Students will know how

(i) to model multilayer and reccurent neural networks,

(ii) to create pattern matrices forming inputs for neural networks,

(iii) to optimize neural networks for data classification,

(iv) to use neural networks for noise cancelling and signal prediction

Studenti budou umět (i) matematicky modelovat vícevrstvé a rekurentní neuronové sítě, (ii) tvořit matice vzorů pro aplikace umělých neuronových sítí, (iii) optimalizovat matematické modely neuronových sítí pro potřeby klasifikace dat a (iv) využít neuronové sítě pro adaptivní potlačování rušivých složek signálů a pro jejich predikci

R: S. Haykin: Neural Networks, Prentice Hall, 1999, ISBN 0132733501

Z: S. Haykin: Neural Networks, Prentice Hall, 1999, ISBN 0132733501

http://uprt.vscht.cz/prochazka/pedag/lectures/SP0_MATLAB_2006EN.pdf

http://uprt.vscht.cz/prochazka/pedag/lectures/SP0_MATLAB_2006EN.pdf

1. Fundamentals of MATLAB environment, basic operations, data files processing

2. Visualization tools in MATLAB, symbolic mathematics, principles of SIMULINK

3. Basic mathematical models of neurons, transfer functions, threshold, error surface evaluation

4. Single-layer networks, perceptron learning rule, application to classification problems

5. Adaptive linear networks, Widrow-Hoff learning rule, training and coefficients optimization

6. Neural networks in adaptive noise cancellation

7. Multi-layer networks, error function, optimization of parameters, gradient descent method

8. Basic optimization methods (backpropagation, Levenberg-Marquardt algorithm)

9. Neural networks in signal prediction and system modeling, learning and generalization

10. Radial basis networks, transfer functions definition, network structure optimization

11. Associative learning rules, self-organizing networks and maps, Hebian learning, Kohonen rule

12. Neural networks in segmentation, feature extraction and classification, competitive learning

13. Simulation of artificial neural networks in the SIMULINK environment

14. Neural networks in system identification and control, supervised and unsupervised learning

1. Programový systém Matlab, základní operace, práce se soubory

2. Dvourozměrná a třírozměrná grafika, symbolická matematika, systém Simulink

3. Základní matematické modely neuronů, přenosové funkce, chybová plocha

4. Jednovrstvé sítě, perceptron, architektura neuronu a sítě, principy klasifikace signálu

5. Adaptivní lineární element (ADALINE), učení a trénování sítě

6. Aplikace neuronových sítí při potlačování rušivých složek signálů

7. Vícevrstvé sítě, principy učení a trénování, optimalizace parametrů, gradientní metoda

8. Základní optimalizační metody (backpropagation, Levenberg-Marquardtův algoritmus)

9. Aplikace neuronových sítí při predikci signálů a modelování systémů

10. Funkce radiálního typu, optimalizace struktury sítě

11. Samoorganizující se sítě a mapy, inicializace a učení

12. Aplikace neuronových sítí při segmentace a klasifikace reálných dat, výběr vlastností

13. Simulace neuronových sítí v prostředí jazyka Simulink

14. Aplikace neuronových sítí při identifikaci a řízení, metody učení

Knowledge of MATLAB and digital signal and image processing methods

Znalosti programového prostředí MATLAB, znalosti základních metod zpracování signálů a obrazů

Digital Signal and Image Processing

Číslicové zpracování signálů a obrazů