神经网络与人工智能课程教学大纲 |
您所在的位置:网站首页 › 人工智能网络教程 › 神经网络与人工智能课程教学大纲 |
神经网络与人工智能课程教学大纲
课程名称: 神经网络与人工智能
英文名称: Nerve Network & Artificial Intelligence
课程编号:
学
时
数: 48 其中实验(实训)学时数: 0
课外学时数: 0 学
分
数: 3.0 适用专业: 测控技术与仪器
一、课程的性质和任务
从工程应用的角度, 系统地介绍人工智能的基本原理、 方法和应用技术, 强化实用化介 绍, 并全面反映国内外研究和应用的新进展, 为学生将来使用人工智能技术提高计算机应用 的研究和开发水平奠定基础。
二、 课程教学内容的基本要求、重点和难点
第一章
绪论 (2 学时 ) 要求一般理解与掌握的内容有:人工神经网络的概述;人工 神经网络的发简史;人工神经网络的基本特征与功能;人工神经网络的应用领域。
第二章
人工神经网络的基础知识 (6 学时 ) 要求深刻理解与熟练掌握的内容有:人 工神经元的模型;人工神经网络的模型;人工神经网络的学习规则, Hebbian 学习规则, 感知器学习规则, Delta 学习规则, Widrow-Hoff 学习规则,相关学习规则,胜者为王学习 规则,外星学习规则。要求一般理解与掌握的内容有:人工神经网络的生物学基础。
难点:人工神经网络的学习规则。
第三章
前馈型人工神经网络 (16 学时 ) 要求深刻理解与熟练掌握的重点内容有:单 层感知器;多层感知器;自适应线性单元( Adaline )的简介;误差逆传( BP )算法,基于 BP 算法的多层前馈网络模型, BP 的学习算法,多层前馈网络的主要能力,误差曲面与 BP 算法的局限性;标准 BP 算法改进。增加运动项,自适应调节学习率,引入陡度因子;基于 BP 算法的多层前馈网络的设计基础;基于 BP 算法的多层前馈网络的应用。
难点:误差逆传( BP )算法。
第四章
自组织神经网络 (10 学时 ) 要求深刻理解与熟练掌握的重点内容有: 竞争学习的 概念与原理;自组织特征映射( SOM )神经网络, SOM 网络的生物学基础, SOM 网络的拓扑结 构与权值调整域, SOM 网络的运行原理与学习算法;自组织特征映射( SOM )神经网络的设 计与应用;对偶传播( CPN )神经网络;自适应共振理论模型( ART ) 。
难点:自组织特征映射( SOM )神经网络。
第四章
反馈型人工神经网络 (10 学时 ) 要求深刻理解与熟练掌握的重点内容有: 离散 型 Hopfield 神经网络 ( DHNN ) , DHNN 网络的结构与工作方式, DHNN 网络的稳定性与吸引子, DHNN 网络的权值设计, DHNN 网络的信息存储容纳;连续型 Hopfield 神经网络( CHNN ) ; Hopfield 网络的设计与应用;双向联想记忆( BAM )神经网络。
难点:离散型 Hopfield 神经网络( DHNN ) 。
第五章
局部逼近神经网络 (4 学时 ) 要求深刻理解与熟练掌握的重点内容有: CMAC 网 络的结构; CMAC 网络的工作原理; CMAC 网络的学习算法; CMAC 网络的应用。
难点: CMAC 网络的结构与工作原理。
三、教学方式及学时分配
|
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |