Module also offered within study programmes:
General information:
Name:
Sieci neuronowe w automatyce i robotyce
Course of study:
2019/2020
Code:
RAIR-2-404-AM-n
Faculty of:
Mechanical Engineering and Robotics
Study level:
Second-cycle studies
Specialty:
Automatic Control and Metrology
Field of study:
Automatics and Robotics
Semester:
4
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Part-time studies
Course homepage:
 
Responsible teacher:
dr inż. Gibiec Mariusz (mgi@agh.edu.pl)
Module summary

Student poznaje metody sztucznej inteligencji, oprogramowanie do budowy sztucznych sieci neuronowych i wykorzystuje je do rozwiązywania problemów klasyfikacji, modelowania, identyfikacji i sterowania

Description of learning outcomes for module
MLO code Student after module completion has the knowledge/ knows how to/is able to Connections with FLO Method of learning outcomes verification (form of completion)
Social competence: is able to
M_K001 potrafi działać i myśleć w sposób kreatywny i przedsiębiorczy rozumie potrzebę ciągłego uczenia i dokształcania się oraz podnoszenia kompetencji zawodowych i osobistych AIR2A_K01 Test results,
Execution of laboratory classes
Skills: he can
M_U001 potrafi tworzyć i testować sieci neuronowe rozwiazujące problemy wynikające z zadań inżynierskich AIR2A_U06, AIR2A_U07 Test results,
Execution of laboratory classes
M_U002 potrafi planować i przeprowadzać eksperymenty, w tym pomiary i symulacje komputerowe w celu uzyskania danych dla sieci neuronowych oraz interpretować uzyskane wyniki i wyciągać wnioski AIR2A_U05, AIR2A_U03 Test results,
Execution of laboratory classes
M_U003 potrafi szczegółowo dokonać modelowania i identyfikacji istniejących rozwiązań technicznych w zakresie wynikającym z potrzeb automatyki, robotyki i automatyzacji za pomoca sieci neuronowych AIR2A_U05, AIR2A_U08, AIR2A_U03 Test results,
Execution of laboratory classes
M_U004 potrafi wykorzystać wiedzę szczegółową z wielowymiarowych i nieliniowych systemów sterowania, jako wiedzę potrzebną do budowy sieci neuronowych wykorzystywanych w rozwiązywaniu powyższych problemów AIR2A_U06 Test results,
Execution of laboratory classes
Knowledge: he knows and understands
M_W001 zna i rozumie metodykę wykorzystania sztucznych sieci neuronowych do modelowania i identyfikacji członów, obiektów, układów i systemów w automatyce i robotyce oraz automatyzacji. AIR2A_W05, AIR2A_W04, AIR2A_W07 Test results,
Execution of laboratory classes
M_W002 zna i rozumie metodykę wykorzystania sztucznych sieci neuronowych do projektowania i budowy wielowymiarowych i nieliniowych systemów sterowania członów, obiektów, układów i systemów w automatyce i robotyce oraz automatyzacji. AIR2A_W05, AIR2A_W07, AIR2A_W02 Test results,
Execution of laboratory classes
M_W003 zna podstawy bydowy i działania sztucznych sieci neuronowych oraz wie jakie zadania automatyki i robotyki można rozwiązywać z ich wykorzystaniem AIR2A_W04 Test results,
Execution of laboratory classes
Number of hours for each form of classes:
Sum (hours)
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
22 8 0 14 0 0 0 0 0 0 0 0
FLO matrix in relation to forms of classes
MLO code Student after module completion has the knowledge/ knows how to/is able to Form of classes
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Social competence
M_K001 potrafi działać i myśleć w sposób kreatywny i przedsiębiorczy rozumie potrzebę ciągłego uczenia i dokształcania się oraz podnoszenia kompetencji zawodowych i osobistych - - + - - - - - - - -
Skills
M_U001 potrafi tworzyć i testować sieci neuronowe rozwiazujące problemy wynikające z zadań inżynierskich - - + - - - - - - - -
M_U002 potrafi planować i przeprowadzać eksperymenty, w tym pomiary i symulacje komputerowe w celu uzyskania danych dla sieci neuronowych oraz interpretować uzyskane wyniki i wyciągać wnioski - - + - - - - - - - -
M_U003 potrafi szczegółowo dokonać modelowania i identyfikacji istniejących rozwiązań technicznych w zakresie wynikającym z potrzeb automatyki, robotyki i automatyzacji za pomoca sieci neuronowych - - + - - - - - - - -
M_U004 potrafi wykorzystać wiedzę szczegółową z wielowymiarowych i nieliniowych systemów sterowania, jako wiedzę potrzebną do budowy sieci neuronowych wykorzystywanych w rozwiązywaniu powyższych problemów - - + - - - - - - - -
Knowledge
M_W001 zna i rozumie metodykę wykorzystania sztucznych sieci neuronowych do modelowania i identyfikacji członów, obiektów, układów i systemów w automatyce i robotyce oraz automatyzacji. + - + - - - - - - - -
M_W002 zna i rozumie metodykę wykorzystania sztucznych sieci neuronowych do projektowania i budowy wielowymiarowych i nieliniowych systemów sterowania członów, obiektów, układów i systemów w automatyce i robotyce oraz automatyzacji. + - + - - - - - - - -
M_W003 zna podstawy bydowy i działania sztucznych sieci neuronowych oraz wie jakie zadania automatyki i robotyki można rozwiązywać z ich wykorzystaniem + - + - - - - - - - -
Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 52 h
Module ECTS credits 2 ECTS
Udział w zajęciach dydaktycznych/praktyka 22 h
Preparation for classes 9 h
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 9 h
Realization of independently performed tasks 11 h
Examination or Final test 1 h
Module content
Lectures (8h):

