ĐỀ CƯƠNG MÔN HỌC

(Chuyên ngành Bản đồ, Viễn thám và Hệ thông tin địa lý) 1. Tên môn học: MẠNG THẦN KINH NHÂN TẠO VÀ ỨNG DỤNG 2. Số tín chỉ: 3 (30 tiết LT;15 tiết TH;15 tiết TL) 3. Giảng viên môn học: GVC. TS. Lê Văn Trung , TS Nguyễn Ngọc Lâu 4. Đơn vị phụ trách giảng: Bộ môn Địa Tin Học – Khoa KTXD 5. Tóm tắt môn học: Giới thiệu các khái niệm cơ bản về NEURAL NETWORK; phương pháp xuất nhập dữ liệu; các hàm số được dùng trong phân tích và tính toán mạng đa lớp. Cách chọn mô hình ứng dụng thích hợp trong nhận dạng. Ứng dụng NEURAL NETWORK trong xử lý ảnh vệ tinh và các bài toán trắc địa. 6. Mục tiêu môn học : Cung cấp cho học viên các kiến thức về lý thuyết mạng NEURAL NETWORK và kỹ năng thực hành trong việc xây dựng cấu trúc mạng thích hợp trong việc giải các bài toán trong thực tế . 7. Nội dung môn học : 7.1 PHẦN GIẢNG DẠY TRÊN LỚP: 30 tiết Chương Nội dung GIỚI THIỆU 1 1.1. Khái niệm về Neural Networks 1.2. Neural Networks được sử dụng như thế nào? 1.3. Chọn mô hình ? 2 CƠ SỞ TOÁN HỌC CỦA MẠNG NEURAL ĐA LỚP 2.1. Định nghĩa 2.2. Cấu trúc Mạng Neural đa lớp 2.3. Dữ liệu huấn luyện 2.4. Thuật toán Back_propagation 2.5. Qui trình huấn luyện mạng Neural đa lớp KỸ THUẬT THIẾT KẾ MẠNG 3.1. Khả năng nhận biết của mạng 3.2. Cấu trúc mạng 3.3. Hàm hoạt tính 3.4. Bộ dữ liệu huấn luyện 3.5. Chế độ huấn luyện 3.5.1. Khởi động trọng số 3.5.2. Tham số nhận biết 3.5.3. Tiêu chuẩn dừng BIỆN PHÁP TỐI ƯU MẠNG NEURAL ĐA LỚP 4.1. Chọn cấu trúc mạng thích hợp. 4.1.1. Chọn số nút thích hợp 4.1.2. Phương pháp khởi động trọng số 4.1.3. Chọn tham số nhận biết thích hợp 4.2. Chọn chế độ huấn luyện thích hợp 4.2.1. Số lượng dữ liệu mẫu cần thiết 4.2.2. Biện pháp kết thúc quá trình huấn luyện Số tiết 3 TLTK 1,2

9

2

3

6

2,3

4

6

2,3

2. THÍ NGHIỆM TẠI PTN.2 PHẦN BÀI TẬP.Harvey. Kishan Mehrotra. PMT: 15 tiết TT 1 2 BÀI TH.2 PHẦN GIẢNG DẠY THỰC HÀNH. thí nghiệm Bài tập.5 7. Neural Network principles 1994 2. Robert L. 5. tiểu luận.3. Laurence Fausette. PMT Phòng TN Viễn Thám Nhà C5 Phòng TN Viễn Thám Nhà C5 TLTK [4] [4] 8. D. Fundamentals of Neural Networks 1994 3. Đánh giá khả năng nhận biết 5 ỨNG DỤNG 6 1.4.3. G. Mark Beale & Martin Hagan. Howard Demuth .[2] [1] 6 Số tiết 9 PTN. TIỂU LUẬN : 15 tiết TT 1 2 3 Xấp xỉ hàm Ứng dụng trong dự báo Phân loại và nén ảnh vệ tinh Nội dung Số tiết 3 6 6 Địa điểm Phòng TN Viễn Thám Nhà C5 Phòng TN Viễn Thám Nhà C5 Phòng TN Viễn Thám Nhà C5 TLTK [4] [1]. Neural Network Toolbox 1993. Deco. TN Sử dụng phần mềm ENVI (trong xử lý ảnh vệ tinh) Sử dụng phần mềm MATLAB (trong xử lý bài toán trắc địa) 7.2. Chilukuri K. and Obradovic. Tài liệu tham khảo : 1. Phương pháp đánh giá môn học TT Phương pháp đánh giá Số lần đánh giá Trọng số (%) 1 2 3 Kiểm tra giữa học kỳ Thực hành. An Information theoretic Approach to Neural Computing 1996 9. thuyết trình 1 2 1 20 40 40 Chủ nhiệm BM quản lý môn học Giảng viên lập đề cương .Mohan & Sanjay RanKa.4. Elements of Artificial Neural Networks 1997 4.

Department: NEURAL NETWORKS AND APPLICATIONS Dr. modeling. Abstract: The subject presents basical concepts of Neural Networks. signal processing. prediction and classification and of the uses of Neural Networks and the fundamentals of how it works. Objectives : The subject is aimed at providing theoretical principles and practical techniques for students who want to know about neuron model and network architectures. 6. describes many of powerful networks for solving problems including: function approximation. Subject : 2. Credit: 3 3. Le Van Trung. Instructors: 4. The subject is also aimed at providing theoretical principles and practical techniques for students who want to know about network design. Dr.NEURAL NETWORKS AND APPLICATIONS 1. . NGUYỄN NGỌC LU Geomatics Engineering – Civil Engineering Faculty 5.

7.3 Chapter 2 2. Kishan Mehrotra.1 1.1 3. Evaluation: No 1 2 3 Mid-term test Practice. Experiment Seminar. Neural Network principles 1994 2.1 2. Deco. An Information theoretic Approach to Neural Computing 1996 9.4 3. G. D. Laurence Fausette.Harvey. Neural Network Toolbox 1993. and Obradovic. 5. Assignment. Elements of Artificial Neural Networks 1997 4. Fundamentals of Neural Networks 1994 3.3 Weight initialization 4.2 Choosing the appropriate parameters 4.1 Choosing the appropriate architectures 4.4 Generate training data Chapter 5 Applications 8. Robert L.Mohan & Sanjay RanKa.3 3.2 1. CONTENTS Chapter 1 1.2 2. Method Number of test 1 2 1 Weight(%) 20 40 40 . Howard Demuth . Reference Literature : 1. Mark Beale & Martin Hagan. Chilukuri K.2 3.3 2.4 Chapter 3 3.5 Introduction What is Neural Networks ? Neural Network’s models Applications Mathematical fundament of Neural Networks Definition Multi-layer neural network structure Back-Propagation algorithm Training procedure Network design technique Learning rate Network architectures Activation functions Training data Training algorithm Chapter 4 Choosing the appropriate model 4.

Instructors .