Course detail

Neural Networks, Adaptive and Optimum Filtering

FIT-QB4Acad. year: 2019/2020

In its first part, the course is devoted to providing an overview of types of architecture of neural networks and to a detailed analysis of their properties. Applications of neural networks in signal and image processing and recognition are included in this treatment. In the second part, the course deals with the theory of optimum detection and restoration of signals in its classical and generalised forms, emphasising the common base of this whole area. The subject highlights the common view-points in the area of neural networks and in the area of optimised signal processing.

Language of instruction

Czech

Mode of study

Not applicable.

Learning outcomes of the course unit

Theoretical knowledge of areas of neural networks and optimum signal processing, ability to apply and, if necessary, to modify these methods for concrete problems.

Prerequisites

signal and system theory, digital signal processing (e.g. the subjects BCZA, MMZS)

Co-requisites

Not applicable.

Planned learning activities and teaching methods

Not applicable.

Assesment methods and criteria linked to learning outcomes

Not applicable.

Course curriculum

Not applicable.

Work placements

Not applicable.

Aims

Gaining knowledge of theory of neural networks and theory of adaptive and optimum filtering, showing common view-points of both areas

Specification of controlled education, way of implementation and compensation for absences

Not applicable.

Recommended optional programme components

Not applicable.

Prerequisites and corequisites

Not applicable.

Basic literature

Not applicable.

Recommended reading

Not applicable.

Classification of course in study plans

  • Programme CSE-PHD-4 Doctoral

    branch DVI4 , 0 year of study, summer semester, elective

  • Programme CSE-PHD-4 Doctoral

    branch DVI4 , 0 year of study, summer semester, elective

Type of course unit

 

Lecture

39 hod., optionally

Teacher / Lecturer

Syllabus

Výuka předmětu bude pouze formou samostudia doporučené literatury s ústni zkouškou na konci semestru (podrobné informace o látce a konkrétní literatuře budou zaslány přihlášeným studentům emailem).
  • Architektury a klasifikace neuronových sítí. Neuron jako procesor a klasifikátor, metody tréninku, nenaučitelné problémy
  • Dopředné sítě, jednoduchý a vícevrstvý perceptron. Učení - zpětné šíření chyby jako iterativní minimalizace střední kvadratické odchylky
  • Řízené a neřízené učení. Zobecňování znalostí a optimální stupeň tréninku
  • Sítě s vzájemnými vazbami. Hopfieldovy sítě, chování, stavový diagram, atraktory, učení. Sítě se skrytými uzly
  • Využití relaxační minimalizace "energie" pro optimalizační úlohy, využití sítě jako asociativní paměti. Stochastický neuron a simulované žíhání, Boltzmannův stroj
  • Rekursivní a Jordanovy sítě. Soutěživé učení
  • Kohonenovy mapy, asociativní učení, automatická lokální organizace, zjemnění klasifikace
  • Možnosti neuronových sítí jako signálových procesorů a analyzátorů, praktické aplikace ve zpracování a restauraci signálů a obrazů
  • Optimální detekce a restaurace signálu - přístupy. Nelineární "přizpůsobené" filtry
  • Model zkreslení, LMS-filtrace, diskretní Wienerův filtr v nestacionárním prostředí
  • Kálmánova filtrace ve skalární verzi, vektorové zobecnění ve stacionárním a nestacionárním prostředí
  • Adaptivní filtrace, adaptační algoritmy, rekursivní realizace adaptivní filtrace, filtrace metodou stochastického gradientu
  • Typické aplikace adaptivní filtrace. Srovnání konceptů optimální a adaptivní filtrace s neuronově orientovaným přístupem

Guided consultation in combined form of studies

26 hod., optionally

Teacher / Lecturer