Details

Учебное пособие соответствует содержанию раздела рабочей программы дисциплин «Численные методы», «Задачи машинного обучения в инфокоммуникационных системах» и «Теория вычислительных систем» для обучающихся по направлениям бакалаврской подготовки 11.03.01 «Радиотехника», 11.03.02 «Инфокоммуникационные технологии и системы связи». В рамках пособия излагаются принципы машинного и глубокого обучения. Обсуждаются ключевые парадигмы, такие как обучение с учителем и без учителя, подробно рассматриваются компоненты построения моделей, метрики оценки их качества и способы борьбы с переобучением. Анализируются основы глубокого обучения – от простой модели искусственного нейрона до сверточных нейронных сетей и методов их оптимизации. Центральное место в пособии занимают практические приложения этих технологий. Детально исследуются задачи обработки и классификации микродоплеровских портретов для распознавания различных объектов и действий. Также рассматривается проблема автоматической классификации типов модуляции сигналов, где сравниваются классические методы на основе признаков и современные подходы, использующие глубокое обучение. Предназначено для студентов высших учебных заведений, обучающихся по направлениям подготовки бакалавров «Радиотехника», «Инфокоммуникационные технологии и системы связи». Может быть использовано обучающимися по профилям подготовки «Оптические телекоммуникационные системы», «Системы мобильной связи», «Радиофизика и электроника», «Космические и наземные радиотехнические системы». Может быть полезно в системах повышения квалификации, в учреждениях дополнительного профессионального образования.

• ОГЛАВЛЕНИЕ
• ПРЕДИСЛОВИЕ
• СОКРАЩЕНИЯ
• ВВЕДЕНИЕ
• 1. ОСНОВНЫЕ ПРИНЦИПЫ МАШИННОГО ОБУЧЕНИЯ
• 1.1. Парадигмы машинного обучения
• 1.2. Компоненты и принципы обучения с учителем в машинном обучении
• 1.3. Оценка производительности методов машинного обучения
• 1.4. Выводы
• 2. ОСНОВЫ ГЛУБОКОГО ОБУЧЕНИЯ
• 2.1. Простая модель искусственного нейрона
• 2.2. Сигмоидный перцептрон
• 2.3. Многослойный перцептрон
• 2.4. Обучение и оптимизация
• 2.5. Сверточные нейронные сети
• 2.6. Выводы
• 3. ОБРАБОТКА И КЛАССИФИКАЦИЯ МИКРОДОПЛЕРОВСКИХ ПОРТРЕТОВ
• 3.1. Микродоплеровские портреты
• 3.2. Стандартные подходы для классификации микродоплеровских портретов
• 3.3. Применение глубокой свёрточной нейронной сети для классификации микродоплеровских портретов
• 3.4. Классификация микродоплеровских портретов с использованием трансферного обучения
• 3.5. Выводы
• 4. АВТОМАТИЧЕСКАЯ КЛАССИФИКАЦИЯ ТИПОВ МОДУЛЯЦИЙ
• 4.1. Постановка задачи
• 4.2. Методы на основе функции правдоподобия
• 4.3. Классификаторы на основе признаков
• 4.4. Методы на основе глубокого обучения
• 4.5. Выводы
• ПРИЛОЖЕНИЕ А
• ЗАКЛЮЧЕНИЕ
• Литература