Методичні вказівки до самостійного вивчення курсу інформаційні технології в системах - страница №1/1
МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ
Вінницький національний технічний університет
Інститут автоматики, електроніки та комп’ютерних систем управління
С.Д.Штовба
МЕТОДИЧНІ ВКАЗІВКИ
до самостійного вивчення курсу
ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ
В СИСТЕМАХ УПРАВЛІННЯ
ЗАТВЕРДЖЕНО
на засіданні кафедри комп'ютерних систем управління
Протокол №1 від 1 вересня 2009 р.
Вінниця ВНТУ 2009
ВСТУП
Мета курсу полягає у вивченні теоретичних основ та набутті практичних навичок, необхідних для застосування інформаційних технологій в таких задачах кібернетики як: побудова експертних систем, обробка даних, ідентифікація, розпізнавання образів, прийняття рішень, медична та технічна діагностика, управління в технічних та організаційних системах.
В результаті вивчення дисципліни студент повинен
знати:
-
місце і роль інформаційних технологій в системах управління;
-
теоретичні базу інтелектуальних технологій - логічне програмування, нечітку логіку, нейронні та нейро-фаззі мережі, генетичні алгоритми тощо;
-
сучасні пакети програм з інформаційних технологій;
вміти:
-
застосовувати інформаційні технології для розв’язання практичних задач;
мати уяву:
-
про сучасний стан та шляхи розвитку інформаційних технологій;
-
про основні принципи інженерії знань, машинного навчання та еволюційного програмування;
-
про застосування інтелектуальних інформаційних технологій в обробці сигналів, розпізнаванні образів, медичній діагностиці, управлінні виробництвом, фінансовому менеджменті тощо.
ПЕРЕЛІК ОСНОВНИХ ТЕМ ТЕОРЕТИЧНОГО МАТЕРІАЛУ
Вступ. Мета і задача курсу. Основні терміни, визначення і класифікація інформаційних технологій.
Поняття інформаційних технологій. Основні терміни, визначення і класифікація інформаційних технологій. Інтернет-ресурси з інформаційних технологій в системах управління.
Література: основна [1 C. 7–22, 2 C. 9–58, 3 C. 12–39] ; додаткова [2 C. 117-144].
Місце і роль інформаційних технологій в системах управління.
Аналіз задач, які виникають під час функціонування систем управління, та місце і роль інформаційних технологій для їх вирішення.
Література: основна [3 C. 57–117]; додаткова [2 C. 27-44, 5 С. 34–71].
Порівняння інформаційних технології.
Порівняння інформаційних технології в системах управління на базі програмних систем MathCAD, SciLab, Maple та MATLAB.
Література: основна [2 C. 50-87, 4 C. 79-161, 8 C. 23–66].
Інформаційні технології на базі ядра MATLAB.
Склад ядра MATLAB. Приклади застосування ядра MATLAB для вирішення задач управління.
Література: основна [4 C. 51-86, 8 C. 179–212].
Інженерна та наукова графіка в MATLAB.
Двохвимірна та трьохвимірна інженерна та наукова графіка. Колір. Прозорість. Анімація.
Література: основна [4 C. 89–115, 8 C. 311–345].
Моделювання систем управління на базі MATLAB C. Simulink.
Основні принципи MATLAB C. Simulink. Основні блоки MATLAB C. Simulink.
Література: основна [4 C. 190–236, 8 C. 217–261].
Пакети MATLAB для проектування систем управління.
Основні функції та модулі Control System Toolbox та System Identification Toolbox.
Література: основна [4 C. 155–163, 7 C. 191–238, 8 C. 199–212].
Пакети MATLAB для прикладної статистки.
Основні функції та модулі Statistics Toolbox та GARCH Toolbox.
Література: основна [2 C. 15-27, 4 C. 277–298, 8 C. 117-133].
КОНТРОЛЬНІ ЗАПИТАННЯ ТА ЗАВДАННЯ ДЛЯ
САМОСТІЙНОГО ВИКОНАННЯ
Електроні бази даних статей та підручників з інформаційних технологій.
Література: основна [1 C. 7–22, 2 C. 9–58, 3 C. 12–39] ; додаткова [2 C. 117-144].
Історична динаміка пріоритетності задач систем управління.
Література: основна [3 C. 57–117]; додаткова [2 C. 27-44, 5 С. 34–71].
Інтернет-ресурси з програмних систем MathCAD, Maple, SciLab та MATLAB.
Література: основна [2 C. 50-87, 4 C. 79-161, 8 C. 23–66].
Побудова гістограм та діаграм.
Література: основна [4 C. 89–115, 8 C. 311–345].
