B_NMS Numerické modelování a simulace

Vysoká škola technická a ekonomická v Českých Budějovicích
léto 2026
Rozsah
1/2. 4 kr. Ukončení: zk.
Vyučující
doc. Ing. Robert Frischer, Ph.D. (cvičící)
prof. Ing. Zora Koštialová Jančíková, CSc. (cvičící)
Garance
prof. Ing. Zora Koštialová Jančíková, CSc.
Ústav technicko-technologický – Rektor – Vysoká škola technická a ekonomická v Českých Budějovicích
Dodavatelské pracoviště: Ústav technicko-technologický – Rektor – Vysoká škola technická a ekonomická v Českých Budějovicích
Rozvrh seminárních/paralelních skupin
B_NMS/P01: Čt 8:45–9:30 I314, R. Frischer, Z. Koštialová Jančíková
B_NMS/S01: Čt 9:40–11:10 I314, R. Frischer, Z. Koštialová Jančíková
Omezení zápisu do předmětu
Předmět je otevřen studentům libovolného oboru.
Cíle předmětu opírající se o výstupy z učení
Cílem předmětu je seznámit studenty s metodami realizace simulačních modelů dynamických systémů. Výklad vychází z matematického popisu dynamického systému. Studentům jsou přiblíženy principy matematicko-fyzikálního modelování a metody potřebné k realizaci modelu na číslicovém počítači. Je proveden úvod do umělé inteligence, pozornost je věnována především modelům neuronových sítí a jejich aplikaci na vybrané technologické procesy.
Výstupy z učení
Student je schopen definovat a popsat základní klasické metody identifikace systémů a metody umělé inteligence pro získání matematického popisu systémů a dokáže využít tyto metody k návrhu a realizaci simulačních modelů na číslicovém počítači. Student umí sestavit matematické modely vybraných reálných procesů pomocí klasických simulačních programů a s využitím umělých neuronových sítí.
Osnova
  • 1. Úvod do modelování systémů. Formy matematického popisu systému.
  • 2. Základní druhy modelování (fyzikální, matematické, kybernetické). Laplaceova transformace, základní vlastnosti, tabulky Laplaceovy transformace.
  • 3. Klasifikace modelů podle různých hledisek. Řešení lineárních diferenciálních rovnic pomocí Laplaceovy transformace, přenos spojitých funkcí.
  • 4. Matematické modelování, analytické a experimentální metody identifikace. Klasifikace systémů podle řádu lineární diferenciální rovnice.
  • 5. Simulace systémů, hlavní fáze procesu modelování a simulace, sestavení a verifikace simulačních modelů. Simulační programy – klasifikace, popis, příklady použití.
  • 6. Statické a dynamické charakteristiky systémů. Tvorba modelu systému, bloková schémata.
  • 7. Úvod do umělé inteligence (fuzzy modely, umělé neuronové sítě, genetické algoritmy). Metoda snižování řádu modelu systému.
  • 8. Teorie fuzzy množin, fuzzy modelování. Simulační program SIMULINK – charakteristika, popis.
  • 9. Umělé neuronové sítě, model neuronu. Simulační program SIMULINK – sestavení simulačních modelů, příklady.
  • 10. Učení a generalizace neuronových sítí, učící algoritmy. Tvorba modelů vybraných technologických procesů v simulačním programu SIMULINK.
  • 11. Modely neuronových sítí, vícevrstvé neuronové sítě. Tvorba fuzzy modelů v simulačních programech.
  • 12. Faktory ovlivňující učení neuronových sítí. Tvorba modelů neuronových sítí v simulačních programech.
  • 13. Využití neuronových sítí pro modelování vybraných technologických procesů. Tvorba neuronových modelů vybraných technologických procesů.
Literatura
    povinná literatura
  • KOŠTIALOVÁ JANČÍKOVÁ, Z., 2022. Modelování a simulace. Ostrava: VŠB - Technická univerzita Ostrava.
  • KOŠTIALOVÁ JANČÍKOVÁ, Z., 2021. Modelling and simulation. Ostrava: VŠB - Technická univerzita Ostrava.
    doporučená literatura
  • CLOSE, Ch. M., FREDERICK, D. K. a J. C. NEWELL, 2002. Modeling and analysis of dynamic systems. 3rd ed. New York: Wiley. ISBN 0-471-39442-4.
  • JANČÍKOVÁ, Z., 2006. Umělé neuronové sítě v materiálovém inženýrství. Ostrava: VŠB - Technická univerzita Ostrava. ISBN 80-248-1174-X.
  • FÁBRY, J., 2011. Matematické modelování. Praha: Professional Publishing. ISBN 978-80-7431-066-9.
  • DUŠEK, F., 2000. MATLAB a SIMULINK: úvod do používání. Pardubice: Univerzita Pardubice. ISBN 80-7194-273-1.
Organizační formy výuky
přednáška
seminář
konzultace
Komplexní výukové metody
frontální výuka
skupinová výuka - kooperace
skupinová výuka - kolaborace
brainstorming
kritické myšlení
samostatná práce – individuální nebo individualizovaná činnost
výuka podporovaná multimediálními technologiemi
Studijní zátěž
AktivitaPočet hodin za semestr
Prezenční formaKombinovaná forma
Příprava na průběžný test104
Příprava na přednášky40 
Příprava na seminář, cvičení, tutoriál26 
Příprava na závěrečnou zkoušku301
Příprava na závěrečný test2438
Samostudium251
Účast na přednáškách13 
Účast na semináři/cvičeních/tutoriálu/exkurzi268
Celkem:19452
Metody hodnocení a jejich poměr
zkouška - ústní 70%
test - průběžný 30%
test - závěrečný
Podmínky testu
Pro úspěšné splnění předmětu je nutné v součtu dosáhnout z průběžného a závěrečného hodnocení minimálně 70 % za níže stanovených podmínek. V průběžném hodnocení lze získat 30 bodů tj. 30 %. V závěrečném hodnocení lze celkem získat 70 bodů tj. 70 %. Průběžné hodnocení Průběžný test – 30 bodů (tj. 30 %) Závěrečné hodnocení Závěrečný test – 70 bodů (tj. 70 %) A 100 – 90, B 89,99 – 84, C 83,99 – 77, D 76,99 – 73, E 72,99 – 70, FX 69,99 – 30, F 29,99 – 0
Odkaz a informace učitele
Student prezenční formy studia je povinen na kontaktní výuce, tj. vše kromě přednášek, splnit povinnou 70% účast.
  • Statistika zápisu (nejnovější)
  • Permalink: https://is.vstecb.cz/predmet/vste/leto2026/B_NMS