обратная связь в кибернетических системах. Действительно-адаптивные системы. Нервная система, как машина адаптивного управления. Алгоритм добывания новых знаний. | Лекции | 3 | 2 | ОПК-4, ПК-1 | Л1.1, Л2.1 |
1.2. | Изучение дополнительной литературы. | Сам. работа | 3 | 10 | ОПК-4, ПК-1 | Л1.1, Л2.1 |
Раздел 2. Анализ естественной системы управления | ||||||
2.1. | Условие автономности. Биологическая нейронная сеть. Условие дискретности. Датчики. Исполнительные органы. Целевые функции управления. Макроописание системы. Состав и функции подсистем адаптивной системы управления. Образы и подсистема формирования и распознавания образов. Знания и База Знаний. Аппарат эмоций. Мотивация. Время принятия решений. Схема управляющей системы. Первый механизм принятия решений. Второй механизм принятии решений. Третий механизм принятии решений. Четвертый механизм принятии решений. Пятый механизм принятии решений. | Лекции | 3 | 2 | ОПК-4, ПК-1 | Л1.1, Л2.1 |
2.2. | Язык "ПРОЛОГ". Разработка базы знаний. | Практические | 3 | 4 | ОПК-4, ПК-1 | Л1.1, Л2.1 |
2.3. | Изучение дополнительной литературы, выполнение заданий. | Сам. работа | 3 | 12 | ОПК-4, ПК-1 | Л1.1, Л2.1 |
Раздел 3. Синтез моделей нервных систем | ||||||
3.1. | Синтез блока датчиков. Эволюционные алгоритмы. История эволюционных алгоритмов. Генетические алгоритмы. Генетическое программирование. | Лекции | 3 | 2 | ОПК-4, ПК-1 | Л1.1, Л2.1 |
3.2. | Знакомство с нейросетевыми алгоритмами. | Практические | 3 | 2 | ОПК-4, ПК-1 | Л1.1, Л2.1 |
3.3. | Изучение дополнительной литературы, выполнение заданий. | Сам. работа | 3 | 12 | ОПК-4, ПК-1 | Л1.1, Л2.1 |
Раздел 4. Синтез распознающей системы | ||||||
4.1. | Синтез распознающей системы. Моделирование нейрона. | Лекции | 3 | 2 | ОПК-4, ПК-1 | Л1.1, Л2.1 |
4.2. | Изучение дополнительной литературы. | Сам. работа | 3 | 10 | ОПК-4, ПК-1 | Л1.1, Л2.1 |
Раздел 5. Модель нейрона | ||||||
5.1. | Модель нейрона типа I. Помехоустойчивость нейрона. Персептрон. Разделение на два класса. Сигмоидальный нейрон. Нейрон типа «адалайн». Паде-нейрон. Нейрон с квадратичным сумматором. Сигма-Пи нейроны. Модель нейрона Хебба. Стохастическая модель нейрона. Нейроны типа WTA. Кубические модели нейронов. Запись активации в замкнутой форме. Обучение кубических нейронов. Модель нейрона типа II. Формальное описание. Нейрон как система распознавания. | Лекции | 3 | 2 | ОПК-4, ПК-1 | Л1.1, Л2.1 |
5.2. | Самоорганизующиеся карты Кохонена в пакете Scanex NeRis. | Практические | 3 | 2 | ОПК-4, ПК-1 | Л1.1, Л2.1 |
5.3. | Изучение дополнительной литературы, выполнение заданий. | Сам. работа | 3 | 16 | ОПК-4, ПК-1 | Л1.1, Л2.1 |
Раздел 6. Искусственные нейронные сети | ||||||
6.1. | Топология сетей. Однослойные сети. Самоорганизующиеся карты Кохонена (SOM). Многослойные сети. Функционирование сетей. Сети периодического функционирования. Сети непрерывного функционирования. Архитектура искусственных нейронных сетей. Перцептрон Ф. Розенблатта. Многослойный перцептрон. Алгоритм обратного распространения ошибки. Одномерная оптимизация. Методы инициализации весов. Нейросети Хопфилда. Нейросети Хемминга. Порогово-полиномиальные нейросети. Универсальный путь обучения. Особенности задачи оптимизации, возникающей при обучении нейронных сетей. Учёт ограничений при обучении. Выбор направления минимизации. Партан-методы. Одношаговый квазиньютоновский метод и сопряженные градиенты. | Лекции | 3 | 2 | ОПК-4, ПК-1 | Л1.1, Л2.1 |
