Katedra Inteligentnych Systemów i Sieci

Nasze badania

Badania naukowe prowadzone w Katedrze Inteligentnych Systemów i Sieci ukierunkowane są na szerokie wykorzystanie współczesnej informatyki i nauk jej pokrewnych w przemyśle, zarządzaniu, badaniach stosowanych oraz administracji. Znaczna część uzyskanych efektów została już zweryfikowana w warunkach produkcyjnych (zakłady przemysłowe, jednostki samo-rządu terytorialnego), gdzie potwierdzono wysoką skuteczność proponowanych rozwiązań.

Ponadto pracownicy Katedry poszukują nowych metod w obszarze sztucznych sieci neuronowych i uczenia maszynowego, które znajdą zastosowanie we wspomnianych obszarach. Badania prowadzone są w kilku obszarach:

  • Cyberbezpieczeństwo
  • Analiza i synteza systemów środowiskowych, transportowych
  • Uczenie maszynowe w systemach inteligentnych
  • Nowe architektury dla sieci neuronowych

Kontakt: jkorniak@wsiz.edu.pl


Projekty naukowo-badawcze finansowane ze źródeł zewnętrznych:

Nowe podejścia do efektywnego uczenia złożonych systemów inteligentnych
Kierownik projektu: prof. dr hab. B. Wilamowski
Projekt koncentrował się na rozwijaniu architektur sztucznych sieci neuronowych, ich analizie i badaniu wydajności, a także na rozwijaniu metod i algorytmów uczenia różnego rodzaju sieci neuronowych.
W ramach projektu opracowano szereg nowych algorytmów uczenia sieci. Zaproponowano także modyfikacje algorytmów w celu zwiększenia ich wydajności oraz możliwości. Na szczególną uwagę zasługują propozycje poprawy wydajności algorytmu Error Correction dla sieci RBF w zakresie lepszego doboru parametrów uczenia oraz opracowanie nowej koncepcji poolingu w domenie spektralnej dla sieci konwolucyjnych Although Discrete Cosine Transforms Spectral Pooling Layers (DCTSPL) opartych o dyskretną transformatę kosinusową.
Opracowano nową metodę uczenia zwiększającą wydajność algorytmu EBP (Error Back Propagation) polegającą na adaptacji współczynnika uczenia bazującej na aproksymacji funkcji błędu dla danej wartości gradientu.
W projekcie badano także różne architektury sztucznych sieci neuronowych w tym sieci z połączeniami poprzez warstwy oraz takie zawierające neurony o funkcjach aktywacji zarówno nieliniowych jak i liniowych, co pozwala na praktyczną eliminację problemu zanikającego gradientu, ułatwiając proces uczenia ze względu na lepsze możliwości przenoszenia błędu uczenia do niższych warstw sieci. Przeprowadzono także szczegółową analizę wpływu architektury sieci na jej możliwości rozwiązywania złożonych problemów nieliniowych. W innych badaniach przedstawiono koncepcje zastosowania dyskretnej transformaty kosinusowej do rozwiązywania problemów aproksymacji Metodę zweryfikowano na wybranych danych benchmarkowych
Zobacz efekty badań
Okres realizacji: 20.01.2016–25.06.2019
Finansowanie: Narodowe Centrum Nauki, program OPUS

