Univerzitet u Istočnom Sarajevu

Saobraćajno-tehnički fakultet Doboj

Tema: Neural Network Toolbox
- Seminarski rad – Predmet: Ekspertni sistemi I vještačka inteligencija

Profesor: dr Ljubiša Preradović Asistent: Mladen Vidić, dipl.mat. Doboj, 2007

Studenti: Jovica Ilić 341/06 Danijela Lazarević 371/06

1. Uvod
Neural Network (neuronske ili nervne mreže) se sastoje od jednostavnih elemenata koji rade paralelno. Ovi elementi su inspirisani biološkim nervnim sistemom. Kao i u prirodi, funkcija mreža je određena konekcijom između elemenata. Možemo obučiti neuronske mreže da izvode pojedine funkcije, podešavanjem vrijednosti konekcije među elementima. Često se neuronski mreže podešavaju, ili uvježbavaju, tako da pojedini ulaz vodi do određenog ciljnog izlaza. Tu je mreža podešena, zasnovana na poređenju izlaza i cilja, sve dok se izlaz ne poklopi sa ciljem. Tipično, mnogi takvi ulaz/cilj parovi se koriste u ovom učenju sa nadzorom, da bi se mreža obučila. Ekipna obuka sistema se odvija pravljenjem promjena u težini i prostranosti sistema koja se zasniva na ciljnom setu ulaznih vektora. Vježba opterećenja mijenja težine i pristranosti sistema kao što je potrebno poslije prezentacije svakog pojedinačnog ulaznog vektora.

2. Vještačka inteligencija i ekspertni sistemi
2

Razvoj vještačke inteligencije – Inteligencijom čoveka bavili su se već u starom veku. Vještačka inteligencija je grana računarske tehnike. ostvarivanju transformacije energije i informacije. Grci. koji spadaju u ovu oblast.1. Naučnik Neumann je odredio princip rada i arhitekturu računara. Procesi transformacije informacija u ljudskom mozgu se odvijaju prema za sad malo poznatim zakonitostima. sintakse i teorije znanja. Umni rad čoveka se manifestuje u vidu dobijanja. Ostvaruju se u skladu sa opštim zakonima prirode. Pojam vještačke inteligencije uveo je John McCarthy 1956 godine. Čoveku je poznat polazni i konačni set informacija a ne i postupak transformacija informacija. obrade i kreiranja informacije. Vještačka inteligencija teži ka riješavanju primjenom računara takvih problema koje traže metodologiju umnog rada tj. koji su ispitivali tajanstvenosti čovečjeg razmišljanja. Procesi realizacije fizičkog rada su relativno jednostavni. U okviru nauke o obradi informacija sve intenzivnije se istražuju algoritmi i metodologije obrade informacija u ljudskom mozgu. već dolazi do izražaja pokušaaj. Krajem drugog svijetskog rata. stvorili su sisteme logike. koje oblasti su i danas značajne. koja se bavi razvijanjem inteligentnih računarskih sistema. Efekti ovog rada su mijerljivi. a njega usmerava čovekovo stručno znanje i intuicija. engleski i američki istraživači su realizovali računar. tegobnu i dosadnu aktivnost. Vještačka inteligencija Dijelatnost čoveka se ispoljava u vidu obavljanja fizičkog i umnog rada tj. u koje spada sposobnost 3 . Tako je nazvao svoja istraživanja. "nauku o vještačkoj inteligenciji. Iako naziv nije najpogodniji on je ipak i dan danas u upotrebi. već prije 3000 godina. Ova nauka pod inteligencijom podrazumjeva one principe inteligentnog ponašanja. inteligenciju.2. Fizički rad se pretežno ispoljava u vidu transformacije energije i za čoveka predstavlja zamornu. Otkrivene zakonitosti se svrstavaju u novu naučnu oblast informatike tkzv. Razvoj tehnike i automatizacije proizvodnje realizacijom odgovarajućih mehanizama i automata dovela je do bitnog olakšavanja na području obavljanja fizičkog rada. obično ne sadrže u potpunosti razjašnjenje mehanizama za njihovo riješavanje. Zadaci.

