Samoorganizace při návrhu a řízení inteligentních systémů

• Thesis title in English: Self-organization in the desing of intelligent systems
• Academic year of topic announcement: 2007/2008
• Thesis type: dissertation
• Thesis language: angličtina
• Department: Department of Theoretical Computer Science and Mathematical Logic (32-KTIML)
• Supervisor: doc. RNDr. Iveta Mrázová, CSc.
• Author: hidden - assigned and confirmed by the Study Dept.
• Date of registration: 09.10.2007
• Date of assignment: 09.10.2007

References

- T. Kohonen: Self-organizing maps, Springer Verlag, 2001.
- S. Russel, P. Norvig: Artificial Intelligence – A Modern Approach,
Prentice Hall, 2003.
- A. C. C. Coolen, R. Kuhn and P. Sollich: Theory of Neural Information
Processing Systems, Oxford University Press, 2005.
- C.-T. Lin, C. S. G. Lee: Neural Fuzzy Systems: A Neuro-Fuzzy Synergism
To Intelligent Systems, Prentice Hall, 1996.
- B. Fritzke: A growing neural gas network learns topologies, in: G.
Tesauro, D. S. Touretzky, T. K. Leen (eds.): Advances in Neural
Information Processing Systems 7, MIT Press, 1995, pp. 625-632.
- K. Lagus, T. Honkela, S. Kaski, T. Kohonen: WEBSOM for textual data
mining, in: Artificial Intelligence Review, 13(5/6), 1999, pp. 345-364.
- T. Kohonen: Self-organizing neural projections, in: Neural Networks,
Vol. 19, 2006, pp. 723-733.
- G.-B. Huang, L. Chen: Convex Incremental Extreme Learning Machine, in:
Neurocomputing, 2007.
- N.-Y. Liang, G.-B. Huang, P. Saratchandran, N. Sundararajan: A Fast an
Accurate Online Sequential Learning Algorithm for Feedforward Networks,
in: IEEE Transactions on Neural Networks, Vol. 17, No. 6, pp. 1411-1423.
- C. Olaru, L. Wehenkel: A Complete Fuzzy Decision Tree Technique, in:
Fuzzy Sets and Systems, Vol. 138, pp. 221-254.

a aktuální články z relevantních mezinárodních časopisů, např. IEEE Transactions on Neural Networks, Neural Networks, Neurocomputing a dalších.

Preliminary scope of work

V současné době představují umělé neuronové sítě uznávaný nástroj použitelný pro návrh a řízení inteligentních systémů v celé řadě oborů, např. v ekonomii, medicíně, počítačovém vidění, robotice a dalších. Rozsáhlý výzkum v této oblasti je podmíněn především pokrokem ve vývoji výpočetní techniky a potřebou efektivně zpracovávat velká množství typicky mnohorozměrných dat nejrůznějšího typu. Zpracovávané údaje přitom mohou být zatížené šumem a některé jejich hodnoty mohou chybět.

V ideálním případě by vhodným výstupem systému pro zpracování takových údajů byla relativně malá sada jednoduchých pravidel pro odhad zkoumaných závislostí. Důležitým faktorem při volbě modelů použitelných pro řešení podobných úloh v praxi je proto i možnost rychlého nastavení parametrů modelu spolu s detekcí signifikantních vstupních příznaků. Celý systém by pak měl podporovat i snadnou extrakci pravidel relevantních pro návrh a řízení inteligentních systémů.