Inteligentne nieliniowe systemy o płytkich i głębokich architekturach
Kierownik: prof. dr hab. inż. Bogdan Wilamowski
Projekt koncentrował się na rozwijaniu architektur sztucznych sieci neuronowych, ich analizie i badaniu wydajności, a także na rozwijaniu metod i algorytmów uczenia różnego rodzaju sieci neuronowych. W ramach projektu opracowano szereg nowych algorytmów uczenia sieci. Wśród nich hybrydowy algorytm konstrukcyjny HC (Hybrid Constructive), w którym trenowane są wszystkie parametry sieci oraz rozmiar sieci metodą łączącą algorytm LM z metodą najmniejszych kwadratów. Innym opracowanym algorytmem jest algorytm PolyNet oparty o tzw. wielomianową maszynę uczącą, która bazuje na efektywnej generacji składowych wielomianowych, dając wyniki porównywalne do innych metod uczenia, ale wyróżniający się prostotą obliczeniową, co ułatwi implementację sprzętową.
Opracowano także algorytm OLS-SPO w którym zastosowano zmodyfikowaną rekurencyjną metodę Orthogonal Least Square (OLS) oraz algorytm Particle Swarm Optimization (PSO) do wyszukiwania parametrów neuronów. Zaproponowano także modyfikacje algorytmów w celu zwiększenia ich wydajności oraz możliwości polegające m.in. na selektywnym uczeniu poszczególnych neuronów czy redukcji zbiorów uczących. Zaproponowane metody zostały zaimplementowane i przetestowane dla algorytmu Error Correction i sieci RBF, ale mogą być one z powodzeniem stosowane w innych algorytmach. Wszystkie opracowane algorytmy i metody uczenia zostały rzetelnie przetestowane i porównane z innymi metodami uczenia na wielu popularnych danych benchmarkowych. W projekcie badano także różne architektury SSN w tym sieci z połączeniami poprzez warstwy oraz takie zawierające neurony o funkcjach aktywacji zarówno nieliniowych jak i liniowych. Przedstawiono analizę działania i projektowania tego typu sieci rozwiązujących problemy typu Parity-N z wykorzystaniem różnych architektur, wykazując m.in. że możliwe jest rozwiązanie problemu Parity-31 przy pomocy czterech neuronów o skokowej funkcji aktywacji oraz jednego liniowego, a także szereg eksperymentów potwierdzających działanie tego typu sieci.
Zobacz efekty badań
Okres realizacji: 16.07.2014–15.01.2017
Finansowanie: Narodowe Centrum Nauki, program OPUS

Neuronowe i immunologiczne wspomaganie analizy i syntezy modeli obiektów technicznych na bazie struktur wykorzystujacych grafy rzadkie w warunkach niekompletnosci informacji
Kierownik projektu: dr inż. Mirosław Hajder miroslaw.hajder@gmail.com
Inicjatywa, będąca przedmiotem niniejszego projektu, miała na celu przeprowadzenie badań dotyczących oszacowania skuteczności analizy katastroficznych zjawisk przyrodniczych wspomaganych sieciami neuronowymi i systemami immunologicznymi z wykorzystaniem niekompletnej wiedzy o przebiegu zjawisk. Podstawowym celem badań było rozwinięcie teorii katastrof, w szczególności w odniesieniu do stabilności systemów złożonych, oszacowanie skuteczności wyszczególnionych metod analizy oraz opracowanie hybrydowych metod badawczych.
Okres realizacji: 01.06.2014–31.03.2015
Finansowanie: Regionalny Program Operacyjny Województwa Podkarpackiego na lata 2007–2013

Nowe metody analizy i optymalizacji architektury złozonych sieci telekomunikacyjnych następnej generacji
Kierownik projektu: dr inż. Paweł Różycki
Aktualna wiedza na temat wpływu architektury złożonych sieci szkieletowych następnej generacji na ich funkcjonowanie jest niepełna i niewystarczająca zwłaszcza w wielodomenowym, wielowarstwowym środowisku. Stąd potrzeba opracowania metod analizy tego typu sieci oraz wskazania sposobów optymalizacji jej architektury. Problem jest o tyle trudny że rozważanie sieci są wciąż na etapie koncepcyjnym i jedyną możliwością weryfikacji zaproponowanych metod są symulacje komputerowe.
Celem projektu było opracowanie nowych wielokryterialnych algorytmów optymalizujących architekturę systemów złożonych oraz zaproponowanie metod analizy.
Okres realizacji: 01.06.2014–31.03.2015
Finansowanie: Regionalny Program Operacyjny Województwa Podkarpackiego na lata 2007–2013

Katedra Inteligentnych Systemów i Sieci

Wyższa Szkoła Informatyki i Zarządzania z siedzibą w Rzeszowie

ul. Sucharskiego 2,
35-225 Rzeszów

tel.: 17 866 11 11
fax: +48 17 866 12 22
e-mail: wsiz@wsiz.rzeszow.pl

Wszelkie Prawa Zastrzeżone, Wyższa Szkoła Informatyki i Zarządzania w Rzeszowie © 2008-2020