Στόχοι Μαθήματος
Εισαγωγικά
Η Υπολογιστική Νοημοσύνη, η οποία είναι κλάδος της Εύκαμπτης Πληροφορικής, περιλαμβάνει τα Έμπειρα Συστήματα (expertsystems), την Ασαφή Λογική (fuzzylogic), τα Τεχνικά Νευρωνικά Δίκτυα (artificial neuralnetworks) και το Εξελικτικό Υπολογισμό (evolutionary computation) καθώς και τον συνδυασμό τους.
Το κοινό χαρακτηριστικό των παραπάνω μεθοδολογιών είναι η αριθμητική απεικόνιση της γνώσης που τις διαφοροποιεί από την συμβατική Τεχνητή Νοημοσύνη.
Ο Συμβατικός Έλεγχος είναι ο έλεγχος που χρησιμοποιούσαν στις βιομηχανίες πριν το 1940. Ο έλεγχος αυτός που είναι κύριο παράδειγμα του Μακροσκοπικού Ελέγχου και βασίζεται σε Ελεγκτές Τριών Όρων (PID) που σήμερα ενσωματώνονται στις περισσότερες Τερματικές Μονάδες Ελέγχου.
Ο μη-συμβατικός Έλεγχος δημιουργήθηκε αργότερα από τις νέες τεχνικές του Συμβατικού Ελέγχου για να λύσουν πολλά προβλήματα ελέγχου της βιομηχανίας.
Τα Ευφυή Συστήματα είναι υπερσύνολο των Εύκαμπτων Συστημάτων Ελέγχου και ο στόχος του είναι να λειτουργεί όπως ο άνθρωπος – χειριστής και με τους ίδιους κανόνες αποφεύγοντας συγχρόνως τις αντίξοες συνθήκες του επαγγέλματος και του εργασιακού περιβάλλοντος. Τα χαρακτηριστικά που πρέπει να υποστηρίζει κάθε αρχιτεκτονική Ευφυούς Συστήματος είναι η ορθότητα, η σθανερότητα, η ευρωστία, η επεκτασιμότητα, η συναρμολογησιμότητα και η επαναχρησιμότητα.
Το όνομα MATLAB, που είναι ο συνδυασμός των λέξεων MATrix (πίνακας) LABoratory (εργαστήριο), θεωρείται παγκοσμίως ένα ενδεδειγμένο πακέτο λογισμικού για την ανάλυση γραμμικών και μη γραμμικών συστημάτων και αναγνωρίζεται σαν ένα ευέλικτο εργαλείο αριθμητικής ανάλυσης.
Το πρόγραμμα αυτό χρησιμοποιείται σαν εργαλείο για πολύπλοκους μαθηματικούς υπολογισμούς, ανάλυση και οπτικοποίηση, για επεξεργασία σήματος και εικόνας για στατιστική ανάλυση και γραφικές παραστάσεις, για σχεδιασμό ψηφιακών και τηλεπικοινωνιακών συστημάτων, για γρήγορη προτυποποίηση και επαλήθευση αλγορίθμων, για προσομοίωση και οικονομική ανάλυση, για έλεγχο εξωτερικών συσκευών και ενσωματωμένων συστημάτων κ.α.
Επίσης περιληπτικά αναφέρουμε τις παρακάτω θεμάτικες ενότητες οι οποίες θα παρουσιαστούν αναλυτικά στις επόμενες παραδόσεις του μαθήματος.
Επισκόπηση της Υπολογιστικής Νοημοσύνης για εφαρμογές μοντελοποίησης βιομηχανικών συστημάτων. Παρουσίαση έμπειρων συστημάτων κανόνων. Τεχνικές με χρήση δένδρων απόφασης. Στοιχεία θεωρίας ασαφών συνόλων και ασαφούς λογικής. Διάφορες τεχνικές συμπερασμού. Σχεδίαση ασαφών συστημάτων για βιομηχανικές εφαρμογές. Έμφαση στην αξιοποίηση είτε της εμπειρίας με τεχνικές τύπου Mamdani είτε των μετρήσεων με τεχνικές τύπου Sugeno . Τεχνικές παράλληλης μάθησης με νευρωνικά δίκτυα. Εξοικείωση με την τεχνική της οπισθόδρομης μάθησης. Διάφορες βελτιώσεις στην εκπαίδευση ενός νευρωνικού δικτύου. Νευρο-ασαφή συστήματα και τεχνικές συνδυασμού των πλεονεκτημάτων των ασαφών συστημάτων να χειρίζονται την αμφιβολία με τα πλεονεκτήματα των νευρωνικών δικτύων για παράλληλη μάθηση. Αρχές λειτουργίας των γενετικών αλγόριθμων για βελτιστοποίηση συστημάτων. Αρχές αναπαράστασης της γνώσης με μερικά διατεταγμένα σύνολα και πλεονεκτήματα σε πρακτικές εφαρμογές. Αλγόριθμοι μάθησης για βελτιστοποίηση συστημάτων.
Λίστα με τις αναμενόμενες γνώσεις και δεξιότητες από την παρακολούθηση του εργαστηρίου.
1 - Βασικές γνώσεις στο MATLAB.
2 - Η κατανόηση της λειτουργίας των νευρωνικών δικτύων σε εφαρμογές προσέγγισης συναρτήσεων και αναγνώρισης προτύπων.
3 - H κατανόηση της λειτουργίας των ασαφών συστημάτων και η κατασκευή απλών μοντέλων με χρήση ειδικού λογισμικού (σχεδιασμός ασαφή ελεγκτή Mamdani & Sugeno).