da se tu ne radi o takvoj inteligenciji. prevede na neki programski jezik. predikatum-kalkulus). • Robotika. Sa skromnom količinom reći i jednostavnom gramatikom je ovo moguće na nekim moćnijim računarima. osjetljivost prema problemima. manipulacija sa tim simbolima koji stvaraju tu sliku. razvoja. Računar. • • • Obrada prirodnih i veštačkih jezika. Iz osnovnih radnji sastavlja se plan aktivnosti. preko njih se manifestuje težnja da se promeni "svijet". očekivanja i mogućnosti. To je moguće sa korisničkim modelima. Inteligentna komunikacija sa računarom. do kojih se može doći direktno. sem značenja pojedinačnih reči. konstruktivni posao sa izvesnim stepenom prilagođavanja. koji su potrebni za prelaz iz jednog stanja robota u drugo. o kojoj se govori u slučaju čoveka ili životinje. koji to izvršava mora poznavati sintaksu izvornog (na kome je data 4 . nego i onim izvedenim podacima do kojih se dolazi nakon analize direktno dobijenih podataka. gramatiku jezika i pojmove • Pridružene objektima. ciljno orijentisana dijelatnost. sposobnost riješavanja problema. koji je napisan na nekom specifičnom jeziku (npr. U ovim sistemima korisniku je omogućen pristup ne samo onim podacima. prilagođavanja. Program.komunikacije. već naširoko se koristi u sledećim aplikacijama: • Inteligentno rukovanje bazom podataka. ili na izvršni kod. Iz toga proizilaze tri funkcije jezičke analize: leksička analiza (analiza reči). Značajna je sposobnost identifikacija pozicije objekta i okolnosti da bi se izabrala odgovarajuća metoda za postizanje unapred datog cilja. • Automatsko programiranje. Područja primjene vještačke inteligencije – Vještačka inteligencija koja se razvija relativno brzo. sintaktička analiza (analiza mesta reči u rečenici) i semantička (analiza značenja rečenice u kontekstu i kao zasebne celine). Programski zadatak. kao i relacije među rečenicama. mora da poznaje i relacije izmedju njih. Nauka i tehnologija za razvoj i upotrebu "inteligentnih" sredstava. Obavlja se fizički. Ovi pojmovi nam ukazuju. Razumijevanje i generisanje živog jezika. koji opisuju razne potrebe korisnika. U slučaju životinje podrazumeva se još i stvaranje unutrašnje slike o svetu. Ima veliki uticaj na dalji razvoj industrije. samostalni izbor cilja. Tokom rada računara čovek očekuje jasnu komunikaciju u vezi zadatka. sposobnost za prilagođavanje i učenje. ili priprema za prevod sa jednog jezika na drugi. koja pretpostavlja predstavu prošlosti i budućnosti i dr. Vrši se prevod.

Izraz ekspertni sistemi se najčešće primenjuje na programe koji se koriste znanjima radi simuliranja ponašanja čoveka-eksperta. • Mašinsko učenje. konvencije za rukovanje input-outputom i ekranom . Takvom čoveku je svojstveno da poseduje veliku količinu specijalizovanih znanja i informacija uključujući i neke rijetke činjenice . da rešavaju značajne. Ekspertni sistemi Izraz. kao i moguće strukture podataka. koji rešavaju zadatke simboličke prirode. intervjuisanjem i drugim postupcima doznavana i "zahvatana". zapravo čije funkcionisanje ima neke oblike ponašanja čoveka eksperta. • Sistemi zasnovani na znanju. ekspertni sistemi potiče od činjenice. sposobni su da se usavršavaju. da su takvi sistemi nastali tako što su od priznatih eksperata u nekoj oblasti. Razvijeni su neki značajni programi učenja na osnovu saveta i kazivanja. Tu spadaju ekspertni sistemi. teške i složene probleme koji uključuju i neizvesnost.i na osnovu otkrića. na osnovu primera posredstvom induktivnog zaključivanja . sposobni su da obrazlažu svoja ponašanja I zaključke.2.specifikacija) i izvršnog jezika. 2. a potom organizovana njihova znanja. ali da sem 5 .potrebnih za rešavanje specifičnih problema u određenoj oblasti.

