Inteligentni sustavi upravljanja

Opis predmeta

Klasifikacija umjetnih neuronskih mreža. Algoritmi učenja neuronskih mreža. Primjena neuronskih mreža u identifikaciji i modeliranju složenih sustava. Odabir prikladne strukture neuronske mreže i njezino vrednovanje. Strukture upravljanja zasnovane na neuronskom modelu procesa. Primjena neuronskih mreža za poboljšanje performansi sustava upravljanja nelinearnim sustavima. Koncept trenutačne linearizacije neuronske mreže i njegova primjena za sintezu linearnih regulatora. Primjena neuronskih mreža za kompenzaciju neodređenosti u sustavima. Osnove evolucijskih i genetičkih algoritama optimiranja.

Opće kompetencije

Znanje projektiranja složenijih struktura neuronskih regulatora. Poznavanje metoda učenja i automatskog podešavanja parametara inteligentnih algoritama upravljanja.

Ishodi učenja

  1. grupirati vrste umjetnih neuronskih mreža
  2. primijeniti nerekurzivne algoritme učenje neuronskih mreža
  3. primijeniti rekurzivne algoritme učenja neuronskih mreža
  4. identificirati nelinearni dinamički sustav primjenom statičkih neuronskih mreža
  5. dizajnirati neuronski regulator za upravljanje nelinernim dinamičkim procesom
  6. upotrijebiti genetički algoritam postupka traženja i optimiranja

Oblici nastave

Predavanja

Predavanja su organizirana u dvije tematske cjeline (neuronske mreže i genetički algoritmi).

Provjere znanja

Seminarski radovi. Neposredan razgovor sa studentima tijekom predavanja.

Konzultacije

Jedan sat tjedno.

Seminari

Projektiranje neuronske mreže za identifikaciju i/ili upravljanje nelinearnim dinamičkim sustavom.

Stjecanje vještina

Korištenje Matlabovog Neural Networks Toolboxom.

Način ocjenjivanja

Kontinuirana nastava Ispitni rok
Vrsta provjere Prag Udio u ocjeni Prag Udio u ocjeni
Seminar/Projekt 0 % 35 % 0 % 35 %
Međuispit: Pismeni 0 % 20 % 0 %
Završni ispit: Pismeni 0 % 20 %
Završni ispit: Usmeni 25 %
Ispit: Pismeni 0 % 40 %
Ispit: Usmeni 25 %
Napomena / komentar

Udio usmenog ispita iznosi ±25%. Seminari su obvezni.

Tjedni plan nastave

  1. Uvod u umjetne neuronske mreže. Klasifikacija umjetnih neuronskih mreža.
  2. Statičke neuronske mreže. Višeslojne perceptronske mreže. Neuronske mreže s kružnom osnovicom (RBF neuronske mreže).
  3. Dinamičke neuronske mreže. Učenje neuronskih mreža.
  4. Nerekurzivni algoritmi učenja neuronskih mreža. Algoritam najbržeg spusta.
  5. Newtonovi algoritmi. Kvazi-Newtonovi algoritmi.
  6. Rekurzivni algoritmi učenja neuronskih mreža.
  7. Međuispit
  8. Strukture neuronskih mreža prikladne za modeliranje i upravljanje sustavima. Algoritmi učenja neuronskih mreža.
  9. Primjena neuronskih mreža u identifikaciji i modeliranju složenih sustava. Odabir prikladne strukture neuronske mreže i njezino vrednovanje.
  10. Strukture upravljanja zasnovane na neuronskom modelu procesa. Primjena neuronskih mreža za poboljšanje performansi sustava upravljanja nelinearnim sustavima.
  11. Koncept trenutačne linearizacije neuronske mreže i njegova primjena za sintezu linearnih regulatora.
  12. Primjena neuronskih mreža za kompenzaciju neodređenosti u sustavima.
  13. Genetički algoritmi GA). Odabir jedinki populacije. Operatori križanja, mutacije. Elitizam.
  14. Izbor funkcije kazne. Primjene genetičkih algoritama.
  15. Završni ispit

Studijski programi

Sveučilišni diplomski
Automatika (profil)
preporučeni izborni predmeti (3. semestar)
Elektrotehnički sustavi i tehnologija (profil)
preporučeni izborni predmeti (3. semestar)

Literatura

A. Cichocki, R. Unbehauen (1993.), Neural Networks for Optimization and Signal Processing, John Wiley & Sons
M. Nørgaard, O. Ravn, N. K. Poulsen, L. K. Hansen (2000.), Neural Networks for Modelling and Control of Dynamic Systems, Springer-Verlag, London
P. D. Wasserman (1989.), Neural Computing - Theory and Practice, Van Nostrand Reinhold, New York

Izvedba

ID 34381
  Zimski semestar
4 ECTS
R1 Engleski jezik
R1 E-učenje
30 Predavanja
0 Auditorne vježbe
0 Laboratorijske vježbe

Ocjenjivanje

87,5 izvrstan
75 vrlo dobar
62,5 dobar
50 dovoljan