Politecnico di Torino
Politecnico di Torino
   
Login  
en
Politecnico di Torino
Anno Accademico 2009/10
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;|

According to Doodle poll, from tomorrow the time schedule of PhD course on neuro-fuzzy systems will be:
WEDNESDAY 8.30-12.30
THURSDAY 12.30-14.30
which is the best comprimise for everybody

Same place (sala riunioni 2nd floor Cittadella Politecnica), except the week 11-12 november during which it will be in the old meeting room of dept. electronics, ground floor in front or room 12
Orario delle lezioni
Statistiche superamento esami

Programma definitivo per l'A.A.2009/10
Indietro



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