Professional Documents
Culture Documents
Ines Mati
Diplomski rad
Mostar, 2014.
Sveuilite u Mostaru
Fakultet prirodoslovno-matematikih i odgojnih znanosti
Studij Informatike
Diplomski rad
1.__________________________________
2.__________________________________
3.__________________________________
1._________________________________
2._________________________________
3._________________________________
2
ZAHVALA
Zahvaljujem se svojim roditeljima jer su mi omoguili da ispunim
svoj san i bili mi potpora tijekom cijelog mog studija, a najvie kad mi je
bilo najtee.
SADRAJ
SAETAK ....................................................................................................................... 6
UVOD ............................................................................................................................... 7
1.
2.
1.2.
1.3.
1.3.1.
1.3.2.
1.3.3.
1.3.4.
1.3.5.
Robotika .................................................................................................... 14
1.3.6.
1.3.7.
1.3.8.
2.2.
2.3.
2.4.
2.4.1.
2.4.2.
2.5.
2.6.
3.
4.
3.2.
3.3.
4.2.
Program ............................................................................................................ 38
4.3.
4.3.1.
4.3.2.
4.3.3.
4.3.4.
SAETAK
Korjeni umjetne inteligencije seu u daleku prolost, jo u antiko doba. Od
starih grih filozofa i njihovih osnovnih pitanja iz logike, umjetna inteligencija se s
vremenom razvija do dananjih raunalnih programa za ah, robotike, inteligentnih
agenata i ostalih podruja.
Izmeu njenih raznih metoda, posebno mjesto zauzimaju neuronske mree koje
su svoje mjesto nale u mnogim podrujima. Mnoga istraivanja pokazuju da neuronske
mree bolje rjeavaju probleme od tradicionalnih i statistikih metoda.
Od samog poetka neuronske mree su izuavane sa biolokog i tehnolokog
pristupa. Bioloki pristup istrauje neuronske mree kao pojednostavljene simulacije
ljudskog mozga, a drugi pristup tretira neuronske mree kao tehnoloke sustave za
sloenu obradu informacija.
Vrlo vana karakteristika neuronskih mrea jest njihovo uenje na osnovu prolih
primjera, s tim da postoje nadgledano i nenadgledano obuavanje. Kod nadgledanog
obuavanja algoritam koji nadzire obuavanje usporeuje podatke dobivene na izlazu sa
oekivanim podacima, dok se za samoorganizirano najee koristi Kohonenov
algoritam.
Podaci koji e se obraivati u neuronskoj mrei dijele se na podatke za uenje i
testiranje. Preporuka strunjaka je da se za treniranje uzmu 2/3 podataka, a za testiranje
1/3, iako zahvaljujui napretku tehologije postoje programi kod kojih se podaci ne dijele
nego se importiraju u jednom dokumentu, a program sam i obui i istrenira podatke,
tako da korisnik prati obuavanje i testiranje i podeava koeficijente ciklusa treniranja,
stopa uenja i dr. sve dok ne bude zadovoljan uinkom neuronske mree.
UVOD
Samim razvojem ljudske inteligencije kroz tisue godina dolazi i do razvoja umjetne
inteligencije i svakodnevnog pomicanja granica. U okviru umjetne inteligencije pojavio
se pojam neuronske mree koje su samim pojavljivanjem zainteresirale mnoge
eksperte koji su omoguili da u kratkom vremenu pronau svoje mjesto i ponu se
primjenjivati u raznim podrujima.
Svaki ekspert koji se upoznaje sa neuronskim mreama postavlja svoju definiciju
navedene metode, a neke od najpoznatijih definicija navode se u daljnjem radu. Sve
definicije, bez obzira na svoje razliitosti, svode se na isti zakljuak; da se svaka od
njih sastoji od vie jednostavnih procesora koji imaju lokalne memorije u kojima pamte
podatke sa obrade, te da su jedinice meusobno povezane vezama, a podaci koji se
razmjenjuju obino su numeriki.
U ovom radu, nakon obraivanja pojma i definicija umjetne inteligencije u prvom
dijelu i neuronskih mrea u drugom dijelu, navest e se i objasniti njihove vrste, podjela
s obzirom na izuavanje te prednosti i nedostaci.
U treem dijelu obraeno je obuavanje neuronske mree, a etvrti dio je detaljno
opisano dizajniranje neuronske mree.
1.1.
napraviti
raunare koji bi uspjeno radili stvari koje u ovom momentu rade bolje ljudi.
1.2.
10
11
1.3.
12
Luji, 1993.:
Ekspertni sustavi su inteligentni programi na raunalima koji koriste znanja i
postupke zakljuivanja, kako bi se rijeili teki zadatci, kad oni zahtijevaju
znatnu ljudsku strunost. Kao model znanja nunog za tu razinu moe se zamisliti
sveukupno struno znanje najboljih praktiara na nekom polju rada. [8].
