 | Кафедра прикладної радіоелектроніки |
[RE-176] Нейронні мережі для оброблення сигналів
Робоча програма навчальної дисципліни (Силабус)
Реквізити навчальної дисципліни
| Рівень вищої освіти | Другий (магістерський) |
| Галузь знань | 17 - Електроніка, автоматизація та електронні комунікації |
| Спеціальність | 172 - Електронні комунікації та радіотехніка |
| Освітня програма | Всі ОП |
| Статус дисципліни | Вибіркова (Ф-каталог) |
| Форма здобуття вищої освіти | Очна |
| Рік підготовки, семестр | Доступно для вибору починаючи з 1-го курсу, весняний семестр |
| Обсяг дисципліни | 5 кред. (Лекц. 18 год, Практ. год, Лаб. 36 год, СРС. год ) |
| Семестровий контроль/контрольні заходи | Екзамен |
| Розклад занять | https://rozklad.kpi.ua |
| Мова викладання | Українська |
| Інформація про керівника курсу / викладачів | Лекц.: Лащевська Н. О., Лаб.: Сокольський С. О., |
| Розміщення курсу | https://do.ipo.kpi.ua/course/view.php?id=5067 |
Програма навчальної дисципліни
1. Опис навчальної дисципліни, її мета, предмет вивчання та результати навчання
Навчальна дисципліна «Нейронні мережі для оброблення сигналів» спрямована на формування у здобувачів вищої освіти ґрунтовних теоретичних знань та практичних навичок щодо використання штучних нейронних мереж для розв’язання прикладних задач у різних галузях радіотехніки та телекомунікацій.
Метою вивчення дисципліни є оволодіння методами проєктування, навчання та тестування нейронних мереж. Студенти навчаться самостійно обирати відповідну архітектуру мережі, налаштовувати її параметри, навчати на основі готових або самостійно сформованих наборів навчальних вибірок, а також застосовувати отримані моделі для розв’язання реальних задач.
По завершенню вивчення дисципліни «Нейронні мережі для оброблення сигналів» студенти зможуть:
– аналізувати поставлену задачу та визначати доцільність її реалізації за допомогою штучної нейронної мережі;
– вибирати оптимальний тип та параметри нейронної мережі для конкретних задач по обробленню сигналів;
– формувати навчальні вибірки або використовувати готові набори даних для тренування моделей;
– розробляти, навчати та тестувати моделі нейронних мереж в програмному пакеті MATLAB Neural Network Toolbox;
– оцінювати ефективність розроблених моделей та коригувати їх параметри для покращення результатів.
Дисципліна забезпечує необхідний рівень підготовки для подальшого застосування нейронних мереж у різних сферах оброблення сигналів, включаючи розпізнавання образів, фільтрацію шумів, класифікацію та прогнозування.
2. Пререквізити та постреквізити дисципліни (місце в структурно-логічній схемі навчання за відповідною освітньою програмою)
Дану дисципліну можуть обирати студенти освітнього рівня бакалавр, які прослухали повний курс дисциплін: Інформатика, Цифрова обробка сигналів, Дизайн цифрових та аналогових схем. Частина 1 та Дизайн цифрових та аналогових схем. Частина 2. Тобто дану дисципліну доцільно студентам освітнього рівня бакалавр обирати не раніше ніж в 7-8 семестрі.
Студенти освітнього рівня магістр можуть обирати дисципліну вже з першого року навчання.
Оскільки даний курс є вибірковим, то він лише доповнює уже існуючі у студентів загальні, фахові компетенції та програмні результати навчання.
Основна задача дисципліни формування компетентностей за напрямком побудови та використання штучних нейронних мереж для оброблення сигналів.
3. Зміст навчальної дисципліни
Тема 1. Штучні нейрони. Функції активації штучних нейронів. Правило Хебба. Штучна неронна мережа Хебба
Тема 2. Архітектура перших штучних нейронних мереж
Тема 3. Приклади навчання елементарного перцептону. Теореми Розенблатта про елементарний перцептон
Тема 4. Нейронна мережа Хеммінга
Тема 5. Нейронна мережа Кохонена
Тема 6. Нейронна мережа Хебба, яка здатна донавчатися
4. Навчальні матеріали та ресурси
1. Субботін, С. О. Нейронні мережі : навчальний посібник / С. О. Субботін, А. О. Олійник ; під заг. ред. проф. С. О. Субботіна. – Запоріжжя : ЗНТУ, 2014. – 132 с.