kao i grafičke korisničke veze (GUIs) koje vam omogućavaju da dizajnirate i upravljate vašim mrežama. The Neural Network Toolbox obezbjeđuju razumljivu podršku za mnoge dokazane paradigme. što mu omogućava efikasno analiziranje i uspešno i brzo rešavanje tih problema. rezonovanja po analogiji. Osim toga. sticanja opštih znanja. kao i da "uči" iz prethodnih iskustava dodajući bazi znanja nove elemente do kojih dolazi tokom rešavanja problema. planiranje. dekoravanje i simulaciju neuronskih mreža. pojednostavljuju stvaranje uobičajenih funkcija i mreža. i dizajn koji se nemože proširiti. On ima moć učenja iz iskustva. Neural Network Toolbox The Neural Network Toolbox proširuju MATLAB program alatima za dizaniranje. pretežno lična. Modularni. 3. otvoreni. poseduje neka. pravila domišljatog rezonovanja i nagađanja. kao što su šeme prepoznavanja i nelinearni sistemi identifikacije i kontrole. rekonceptualizacije. ekspertni sistemi omogućavaju nam dijagnosticiranje problema. transfera znanja iz jednog područja u drugo.toga. obrazlaže i racionalizuje svoje dijagnoze i preporuke. ima fleksibilnost u menjanju pristupa da bi se pronašao onaj koji je prikladan za rešavanje datog problema. Neuronske mreže su neprocijenjive za aplikacije gdje je formalna analiza previše teška i nemoguća. i preporučavanje alternative i rešenja. 6 .

Pre i post-procesiranje funkcija za poboljšavanje. Razumljiv set vježbi i opcija za učenje. prepoznati šeme.1. Simulink (link za simulaciju) blokovi za izgradnju neuronskih mreža i blokovi za kontrolu sistema dodataka. brzo stvaranje i vježbanje. 3.3. prema posebnom pravilu za učenje dok se ne izvede traženi zadatak tačno. ili težinom.2. Rad sa Neural Network Kao i njen duplikat u biološkom nervnom sistemu. Dočaravanje za gledanje mrežnih nastupa. Glavne osobine • • • • • • • • • • GUI i brzi program za stvaranje. tekuće slojeve i uobičajene dinamičke. uključujući i odlaganje vremena. Težina se automatski podešava vježbom u mreži. Podrška za automatsko stvaranje simulacijskih blokova iz objekata neuronskih mreža. Dinamičke mreže za učenje. omogućavanje neograničenog broja slojeva za umetanje mrežnih međukonekcija. razvrstati podaci i predvidjeti buduća dešavanja. Podrška za većinu najčešće korištenih nadgledanih i nenadgledanih mreža arhitekture. Modularno projektovanje mreže. 7 . neuronska (nervna) mreža može da uči i stoga se mogu naći rešenja. vježbu i simulaciju neuronskih mreža. Ponašanje neuronske mreže se definiše načinom na koji su njeni pojedinačni elementi povezani i snagom tih konekcija. Program za uklapanje neuronskih mreža je program koji vas vodi kroz proces uklapanja podataka koristeći neuronske mreže. Rutina za poboljšavanje stvaranja. Grafičke korisničke veze neuronskih mreža čine rad sa neuronskim mrežema lakšim. i procjenjivanje mrežnih izvedbi. nelinearne autoregresivne (NARX). Možete koristiti program za uvoz velikih i složenih podataka.

Jednostavno grafičko predstavljanje omogućavaju vam da dočarate i razumijete arhitekturu mreže.Druge GUI koje vam daju veću mogućnost prilagođavanja arhitekture mreže i učenje algoritma. Slika 1 – The Neural Network Fitting Tool 8 .

