Inteligentni sustavi upravljanja

Prikazani su podaci za akademsku godinu: 2024./2025.

Laboratorijske vježbe

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. Klasifikacije neizrazitih regulatora. Metode projektiranja neizrazitih regulatora. Stabilnost sustava upravljanog neizrazitim regulatorom. Metode samopodešavanja neizrazitih regulatora.

Studijski programi

Sveučilišni diplomski
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar)
Izborni predmeti profila (1. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar)
Izborni predmeti profila (1. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)
Izborni predmeti (1. semestar) (3. semestar)

Ishodi učenja

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

Oblici nastave

Predavanja

Tri sata predavanja tjedno.

Samostalni zadaci

Jedna domaća zadaća u prvom ciklusu (neizrazita logika).

Laboratorij

Ukupno 4 laboratorijske vježbe, 2 u prvom ciklusu (neizrazita logika) i 2 u drugom ciklusu (neuronske mreže).

Način ocjenjivanja

Kontinuirana nastava Ispitni rok
Vrsta provjere Prag Udio u ocjeni Prag Udio u ocjeni
Laboratorijske vježbe 0 % 36 % 0 % 36 %
Domaće zadaće 0 % 8 % 0 % 0 %
Međuispit: Pismeni 0 % 26 % 0 %
Završni ispit: Pismeni 0 % 30 %
Ispit: Pismeni 0 % 64 %
Napomena / komentar

Za prolaz putem kontinuiranog praćenja znanja i ispitnih rokova, potrebno je obaviti sve laboratorijske vježbe.

Tjedni plan nastave

  1. Neizraziti skupovi i neizrazita logika, (en) Fuzzy rule base and fuzzy controller structure
  2. Neizrazito zaključivanje (neizrazite propozicije, neizrazite relacije i neizrazite implikacije), (en) Fuzzy rule base and fuzzy controller structure
  3. Sustavi neizrazitog zaključivanja. neizrazito kodiranje i dekodiranje, (en) Initial setting of fuzzy controller parameters
  4. Sustavi neizrazitog zaključivanja. neizrazito kodiranje i dekodiranje, (en) Initial setting of fuzzy controller parameters
  5. (en) Lyapunov based fuzzy controller stability
  6. (en) Phase-plane based fuzzy controller stability
  7. (en) Self-learning fuzzy controller
  8. Međuispit
  9. Jednokriterijski i višekriterijski optimizacijski problemi, Problemi bez ograničenja. Rukovanje ograničenjima, Načini prikaza rješenja. Evolucijski operatori (selekcija. mutacija. rekombinacija. itd.), Evolucijski algoritmi za jednokriterijsko optimiranje, Algoritmi zasnovani na rojevima čestica za jednokriterijsko optimiranje, Ostali evolucijski algoritmi za jednokriterijsko optimiranje, Evolucijsko računanje i problemi višekriterijske optimizacije (pareto optimalnost i drugi pristupi), Paralelizacija algoritama evolucijskog računanja
  10. Perceptron (paradigme učenja, hebbovsko učenje, natjecateljsko učenje, Boltzmannovo učenje), Višeslojan perceptron (propagiranje pogreške unazad, problem dodjele nagrade, propagiranje pogreške unazad kroz vrijeme), Samoorganizirajuće mreže (hebbovsko nendzirano učenje, Ojaovo pravilo učenja, PCA pomoću samoorganizirajućih mreža, Sangerovo pravilo učenja, natjecateljsko nenadzirano učenje, mreže pobjednik-uzima-sve, Kohonenove samoorganizirajuće mape), Mreže radijalnih baznih funkcija (rješavanje problema interpolacije pomoću mreža radijalnih bazni funkcija, mreže poopćenih radijalnih baznih funkcija, odnos naspram teorije regularizacije), Povratne neuronske mreže (Hopfieldova mreža, Boltzmannov stroj, Elmanova mreža, Jordanova mreža) i algoritmi učenja (propagacija pogreške unazad kroz vrijeme, povratna propagacija unazad), Mrežni sklopovi (odborni strojevi, kombiniranje eksperata, konvulcijske neuronske mreže), Pulsni neuronski model i pulsna neuronska mreža
  11. Algoritmi učenja neuronskih mreža pri identifikaciji sustava, Selekcija ulaznih varijabli, Izbor struktura neuronskih mreža prikladnih za identifikaciju i modeliranje složenih sustava
  12. Regularizacija i validacija neuronskih mreža pri identifikaciji sustava, Inverzno upravljanje
  13. Trenutačna linearizacija
  14. Kompenzacija nesigurnosti sustava primjenom neuronskih mreža
  15. Završni ispit

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,
(.), Ivan Petrović, Mato Baotić, Nedjeljko Perić (2015). Inteligentni sustavi upravljanja: neuronske mreže i genetički algoritmi, Sveučilište u Zagrebu Fakultet elektrotehnike i računarstva,
(.), Z. Kovacic, S. Bogdan, Fuzzy Controller Design: Theory and Applications, CRC Press,
(.), .,

Za studente

Izvedba

ID 222566
  Zimski semestar
5 ECTS
R1 Engleski jezik
R1 E-učenje
45 Predavanja
0 Seminar
0 Auditorne vježbe
10 Laboratorijske vježbe
0 Konstrukcijske vježbe
0 Vježbe tjelesnog odgoja

Ocjenjivanje

87.5 izvrstan
75 vrlo dobar
62.5 dobar
50 dovoljan