Prezentacja sztucznych sieci neuronowych (SSN) jako aproksymatorów funkcji, zasady ich działania, aktualnego stanu wiedzy i przykładowych aplikacji. Pierwsza część wykładu stanowi wprowadzenie do aproksymacji funkcji za pomocą SSN. Przedstawiono problem aproksymacji funkcji i jego rozwiązanie przy użyciu SSN (wielowarstwowego perceptronu). W drugiej części zaprezentowano wybrane modele SSN używane do aproksymacji: sieci z radialnymi funkcjami bazowymi, extreme learning machine i sieci regresji uogólnionej GRNN. W trzeciej części pokazano zastosowania SSN w przykładowych problemach aproksymacyjnych: modelowanie silnika spalinowego, identyfikację układu dynamicznego wymiennika cieplnego, aproksymację pętli histerezy magnetycznej i predykcję szeregów czasowych. Materiał w założeniu ma być jak najbardziej przystępny i przeprowadzić słuchacza płynnie od zagadnień prostych i zrozumiałych (klasyczny problem aproksymacji funkcji liniowej) do bardziej złożonych.

свернуть