čineći ih posebno dobro pogodnim za modeliranje i kontrolisanje dinamičkih sistema.3. nelinearne autoregresivne tekuće slojeve. i kontrolisanje sistema dodataka.1. modeliranje nelinearnih dinamičkih sistema. Podržavanje prvobitne mreže uključuju prvobitna povratna umnožavanja. brzu metodu za dizajniranje nelinearne prvobitne mreže. • Prvobitne mreže imaju jednosmjerne konekcije od ulaznih do izlaznih slojeva. 9 .3. Predizgrađene dinamičke mreže u alatima uključuju fokusirano i podijeljeno vremensko odlaganje. i sisteme opažanja. prvobitna povratna umnožavanja sa odlaganjem ulaza. Arhitektura mreže Neural Network Toolbox podržava i mreže bez nadzora i sa nadzorom. Mreže sa nadzorom Neuronske mreže sa nadzorom su opremljene da proizvedu željene izlaze kao odgovor na pripremljene ulaze. Alati takođe podržavaju dinamičko vježbanje uobičajenih mreža sa arbitrarnim konekcijama. Podržane varijacije uključuju uopštene regresije i moguće neuronske mreže.3. 3. One se najčešće koriste za serije vremenskih predviđanja. linearne. prepoznavanje šema i nelinearnih funkcija. • Centralne mreže obezbjeđuju alternativu. razvrstavanje glavnih podataka i predviđanje budućih događaja. Elman i Hopfeldove mreže. One se najčešće koriste za predviđanje. stop-naprijed povratna umnožavanja. • Dinamičke mreže koriste memoriju i tekuće povratne konekcije da bi prepoznale prostorne i vremenske šeme u podacima.

i otporne algoritme (Rprop).2. obližnjim kategorijama. Alati neuronske mreže podržavaju dva tipa samoorganizacije. Funkcije vježbanja i učenja Dvije funkcije su matematičke procedure koje se koriste da se automatski podesi težina i pristrasnost mreže.• LVQ je moćna metoda za rasvrstavanje šema koje se nemogu linearno odvojiti. Mreže bez nadzora Neuronske mreže bez nadzora su obučene tako što se mreži dozvoli kontinulalno podešavanje do novih ulaza. Funkcija oblika diktira sveopšti algoritam koji utiče na sve težine i pristrasnosti date mreže. Levenberg-Markvertove algoritme (LM). 3. Za razliku od konkurentskih sojeva one takođe čuvaju topologiju ulaznih vektora pripisijući obližnje ulaze. One pronalaze veze među podacima i mogu automatski da definišu šemu klasifikacije. Samoorganizujuće mape uče da klasifikuju ulazne vektore prema sličnosti. postupnih metoda konjugacije. 10 . Alati neuronske mreže podržavaju skup algoritama za obuku. mreže bez nadzora: konkurentske slojeve i samoorganizujuće mape.3. uključujući nekoliko postupnih metoda spuštanja.4. 3. Funkcija učenja se može primjeniti na pojedinačne težine i predubjeđenja unutar mreže. Korištenjem ovih gupa. Konkurentski slojevi prepoznaju i grupišu slične ulazne vektore. LVQ vam dopušta da odredite granice klase i oblik klasifikacije. mreža automatski sortira ulaze u kategorije.

Simulink podrška i kontrola sistema aplikacija 3.5. koji uzimaju bilo koji broj težnih ulaznih vektora.1. LVQ. Ovaj pristup vam takođe omogućava 11 . težnog omotača izlaznih vektora. hebijansko učenje. Ovi blokovi su podijeljeni u tri grupe: • • • Blokovi sa transfer funkcijom.5. Simulink podrška Alati neuronske mreže obezbjeđuju set blokova za pravljenje neuronskih mreža u Simulnik-u. uključujući i postepeno spuštanje. kreirati i obučiti svoju mrežu u MATLAB-ovoj okolini i automatski stvoriti mrežu blokova za korištenje simulink-a. Windrow-Hoffovo i Kohonenovo. i pristrasnih vektora. Blokovi sa funkcijom težine. možete da vidite vašu mrežu grafički. koji uzimaju ulazni vektor i stvaraju odgovarajući izlazni vektor Blokovi sa ulaznom funkcijom. i vraćaju ulazom vektoru.Skup opcija za učenje. koji koriste neuronski težinski vektor na ulaznom vektoru da bi dobili vrijednost težinskog ulaza za neuron. 3. Naizmjenično. su takođe obezbjeđene.

možete skrojiti mrežnu izvedbu na vašoj aplikaciji. Možete udružiti blokove za predviđanje neuronske mreže koji su uključeni u alate. i model prilagodljive kontrole. 12 . primjere i simulink blokove za tri popularne aplikacije: kontrola modela predviđanja. Mijenjanjem parametara ovih blokova.2. Alati uključuju opis.5.Slika 2 – Troslojna neuronska mreža 3. Kontrola sistema aplikacija Alati neuronske mreže vam dopuštaju da primjenite neuronske mreže na identifikovanje i kontrolisanje nelinearnih sistema. sa vašim simulacijskim modelom. povratna linearizacija.

