Cel kształcenia i wykaz literatury

Główny cel kształcenia: Głównym celem kształcenia jest uzyskanie wiedzy i umiejętności w zakresie projektowania i implementacji układów neuronowych i rozmytych w innowacyjnych rozwiązaniach mechatronicznych.

Ogólne informacje o zajęciach: Moduł kształcenia "Metody sztucznej inteligencji" obejmuje zagadnienia z zakresu projektowania i implementacji układów neuronowych i rozmytych.

Materiały dydaktyczne: Instrukcje do laboratorium dostępne on-line podczas zajęć.

Wykaz literatury, wymaganej do zaliczenia zajęć

Literatura wykorzystywana podczas zajęć wykładowych

1

Hendzel Z., Szuster M., Gierlak P.

Sieci neuronowe i systemy rozmyte

Oficyna Wydawnicza Politechniki Rzeszowskiej.

2010

Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych

1

Hendzel Z., Szuster M., Gierlak P.

Sieci neuronowe i systemy rozmyte

Oficyna Wydawnicza Politechniki Rzeszowskiej.

2010

Wymagania wstępne w kategorii wiedzy/umiejętności/kompetencji społecznych

Wymagania formalne: Student zarejestrowany na semestr szósty.

Wymagania wstępne w kategorii Wiedzy: Podstawowa wiedza z teorii sterowania, obliczeniowych systemów informatycznych, modelowania układów dynamicznych.

Wymagania wstępne w kategorii Umiejętności: Umiejętność modelowania układów dynamicznych, umiejętność stosowania obliczeniowych systemów informatycznych.

Wymagania wstępne w kategorii Kompetencji społecznych: Rozumienie potrzeby ciągłego dokształcania się.

Efekty kształcenia dla zajęć

MEK	Student, który zaliczył zajęcia	Formy zajęć/metody dydaktyczne prowadzące do osiągnięcia danego efektu kształcenia	Metody weryfikacji każdego z wymienionych efektów kształcenia	Związki z KEK	Związki z PRK
01	posiada podstawową wiedzę z zakresu metod sztucznej inteligencji, w szczególności układów neuronowych i rozmytych.	wykład, laboratorium	aktywność na laboratorium, sprawozdania z laboratorium	K_W01+ K_W06+ K_U05+	P6S_UW P6S_WG
02	umie zastosować podstawowe metody sztucznej inteligencji w modelowaniu i sterowaniu układów dynamicznych.	wykład, laboratorium	aktywność na laboratorium, sprawozdania z laboratorium	K_W01+ K_W06+ K_U05+	P6S_UW P6S_WG
03	potrafi pozyskiwać informacje z literatury przedmiotu, posiada umiejętność samokształcenia się, rozumie potrzebę ciągłego i samodzielnego dokształcania się w zakresie tematyki przedmiotu.	wykład, laboratorium	aktywność na laboratorium, sprawozdania z laboratorium	K_U01+ K_U04+	P6S_UU P6S_UW

Uwaga: W zależności od sytuacji epidemicznej, jeżeli nie będzie możliwości weryfikacji osiągniętych efektów uczenia się określonych w programie studiów w sposób stacjonarny w szczególności zaliczenia i egzaminy kończące określone zajęcia będą mogły się odbywać przy użyciu środków komunikacji elektronicznej (w sposób zdalny).

