《人工神经网络》教学大纲-0526Word格式文档下载.doc
《《人工神经网络》教学大纲-0526Word格式文档下载.doc》由会员分享,可在线阅读,更多相关《《人工神经网络》教学大纲-0526Word格式文档下载.doc(6页珍藏版)》请在冰豆网上搜索。
二、课程的教学基本要求
本课程基于简明易懂、便于软件实现、鼓励探索的原则介绍人工神经网络的基本模型、拓扑结构和特性等。
要求学生熟悉常见的人工神经网络的结构和特性,包括智能系统描述模型、人工神经网络方法的特点等。
在本课程有限学时内,要求学生重点掌握下列几方面的知识。
(1)神经网络模型的基本理论;
(2)神经网络的结构设计﹑实现算法;
(3)基于MATLAB的神经网络实现技术平台;
(4)神经网络在工程中的应用背景和实例;
(5)神经网络理论的发展与前沿问题。
三、相关课程
本课程的学习,要求学生具备:
数值分析、线性代数、高级语言程序设计等方面的基础知识。
四、主要讲授内容
第一章绪论(2学时)
(一)目的与要求
介绍神经网络系统的发展史,阐述其基本功能和发展趋势等。
1.了解生物神经元和神经网络简述;
2.了解神经网络的基本结构;
3.掌握神经网络的含义、特点和应用。
(二)教学内容
1.学习神经网络的目的。
2.神经网络发展历史。
3.神经网络应用:
航空、电子、金融、医疗、机器人等。
4.生物学的启示。
5.要求学生了解神经网络发展历史、神经网络应用。
第二章神经元模型和网络结构(2学时)
介绍简化的神经元数学模型,并解释这些人工神经元如何相互连接形成各种神经网络结构。
1.熟悉神经元数学模型;
2.熟悉人工神经元如何相互连接。
1.介绍在神经网络方面常用的符号。
2.介绍神经网络模型。
3.网络结构。
第三章一个实例说明(2学时)
给出一个模式识别的简单问题,并说明如何用三种不同结构的神经网络来求解这个问题。
1.给出模式识别的简单问题;
2.三种不同结构的神经网络来求解这个问题。
要求学生了解一个非常重要的实际问题,感知机的工作原理,对Hamming网络进行简单的介绍。
1.问题的描述。
2.感知机。
3.Hamming网络。
)
第四章感知机学习规则(4学时)
介绍一种用于训练感知机网络的算法,使感知机能够学习求解分类问题。
1.熟悉学习规则分类;
2.熟悉学习规则的基本结构;
3.掌握学习规则的数学推理。
1.理论与实例
介绍学习规则的理论依据,通过举例来说明。
2.学习规则分类
有监督的学习,增强学习,无监督的学习。
3.感知机的结构
单神经网络感知机,多神经网络感知机。
4.感知机学习规则
测试问题,学习规则的构造,统一的学习规则,多神经元感知机的训练。
第五章信号与权值向量空间(2学时)
详细研究这些向量空间,并且复习一些对分析神经网络十分有用的向量空间性质。
1.熟悉线性向量空间的相关概念;
2.熟悉内积、正交性等概念。
1.线性向量空间。
2.线性无关。
3.生成空间。
4.内积。
5.范数。
6.正交性。
第六章神经网络中的线性变换(2学时)
研究一般的线性变换及其基本特点。
1.熟悉线性变换概念;
2.熟悉特征值、特征向量等概念。
1.线性变换。
2.矩阵表示。
3.基变换。
4.特征值和特征向量。
第七章有监督的Hebb学习(4学时)
本章先阐述Hebb学习的工作原理,并说明如何把Hebb规则用于训练人工神经网络。
1.熟悉Hebb学习的工作原理;
2.理解如何把Hebb规则用于训练人工神经网络。
1.理论与实例。
2.线性联想器。
3.Hebb规则。
第八章性能曲面和最优点(2学时)
研究性能曲面,并确定性能曲面存在极大点和极小点的条件。
1.熟悉相关概念;