1] Stabilizujete sredstva i standard devijacije seta za obuku 13 . Post-procesovanje omogućava detaljnu analizu mrežne izvedbe.6.Slika 3 – Simulink model 3. Pred i post-procesiranje funkcija Pred-procesovanje mrežnih ulaza i ciljeva poboljšava efikasnost obučavanja nervnih mreža. Pred i post-procesovanje funkcija i poboljšavanje generalizacije 3.6.1. Alati nervne mreže obezbjeđuju funkcije pred i posprocesovanja koje vam omogućava da: • • • • Smanjite dimenzije ulaznih vektora koristeći komponente glavne analize Izvedete analizu regresije među odgovorom mreže i odgovarajućom metom Poredate ulaze i mete tako da opadaju u nizu [-1.

Alati nervnih mreža obezbjeđuju dva riješenja za poboljšavanje generalizacije: regulaciju i rano zaustavljanje. Broj neurona izlaznog nivoa ne zavisi ni na koji način od broja neurona ulaznog nivoa.6. Backpropagation Neuralne mreže Backpropagation neuralna mreža je višenivoska neuralna mreža u kojoj se kao algoritam učenja koristi backpropagation algoritam. Uključujući veličine i težine pristranost. Poboljšavanje generalizacije Poboljšavanje sposobnosti mreže da generalizacijom pomaže da se spriječi pretrpanost. čest problem u dizajnu nervne mreže. da bi usavršio težine i pristranosti i set valjanosti. Premali broj neurona će generisati velike greške prilikom treninga a preveliki broj će usporiti trening. aktivacione fukcije. ali nije naučila da generalizuje nove ulaze. Neuralne mreže sa više nivoa imaju sledeće osobine: • • • • • • Neuroni su podeljeni na nivoe.2. Pretrpanost se dešava kad je mreža memorisala obuku.3. da bi prestao obuku kada mreža bude pretrpana podacima. Nema veze između ulaznog i izlaznog nivoa. 4. Regulacija modifikuje funkcije rada mreže. Pretrpanost proizvodi relativno malu grešku na setu za obuku. Nema veze između neurona unutar istog nivoa. kompleksnosti klasifikacije koja se vrši. Koliko skrivenih nivoa i koliko neurona je potrebno? Odgovor na ovo pitanje zavisi od mnogo faktora – broja ulaza i izlaza. algoritma koji se koristi pri treningu. oblika proizvodi mrežu koja dobro radi sa podacima za obuku i pokazuje uglađenije ponašanje kada se predstavi sa novim podacima. ali mnogo veću grešku kada se novi podatak učita u mrežu. Rano zaustavljanje koristi dva različita seta podataka: set obuke. Broj neurona unutar skrivenih nivoa ne zavisi ni na koji način od broja neurona u ostalim slojevima. Postoji potpuna povezanost između susjednih nivoa. 14 .

a parcijalni izvod greške po težini veze w između i-tog i j-tog neurona. svoju vrednost sve dok se ne završe obe faze. pa bi trebali da imaju manju konstantu učenja. Rešenje za ovaj problem je Backpropagation algoritam. Backward pass faza sračunava grešku. Odstupanje izlaznih vrednosti od željenih se prenosi ne kroz mrežu od izlaza do ulaza. Kako kod neuralnih mreža unutrašnjim slojevima kada se sa više nivoa pronaći težine veze među greška može sračunati samo za neurone u izlaznom nivou? Ne može se sračunati greška za neurone koji se ne nalaze u izlaznom nivou. Da bismo izveli menjaju Backpropagation pravilo učenja krenućemo od pravila za promenu težine veze: gde je [mu] konstanta učenja. jer nam njihovi izlazi nisu poznati. Ovaj parcijalni izvod se može predstaviti na sledeći način: Drugi parcijalni izvod se može predstaviti na sledeći način: 15 .Da li se za različite nivoe primenjuje različita konstanta učenja? Slojevi bliži izlazu imaju veća odstupanja. Ipak najjednostavnije je koristiti jedinstvenu vrednost za čitavu mrežu. Backpropagation algoritam sastoji se iz dve faze: • • Težine Forward pass faza sračunava vrijednost izlaza na osnovu ulaza i trenutne konfiguracije mreže.