6.2. | Анализ данных с помощью многослойного перцептрона в среде Deductor. | Практические | 3 | 4 | ОПК-4, ПК-1 | Л1.1, Л2.1 |
6.3. | Изучение дополнительной литературы, выполнение заданий. | Сам. работа | 3 | 24 | ОПК-4, ПК-1 | Л1.1, Л2.1 |
5.1. Контрольные вопросы и задания для проведения текущего контроля и промежуточной аттестации по итогам освоения дисциплины |
1. Основные понятия. Обратная связь в кибернетических системах. Действительно-адаптивные системы. Нервная система, как машина адаптивного управления. Алгоритм добывания новых знаний. 2. Условие автономности естественной системы управления. Биологическая нейронная сеть. Условие дискретности. 3. Датчики системы управления. Исполнительные органы. Целевые функции управления. 4. Макроописание системы управления. Положения об объекте управления, о полносвязности системы, о множественности процессов, о помехах и потерях информации. Симметричность системы. Связность всех подсистем. 5. Состав и функции подсистем адаптивной системы управления. Образы и подсистема формирования и распознавания образов. Знания и База Знаний. Аппарат эмоций. Мотивация. Время принятия решений. 6. Схема управляющей системы. Механизмы принятия решений. 7. Синтез блока датчиков. Эволюционные алгоритмы. Генетические алгоритмы. 8. Синтез распознающей системы. Моделирование нейрона. 9. Модель нейрона. Модель нейрона типа I. Помехоустойчивость нейрона. Персептрон. Сигмоидальный нейрон. 10. Модели нейрона. Нейрон типа «адалайн». Паде-нейрон. Нейрон с квадратичным сумматором. Сигма-Пи нейроны. Модель нейрона Хебба. Стохастическая модель нейрона. Нейроны типа WTA. Кубические модели нейронов. 11. Модель нейрона типа II. Нейрон как система распознавания. 12. Искусственные нейронные сети. Топология сетей. 13. Искусственные нейронные сети. Функционирование сетей. Архитектура искусственных нейронных сетей. 14. Алгоритм обратного распространения ошибки. Этапы обучения. 15. Одномерная оптимизация. Методы инициализации весов. 16. Нейросети Хопфилда. Обучение сетей Хопфилда. Нейросети Хемминга. Обучение сетей Хемминга. Порогово-полиномиальные нейросети. Обучение и минимизация сложности пороговополиномиальных и диофантовых сетей. 17. Обучение ИНС. Универсальный путь обучения. Особенности задачи оптимизации, возникающей при обучении нейронных сетей. Учёт ограничений при обучении. Выбор направления минимизации. Партан-методы. Одношаговый квазиньютоновский метод и сопряженные градиенты. 18. Искусственные нейронные сети в задачах идентификации и управления. Нейросетевое управление с супервизором. Нейросетевая идентификация объектов управления. Схемы обучения управлению с использованием обратной модели динамики объекта. Схема специализированного обучения ИНС. Метод обратного распространения ошибки в задачах управления. Нейромикропроцессоры. |
5.2. Темы письменных работ для проведения текущего контроля (эссе, рефераты, курсовые работы и др.) |
5.3. Фонд оценочных средств для проведения промежуточной аттестации |
См. приложение. |
6.1. Рекомендуемая литература | ||||
6.1.1. Основная литература | ||||
Авторы | Заглавие | Издательство, год | Эл. адрес | |
