Методичні вказівки до самостійного вивчення курсу інформаційні технології в системах управління - polpoz.ru o_O
Главная
Поиск по ключевым словам:
страница 1
Похожие работы
Название работы Кол-во страниц Размер
Методичні вказівки та індивідуальні завдання 3 482.24kb.
Методичні вказівки до практичних занять. 3 Методичні вказівки для... 3 542.57kb.
Заочна Вивчення курсу закінчується іспитом 1 111.47kb.
Методичні вказівки з англійської мови 2 335.96kb.
Методичні вказівки та контрольні завдання до вивчення дисципліни... 3 702.3kb.
Робоча програма і методичні вказівки до курсу «Історія образотворчого... 1 328.73kb.
Методичні вказівки до написання та оформлення курсових робіт 2 687.25kb.
Конспект лекцій з методичними рекомендаціями для самостійного вивчення... 3 699.64kb.
Методичні вказівки щодо підбору матеріалу, написання та захисту контрольних... 5 635.92kb.
Методичні рекомендації та завдання до контрольної роботи №3 з дисципліни... 2 499.61kb.
Методичні вказівки до самостійної роботи студентів з курсу «Метеорологія... 1 43.33kb.
Державне статистичне спостереження 1 201.84kb.
1. На доске выписаны n последовательных натуральных чисел 1 46.11kb.

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

  1. Ежов А.А., Шумский  С.А. Нейрокомпьютинг и его применение в экономике и бизнесе. М.: 1998. – 222 с.

  2. Дюк В., Самойленко А. Data Mining: учебный курс. – СПб: Питер, 2001.– 368с.

  3. Згуровський М.З., Панкратова Н.Д. Основи системного аналізу. – К.: Видавнича група BHV, 2007. – 544 c.

  4. Половко А.М., Бутусов П.Н. MATLAB для студента. СПб: БХВ-Петербург, 2005. – 320 с.

  5. Ротштейн О.П., Штовба С.Д. Проектування нечітких баз знань. Лабораторний практикум та курсове проектування: Навч. посіб.- Вінниця: ВДТУ.- 1999.- 65с.

  6. Рутковская Д., Пилинский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с полськ. М.: Горячая линия – Телеком, 2006. – 452 с.

  7. Сергиенко А.Б. Цифровая обработка сигналов. СПб: БХВ-Петербург, 2004. – 632 с.

  8. Хант Б. MATLAB. Официальный учебный курс Кембриджского университета. – М.: Лучшие книги. – 2008. – 352 с.

  9. Штовба С.Д. Проектирование нечетких систем средствами MATLAB. М.: Горячая линия – Телеком, 2007. – 288 с.
Додаткова література

  1. Дюбуа Д., Прадт А. Теория возможностей. Приложения к представлению знаний в информатике. М.: Радио и связь.- 1990.- 288с.

  2. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д.А.Поспелова.- М.: Наука, 1986.- 408с.

  3. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Радио и связь.- 1981.- 286с.

  4. Панкевич О.Д., Штовба С.Д. Діагностування тріщин будівельних конструкцій за допомогою нечітких баз знань. Монографія. – Вінниця: УНІВЕРСУМ–Вінниця, 2005. – 108 с.

  5. 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.

  6. Штовба С.Д. Нечеткая идентификация на основе регрессионных моделей параметрической функции принадлежности // Проблемы управления и информатики. – 2006. – №6. – C. 38–44.

  7. Штовба С.Д. Обеспечение точности и прозрачности нечеткой модели Мамдани при обучении по экспериментальным данным // Проблемы управления и информатики. – 2007. – №4. – С. 102–114.

  8. Looney C. Pattern Recognition Using Neural Networks: Theory and Algorithms for Engineers and Scientists. Oxford University Press, 1997.- 458pp.

  9. Zimmermann H.-J. Fuzzy Sets Theory - and Its Applications.3rd ed.- Kluwer Academic Publisher, 1996.- 435p.



izumzum.ru