1. Cybernetyczny model komórki nerwowej. Możliwości rozwiązywania zadań Automatyki i Robotyki.
2. Liniowe i nieliniowe sieci neuronowe – modele i algorytmy uczenia.
3. Neuronowe modele obiektów dynamicznych. Filtry i estymatory neuronowe.
4. Neuronowa identyfikacja obiektów dynamicznych. Układy sterowania neuronowego.
5. Neuronowe układy diagnostyczne. Zastosowania sieci neuronowych w rozwiązaniach predykcyjnych. Rozpoznawanie wzorców. Analiza obrazów.
6. Modelowanie rozmyto-neuronowe. Projektowanie sterowników rozmyto-neuronowych.

Laboratory classes (14h):

1. Wstęp. Zapoznanie z posiadanym oprogramowaniem. Matematyczny model neuronu i jego działanie.
2. Sieci liniowe – zadania klasyfikacji i aproksymacji,
realizacja funkcji logicznych.
3. Sieci samouczące – zadanie grupowania. Implementacja sieci neuronowych w układach budowanych za pomocą Simulinka.
4. Sieci nieliniowe – zadanie klasyfikacji i aproksymacja funkcji nieliniowych.
5. Neuronowa identyfikacja współczynników modelu splotowego i ARMA. Modelowanie zachowań układów dynamicznych.
6. Identyfikacja parametrów układu drgającego o jednym stopniu swobody.
7. Sieci neuronowe w układach sterowania
8. Klasyfikacja symptomów diagnostycznych.

Additional information
Teaching methods and techniques:
  • Lectures: Treści prezentowane na wykładzie są przekazywane w formie prezentacji multimedialnej w połączeniu z klasycznym wykładem tablicowym wzbogaconymi o pokazy odnoszące się do prezentowanych zagadnień.
  • Laboratory classes: W trakcie zajęć laboratoryjnych studenci samodzielnie rozwiązują zadany problem praktyczny, dobierając odpowiednie narzędzia. Prowadzący stymuluje grupę do refleksji nad problemem, tak by otrzymane wyniki miały wysoką wartość merytoryczną.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Zaliczanie na podstawie : 1. obecności (wymagane 60%), nieobecnosci musza być usprawiedliwione
2. pozytywnej oceny każdego ze sprawozdań
3.pozytywnej oceny z Kolokwium zaliczeniowego
Zaliczenie poprawkowe – maksymalnie dwa terminy tylko w głownej cześci sesji egzaminacyjnej.