Model Cilj je bio kreirati biblioteku u Javi koja bi pomogla implementaciju neuralne mreže sa proizvoljnim brojem slojeva i neurona. Za aktivacionu funkciju izabrana je sigmoidna funkcija i njene osobine se mogu mijenjati iz sloja u sloj. 16 . Moguće je podesiti konstantu učenja za svaki sloj posebno. Omogućeno je i čuvanje konfiguracija i njihovo ponovno učitavanje.Napomenimo još da se korišćenjem sigmoidne funkcije algoritma čini još jednostavnijim. Mreža uči korišćenjem backpropagation algoritma. 4.1.

Slika 4 – Implementacija neurona 17 .

Slika 5 – Implementacija sloja Slika 6 – Implementacija neuralne mreže 18 .

Slika 7 – Implementacija klase za trening Slika 8 – Klasa u kojoj se čuvaju trening podaci 5. Model vještačkog neurona 19 .

20 . neuron proizvodi izlazni signal y: Aktivacione funkcije igraju veoma važnu ulogu pri modeliranju veštačkih neuronskih mreža. sigmoidne.1. x3. Mogu se svrstati u nekoliko zajedničkih grupa. procesirajuća jedinica proizvodi odgovarajući odziv. wn) koji predstavlja jačinu uticaja dotičnog ulaza na posmatrani neuron. Ovo je šematski prikazano na Slici 9. kompetitivne i Gausove. Svaki od ovih ulaznih signala množi se određenim brojem – težinom (w 1. 5. w3. binarne. Slika 9 – Model vještačkog neurona Dakle vrednost aktivacije a može se izračunati: Kada je aktivacija neurona u datom trenutku poznata. w2. …. “Backpropagation” (BP) Neuronska mreža za proračun tehnoloških parametara obrade Šematski prikaz procesa obrade struganjem dat je na Slici 10. kao što su: linearne. x2. Ovako “otežane” ulazne veličine se sumiraju i formiraju ukupnu aktivaciju a.Procesirajući elementi (neuroni) primaju ulazne signale (x1. ….xn) od drugih neurona preko veza koje mogu biti pobuđivačke ili inhibitorne. Ukoliko je vrednost aktivacije veća od definisanog praga.

BP mreže sa više nivoa su prilično moćne.Slika 10 – Šematski prikaz procesa obrade struganjem Neuronska mreža sastoji se od jednog ulaznog. Slika 11 – Aktivacione funkcije logsig i purelin “Backpropagation” (BP) mreža predstavlja mrežu sa prostiranjem unapred. kao na Slici 11. može se obučiti 21 . Mreža sa dva nivoa kod koje je prvi nivo sa sigmoidnom aktivacionom funkcijom a drugi nivo sa linearnom aktivacionom funkcijom. jednog izlaznog i jednog ili više skrivenih nivoa neurona. dok sa druge strane preveliki broj neurona dovodi do povećanja potrebne memorije za rad mreže odn. Broj neurona u ulaznom nivou obično je jednak broju ulaznih veličina u neuronsku mrežu. Premali broj neurona ne dovodi do željenog konvergiranja mreže. koja može da riješi problem nelinearnog preslikavanja iz ulaznog u izlazni prostor. a broj skrivenih nivoa i broja neurona u njima je proizvoljan i ovom problemu treba posvetiti naročitu pažnju. poskupljenja mreže itd. broj neurona u izlaznom nivou jednak je broju izlaznih veličina.

