hrvatski

Modificirano učenje izlaznog sloja statičke neuronske mreže

Umjetne neuronske mreže, kao racunalni sustav kojim se nastoji nacin učenja bioloških živcanih sustava prenijeti na računalo, jedno su od najčešćih ostvarenja umjetne inteligencije – inteligencije mehanickih sustava. Postoji niz različitih ideja kako ostvariti umjetne neuronske mreže, pa s time u vezi i niz različitih vrsta neuronskih mreža koje se danas koriste. U ovom radu ispitivalo se ucenje umjetnih neuronskih mreža na temelju unaprijedne (statičke) neuronske mreže sa povratnim rasprostiranjem pogreške (EBP – Error Back Propagation algoritam). U radu je, kao svojevrsni uvod u temu, dan kratki prikaz ideje umjetnih neuronskih mreža, od same definicije neuronskih mreža, preko prikaza analogije umjetnog i biološkog neurona, do podjele, uporabe i načina učenja istih. Isto tako, dan je i kratki pregled najčešće korištenih aktivacijskih funkcija neurona, te su prikazani struktura i rad perceptrona, prve umjetne neuronske mreže. Pokazano je takozvano delta pravilo koje se koristi kako kod učenja perceptrona, tako i kod učenja mreže sa povratnim rasprostiranjem pogreške. Dan je prikaz modela višeslojne statičke neuronske mreže, kao i shematski prikaz učenja iste. Nadalje, izveden je matematički model statičke neuronske mreže, gdje je pokazano kako se mijenjaju težinski faktori (parametri ucenja) sakrivenog i izlaznog sloja (korištena je troslojna mreža), za unaprijednu i povratnu fazu učenja mreže. Kao dodatak napravljena je i modificirana statička neuronska mreža (modifikacija u obliku povratne veze) za učenje ponašanja dinamickog člana prvog reda (PT1). Naposljetku je načinjen niz učenja i testiranja mreža, čija su rješenja, uz grafički prikaz promjene pogreške čenja (koja je ujedno jedan od dva uvjeta prekida učenja), dana numerički. Tako su, prvo učenjem po uzorku, a zatim i učenjem po skupu, mreže morale naučiti ekskluzivni ILI problem, kvadriranje brojeva do 10, te zbrajanje, oduzimanje i dijeljenje. Osim standardnog učenja, u kojem se težine mijenjaju po pravilu izvedenom u spomenutom matematickom modelu mreže, sva učenja i testiranja načinjena su i sa modifikacijom mreže, pri cemu su se težine izlaznog sloja mijenjale direktno, pseudoinverzijom matrice izlaza sakrivenog sloja. Sve mreže učene su i testirane sa i bez momentuma, koji bi trebao raditi kao ubrzanje sustava, uz, u trenutnom učenju doduše konstantne, promjenjive ostale parametre. Za kraj je napravljeno učenje i testiranje statičke neuronske mreže sa povratnom vezom, koja je morala naučiti ponašanje dinamičkog člana prvog reda, i to tako da je najprije izlaz prethodnog koraka uzimala iz modela, a zatim iz same mreže. Uvođenje pseudoinverzije, kao načina promjene parametara učenja izlaznog sloja, nije se pokazalo kao očekivano ubrzanje.

neuronska mreža; modificirano učenje

nije evidentirano