2.确定性能曲面存在极大点和极小点的条件。
1.泰勒级数。
2.方向导数。
3.极小点。
4.优化的必要条件。
5.二次函数。
第九章性能优化(4学时)
应用泰勒级数展开寻找定位最优点的算法。
将讨论三种优化算法:
最速下降法;
牛顿法和共轭梯度法。
1.最速下降法。
2.牛顿法。
3.共轭梯度法。
第十章Widrow-Hoff学习算法(4学时)
把性能学习的原理用于单层线性神经网络。
这种学习方法的重要性在于两点:
1.它被广泛使用于现在的信号处理应用中;
2.它是多层网络中BP算法的先驱。
1.ADALINE网络。
2.均方误差。
3.LMS算法。
4.收敛性分析。
5.自适应滤波。
第十一章反向传播(4学时)
给出一个更一般的LMS算法,,它可以用来训练多层网络。
1.熟悉多层感知机的概念;
2.熟悉一些基本算法。
1.多层感知机。
2.向传播算法。
3.举例来说明。
五、教学环节学时分配
1.教学环节及学时分配
序号
教学内容
课时分配
讲授
实验
专题
研讨
案例
研究
团队
项目
小计
1
第一章绪论
2
第二章神经元模型和网络结构
3
第三章一个实例说明
4
第四章感知机学习规则
5
第五章信号与权值向量空间
6
第六章神经网络中的线性变换
7
第七章有监督的Hebb学习
8
第八章性能曲面和最优点
9
第九章性能优化
10
第十章Widrow-Hoff学习算法
11
第十一章反向传播
合计
22
32
2.其他教学环节(包括专题研讨、案例研究和团队项目)的具体内容、目的、要求及学时分配需要做具体说明,原则上其他教学环节的学时数不低于总学时数的30%。
专题研讨一:
感知机学习规则2学时
内容、目的及要求:
提前布置作业,课堂讨论人工神经网络发展历史及主要学派和代表人物,进而讨论感知机学习规则及其应用领域,最后要求学生表达出本人所感兴趣的研究内容。
专题研讨二:
性能优化2学时
神经网络训练过程实质是性能优化问题。
各种训练方法各具特点、各有优劣,并有其适用领域,讨论围绕在解决具体问题时,应当如何把握问题要旨,综合考虑;
如何选取适当的训练规则。
案例研究一:
有监督的Hebb学习2学时
以实际例子应用有监督的Hebb学习规则求取实际问题的答案,掌握有监督的Hebb学习规则,并讨论这种方法存在的问题及解决方法。
案例研究二:
Widrow-Hoff学习算法2学时
以实际例子应用Widrow-Hoff学习算法求取实际问题的答案,掌握Widrow-Hoff学习算法,并讨论这种方法存在的问题及解决方法。
案例研究三:
反向传播2学时
以实际例子应用反向传播求取实际问题的答案,掌握反向传播的基本原理及算法实现,并讨论这种方法存在的问题并引出解决这些问题的改进算法。
六、成绩考核
本课程考核方式为考查,根据平时的考勤、作业、课堂讨论和研究报告评定成绩。
平时考勤20%,作业、课堂讨论和学术交流30%,研究报告50%。
七、课程教材及主要参考书
1.(美)MartinT.Hagan,HowardB.Demuth,MarkH.Beale著,戴葵等译,神经网络设计,机械工业出版社,2003年3月;
2.飞思科技产品研发中心编著,神经网络理论与MATLAB7实现,电子工业出版社,2005年3月;
3.蒋宗礼编著,人工神经网络导论,高等教育出版社,2001年8月;
4.王旭、王宏、王文辉编著,人工神经元网络原理与应用,东北大学出版社,2000年12月。
八、教学说明或建议
教学内容、方法和手段的创新性、研究生学习新知识、新方法的途径、方式等。
责
任
表
撰写人
硕士点
负责人
参加讨
论人员
院长签字:
日期:
(除标题外的正文部分均用宋体五号字)