Opis predmeta
- Uvod v inteligentne sisteme. Prikaz inteligentnih sistemov v raziskovanju podatkov, modeliranju, razvrščanju v biomedicini, razpoznavanju, vodenju in detekciji napak.
- Osnovne metode nelinearne lokalne optimizacije, s poudarkom na metodah, ki so uporabne v učenju v inteligentnih sistemih in metode nelinearne globalne optimizacije.
- Metode nelinearne globalne optimizacije s primeri: metoda ohlajanja, evolucijskih algoritmov, genetskih algoritmov, metoda delcev, metoda drevesnega iskanja.
- Nenadzorovane metode učenja. Metoda glavnih komponent. Uporaba metode glavnih komponent pri identifikaciji, filtriranju, vodenju in detekciji napak.
- Metode rojenja. Metode mehkega rojenja: metoda mehkih c-povprečij, metod Gustafson-Kessel, metoda možnih c-povprečij, metoda regresijskega rojenja.
- Optimizacija kompleksnosti modelov. Verifikacija in validacija modelov. Eksplicitna in implicitna optimizacija strukture modela.
- Statični modeli. Formulacija na osnovi baznih funkcij. Polinomski modeli.
- Nevronske mreže. Večplastni perceptron. Gaussove nevronske mreže in aproksimacija funkcij.
- Mehki in nevro-mehki modeli. Mehka logika. Tipi mehkih sistemov. Učenje nevro-mehkih sistemov. Ocenjevanje izhodnih parametrov mehkih modelov. Globalna in lokalna estimacija. Različni tipi mehkih regulatorjev.
- Nelinearni dinamični sistemi. Klasični polinomski modeli v nelinearnem modeliranju. Dinamični mehki in nevronski modeli.
- Intervalni mehki modeli in družine funkcij.
- Nadzorovano hierarhično rojenje pri načrtovanju eksperimentov.
- Vodenje nelinearnih dinamičnih sistemov. Vodenje z razvrščanjem ojačenj.
- Vodenje z nelinearnim internim modelov. Vodenje z regulatorjem dveh prostostnih stopenj.
- Nelinearno prediktivno vodenje na osnovi modela. Prediktivno funkcijsko vodenje (PFC) in njegova uporaba na mehkih modelih.
- Prediktivno vodenje na osnovi dinamične matrike (DMC). Prediktivno vodenja na osnovi odziva na stopnico. Prediktivno vodenje na osnovi modela v prostoru stanj.
- Prediktivno vodenje na osnovi nelinearnega modela in optimizacija.
- Adaptivno vodenje in prilagajanje modela. Robustna modifikacija adaptivnih pravil. Modelno-referenčni adaptivni sistemi. Mehki modelno-referenčni adaptivni sistemi.
- Odkrivanje in diagnosticiranje napak na osnovi inteligentnih sistemov.
Predmet učimo na programih
Elektrotehnika 2. stopnja
Cilji in kompetence
Seznaniti študenta z osnovnimi matematičnimi in računalniškimi načeli izgradnje inteligentnih sistemov za pomoč pri odločanju v sodobnih sistemih.
Metode poučevanja in učenja
- predavanja,
- laboratorijske vaje in projekti,
- reševanje domačih nalog.
Predvideni študijski rezultati
Znanje in razumevanje:
Po zaključku tega predmeta bo študent zmožen izkazati znanje in razumevanje:
- gradnje inteligentnih sistemov za podporo odločanju in vodenje,
- identifikacije statičnih in dinamičnih modelov z metodami umetne inteligenca,
- gradnja naprednih sistemov vodenja na osnovi inteligentnih sistemov.
Uporaba znanja:
Pridobljeno znanje bo študent lahko uporabil pri gradnji modelov za spremljanje, nadzor, napovedovanje, analizo, vodenje in detekcijo in diagnostiko napak. Študent bo zmožen kritično ovrednotiti skladnost med pridobljenim znanjem ter uporabo konceptov v praktičnih primerih.
Prenosljive spretnosti:
Študent si bo pridobil spretnosti:
- uporabe literature ter drugih virov s področja inteligentnih sistemov pri raziskovanju podatkov.
- uporaba računalniških razvojnih orodij in okolij za programiranje (pisanje programov programskem okolju Matlab),
- reševanja problemov: analiza problema, načrtovanje algoritma, implementacija programa in testiranje programa.
Temeljni viri in literatura
I. Škrjanc: Inteligentni sistemi pri raziskovanju podatkov in odločanju, skripta, 2016.
Bodi na tekočem
Univerza v Ljubljani, Fakulteta za elektrotehniko, Tržaška cesta 25, 1000 Ljubljana