Politecnico di Torino
Politecnico di Torino
   
Login  
en
Politecnico di Torino
Anno Accademico 2007/08
02IXZIT
Reti neuro-fuzzy e applicazioni
Dottorato di ricerca in Ingegneria Elettronica E Delle Comunicazioni - Torino
Docente Qualifica Settore Lez Es Lab Tut Anni incarico
Reyneri Leonardo ORARIO RICEVIMENTO PO ING-INF/01 30 0 0 0 6
SSD CFU Attivita' formative Ambiti disciplinari
*** N/A ***    
Obiettivi dell'insegnamento
Fornire competenze ed abilita' nel campo delle reti neuro-fuzzy;|
Presentare e discutere i principali algoritmi neuro-fuzzy e le corrispondenti regole di apprendimento|
Presentatre alcune applicazioni pratiche nel campo dell'ingegneria|
Programma
Lezione 1: Introduzione; metodi cognitivi; reti neuronali; logica fuzzy;algoritmi genetici; tassonomia delle reti; modelli con e senza retroazione;modelli statici e dinamici; topologie; modello matematico generalizzato; percettrone elementare; modello di Minsky; concetto di separabilita' lineare; caratteristiche di rete; limitazioni; regole di apprendimento; regola di Hebb; regola delta; delta generalizzata; coefficiente di apprendimento e momento; accelerazione dell'apprendimento; reti a topologia adattativa; memoria a breve e lungo termine; plasticita'; esempio al calcolatore.|
Lezione 2: Percettrone singolo e multistrato; proprieta'; apprendimento; modelli con e senza memoria; regola delta; retropropagazione; momento e regole adattative; inizializzazione pesi; effetti sull'apprendimento; inizializzazione casuale; inizializzazione mirata; inizializzazione per caratterizzazione; copia da modello di riferimento.|
Lezione 3: Percettrone - Parte II
Lezione 4: Altri paradigmi neuronali; reti di Hopfield; il problema del commesso viaggatore; memorie associative bidirezionali; Radial Basis Functions; memorie a matrice di correlazione; reti di Herault-Jutten; reti a pesi condivisi; backpropagation-through-time; ART; altri; esempio al calcolatore.|
Lezione 5: Autoorganizzazione; modelli cooperativi e competitivi; mappe di Kohonen; mappe autoorganizzanti; modelli senza limitazioni topologiche; mappe di Kohonen-Herault; quantizzazione vettoriale; metodo delle componenti principali; addestramento; memorie associative; auto- ed etero-associativita'.
Lezione 6: Fuzzy I; logica fuzzy; insiemi fuzzy; funzioni di appartenenza; base della conoscenza; regole linguistiche; apprendimento da esperto umano; addestramento per esempi.|
Lezione 7: Fuzzy II; inferenza fuzzy; defuzzificazione; metodo del centroide; modello matematico equivalente; dimostrazione al calcolatore.|
Lezione 8: Algoritmi genetici; geni, cromosomi e popolazione; funzione di costo; simulated annealing; algoritmi ibridi; ottimizzazione stocastica; dimensione della popolazione; generazione matrici pesi; ottimizzazione topologica; ottimizzazione di funzioni generiche; scopi primari e secondari; dimostrazione pratica.|
Lezione 9: Algoritmi di unificazione neuro-fuzzy; paradigma matematico della logica fuzzy; Weighted Radial Basis Functions; unificazione neuronale, fuzzy e neuro-fuzzy; fuzzy gerarchico; scelta della base di funzioni; inizializzazione ed addestramento; scelta delle regole; conversione tra fuzzy e neurale; addestramento ed ottimizzazione incrociati;|
Lezione 10: Elaborazione del segnale; filtraggio lineare e non; linearizzazione di canale; codifica di sorgente e di canale; decodifica; previsione di serie storiche; separazione di sorgenti; il problema del cocktail party; compensazione di sensori; integrazione sensoriale;|
Lezione 11: Modellistica ed identificazione; modelli di sistemi con e senza memoria; modelli seriale-parallelo e parallelo-parallelo; influenza dell'inizializzazione; addestramento; compensazione del rumore; addestramento casuale, mirato e misto; controllo di sistemi; addestramento per emulazione; controllo inverso; addestramento ed ottimizzatione; controllo adattativo;
controllo intelligente; controllo predittivo ad anello aperto.|
Lezione 12: Elaborazione di immagini; quantizzazione; compressione di immagini; riconoscimento di forme; riconoscimento di caratteristiche; ricostruzione di immagini incomplete; tracking di bersaglio; riconoscimento del manoscritto; riconoscimento di difetti; controllo qualita'; memorie di massa; esempio al calcolatore;|
Orario delle lezioni
Statistiche superamento esami

Programma definitivo per l'A.A.2007/08
Indietro



© Politecnico di Torino
Corso Duca degli Abruzzi, 24 - 10129 Torino, ITALY
WCAG 2.0 (Level AA)
Contatti