自主与机器人学院与课程|德州农工大学工程系

自主与机器人学院

参见德州农工大学的自主和机器人工程讲师。

人工智能/机器学习课程

AERO 626动态系统的估计。学分3。3课时

航空航天学科中与现代动力系统有关的估计的传统概念和最新进展;最小二乘估计、状态估计、非线性滤波、飞行器位置与速度跟踪、航天器姿态确定、陀螺偏置估计与标定。

先决条件:航空310或同等统计211或同等学历。

AERO 630随机动力系统导论。学分3。3课时

课程以基本概率论为基础，涵盖离散和连续随机过程的理论和应用。应特别注意动态系统(离散、线性和非线性)对随机输入过程的响应及其在工程系统中的应用。

先决条件:研究生的分类

航空航天系统AERO 631模型预测控制。学分3。3课时

非线性最优控制与优化、最优控制理论、动态系统稳定性与控制、逼近理论、凸优化;具有参数不确定性状态约束和控制约束的工程系统控制制定最优控制问题，利用可用的求解器求解非线性规划问题;要求有控制理论背景。

先决条件:研究生分类和航空623或者类似的课程。

AERO 632先进飞行控制系统设计-理论与应用。学分3。3课时

建模，分析，设计和实现先进的飞行控制问题，特别是航空航天工程应用;包括控制变量的选择，控制变量的减少，设计方法，计算框架，实现问题，以及使用各种工具箱的软件环境。

先决条件:研究生分类及导师批准。

625年的中国建筑。人工智能。学分3。3课时

人工智能的基本概念和方法;一般图的启发式搜索过程博弈策略;决议和基于规则的推理系统;知识表示;不确定性推理。

先决条件:221年的中国建筑．

631年的中国建筑。智能代理并行算法设计与分析。学分3。3课时

介绍了智能代理的设计与实现以及多代理之间的协调机制，从理论原理到实际实现方法。

先决条件:420年的中国建筑或625年的中国建筑．

627年的中国建筑。可计算性理论。学分3。3课时

正式的计算模型，如下推自动机;图灵机与递归函数;不可解性结果;可解结果的复杂性。

先决条件:433年的中国建筑．

636年的中国建筑。神经网络。学分3。3课时

神经计算的基本概念;神经网络模型的功能等价性与收敛性联想记忆模型;适应与学习的联想、竞争和适应性共振模型神经网络在视觉、语音、运动控制和规划中的选择性应用神经网络建模环境。

先决条件:数学304和数学308或导师的批准。

欧安会639/平均数676。模糊逻辑和智能系统。学分3。3课时

介绍模糊逻辑的基础知识及其在智能系统开发中的作用;主题包括模糊集合理论、模糊规则推理、控制中的模糊逻辑、模糊模式识别、神经模糊系统和使用遗传算法的模糊模型识别。

先决条件:625年的中国建筑或导师的批准。
交叉清单:Meen 676/欧安会639．

644年的中国建筑。皮质网络。学分3。3课时

哺乳动物大脑皮层的结构;模块化组织和分布式并行处理网络;感知和记忆的皮层网络;皮层神经网络的微观结构与动态模拟皮层网络作为认知机器设计的一个被证明的范例。

先决条件:420年的中国建筑或625年的中国建筑和636年的中国建筑毕业生分类。

应用凸优化。学分3。3课时

介绍凸优化，包括凸集、凸函数、凸优化问题、KKT条件和对偶性、无约束优化、约束优化的内点法;在信息科学、数字系统、网络和学习方面的应用。

先决条件:ECEN 601或同等学历。

ecen647信息论。学分3。3课时

信息的定义;对用于在包括加性高斯噪声信道和波形信道的噪声信道上传输的信息进行编码;源可以编码的最小速率;在有噪声的信道上传输信息的最大速率。

先决条件:ECEN 646或同等学历。

模式识别。学分3。3课时

介绍分类的基本原理，以及图像和机器人应用的计算机识别。

先决条件:数学601和/或统计601并得到教练的认可。

ecen662估计与检测理论。学分3。3课时

概率信号检测理论与参数估计理论;Neyman-Pearson、UMP和局部最优检验;离散时间马尔可夫过程、卡尔曼滤波器和维纳滤波器;贝叶斯，极大似然和条件均值估计方法。

先决条件:ECEN 646或同等学历。

ECEN 748数据流算法和应用。学分3。3课时

研究采样、草图和总结高速率数据流的算法，包括测量互联网流量和服务以及事务性图形流数据的应用;量化这些方法中固有的计算和存储资源以及准确性之间的权衡。

先决条件:研究生的分类:ECEN 303或之前的概率或统计学本科或研究生课程;或导师的批准。

ECEN 758数据挖掘与分析。学分3。3课时

数据挖掘的广泛概述，整合了机器学习和统计学的相关概念;探索性数据分析、模式挖掘、聚类和分类;科学和在线数据的应用。

ecen760概论概率图形模型。学分3。3课时

各种概率图形模型的广泛概述，包括贝叶斯网络，马尔可夫网络，条件随机场和因子图;相关的推理和学习算法，以及它们在各种科学和工程问题中的应用将贯穿整个课程。先决条件:本科水平概率论;基本的编程技能，任何编程语言(C, c++， Python, Matlab等)。

ECEN 765机器学习与网络。学分3。3课时