Л1.1 | Д.П. Ким | Теория автоматического управления. Т. 2. Многомерные, нелинейные, оптимальные и адаптивные системы: Учебное пособие | М. : Физматлит, 2007 // ЭБС "Университетская библиотека online" | biblioclub.ru |
6.1.2. Дополнительная литература | ||||
Авторы | Заглавие | Издательство, год | Эл. адрес | |
Л2.1 | А.Б. Барский | Логические нейронные сети: Учебное пособие | М. : Интернет-Университет Информационных Технологий, 2007 // ЭБС "Университетская библиотека online" | biblioclub.ru |
6.2. Перечень ресурсов информационно-телекоммуникационной сети "Интернет" | ||||
Название | Эл. адрес | |||
Э1 | Учебные курсы образовательного портала http://www.intuit.ru — http://www.intuit.ru. | |||
Э2 | Хабрахабр — http://habrahabr.ru. | |||
Э3 | Наносемантика — http://nanosemantics.ru. | |||
Э4 | Нейронные сети — http://neurones.ru. | |||
Э5 | BaseGroup Labs — http://www.basegroup.ru — технологии анализа данных. | |||
Э6 | Исследовательский центр искусственного интеллекта — http://skif.pereslavl.ru/?abram/share/CD-ROM-?nal/psi/airec/20years/index.html. | |||
6.3. Перечень программного обеспечения | ||||
Windows 7 Professional, № 60674416 от 17.07.2012 (бессрочная); Office 2010 Professional, № 49464762 от 14.12.2011 (бессрочная); Open Office, http://www.openoffice.org/license.html Visual Studio, https://code.visualstudio.com/license Python c расширениями PIL, Py OpenGL, https://docs.python.org/3/license.html FAR, http://www.farmanager.com/license.php?l=ru 7-Zip, http://www.7-zip.org/license.txt AcrobatReader, http://wwwimages.adobe.com/content/dam/Adobe/en/legal/servicetou/Acrobat_com_Additional_TOU-en_US-20140618_1200.pdf GIMP, https://docs.gimp.org/2.8/ru/ Inkscape, https://inkscape.org/en/about/license/ Chrome; http://www.chromium.org/chromium-os/licenses Eclipse (PHP,C++, Phortran), http://www.eclipse.org/legal/eplfaq.php DjVu reader, http://djvureader.org/ Lazarus, http://wiki.lazarus.freepascal.org/Lazarus_Faq#Licensing Putty, https://putty.org.ru/licence.html QTEPLOT, http://www.qtiplot.com/doc/manual-en/index.html NETBEANS, https://netbeans.org/about/legal/index.html R STUDIO (open source), http://www.rstudio.com/ MingGW, http://mingw.org/license Scilab, http://www.scilab.org/en/scilab/license | ||||
6.4. Перечень информационных справочных систем | ||||
GNU/Linux (Лицензия: Стандартная общественная лицензия GNU (GENERAL PUBLIC LICENSE) https://www.gnu.org/licenses/gpl-3.0.ru.html), wine (Лицензия: Стандартная общественная лицензия GNU (GENERAL PUBLIC LICENSE) https://www.gnu.org/licenses/gpl-3.0.ru.html), mc (Лицензия: Стандартная общественная лицензия GNU (GENERAL PUBLIC LICENSE) https://www.gnu.org/licenses/gpl-3.0.ru.html), Dolphin/Nautilus (Лицензия: Стандартная общественная лицензия GNU (GENERAL PUBLIC LICENSE) https://www.gnu.org/licenses/gpl-3.0.ru.html), GNU-prolog/SWI-prolog (Лицензия: Стандартная общественная лицензия GNU (GENERAL PUBLIC LICENSE) https://www.gnu.org/licenses/gpl-3.0.ru.html), NeRIS (Лицензия: Стандартная общественная лицензия GNU (GENERAL PUBLIC LICENSE) https://www.gnu.org/licenses/gpl-3.0.ru.html), Deductor (Лицензия: Стандартная общественная лицензия GNU (GENERAL PUBLIC LICENSE) https://www.gnu.org/licenses/gpl-3.0.ru.html). |
Аудитория | Назначение | Оборудование |
---|---|---|
