Теория принятия решении и распознавание образов (2017, Панин С.Д.)

1. Сведения для математического моделирования формализуемых и слабо формализуемых задач в системе компьютерной математики
1.1. Элементы работы мозга
1.2. Естественный нейрон и моделирование работы мозга
1.3. Элементы системы компьютерной математики MATLAB
1.4. Математические модели нейронов и нейронных сетей в системе MATLAB
1.5. Многослойные нейронные сети с обратным распространением ошибок
1.6. Проблемы искусственного интеллекта
1.7. Элементы теории вероятностей
1.8. Элементы математической статистики
1.9. Элементы теории фракталов
1.10. Элементы теории случайных фракталов
1.11. Элементы нечеткой математики
1.12. Преобразования кластеризации в задачах классификации
1.13. Пример работы алгоритмов кластеризации
1.14. Применение модуля Neural Network Toolbox в задачах кластеризации
1.15. Пример использования алгоритма конкурирующего слоя
2. Основные положения теории принятия решений
2.1. Условия принятия решений
2.2. Формализованные подходы к принятию лучших решений в многокритериальной задаче выбора
2.3. Применение пакета прикладных программ для решения задач многокритериальной оптимизации
2.4. Действия в условиях риска
2.5. Принятие решений в условиях неопределенности
2.6. Прогнозирование следствий выбранных альтернатив
3. Физические основы датчиков систем распознавания
3.1. Понятия о датчике
3.2. Дистанционные датчики
3.3. Оптические датчики
3.4. Акустические датчики
3.5. СВЧ-голография
3.6. Компьютерная томография
3.7. Ядерный магнитный резонанс
3.8. Перспективы аппаратуры измерения и обработки показателей объектов
4. Предварительная обработка признаков образов
4.1. Необходимость предварительной обработки
4.2. Масштабирование значений признаков образов
5. Распознавание образов по детерминированным функциям расстояния
5.1. Классификация образов при единственном эталоне класса
5.2. Множественность эталонов в классе
5.3. Обобщенный принцип классификации по минимуму расстояния
5.4. Классификация летательных аппаратов по функции расстояния
5.5. Распознавание детерминированных образов в нейронных сетях с обучением. Перцептрон Розенблатта
6. Классификация образов вероятностными методами
6.1. Байесовские процедуры
6.2. Байесовский классификатор для образов с нормальным распределением
6.3. Вероятности ошибок классификации при нормальном распределении
6.4. Применение модуля Neural Network Toolbox в задачах стохастической классификации с обучением
6.5. Сверточные нейронные сети
6.6. Некоторые задачи бинарной вероятностной классификации
7. Синтаксическое распознавание
7.1. Элементы теории формальных языков
7.2. Постановка задачи синтаксического распознавания
7.3. Синтаксическое описание образов
7.4. Грамматики для распознавания образов
7.5. Распознавание образов в виде графов
7.6. Особенности распознавания древовидных структур
7.7. Обучение и автоматы в лингвистическом распознавании
8. Другие подходы в распознавании образов
8.1. Логические задачи распознавания
8.2. Алгоритм вычисления оценок
8.3. Объединение нейросетевых и нечетких систем
9. Некоторые практические приложения теории распознавания
9.1. Геофизические наблюдения
9.2. Медицина
9.3. Проблемы распознавания информации, распространяющейся механическими колебаниями в различных средах
9.4. Распознавание трехмерных объектов
9.5. Применение фракталов в радиолокации