Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics

    Belépés
    címtáras azonosítással

    vissza a tantárgylistához   nyomtatható verzió    

    Mesterséges intelligencia alapú irányítások

    A tantárgy angol neve: Artifical Intelligence Based Control

    Adatlap utolsó módosítása: 2018. december 3.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar

    Villamosmérnöki szak, MSc képzés,

    Irányítórendszerek főspecializáció

    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VIIIMA09 1 2/1/0/v 4  
    3. A tantárgyfelelős személy és tanszék Dr. Harmati István,
    A tantárgy tanszéki weboldala edu.iit.bme.hu (regisztráció szükséges)
    4. A tantárgy előadója Dr. habil. Harmati István, Irányítástechnika és Informatika Tanszék
    5. A tantárgy az alábbi témakörök ismeretére épít Matematika, Szabályozástechnika
    6. Előtanulmányi rend
    Kötelező:
    NEM ( TárgyEredmény( "BMEVIIIM129" , "jegy" , _ ) >= 2
    VAGY
    TárgyEredmény("BMEVIIIM129", "FELVETEL", AktualisFelev()) > 0
    VAGY
    TárgyEredmény( "BMEVIIIMB06", "jegy" , _ ) >= 2
    VAGY
    TárgyEredmény("BMEVIIIMB06", "FELVETEL", AktualisFelev()) > 0)

    A fenti forma a Neptun sajátja, ezen technikai okokból nem változtattunk.

    A kötelező előtanulmányi rend az adott szak honlapján és képzési programjában található.

    Ajánlott:
    -
    7. A tantárgy célkitűzése

    A tantárgy célja hogy bemutassa az irányításelméletben és rendszermodellezésben egyre intenzívebben alkalmazott korszerű, lágy számítási technikákon alapuló mesterséges intelligencia módszereket. A módszerek alkalmazását nemlineáris identifikációs és irányítástechnikai tervezési feladatok keretében korszerű eszközök felhasználásával mutatja be. A tantárgyat sikeresen abszolváló hallgatók közre tudnak működni komplex rendszerek modellezésében, irányítási algoritmusainak fejlesztésében és megvalósításában, továbbá általánosabb optimalizációs és döntési feladatok megoldásában. Hosszútávon hasznosítható készségekkel rendelkeznek a fuzzy-neurális és genetikus algoritmusok műszaki és nem műszaki (biológiai, közgazdasági) területeken való alkalmazásában és a mesterséges intelligencia módszereket igénylő informatikai rendszerek fejlesztésében és kutatásában.

    8. A tantárgy részletes tematikája

    1. Fuzzy-neurális rendszerek alapjai. A fuzzy rendszer fogalma, a fuzzy következtetés elméleti alapjai. Fuzzy elven működő szabályozások felépítése, szabálybázisa, algoritmusa. MacVicar- Whelan metaszabályok.

    2. Numerikus optimalizálási módszerek  összefoglaló áttekintése. Optimum szükséges analitikus feltétele korlátozások mellett. Optimalizálási módszerek. Gradiens, konjugált gradiens és kvázi-Newton technikák. Gradiens számítás neurális hálózatban. Lineáris és nemlineáris  paraméterbecslés.

    3. Szubtraktív klaszterezés elméleti háttere, algorítmusa, a módszer alkalmazhatósága. Visszacsatolatlan neurális hálózatok felépítése, tanulás hiba visszaterjesztéssel. Mély tanulási módszerek alapjai. Adaptív Neuro-fuzzy rendszerekkel való identifikáció, a módszer felépítése, hangolási szabályok, ANFIS.

    4. Genetikus algoritmusok felépítése. Genetikus operátorok: szelekció, rekombináció, mutáció, visszahelyettesítés, migráció. Szabályozótervezés genetikus algoritmussal.

    5. Adaptív fuzzy irányítás. Névleges és felügyelő szabályozó tervezés, indirekt (modellre alapozott) és direkt (modellt nem használó) adaptív irányítás, stabilitásvizsgálat.

    6. Rajintelligencia módszerek. Hangyakólónia algoritmusok, részecskeraj optimalizáció. Rajintelligencia módszereken alapuló optimalizáció, rendszer identifikáció és szabályozótervezés.

    7. Mély neurális hálózatok az irányításban és identifikációban.  A mély neurális hálózatok felépítése, a sekély neurális hálózatokkal való kapcsolata. Mély tanulási módszerek alapjai: autokódolók, sztochasztikus neurális hálózatok, konvolúciós hálózatok szabályozási feladatokban.

    8. A megerősítéses tanulás alapjai. Ismert és ismeretlen/nagyméretű Markov Döntési folymatok predikciója, irányítása: Monte Carlo, Temporal Difference alapú tanulások, Sarsa, Q-learning. A mély megerősítéses tanulás alapjai: DQN, REINFORCE, Actor-Critic hálók a predikcióban és irányításban. 

    9. Adaptív neurális irányítás. Direkt adaptív neurális irányítás teljes állapot-visszacsatolással, adaptív irányítás neurális hálózat alapú megfigyelővel. Esettanulmány: repülőgépirányítás.

    10. SVD alapú fuzzy approximáció és szabályozó tervezés. Az algoritmusok felépítése, a matematikai feltételek biztosítása, többváltozós kiterjesztés. Szabályozótervezés SVD-technikával.

    11. Optimalizálás és irányítás tervezés evolúciós és bakteriális algoritmusokkal. Az algoritmusok felépítése, fuzzy interpretáció, szabályozótervezés. 

     

    12. Kitekintés. Új mesterséges intelligencia módszerek és alkalmazásuk az irányításelméletben.

     

    9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium) A tárgy előadásból és az előadás anyagát illusztráló gyakorlatokból áll.
    10. Követelmények Egy zárthelyi a szorgalmi időszakban. Az aláírás feltétele legalább elégséges zárthelyi osztályzat. Eredménye 20% arányban beszámít a vizsgajegybe.
    11. Pótlási lehetőségek A zárthelyi a szorgalmi időszakban vagy a pótlási héten pótolható.
    12. Konzultációs lehetőségek Zárthelyi előtti héten hallgatói igény szerint.
    13. Jegyzet, tankönyv, felhasználható irodalom

    [1] Elektronikus segédanyagok a tanszék oktatási portálján:

    edu.iit.bme.hu (regisztráció szükséges)

    [2] B. Lantos: Fuzzy systems and genetic algorithms, 2002, Műegyetemi kiadó
    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
    Kontakt óra42
    Félévközi készülés órákra28
    Felkészülés zárthelyire18
    Házi feladat elkészítése 
    Kijelölt írásos tananyag elsajátítása 
    Vizsgafelkészülés32
    Összesen120
    15. A tantárgy tematikáját kidolgozta Dr. habil. Harmati István, egyetemi docens