308К | лаборатория компьютерных технологий - учебная аудитория для проведения занятий семинарского типа (лабораторных и(или) практических); проведения групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации | Учебная мебель на 15 посадочных мест; рабочее место преподавателя; доска маркерная; компьютеры Aquarius STd MS_SC140, монитор BENQ 17'' (5шт.), компьютеры Парус 945 MSI, монитор LG 17'' (5 шт.) Fast Ethernet Swich Allied Telesyn 1; методические рекомендации по выполнению лабораторных работ по курсам "Алгоритмы и языки программирования", "Численные методы и математическое моделирование", "Вычислительная физика", "Компьютерная радиофизика". |
Учебная аудитория | для проведения занятий лекционного типа, занятий семинарского типа (лабораторных и(или) практических), групповых и индивидуальных консультаций, текущего контроля и промежуточной аттестации, курсового проектирования (выполнения курсовых работ), проведения практик | Стандартное оборудование (учебная мебель для обучающихся, рабочее место преподавателя, доска) |
Помещение для самостоятельной работы | помещение для самостоятельной работы обучающихся | Компьютеры, ноутбуки с подключением к информационно-телекоммуникационной сети «Интернет», доступом в электронную информационно-образовательную среду АлтГУ |
001вК | склад экспериментальной мастерской - помещение для хранения и профилактического обслуживания учебного оборудования | Акустический прибор 01021; виброизмеритель 00032; вольтметр Q1202 Э-500; вольтметр универсальный В7-34А; камера ВФУ -1; компьютер Турбо 86М; масспектрометр МРС -1; осциллограф ЕО -213- 2 ед.; осциллограф С1-91; осциллограф С7-19; программатор С-815; самописец 02060 – 2 ед.; стабилизатор 3218; терц-октавный фильтр 01023; шкаф вытяжной; шумомер 00026; анализатор АС-817; блок 23 Г-51; блок питания "Статрон" – 2 ед.; блок питания Ф 5075; вакуумный агрегат; весы; вольтметр VM -70; вольтметр В7-15; вольтметр В7-16; вольтметр ВУ-15; генератор Г-5-6А; генератор Г4-76А; генератор Г4-79; генератор Г5-48; датчик колебаний КВ -11/01; датчик колебаний КР -45/01; делитель Ф5093; измеритель ИМП -2; измеритель параметров Л2-12; интерферометр ИТ 51-30; источник "Агат" – 3 ед.; источник питания; источник питания 3222; источник питания ЭСВ -4; лабораторная установка для настройки газовых лазеров; лазер ЛГИ -21; М-кальк-р МК-44; М-калькул-р "Электроника"; магазин сопротивления Р4075; магазин сопротивления Р4077; микроскоп МБС -9; модулятор МДЕ; монохроматор СДМС -97; мост переменного тока Р5066; набор цветных стекол; насос вакумный; насос вакуумный ВН-01; осциллограф С1-31; осциллограф С1-67; осциллограф С1-70; осциллограф С1-81; осциллоскоп ЕО -174В – 2 ед.; пентакта L-100; пирометр "Промень"; пистонфон 05001; преобразователь В9-1; прибор УЗДН -2Т; скамья оптическая СО 1м; спектограф ДФС -452; спектограф ИСП -51; стабилизатор 1202; стабилизатор 3217 – 4 ед.; стабилизатор 3218; стабилизатор 3222 – 3 ед.; станок токарный ТВ-4; усилитель мощности ЛВ -103 – 4 ед.; усилитель У5-9; центрифуга ВЛ-15; частотомер Ч3-54А; шкаф металлический; эл.двигатель; электродинамический калибратор 11032 |
При условии успешного выполнения всех практических заданий студент допускается к сдаче зачета. Продолжительность зачета - 1 часа 30 минут. Зачет проводится в виде собеседования. Для получения зачета студент должен показать глубокие знания по вопросу, а также продемонстрировать уверенность в ответах, четкое и ясное изложение на грамотном языке. |