da aproksimira bilo koju funkciju pri čemu su neslaganja sa tačnim rezultatima veoma mala. Ovdje su pn ulazi u mrežu. U toku istraživanja izvršeno je obučavanje mreže tokom 1000 epoha na osnovu tabličnih preporuka parametara rezanja.. Kad se ulazna veličina dovede u mrežu.{pn. kod koga se pravilo učenja formira od primjera željenog ponašanja mreže:{p1.. {p2.tn}.t2}. Ovakav tip neuronske mreže iskorišten je za proračunavanje tehnoloških parametara obrade rezanjem (Slika 12). U razmatranom slučaju radi se o algoritmu obučavanja sa nadgledanjem.. Zadatak je da se minimizuje prosečna suma ovih greški.t1}. 22 . Slika 12 – Konfiguracija BP neuronske mreže koja proračunava tehnološke parametre obrade Provjera je izvršena sa pet slučajno odabranih uređenih parova i dobijeni rezultati su prikazani u Tabeli 1. izlaz iz mreže upoređuje se sa željenom (ciljnom) vrednošću.. Greška se računa kao razlika između izlaza iz mreže i željenih (ciljnih) vrednosti. odnosno tvrdoća i dubina rezanja a t n odgovarajuće željene vrednosti koraka i brzine rezanja.

identifikaciju. Danas neuronske mreže mogu biti obučene da riješe probleme koji su teški za obične kompjutere ili ljudska bića. za podatke sa kojima se do tada nije susrela. uključujući prepoznavanje šema. Nakon obučavanja mreže.Tabela 1 –Rezultati probnog rada mreže 6. U periodu obučavanja neuronskoj mreži se kontinualno prezentuju skupovi ulaznih podataka (u našem primjeru ulazne veličine su tvrdoća obratka i dubina rezanja) i njima odgovarajućih željenih izlaznih veličina (u ovom slučaju korak i brzina rezanja). ona je spremna za korišćenje i u stanju je da. 23 . Zaključak Neuronske mreže su bile obučene da izvode složene funkcije na raznim poljima aplikacija. Dakle. Kroz set alata usaglašena je paradigma neuronske mreža koja se pravi ili koristi za inžinjering. dobro obučena neuronska mreža igra ulogu eksperta za određenu oblast (u ovom slučaju proračun tehnoloških parametara rezanja). Neuronske mreže veoma se uspešno koriste za rešavanje problema koje je otežano matematički definisati i modelirati. da veoma dobre preporuke traženih parametara. govor. ali druge mreže se mogu posmatrati i vježbom bez nadzora ili direktnim metodama dizajniranja. vid i kontrolu sistema. finansije ili druge praktične aplikacije. klasifikaciju. Često se koriste tehnike oblika sa nadzorom.

MIT Press. LOLA Institut. Literatura [1] Ljubiša S.7.. Neural Networks – algorithms. [4] www. Introduction to Neural networks. [2] Bullinaria. Beograd.ac.uk/~jxb/inn. Draganović.cs. "Projektovanje sistema automatskog upravljanja".bham.mathworks. and programming techniques. 1997. i Skapure D. 2003 [3] Friman J.com 24 .html. Dr. John A. applications. http://www.1991.

.... Mreže sa nadzorom................1........ Neural Network Toolbox.................................1.....................12 3.......................................14 25 .......6........................................5.................................................. Vještačka inteligencija.................................2...... 9 3...............................10 3. Uvod.................2................. Ekspertni sistemi............................................................................................................1........................................... 5 3................ Vještačka inteligencija i ekspertni sistemi............... 10 3..................................................................3................................... 7 3..... Pred i post-procesovanje funkcija i poboljšavanje generalizacije................3..........................2.....2.......................1.............. Simulink podrška......................2.. Glavne osobine............. Mreže bez nadzora............2 2............................................... Rad sa Neural Network.......5........ Kontrola sistema aplikacija......... Arhitektura mreže.................... 7 3............................................. Simulink podrška i kontrola sistema aplikacija.............................13 3.3.................................................................. Pred i post-procesiranje funkcija..... Funkcije vježbanja i učenja............................................1...................4..............Sadržaj 1................................... Poboljšavanje generalizacije....................... 11 3................................. 3 2................... 6 3........13 3..................5...... 2 2............11 3..........................................................6..................................................... 9 3.....6.............................

....................................................14 4. 19 ........................ 23 7.................................................................................................... Backpropagation Neuralne mreže................................................ Model...................................................... Literatura........................................................................................... “Backpropagation” (BP) Neuronska mreža za proračun tehnoloških parametara obrade.................................................................................................................. Zaključak.... 16 5.........1............ 20 5................................................ 24 26 .............. 20 6.......................1.............................................4........... Model vještačkog neurona.....................................................................

Sign up to vote on this title
UsefulNot useful