NEURONSKE MREZE (PDF)

VEŠTAČKE NEURONSKE MREŽE
Neke mogudnosti NM
• prepoznavanje oblika u realnom vremenu
• upravljanje sistemima u brojnim složenim i nelinearnim ograničenjima
• pronalazi izgubljene ulaze iz izvora na osnovu poznavanja dela ulaza asocijacija
• prepoznaje objekte i kada su izobličeni
• “pamti” predmete u vezi i kada veza nije očigledna ili unapred poznata
• učenje u realnom vremenu
• “glatko” smanjuje performanse kod otkaza delova mreže

Supervizorsko , preslikavanje izlaza na ulaz i namestanje parametara
dokle god je greska koja se racuna u vidu

razlike vrednosti dobijenog izlaza i zeljenog manja od dozvoljene greske
Inkrementalno uz pomoc povratne sprege se za svaki ulaz po malo
izmene parametri , i tako se vrti u krug dok se ne postigne zeljena
preciznost (ili ako se predje max broj epoha) , kada se za sve ulaze po
jednom izmene parametri, to se naziva 1 epoha

sa propagacijom signala u napred - feed-forward
– jednoslojne
– višeslojne
• sa povratnim spregama feedback - rekurentne mreže
– jednoslojne i višeslojne
– sa diskretnim i kontinualnim signalim
1 SIGNAL= 1 NEURON

Posto su FeedForward Neuronske mreze vrlo efikasne, a BackPropagation
vrlo korisne, moguce je zakasniti ulaze i izlaze u FF neuronskoj mrezi kako
bi se imitirala BP mreza
Kasnjenjem signala se pravi memorija i FF moze da modeluje i simulira i
dinamicki sistem od kom ima zavisnost od izlaza .
y(k+1) + a1y(k) + a2y(k-1) = b0 u(k) + b1 u(k-1)

Primena istog principa na slozenija preslikavanja:

Ako dobro poznajemo sistem, NE KORISTIMO NM!!!!!!!!!!!!!!!!!
Kada nemamo nepoznate parametre, efikasnije je modelovati sistem sa
modelom.

Funkcija o(z) namerno namestena na dati oblik, da bi njen izvod bio
jednostavan za racun.

Newedit obucavanje
Deli skup za obucavanje na 2 dela
1. Najveci za obuku – podesava tezine
2. Manji deo skupa, koristi se ako smanjuje greska na 1. skupi, da proveri
da li se smanjuje i za 2. skup
U slucaju da dalje popravljanje parametara ne pomaze, zaustavlja se

DINAMICKI MODEL - NARX
-Moras biti vidovit kao u Elektro distribuciji Srbije i predvidjati ko ce kada
trositi struju kako bi mogao da dobro modeliras sistem za kontrolu i
upravljanje sistema distribucije elektricne energije
Dodavanje jos neurona ako ne uspemo da dovoljno tacno odradimo, kao i
prosirivanje skupa za obucavanja