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 Số tiết TLTK
GIỚI THIỆU 1,2
1 3
1.1. Khái niệm về Neural Networks
1.2. Neural Networks được sử dụng như thế nào?
1.3. Chọn mô hình ?
2
2 CƠ SỞ TOÁN HỌC CỦA MẠNG NEURAL ĐA LỚP 9
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
2,3
3 KỸ THUẬT THIẾT KẾ MẠNG 6
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
2,3
4 BIỆN PHÁP TỐI ƯU MẠNG NEURAL ĐA LỚP 6
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
 4.2.3. Đánh giá khả năng nhận biết

ỨNG DỤNG 1,2,3,4,5

5 6

7.2 PHẦN GIẢNG DẠY THỰC HÀNH, THÍ NGHIỆM TẠI PTN, PMT: 15 tiết

TT BÀI TH, TN Số tiết PTN, PMT TLTK

1 Sử dụng phần mềm ENVI 9 Phòng TN Viễn Thám [4]

(trong xử lý ảnh vệ tinh) Nhà C5
2 Sử dụng phần mềm MATLAB 6 Phòng TN Viễn Thám [4]
(trong xử lý bài toán trắc địa) Nhà C5

7.2 PHẦN BÀI TẬP, TIỂU LUẬN : 15 tiết

TT Nội dung Số tiết Địa điểm TLTK
1 Xấp xỉ hàm 3 Phòng TN Viễn Thám [4]
Nhà C5
2 Ứng dụng trong dự báo 6 Phòng TN Viễn Thám [1],[2]
Nhà C5
3 Phân loại và nén ảnh vệ tinh 6 Phòng TN Viễn Thám [1]
Nhà C5

8. Tài liệu tham khảo :

1. Robert L.Harvey. Neural Network principles 1994
2. Laurence Fausette. Fundamentals of Neural Networks 1994
3. Kishan Mehrotra, Chilukuri K.Mohan & Sanjay RanKa. Elements of Artificial Neural
Networks 1997
4. Howard Demuth , Mark Beale & Martin Hagan. Neural Network Toolbox 1993.
5. Deco, G. and Obradovic, D. An Information theoretic Approach to Neural Computing 1996
9. Phương pháp đánh giá môn học
TT Phương pháp đánh giá Số lần đánh giá Trọng số (%)
1 Kiểm tra giữa học kỳ 1 20
2 Thực hành, thí nghiệm 2 40
3 Bài tập, tiểu luận, thuyết trình 1 40
Chủ nhiệm BM quản lý môn học Giảng viên lập đề cương
 NEURAL NETWORKS AND APPLICATIONS

1. Subject : NEURAL NETWORKS AND APPLICATIONS

2. Credit: 3
3. Instructors: Dr. Le Van Trung, Dr. NGUYỄN NGỌC LU
4. Department: Geomatics Engineering – Civil Engineering Faculty

5. Abstract: The subject presents basical concepts of Neural Networks, describes many of
powerful networks for solving problems including: function approximation, modeling, signal
processing, prediction and classification and of the uses of Neural Networks and the
fundamentals of how it works.
The subject is also aimed at providing theoretical principles and practical techniques for
students who want to know about network design.

6. Objectives : The subject is aimed at providing theoretical principles and practical

techniques for students who want to know about neuron model and network architectures.
7. CONTENTS

Chapter 1 Introduction
1.1 What is Neural Networks ?
1.2 Neural Network’s models
1.3 Applications

Chapter 2 Mathematical fundament of Neural Networks

2.1 Definition
2.2 Multi-layer neural network structure
2.3 Back-Propagation algorithm
2.4 Training procedure

Chapter 3 Network design technique

3.1 Learning rate
3.2 Network architectures
3.3 Activation functions
3.4 Training data
3.5 Training algorithm

Chapter 4 Choosing the appropriate model

4.1 Choosing the appropriate architectures

4.2 Choosing the appropriate parameters
4.3 Weight initialization
4.4 Generate training data

Chapter 5 Applications

8. Reference Literature :
1. Robert L.Harvey. Neural Network principles 1994
2. Laurence Fausette. Fundamentals of Neural Networks 1994
3. Kishan Mehrotra, Chilukuri K.Mohan & Sanjay RanKa. Elements of Artificial Neural
Networks 1997
4. Howard Demuth , Mark Beale & Martin Hagan. Neural Network Toolbox 1993.
5. Deco, G. and Obradovic, D. An Information theoretic Approach to Neural Computing 1996

9. Evaluation:
No Method Number of test Weight(%)
1 Mid-term test 1 20
2 Practice, Experiment 2 40
3 Seminar, Assignment, 1 40
Instructors