1.3.5. Robotika
Raunalna igra se igra pomou raunala ili igraih pomagala prikljuenih na TV ili
raunalo. Postale su jedan od napopularnijih oblika zabave u svijetu. Svakodnevno se
mijenjaju, razvijaju i poboljavaju im se tehnike karakteristike, te postaju sve vaniji
14
15
2.1.
Kevin Gurney
"Neuronska mrea je meusobno povezana nakupina jednostavnih elemenata
obrade, jedinica ili vorova, iji se naini djelovanja otprilike temelji na neuronima kod
ivotinja. Sposobnost obrade mree je posljedica jaine veza meu tim jedinicama, a
postie se kroz proces adaptacije ili uenjem iz skupa primjera za uvjebavanje."
Rezultati mnogih istraivanja pokazuju da neuronske mree rjeavaju gotovo sve
probleme bolje od tradicionalnih i statistikih metoda. Odlino rjeavaju probleme
klasifikacije i predvianja, odnosno openito sve probleme kod kojih postoji odnos
izmeu prediktivnih (ulaznih) i zavisnih (izlaznih) varijabli, bez obzira na visoku
sloenost te veze (nelinearnost).
16
2.2.
17
1974 - razvijena vieslojna perceptron mrea - MLP (Paul Werbos), kao pretea
Backpropagation mree, koja prevladava nedostatak perceptrona uvoenjem
uenja u skrivenom sloju
18
2.3.
2.4.
tijelo elije
sinapse
Na sljedeoj slici (Slika 2.) prikazan je model biolokog neurona. Ulazni dio elije
(B) sastoji se od mnotva razgranatih niti koji se nazivaju dendriti. Tijelo elije (C)
obrauje siginale koje mu proslijede dendriti, nakon ega se dobiva izlazni impuls koji
se proslijeuje aksonu (A), koji je ujedno i izlazni dio elije. Mjesto dodira aksona
21
kao
22
Umjetni neuron (Slika 3.) dobio je naziv po svojim autorima McCulloch Pittsov
neuron. Nastaje tako to se tijelo biolokog neurona zamjenjuje se sumom, ulogu
dendrita preuzimaju ulazi (ulazne varijable) u sumu, izlaz (izlazna varijabla) sume je
akson umjetnog neurona, a uloga praga osjetljivosti biolokih neurona preslikava se iz
tzv. aktivacijske funkcije. Veza umjetnog neurona s okolinom ostvaruje se po modu
funkcijske sinaptike veze biolokog neurona. Teinski faktori mogu biti pozitivan ili
negativan broj, a imaju istu funkciju kao i sinapse kod biolokog neurona: povezuju
izlaze (izlazne varijable) iz okoline neurona tj. izlaze drugih neurona (aksone) s ulazima
23
sume (dendriti). Intenzitet te veze ovisi o iznosu (modulu), a vrsta veze o predznaku
teinskog faktora.
U sljedeoj tablici (Tablica 1.) predstavljena je konkretna usporedba bioloke i
umjetne neuronske mree:
Tablica 1.: Usporedba bioloke i umjetne neuronske mree
Bioloka mrea
Umjetna mrea
Dendriti
Tijelo elije
vor (sumator)
Akson
Sinapsa
Teinski koeficijenti
25
26
2.5.
odlina mo predvianja
bez obzira na sloenost veze odlino rjeavaju sve probleme kod kojih postoji
odnos izmeu ulaznih i izlaznih podataka
skupe su za proizvesti
2.6.
Postoji veliki broj razliitih realizacija neuronskih mrea, a samim tim postoji i mnogo
podjela. Neuronske mree moemo klasificirati prema:
1. Broju slojeva
Prema broju slojeva mree moemo podijeliti na jednoslojne i vieslojne. Danas se
uglavnom izuavaju i primjenjuju vieslojne koje pored ulaznih i izlaznih slojeva sadre
neurone na srednjim (skrivenim) slojevima.
28
29
31
Podaci za uenje i podaci za testiranje moraju biti stratificirani, znai moraju biti
izabrani sluajno i nezavino, te u oba skupa mora biti priblino jednak broj podataka.
to se tie same veliine skupa za uenje i testiranje nema nekog posebnog pravila,
osim to se preporua vei dio podataka ostavit za uenje modela (npr. 2/3 podataka
ostaviti za uenje, a 1/3 za testiranje).
Sam proces obuavanja neuronskih mrea zapoinje zadavanjem sluajnih
vrijednosti teinskih koeficijenata koji opisuju jakost sinapse i dovoenejm signala na
ulazni sloj. Signali su opisani numerikim iznosom i na ulazu u neuron se mnoe sa
teinskim koeficijentom. Dobiveni iznosi se sumiraju; ako je dobiveni iznos iznad
definiranog praga neuron daje izlazni signal. Mrea aktivira i usporeuje izlazni i zadani
(onaj koji treba da se dobije) izlazni oblik. Postupak se ponavlja na taj nain da se
auriraju teinski koeficijenti tako da se u svakom sljedeem ponavljanju dobije izlaz
koji je najblii zadanoj vrijednosti. U trenutku kada je mrea sposobna da daje izlaze sa
zadovoljavajuom tonosti obuavanje se prekida i mrea se moe upotrijebiti za
rjeavanje raznih problema.
