1.

Úvod

2.	Neuronové sítě a letování

2.1.	Neuronové sítě

2.1.1.

Učení neuronových sítí

2.1.2.

Výhody a nevýhody neuronových sítí

2.1.3.

Základní prvky neuronových sítí

2.1.4.

Rozdělení a topologie neuronových sítí

2.1.5.

Umělá inteligence a neuronové sítě

2.2.

Letování

2.2.1.

Pájky a letovací pasta

2.2.2.

Tavidla

2.2.3.

Technologie letování

3.	Využití neuronových sítí v procesu optimalizace letování

3.1.	Optimalizace tekutého letování

3.2.	Optimalizace letování přetavením

3.3.	Příklady využití neuronových sítí v letování

3.3.1.

Využití neuronových sítí při detekci chyb na desce plošných spojů

3.3.2.

Využití neuronových sítí při pozorování snímků a teploty desky plošných spojů

3.3.3.

Diagnostika BGA pomocí technologie X-ray

3.3.4.

Teplota desky plošných spojů, aplikace samoorganizujících map a použití bezolovnatých pájek

4.

Závěr

5.	Přílohy (fotografie)

"1.1.1 Učenie neurónových sietí
Procedúra, používaná na vykonanie samotného procesu učenia sa nazýva algoritmus učenia, v rámci ktorého dochádza k modifikovaniu synaptických váh siete. Zmena synaptickej váhy ponúka tradičnú metódu pre návrh neurónových sietí. Takýto prístup je najbližší teórii lineárneho adaptívneho filtra, ktorá je zavedená a úspešne aplikovaná v rozmanitých vedných odboroch. [4]
Učenie sa realizuje nad tréningovou množinou, ktorá obsahuje objekty a ich požadovanú klasifikáciu. Vstupným neurónom siete sú postupne predkladané objekty z tréningovej množiny. Odozva na tieto objekty sa prejaví vo výstupných aktivitách siete. Pokiaľ sú tieto aktivity totožné s požadovanými výstupnými aktivitami z tréningovej množiny, potom sa aktuálne váhové koeficienty neupravujú. V opačnom prípade, ak sa výstupná odozva siete na tréningový objekt nezhoduje s požadovanými výstupnými aktivitami, potom učenie obsahuje algoritmus, pomocou ktorého sa spočíta oprava váhových koeficientov tak, aby sa nesúhlas medzi odozvou a požadovanými aktivitami zmenšil. Tento jednoduchý postup sa neustále opakuje tak dlho, až sa odozvy na tréningové objekty stanú podobnými s požadovanými aktivitami. To znamená, že NS po učení, korektne interpretuje všetky tréningové objekty. [3]
Vo všeobecnosti rozdeľujeme prístupy k učeniu do dvoch veľkých skupín:
1. kontrolované učenie – supervised learning (učenie s učiteľom), ktoré sa ďalej rozdeľuje na:
• štrukturálne učenie, kde rozoznávame dve metódy učenia a to:
- autoasociačné – NS sa musia adaptovať tak, aby to čo je na vstupe bolo aj na výstupe,
- heteroasociačné – NS sa naučia rozpoznávať vstupy a zatrieďovať ich, ako im to povedal učiteľ
• temporálne učenie – je v podstate heteroasociatívne učenie, ale na vstup musí prísť za čas t > 0 sekvencia vstupov a až tejto sekvencii ako celku je priradený jeden výstup.
2. nekontrolované učenie – unsupervised learning (učenie bez učiteľa)

1.1.2 Výhody a nevýhody neurónových sietí
Neurónové siete odvodzujú svoj výpočtový výkon jednak cez masívne paralelné distribuované štruktúry, ako i cez schopnosť učiť sa, a preto majú predpoklady pre riešenie aj náročnejších úloh. Je však potrebné spomenúť, že máme pred sebou ešte dlhú cestu, kým vytvoríme počítačovú architektúru, ktorá by napodobnila ľudský mozog. [4]
Použitie neurónových sietí ponúka tieto užitočné vlastnosti a schopnosti:
1. nelinearita,
2. vstupno – výstupné mapovanie,
3. adaptivita,
4. dôkazná odpoveď,
5. kontextová informácia,
6. odolnosť voči chybám,
7. možnosť hardvérovej implementácie,
8. jednotnosť analýzy a návrhu,
9. neurobiologická analógia.

Literatúra [2] uvádza tieto výhody a nevýhody neurónových sietí:

Výhody:
• paralelné spracovanie informácií, umožňujúce pri vhodnom hardware rozdeliť výpočet na niekoľko súbežných procesorov,
• zahŕňajú v sebe možnosť adaptácie na zmenu parametrov, pokiaľ sa aplikujú aj s učiacim algoritmom,
• sú vhodné pre úlohy identifikácie, aproximácie, klasifikácie, triedenia vzorov,
• siete sú rýchle ak sa implementujú bez učiaceho algoritmu,
• umožňujú abstrahovať riadiace pravidlá iného regulátora (napr. človeka, alebo regulátora s dlhými výpočtovými časmi) a nahradiť ich,
• poskytujú redukciu rozmeru dát do menej rozmerného priestoru,
• sú univerzálnym aproximátorom, schopným aproximovať akúkoľvek spojitú funkciu s ľubovoľnou presnosťou.
Nevýhody:
• nie je vypracovaná žiadna metodika pre návrh architektúry siete a voľbu funkcií opisujúcich neurón; pri implementácii sa preto postupuje metódou pokus - omyl, čo zvyšuje časové nároky riešenia,
• nie sú vhodné pre systémy vyžadujúce presné riešenie (na to sú ale lepšie lineárne systémy, s ktorými sa NS dajú ale výborne kombinovať),
• učenie trvá zvyčajne dlho (menej pri gradientových metódach, viac pri mutácii), s výnimkou neuro - fuzzy systémov, ktoré sa učia enormne rýchlo."

Součástí práce jsou schémata, fotografie, grafy a tabulky, rozsah čistého textu činí cca 22 stran.