Переваги дослідження моделей САУ в MATLAB C. Simulink.
Література: основна [4 C. 190–236, 8 C. 217–261].
Технологія екстракції дерев рішень з експериментальних даних.
Література: основна [2 C. 15-27, 4 C. 277–298, 8 C. 117-133].
Технологія обробки сигналів в пакеті SciLab.
Література: основна [7 C. 222–518].
Вирішення задач оптимізації в пакеті SciLab.
Література: основна [4 C. 52-89, 9 C. 199–211].
Теоретико-множинні операції над нечіткими множинами: об’єднання, перетин, доповнення.
Література: основна [5 C. 6-14, 6 C. 14–59, 9 C. 8-24]; додаткова [1 C. 33-45, 2 С. 31-61, 3 С. 14–19, 5 C. 27–39, 9 C. 2–11].
Прийняття рішень на основі нечіткого виведення для об’єктів з дискретним та неперевним виходами.
Література: основна [5 C. 11–22, 6 C. 60–75, 9 C. 27–44]; додаткова [4 С. 15–33, 7, 9 C. 114–156].
Нечітка регресія. Методи визначення нечітких коефіцієнтів.
Література: основна [5 C. 20–24, 9 C. 45–61]; додаткова [4 С. 75–93, 6].
Нечіткі контролери. Стабілізація верхнього положення оберненого маятника. Стійкість нечітких систем управління.
Література: основна [9 C. 176-215]; додаткова [4 С. 56-77, 5 С. 55–165].
Контр-приклад Міньського. Правило Хебба для навчання штучних нейронних мереж.
Література: основна [1 C. 49-66, 6 C. 193-218]; додаткова [8 С. 144–181].
Ідея об’єднання нечіткої логіки та нейронних мереж. Основні елементи нейро-фаззі мереж.
Література: основна [1 C. 131-146, 6 C. 219-244]; додаткова [8 С. 184–212].
Розпізнавання образів на основі штучних нейроних мереж типу багатошаровий персептрон, радіально-базисних та мереж Кохонена.
Література: основна [1 C. 160-197, 6 C. 176-199]; додаткова [8 С. 381–443].
ВКАЗІВКИ ДО ПІДГОТОВКИ ДО ЛАБОРАТОРНИХ РОБІТ
1. Візуалізація результатів моделювання систем управління.
Постановка задачі. Візуалізація результатів модулювання за допомогою 2D- та 3D-зображень. Візуалізація результатів модулювання за допомогою гістограм та діаграм. Аналіз результатів.
Література: основна [4 С. 25–43, 8 С. 15–74].
2. Синтез з даних оптимальної регресійної моделі.
Постановка задачі. Формування навчальної та тестової вибірки. Побудова регресійних моделей та визначення моделі оптимальної складності. Аналіз результатів.
Література: основна [2 C. 5–12, 3 C. 23–59, 8 С. 66–79].
3. Синтез з даних оптимального дерева рішень.
Постановка задачі. Формування навчальної та тестової вибірки. Синтез дерев рішень різного розміру. Виявлення кращого дерева рішень. Аналіз результатів.
Література: основна [2 C. 13–19, 4 C. 221–249].
4. Побудова кривої навчання нечіткої системи.
Синтез нечіткої бази знань, яка моделює задану еталону нелінійну залежність “2 входи – 1 вихід”. Дослідження залежності якості ідентифікації нечіткої базою знань від кількості правил.
Література: основна [5 C. 11–16, 9 C. 59–79].
5. Синтез з даних нечіткої моделі типу Сугено.
Постановка задачі. Формування навчальної та тестової вибірки. Побудова нечітких баз знань Сугено різного обсягу. Навчання нечітких моделей та визначення моделі оптимальної складності. Аналіз результатів.
Література: основна [5 C. 26-33, 6 C. 191-213, 9 C. 79-119].
6. Навчання нейронної мережі.
Постановка задачі. Формування навчальної та тестової вибірки. Синтез та навчання нейронних мереж різної розмірності для розпізнавання образів. Виявлення кращої нейронної мережі. Аналіз результатів.
Література: основна [1 С.144-165, 2 C. 116-191, 8 С. 49–54].
ОРГАНІЗАЦІЯ ВИВЧЕННЯ ДИСЦИПЛІНИ ЗА МРС
Трудомісткість дисципліни 5*108=540.
Трудомісткість модуля 1: 150.
Трудомісткість модуля 2: 390.
