Belépés címtáras azonosítással
magyar nyelvű adatlap
A fuzzy, neurális és genetikus mest. intelligencia módszerei
A tantárgy angol neve: Fuzzy, Neural and Genetic Methods in Artificial Intelligence
Adatlap utolsó módosítása: 2009. november 13.
Tantárgy lejárati dátuma: 2015. június 30.
Villamosmérnöki SzakMérnök Informatikus Szak szabadon választható tárgy
A fenti forma a Neptun sajátja, ezen technikai okokból nem változtattunk.
A kötelező előtanulmányi rend az adott szak honlapján és képzési programjában található.
A tárgyat nem vehetik fel azok a hallgatók, akik kreditpontot szereztek a VIVG9115 A fuzzy, neurális és genetikus mesterséges intelligencia módszerei, vagy a VITT9279 Fuzzy rendszerek I., vagy a VITMJV79 Fuzzy rendszerek I. c. tárgyból.
2. hét: Műveletek halmazokkal. Klasszikus halmazok alapfogalmai, műveletek klasszikus halmazokkal. Fuzzy halmazok kapcsolatai, műveletei, fuzzy egyenlőség, fuzzy részhalmazok. Fuzzy halmazok struktúra tulajdonságai.
3. hét: Fuzzy halmazok további műveletei, t- és s-normák, parametrizált t- és s-normák, kompenzátoros paraméter-operátorok, átlagoló- és kompenzátoros operátorok. Klasszikus relációk, fuzzy relációk, fuzzy reláció műveletek.
4. hét: A kiterjesztési elv. Fuzzy számok és fuzzy aritmetika. Nyelvi-lingvisztikai változók és HA-AKKOR szabályok. Numerikus változóktól nyelvi változókig. Nyelvi kordonok: koncentráció, dilatáció.
5. hét: Fuzzy logika és közelítő következtetés. Klasszikus logikától a fuzzy logikáig. Fuzzy logika alapelvei: éles logikai következtetés, fuzzy logikai következtetés. Közelítő következtetés "pontosabb" vizsgálata.
6. hét: Fuzzy szabályozás áttekintése: fuzzy szabályozók, fuzzy rendszerek. Fuzzy szabály-bázis, szabály-bázis struktúrája, szabály-készlet tulajdonságai. Fuzzy inferencia gép, kompozíció alapú inferencia, individuális szabályok alapú inferencia, néhány inferencia gép.
7. hét: Fuzzifikátorok és defuzzifikátorok, a defuzzifikátorok összehasonlítása. Fuzzy rendszerek mint nemlineáris leképzések. Fuzzy rendszerek néhány osztályának képletei. Fuzzy rendszerek mint univerzális approximátorok. Fuzzy rendszerek tervezéséről.
8. hét: Neurális hálózatok. Bevezetés és áttekintés. Működés, előnyök, hátrányok. Néhány alkalmazási terület, alapvető koncepciók. Neuron modellek. McCullock-Pitts neuron modell, általános neuron, perceptron.
9. hét: Neurális hálózat modellek. Előrecsatolt hálózat, visszacsatolt hálózat. Neurális processzálás. Tanulás és adaptáció. Tanulás mint approximáció. Felügyelt és nem felügyelt tanulás.
10. hét: Neurális hálózatok tanulási szabályai. Általánosított tanulási szabály, Hebb-féle tanulási szabály. eredeti - Rosenblatt féle - perceptron tanulási szabály, delta szabály folytonos perceptronra, korrelációs tanulási szabály, győztes - mindent - elvisz tanulási szabály. Többréteges előrecsatolt hálózatok.
11. hét: Egy perceptronos hálózat tanulása, diszkrét perceptron, folytonos perceptron. A többréteges hálózatok. Egyréteges hálózat, kétréteges egyszerű hálózat. Az általános kétréteges hálózat. Többréteges előrecsatolt hálózat mint univerzális approximátor, tanulási tényezők.
12. hét: Radiális bázisfüggvényes hálózatok. Lokális és globális osztályozás. RBF hálózatok formális modellje. RBF hálózatok tanulási módjai.
13. hét: Kohonen önszervező térképe. Az önszervező algoritmus általános képe, súly adaptálás, tanuló vektorkvantálás. Genetikus algoritmusok. Bevezetés, egyszerű genetikus algoritmus. Hasonló mintázatok.
14. hét: Kromoszómák alakja, fittnesz függvény, szelekciós eljárások. Kéttagú és többtagú evolúciós stratégiák. Káosz neurális és fuzzy rendszerkben. Neurális hálózatok és káosz. Fuzzy rendszerek és káosz.
Dr. Retter Gyula Professor Emeritus VET (VG)