Treści kształcenia dla zajęć

Sem.	TK	Treści kształcenia	Realizowane na	MEK
6	TK01	Wprowadzenie do metod sztucznej inteligencji. Sieci neuronowe. Podstawy biologiczne działania neuronu, zastosowanie sieci neuronowych przykłady, ograniczenia i wady sieci neuronowych.	W01,W02	MEK01 MEK02 MEK03
6	TK02	Modele neuronów, model McCullocha-Pittsa, perceptron, problem liniowej separowalności danych. Modele neuronów, neurony nieliniowe: sigmoidalne, radialne, struktury sieci, przykłady.	W03,W04	MEK01 MEK02
6	TK03	Algorytmy uczenia sieci, algorytm wstecznej propagacji błędów, przykłady: Matlab, Maple.	W05,W05	MEK01 MEK02
6	TK04	Sieci neuronowe jako aproksymatory, właściwości aproksymacyjne sieci neuronowych, przykłady	W07,W08	MEK01 MEK02
6	TK05	Liniowe struktury sieci ze względu na parametry, sieci neuronowe z rozszerzeniami funkcyjnymi, sieci radialne z funkcjami Gaussa sieci neuronowe Pao, sieci neuronowe z losowym wektorem funkcji podstawowych	W09,W10	MEK01 MEK02
6	TK06	Modelowanie neuronowe układów dynamicznych sieciami jednowarstwowymi, neuronowy emulator stanu obiektu dynamicznego.	W11,W12	MEK01 MEK02
6	TK07	Sieci neuronowe w sterowaniu nieliniowych układów dynamicznych, neuronowe sterowanie nadążne, struktura, uczenie wag sieci, przykład	W13,W14	MEK01 MEK02
6	TK08	Wprowadzenie do układów z logiką rozmytą. Istota układów rozmytych. Techniczne aplikacje układów z logiką rozmytą.	W15,W16	MEK01 MEK02
6	TK09	Podstawowe pojęcia zbiorów rozmytych. Klasyczna teoria zbiorów. Zbiory rozmyte. Wartość lingwistyczna. Liczby rozmyte. Przestrzeń lingwistyczna zmiennej. Standardowe funkcje przynależności. Operacje matematyczne na zbiorach rozmytych.	W17,W18	MEK01 MEK02
6	TK10	Przybliżone wnioskowanie, podstawowe reguły wnioskowania w logice rozmytej. Implikacja rozmyta. Implikacja klasyczna. Operator implikacji Mamdaniego. Operator iloczynu algebraicznego PROD, inne operatory implikacji rozmytej.	W19,W20	MEK01 MEK02
6	TK11	Modele rozmyte, struktura, główne elementy i operacje w modelach rozmytych. Klasy modeli rozmytych Rozmyty model Larsena. Rozmyty model Mamdaniego. Rozmyty model Takagi-Sugeno. Podklasy modeli rozmytych.	W21,W22	MEK01 MEK02
6	TK12	Projektowanie układów z logiką rozmytych. Własności aproksymacyjne układów rozmytych. Procedura projektowa systemu rozmytego, Przykład syntezy modelu rozmytego.	W23,W24	MEK01 MEK02
6	TK13	Modelowanie rozmyte układów dynamicznych. Estymator wektora stanu układu dynamicznego.	W25,W26	MEK01 MEK02
6	TK14	Rozmyte sterowanie nieliniowe Typy regulatora FLC: regulator FLC typu PD, regulator FLC typu PI.	W27,W28	MEK01 MEK02
6	TK15	Rozmyte sterowanie nieliniowe cd. Rozmyty regulator ślizgowy z warstwą ograniczającą i z kompensacją typu Takagi-Sugeno.	W29,W30	MEK01 MEK02
6	TK16	Zajęcia organizacyjne. Modelowanie funkcji aktywacji neuronów	L01,L02	MEK01 MEK02 MEK03
6	TK17	Struktury sieci neuronowych, modelowanie przepływu sygnałów w sieciach.	L03,L04	MEK01 MEK02
6	TK18	Przykłady uczenia perceptronu.	L05,L06	MEK01 MEK02
6	TK19	Uczenie jednowarstwowych sieci neuronowych.	L07,L08	MEK01 MEK02
6	TK20	Uczenie wielowarstwowych sieci neuronowych z zastosowaniem algorytmu wstecznej propagacji błędów.	L09,L10	MEK01 MEK02
6	TK21	Aproksymacja funkcji z zastosowaniem jednowarstwowych sieci neuronowych z rozszerzeniami funkcyjnymi.	L11-L14	MEK01 MEK02
6	TK22	Symulacja szeregowego neuronowego emulatora stanu układu dynamicznego z zastosowaniem sieci neuronowych jednowarstwowych.	L15,L16	MEK01 MEK02
6	TK23	Symulacja neuronowego algorytmu sterowania nieliniowym układem dynamicznym.	L17,L18	MEK01 MEK02
6	TK24	Modelowanie zbiorów rozmytych i operacji na zbiorach rozmytych.	L19,L20	MEK01 MEK02
6	TK25	Realizacja algorytmu modelowania rozmytego: podstawowe funkcje przynależności do zbiorów rozmytych, fuzyfikacja, wnioskowanie rozmyte, defuzyfikacja.	L21,L22	MEK01 MEK02
6	TK26	Wprowadzenie do pakietu Fuzzy Logic Toolbox, przykłady, symulacja.	L23,L24	MEK01 MEK02
6	TK27	Procedura modelowania rozmytego - Pakiet z interfejsem graficznym do budowy modeli rozmytych w Matlabie.	L25,L26	MEK01 MEK02
6	TK28	Symulacja rozmytego sterowania nieliniowego, regulator FLC PI i PD.	L27,L28	MEK01 MEK02
6	TK29	Zajęcia zaliczeniowe.	L29,L30	MEK01 MEK02