Participation rules in classes:
  • Lectures:
    – Attendance is mandatory: No
    – Participation rules in classes: Studenci uczestniczą w zajęciach poznając kolejne treści nauczania zgodnie z syllabusem przedmiotu. Studenci winni na bieżąco zadawać pytania i wyjaśniać wątpliwości. Rejestracja audiowizualna wykładu wymaga zgody prowadzącego.
  • Laboratory classes:
    – Attendance is mandatory: Yes
    – Participation rules in classes: Studenci wykonują ćwiczenia laboratoryjne zgodnie z materiałami udostępnionymi przez prowadzącego. Student jest zobowiązany do przygotowania się w przedmiocie wykonywanego ćwiczenia, co może zostać zweryfikowane kolokwium w formie ustnej lub pisemnej. Zaliczenie zajęć odbywa się na podstawie zaprezentowania rozwiązania postawionego problemu. Zaliczenie modułu jest możliwe po zaliczeniu wszystkich zajęć laboratoryjnych.
Method of calculating the final grade:

Suma ważona z oceny z kolokwium zaliczeniowego (waga 0,7) oraz ocen za sprawozdania z ćwiczeń
laboratoryjnych (waga 0,3) przy czym wszystkie oceny muszą być pozytywne. W przypadku poprawy kolokwium ocena jest srednia oceną ze wszystkich terminów.

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

Nieobecności powinny zostać odrobione w innym terminie. W razie braku terminów student, za zgoda prowadzącego może samodzielnie zrealizować zadania z instrukcji.

Prerequisites and additional requirements:

Prerequisites and additional requirements not specified

Recommended literature and teaching resources:

Cichosz L. Systemy Uczące się, WNT, 2004
Rutkowska D., Piliński M., Rutowski L.:Sieci neuronowe,algorytmy genetyczne i systemy rozmyte.
PWN, Warszawa 1997
Jang J.-S. R., Sun C.-T., Mizutani E.: “Neuro-Fuzzy and Soft Computing. A Computational Approach
to Learning and Machine Intelligence”, Prentice-Hall, Upper Saddle River, 1997.
Korbicz J., Obuchowicz A., Uciński D.: Sztuczne sieci neuronowe. Podstawy i zastosowania. –
Warszawa: Akademicka Oficyna Wydawnicza PLJ,1994.
Simpson P.: Artificial Neural Systems: Foundations, Paradigms, Applications, Elmsford Press:
Pergamon Press 1990.

Scientific publications of module course instructors related to the topic of the module:

1. Fuzzy logic and neural networks in machine state classification process — Zbiory rozmyte i sieci neuronowe w procesie klasyfikacji stanu maszyn / Mariusz GIBIEC // W: Diagnostyka 2000 : II Międzynarodowy Kongres Diagnostyki Technicznej = Diagnostics 2000 : II International Congress of Technical Diagnostics : Warsaw, 19–22 September 2000. Vol. 2, Abstracts / Warsaw University of Technology. Faculty of Automobiles and Heavy Machinery Engineering. Institute of Machine Design Fundamentals. — Warszawa : PW, 2000 + CD-ROM. — S. 121–122. — Bibliogr. s. 121–122
2.Identyfikacja obciążeń eksploatacyjnych w oparciu o metody sztucznej inteligencji — Identification of exploitation loads – an artificial intelligence approach / Mariusz GIBIEC // W: Diagnostyka procesów przemysłowych = Diagnostics of industrial processes : V krajowa konferencja naukowo-techniczna = 5th national conference : Łagów Lubuski, 17–19 września 2001 / red. nauk. Józef Korbicz, Andrzej Pieczyński ; Politechnika Zielonogórska. — Zielona Góra : Oficyna Wydawnicza PZ, 2001. — Opis częśc. wg okł. — ISBN 83-85911-77-4. — S. 195–198. — Bibliogr. s. 198, Streszcz., Abstr.
3.Soft computing tools for machine diagnosing — Metody {\it soft computing} w narzędziach do diagnozowania maszyn / Mariusz GIBIEC // Journal of the Theoretical and Applied Mechanics (Warsaw) ; ISSN 1429-2955. — 2004 vol. 42 no. 3 s. 483–501. — Bibliogr. s. 500–501, Streszcz.. — Computational Intelligence / ed. Tadeusz Burczyński ; Polish Society of Theoretical and Applied Mechanics. — Warsaw : [PSTAM], 2004
4.Zastosowanie sieci neuronowych Kohonena w klasyfikacji stanu obiektu — Kohonen neural networks for object state classification / Mariusz GIBIEC // Pomiary, Automatyka, Kontrola / Stowarzyszenie Inżynierów i Techników Mechaników Polskich. Sekcja Metrologii, Polskie Stowarzyszenie Pomiarów Automatyki i Robotyki POLSPAR ; ISSN 0032-4140. — 2003 nr 5 s. 11–12. — Streszcz., Abstr.

Additional information:

None