Symbolic Signal Processing and Soft Computing Laboratory

Szimbolikus jelfeldolgozás és lágy számítási módszerek labor

A tantárgyleírás hatályossága

Hatályosság kezdete:

—

Hatályosság vége:

—

Subject name (Hungarian, English)

Szimbolikus jelfeldolgozás és lágy számítási módszerek labor

Symbolic Signal Processing and Soft Computing Laboratory

Subject code

BMEVIMM4323

Subject type

—

Training Level

—

Course types and hours (weekly/semester)

Course type	lecture	tutorial	laboratory
hours (weekly)	0	0	2
type (linked/independent)	—	—	autonomous course

Assessment type

félévközi érdemjegy

Credits

Subject coordinator

Dr. Dobrowiecki Tadeusz Pawel

position: egyetemi docens

contact: dobrowiecki.tadeusz@vik.bme.hu

Responsible department

—

Faculty

Subject website

http://www.mit.bme.hu/oktatas/targyak/vimm4323/

Primary curriculum type

—

Direct prerequisites – Strong prerequisite

none

Direct prerequisites – Weak prerequisite

none

Direct prerequisites – Parallel prerequisite

none

Direct prerequisites – Milestone prerequisite

none

Direct prerequisites – Exclusion

none

Objectives

Programme

1.Tudásalapú architektúrák tárgyban előkészített személyre szóló neurális-szimbólikus házi feladat megoldása. Módszer kiválasztása.

2.A feladat folytatása. Megoldás részletes terveinek kidolgozása.

3.A feladat folytatása realizáció.

4. Fuzzy irányítás (F)

A fuzzy logikai szabályozó (FLC) működési elvének megismerése. Lineáris rendszer szabályozása fuzzy jellegű PID algoritmusokkal. Nemlineáris rendszer irányítása fölérendelt fuzzy szakértővel és alárendelt nemlineáris szétcsatolással.

5. Neurális irányítás (F)

A neurális rendszermodellezés és irányítás működési elvének megismerése. Nemlineáris rendszer (robotkar) irányítása neurális hálózattal.

6. Genetikus algoritmusok (F)

A genetikus algoritmusok működési elvének megismerése. Optimalizálási és irányítási feladatok megoldása genetikus algoritmusokkal.

A labor első részében cél, hogy a hallgatók nagyobb lélegzetű problémák megoldása során ismerkedjenek meg a tudásalapú architekturális elemekkel. E feladatok kapcsolódnak a �Tudásalapú arcitektúrák� tárgy 7. félévben elkészített házi feladatához. A mérések második felében a hallgatók irányítástechnikai problémák megoldására használják a fuzzy, neurális és genetikus algoritmusokat. A mérések során többféle fejlesztő eszköz bemutatására és használatára kerül sor.

Learning outcomes

Ez a tantárgy a KKK rendeletben meghatározott, következő kompetenciák fejlesztését szolgálja:

Knowledge

No learning outcomes recorded.

Skills

No learning outcomes recorded.

Attitudes

No learning outcomes recorded.

Autonomy and responsibility

No learning outcomes recorded.

Oktatási módszertan

A tárgy 6 db 4 órás laboratóriumi mérésből áll, melyet a Méréstechnikai és Információs Rendszerek (M) és az Irányítástechnikai és Informatika (F) tanszékek laboratóriumaiban kell elvégezni. Az 1.-2.-3. mérések esetén a 7. félévben a "Tudásalapú architektúrák" c. tárgy házifeladata keretében elviekben megoldott feladat megvalósítását jelentik. Az 1.-2.-3. mérések az elvileg előkészített megoldások fokozatos megvalósítására adnak lehetőséget.

Tanulástámogató anyagok

Not provided.

Recommended preliminary knowledge for completing the subject

Knowledge type competencies

(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

Tudásalapú architekturák, Fuzzy rendszerek és genetikus algoritmusok

Skill type competencies

(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

nincs

Recommended (non-compulsory) preliminary competencies

(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)

Tudásalapú architekturák, Fuzzy rendszerek és genetikus algoritmusok

General rules

Követelmények: - A félév lezárásának módja: félévközi jegy. - Az 1.-2.-3. mérések esetén az elvégzett feladatot igényes jegyzőkönyv formájában dokumentálni kell, illetve a 3-ik mérésen a működőképes megoldást meg kell mutatni. Az 1.-2.-3. mérések esetén a hallgatók a feladat elvégzését (jegyzőkönyv, termék bemutatása) minősítő osztályzatot kapnak, ami a gyakorlati jegyet 50%-ban határozza meg. - 3 darab laboratóriumi mérés (4.-5.-6.) anyagának elsajátítása, a mérések elvégzése és a mérési jegyző-könyvek elkészítése előírt ütemezés szerint. - Távolmaradás esetén összesen 2 mérés pótolható. - A félév lezárásához szükség követelmény az összes mérés sikeres elvégzése. A hallgató 4.-5.-6. mérésekre 1-1 osztályzatot kap (felelet, mérés és jegyzőkönyv alapján) melyek átlaga képezi a gyakorlati jegy második 50%-át.

Assessment methods

In-term assessments

No detailed assessments provided.

Weight of in-term assessments

No weights provided.

Exam-period assessments

No detailed assessments provided.

Weight of exam elements

No weights provided.

Grade calculation

No grade thresholds provided.

Attendance requirements

No attendance requirements provided.

Rules for retake and resubmission

Not provided.

Short description

Not provided.

Detailed description

Not provided.

Recommended courses

Tudásalapú architekturák, Fuzzy rendszerek és genetikus algoritmusok

Workload to complete the subject

No workload breakdown provided.

Validity of subject requirements

Requirements valid from:

—

Requirements valid until:

—

Curriculum placement

No curriculum placements recorded for this subject version.