2. Основи штучних нейронних мереж: навчальний посібник / В. П. Сидоренко, Л. М. Коваленко. – Київ: КНУ ім. Т. Шевченка, 2021. – 256 с.
3. Субботін, С. О.Нейронні мережі : теорія та практика: навч. посіб. / С. О. Субботін. – Житомир : Вид. О. О. Євенок, 2020. – 184 с.
4. Петров О. В. Нейронні мережі: теорія і практика / О. В. Петров, І. М. Василенко. – Харків: ХНУРЕ, 2020. – 312 с.
5. Іванов Д. С. Штучні нейронні мережі: моделювання та застосування / Д. С. Іванов. – Львів: Львівська політехніка, 2022. – 280 с.
6. Семенов П. В. Нейронні мережі та їх застосування / П. В. Семенов. – Київ: Техніка, 2023. – 230 с.
7. Ткаченко Ю. М. Методи та архітектури нейронних мереж / Ю. М. Ткаченко. – Дніпро: ДНУ, 2021. – 250 с.
8. Гавриленко В. О. Асоціативні нейронні мережі / В. О. Гавриленко. – Запоріжжя: ЗНТУ, 2020. – 215 с.
9. Двонаправлені нейронні мережі: теорія та практика / П. М. Козлов. – Вінниця: ВНТУ, 2022. – 198 с.
10. Лисенко О. Б. Адаптивне навчання штучних нейронних мереж / О. Б. Лисенко. – Харків: ХАІ, 2021. – 270 с.
Навчальний контент
5. Методика опанування навчальної дисципліни (освітнього компонента)
Лекція №1: Формальні нейрони штучних нейронних мереж
Лекція №2: Розв’язання задач розпізнавання на основі окремих нейронів. Правило Хебба. Нейронна мережа Хебба.
Лекція №3: Елементарний перцептрон Розенблатта. . Приклади навчання елементарного перцептрону.
Лекція №4: Теореми про елементарний перцептрон.
Лекція №5: Архітектура мережі Хеммінга. Приклад навчання та розпізнавання зображень мережею Хеммінга.
Лекція №6: Архітектура нейронної мережі Кохонена. Алгоритм навчання мережі Кохонена.
Лекція №7: Двонаправлена асоціативна пам’ять на двійкових елементах. Алгоритм функціонування ДАП.
Лекція №8: Приклади використання ДАП. Оцінка ємності двонаправленої асоціативної пам’яті.
Лекція №9: Проблема донавчання нейронних мереж. Приклад функціонування нейронної мережі Хебба з додатковими нейронами, що розпізнають.
Лабораторна робота №1. Дослідження простого нейрона та його активаційних функцій
Лабораторна робота №2. Моделювання простих нейронних мереж з використанням MATLAB Deep Learning Toolbox
Лабораторна робота №3. Побудова нейронної мережі для розпізнавання літер у MATLAB
Лабораторна робота №4. Застосування нейронних мереж для класифікації, прогнозування та аналізу даних у MATLAB
Лабораторна робота №5. Опрацювання стиснутих зображень за допомогою нейронних мереж у MATLAB
Лабораторна робота №6. Розпізнавання аудіофайлів за допомогою нейронних мереж у MATLAB
Лабораторна робота №7. Основи нейронних мереж у MATLAB
Лабораторна робота №8. Застосування нейронних мереж у MATLAB для класифікації, прогнозування та виявлення аномалій
Лабораторна робота №9. Розпізнавання зображень за допомогою нейронних мереж у MATLAB
6. Самостійна робота студента
Для успішного засвоєння навчального матеріалу студент повинен завчасно готуватися до лекційних, лабораторних занять та модульних контрольних робіт (МКР).
- Перед лекційними заняттями необхідно переглянути теоретичний матеріал попередніх лекцій, щоб мати цілісне уявлення про предмет дослідження та ефективніше засвоювати нові теми. Ознайомлення з рекомендованою літературою та додатковими матеріалами сприятиме глибшому розумінню ключових концепцій.
- Перед лабораторними роботами студенти мають повторити відповідний теоретичний матеріал та ознайомитися з методичними вказівками до лабораторних завдань. Це дозволить більш ефективно використовувати час на практичні дослідження та уникнути труднощів під час виконання завдань.
- Перед модульними контрольними роботами (МКР) необхідно систематизувати отримані знання, повторити ключові поняття та алгоритми, а також переглянути розв’язані приклади завдань.
Політика та контроль
7. Політика навчальної дисципліни (освітнього компонента)
Політика щодо академічної доброчесності: всі роботи перевіряються на наявність плагіату і допускаються до захисту із коректними текстовими збігамии не більше 25%, з обов'язковими посиланнями на дані запозичення.
Політика щодо відвідування: відвідування лабораторних занять є обов’язковим компонентом оцінювання. За об’єктивних причин (наприклад, хвороба, академічна мобільність) заняття можуть бути відпрацьовані в інший погоджений з викладачем час.
8. Види контролю та рейтингова система оцінювання результатів навчання (РСО)
Рейтинг студента з дисципліни (РД) є сумою балів поточної успішності навчання — стартового рейтингу (РС) та екзаменаційних балів (РЕ):
РД = РС + РЕ.
Розмір стартової шкали РС = 60 балів.
Розмір екзаменаційної шкали РЕ = 40 балів.
Розмір шкали рейтингу з дисципліни РД = 100 балів.
Система рейтингових балів РС та критерії оцінювання РС складається з балів, одержаних за виконання таких робіт:
4 бали лабораторна робота => 9 * 4 бали = 36 балів;
24 бали модульна контрольна робота - 1*24=24 бали
Максимальний РС дорівнює: РС = 36 + 24 = 60 балів
Умови допуску до екзамену:
1. Виконання всіх лабораторних робіт, оформлення і здача звітів по них;
2. Написання модульної контрольної роботи;
3. Отримання не менше ніж 30 балів РС протягом семестру.
Протягом останнього тижня семестру студентам, які не набрали 30 балів, надається можливість підвищення РС.
Система рейтингових балів РЕ та критерії оцінювання:
На екзамені студентами виконується письмова контрольна робота. Кожен білет містить два теоретичних питання та одну задачу за основними розділами кредитного модуля.
Кожне теоретичне питання оцінюється максимум у 8 балів.
Задача оцінюється у 24 бали.
Відповідь на кожне теоретичне питання надає такі бали:
- повна відповідь (не менше 90% потрібної інформації) 8
- достатньо повна відповідь (не менше 75% потрібної інформації або незначні неточності) 6
- неповна відповідь (не менше 50% потрібної інформації та деякі помилки) 4
- незадовільна відповідь (менше 50% потрібної інформації) 0
Розв’язок задачі надає такі бали:
- повний правильний розв’язок задачі та правильна відповідь 24
- правильний хід рішення, наявність незначних помилок 18
- частковий розв’язок задачі, наявні значні помилки 12
- незадовільний або відсутній розв’язок задачі 0
Максимальний РЕ дорівнює: РЕ = 8 + 8 + 24 = 40 балів.
Система рейтингової оцінки успішності доводиться до відома студентів на першій лекції семестру. Хід одержання рейтингових балів повідомляється студентам викладачем, який виконує рейтингову оцінку успішності. Підсумовування рейтингових балів відбувається на останній лекції семестру.
Таблиця відповідності рейтингових балів оцінкам за університетською шкалою
| Кількість балів | Оцінка |
|---|---|
| 100-95 | Відмінно |
| 94-85 | Дуже добре |
| 84-75 | Добре |
| 74-65 | Задовільно |
| 64-60 | Достатньо |
| Менше 60 | Незадовільно |
| Не виконані умови допуску | Не допущено |
9. Додаткова інформація з дисципліни (освітнього компонента)
...Опис матеріально-технічного та інформаційного забезпечення дисципліни
Лабораторні роботи проводяться в комп'ютерному класі з використанням пакету Neural Network Toolbox (NNT) системи комп'ютерної математики (СКМ) MATLAB
Робочу програму навчальної дисципліни (силабус):
Складено
Лащевська Н. О.; Сокольський С. О.;
Ухвалено кафедрою ПРЕ (протокол № 06/2023 від 22.06.2023 )
Погоджено методичною комісією факультету/ННІ (протокол № 06-2023 від 29.06.2023 )