Таблиця 1 – Відповідність оцінок
% балів
|
Оцінка
|
Абс. бальна за 1-й модуль
|
Абс. бальна за 2-й модуль
|
Абс. бальна з дисципліни
|
за нац. шкалою
|
за 12-бальною шкалою
|
за шкалою ECTS
|
[100, 97]
|
відмінно
|
5+
|
A
|
146–150
|
379–390
|
524-540
|
[94, 97)
|
5
|
142–145
|
367–378
|
508-523
|
[91, 94)
|
5-
|
137–141
|
355–366
|
492-507
|
[85, 91)
|
добре
|
4+
|
B
|
128–136
|
332–354
|
459-491
|
[80, 85)
|
4
|
C
|
121–127
|
313–331
|
432-458
|
[75, 80)
|
4-
|
113–120
|
293–312
|
405-431
|
[71, 75)
|
задовільно
|
3+
|
D
|
107–112
|
278–292
|
384-404
|
[68, 71)
|
3
|
E
|
103–106
|
266–276
|
368-383
|
[65, 68)
|
3-
|
98–102
|
254–265
|
351-367
|
[40, 65)
|
незадовільно
|
*
|
FX
|
61–97
|
157–253
|
216-350
|
[27, 40)
|
2+
|
F
|
41–60
|
106–156
|
146-215
|
[14, 27)
|
2
|
21–40
|
55–105
|
76-145
|
[0, 14)
|
2-
|
0–20
|
0–54
|
0-75
|
Таблиця 2 – Кількість і зміст модулів
Модуль
|
Кредити
|
Лекції, год.
|
Практичні заняття, год.
|
Лабораторні заняття, год.
|
Колоквіум.
|
І
|
0.83
|
21
|
–
|
14
|
0
|
ІІ
|
2.17
|
21
|
–
|
14
|
1
|
Таблиця 3 – Оцінюванння знань, умінь навичок студентів з окремих видів робіт та в цілому по модулях (в балах)
Вид роботи
| Модуль |
І
|
ІІ
|
1. Виконання та захист лабораторних робіт
|
150
|
150
|
2. Колоквіум
|
|
240
|
Всього |
150
|
390
|
ЛІТЕРАТУРА
Основна література
-
Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применение в экономике и бизнесе. М.: 1998. – 222 с.
-
Дюк В., Самойленко А. Data Mining: учебный курс. – СПб: Питер, 2001.– 368с.
-
Згуровський М.З., Панкратова Н.Д. Основи системного аналізу. – К.: Видавнича група BHV, 2007. – 544 c.
-
Половко А.М., Бутусов П.Н. MATLAB для студента. СПб: БХВ-Петербург, 2005. – 320 с.
-
Ротштейн О.П., Штовба С.Д. Проектування нечітких баз знань. Лабораторний практикум та курсове проектування: Навч. посіб.- Вінниця: ВДТУ.- 1999.- 65с.
-
Рутковская Д., Пилинский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с полськ. М.: Горячая линия – Телеком, 2006. – 452 с.
-
Сергиенко А.Б. Цифровая обработка сигналов. СПб: БХВ-Петербург, 2004. – 632 с.
-
Хант Б. MATLAB. Официальный учебный курс Кембриджского университета. – М.: Лучшие книги. – 2008. – 352 с.
-
Штовба С.Д. Проектирование нечетких систем средствами MATLAB. М.: Горячая линия – Телеком, 2007. – 288 с.
Додаткова література
-
Дюбуа Д., Прадт А. Теория возможностей. Приложения к представлению знаний в информатике. М.: Радио и связь.- 1990.- 288с.
-
Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д.А.Поспелова.- М.: Наука, 1986.- 408с.
-
Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Радио и связь.- 1981.- 286с.
-
Панкевич О.Д., Штовба С.Д. Діагностування тріщин будівельних конструкцій за допомогою нечітких баз знань. Монографія. – Вінниця: УНІВЕРСУМ–Вінниця, 2005. – 108 с.
-
Прикладные нечеткие системы: Пер. с япон. / К.Асан, Д. Ватада, С. Иван и др.; под ред. Т.Тэрано, К.Асан, М. Сугэно- М.:Мир,1993. – 368с.
-
Штовба С.Д. Нечеткая идентификация на основе регрессионных моделей параметрической функции принадлежности // Проблемы управления и информатики. – 2006. – №6. – C. 38–44.
-
Штовба С.Д. Обеспечение точности и прозрачности нечеткой модели Мамдани при обучении по экспериментальным данным // Проблемы управления и информатики. – 2007. – №4. – С. 102–114.
-
Looney C. Pattern Recognition Using Neural Networks: Theory and Algorithms for Engineers and Scientists. Oxford University Press, 1997.- 458pp.
-
Zimmermann H.-J. Fuzzy Sets Theory - and Its Applications.3rd ed.- Kluwer Academic Publisher, 1996.- 435p.