Nakład pracy studenta

Forma zajęć	Praca przed zajęciami	Udział w zajęciach	Praca po zajęciach
Wykład (sem. 6)		Godziny kontaktowe: 30.00 godz./sem.	Uzupełnienie/studiowanie notatek: 10.00 godz./sem. Studiowanie zalecanej literatury: 10.00 godz./sem.
Laboratorium (sem. 6)	Przygotowanie do laboratorium: 15.00 godz./sem.	Godziny kontaktowe: 30.00 godz./sem.	Dokończenia/wykonanie sprawozdania: 30.00 godz./sem.
Konsultacje (sem. 6)
Zaliczenie (sem. 6)

Sposób wystawiania ocen składowych zajęć i oceny końcowej

Forma zajęć	Sposób wystawiania oceny podsumowującej
Wykład
Laboratorium	Podstawą zaliczenia przedmiotu jest obecność na wszystkich zajęciach laboratoryjnych i pozytywna średnia ocen z aktywności na zajęciach oraz sprawozdań.
Ocena końcowa	Pozytywna ocena końcowa jest wystawiana na podstawie pozytywnej oceny z laboratorium.

Przykładowe zadania

Wymagane podczas egzaminu/zaliczenia
(-)

Realizowane podczas zajęć ćwiczeniowych/laboratoryjnych/projektowych
(-)

Inne
(-)

Czy podczas egzaminu/zaliczenia student ma możliwość korzystania z materiałów pomocniczych : nie

Treści zajęć powiazane są z prowadzonymi badaniami naukowymi: tak

1	Z. Hendzel; M. Kołodziej	Parametric Identification of the Mathematical Model of a Mobile Robot with Mecanum Wheels	2023
2	Z. Hendzel; M. Kołodziej	Neural Dynamic Programming with Application to Wheeled Mobile Robot	2022
3	Z. Hendzel; P. Penar	Experimental Verification of the Differential Games and H∞ Theory in Tracking Control of a Wheeled Mobile Robot	2022
4	Z. Hendzel; J. Wiech	Robotic Swarm Shape Control Based on Virtual Viscoelastic Chain	2021
5	Z. Hendzel; M. Kołodziej	Robust Tracking Control of Omni-Mecanum Wheeled Robot	2021
6	Z. Hendzel; P. Penar	Biologically Inspired Neural Behavioral Control of the Wheeled Mobile Robot	2021
7	Z. Hendzel; P. Penar	Experimental verification of H∞ control with examples of the movement of a wheeled robot	2021
8	Z. Hendzel	A Description of the Motion of a Mobile Robot with Mecanum Wheels – Dynamics	2020
9	Z. Hendzel	A Description of the Motion of a Mobile Robot with Mecanum Wheels – Kinematics	2020
10	Z. Hendzel; P. Penar	Optimal Control of a Wheeled Robot	2020
11	Z. Hendzel	Hamilton-Jacobi inequality robust neural network control of a mobile wheeled robot	2019
12	Z. Hendzel; J. Wiech	Overhead Vision System for Testing Swarms and Groups of Wheeled Robots	2019
13	Z. Hendzel; J. Wiech	Robotic Swarm Self-Organisation Control	2019
14	Z. Hendzel; P. Penar	Zero-Sum Differential Game in Wheeled Mobile Robot Control	2019