Zbroj ulaznih vrijednosti neurona pomnoenih sa odgovarajuim teinskim
koeficijentima se proputa kroz aktivacijsku funkciju i ta vrijednost predsavlja izlaz iz
32
neurona. Iako neuroni imaju poprilino jednostavne (linearne) funkcije, kada se poveu
u vieslojnu mreu, u stanju su da obrade i vieslojne (nelinearne) funkcije.
nadgledano obuavanje
nenadgledano obuavanje
3.1.
Nadgledano obuavanje
Dok traje obuavanje mree, algoritam koji nadzire obuavanje usporeuje podatke
koji su dobiveni na izlazu sa oekivanim podacima, a razlika izmeu dobivenih i
oekivanih podataka alje se proceduri za uenje koja korigira teinske koeficijente.
Najpopularniji algoritmi za nadgledano obuavanje su back-propagation i
perceptron algoritam.
Ideja je da se izabere sluajan par ulaznih i izlaznih rezultata. Mrei se prosljeuje
ulazni skup signala, tako to se na svaki ulazni neuron dovodi po jedan signal. Zatim ovi
33
OLpi = 1 / (1 + e-UlazLpi)
Stupanj uenja se bira tako da bude izmeu 0 i 0.9. On odreuje veliinu koraka
kojom se neuronska mrea pribliava optimalnom stanju.
Ideja cijelog back-propagation algoritma je da se mrea kree niz krivu greke u
potrazi za globalnim minimumom funkcije. Izbor vrijednosti za stupanj uenja je veoma
kritian.
34
Ako se uzme prevelika vrijednost, vrlo lako se izbjegavaju lokalni minimumi, ali
sustav tada moe upasti u reim oscilacija tako to e skakati preko globalnog
minimuma, ali ga nikad nee otkriti. Sa druge strane, ako izaberemo suvie malu
vrijednost za stupanj uenja, mrea moe pogreno identificirati lokalni minimum i
ostati u stanju koje nije optimalno. Situacija je prikazana na Slika 11. [1]:
3.2.
35
36
3.3.
Backpropagation algoritam
37
4.1.
4.2.
Program
4.3.
38
troak uenika
troak studenata
reije
hrana
ukupni trokovi
39
40
41
42
43
44
45
46
47
S obzirom da program sam obuava i trenira mreu, ako korisnik nije zadovoljan
rezultatom, podeavanjem broja skrivenih slojeva, ciklusa treniranja, stopa uenja i
momenata uenja. Ovisno o razlici izmeu rezultata programa i eljenom rezultatu,
korisnik podeava navedene postavke sve dok ne dobije eljeni rezultat, odnosno
dok se mrea ne obui i istrenira.
48
Ako meu podacima postoje prazna polja, ubacuje se tablica koja ta polja
programu predstavlja kao polja sa vrijednostima jednakim nuli.
4.3.4.1.
Performance Vector
Text view
Annotations
49
50
4.3.4.2.
Example Set Role
Example Set Role se prikazuje kao:
Data View
Plot view
Advanced Charts
Annotations
52
Improved Neural Net je grafiki prikaz neuronske mree. Jasno se vidi ulazni sloj,
broj skrivenih slojeva i izlazni sloj, po kojem se vidi da su bila dvije izlazne varijable, te
veze meu neuronima, s tim da nijedna veza nije jednake jaine, to je takoer
prikazano na Slika 30.
53
Pogreka (error rate) se definira kao omjer broja neispravno klasificiranih primjera
prema ukupnom broju klasificiranih primjera.
4.3.5.1.
Matrica greaka
54
4.3.5.2.
55
ZAKLJUAK
Neuronska mrea obrauje podatke distribuiranim paralelnim radom svojih
ovorova. Pri tome je obradbena mo mree pohranjena u snazi veza izmeu pojedinih
neurona, odnosno teinama do kojih se dolazi postupkom prilagodbe, tj. uenjem iz
skupa podataka za obuavanje.
Neuronske mree odlino rjeavaju probleme klasifikacije i predvianja i sve
probleme kod kojih postoji odnos izmeu prediktivnih (ulaznih) i zavisnih (izlaznih)
varijabli, bez obzira na visoku sloenost sloenost te veze (nelinearnost).
Znanje o obradi podataka kod neuronskih mrea pohranjeno je u obliku razliitih
iznosa teinskih koeficijenata. Takvo implicitno znanje teko je interpretirati i predoiti
ovjeku u obliku pravila, kao npr. stabla odluivanja. Zbog toga se neuronske mree
uglavnom koriste kada nam je bitan samo rezultat klasificiranja ili predikcije, ali ne i
pravilo po kojem je ostavren rezultat.
56
LITERATURA
1) dr.sc. VIEKRUNA, Vojo: Inteligentni sustavi, Umjetna inteligencija2
(predavanja), kolegij Umjetna inteligencija, akademska godina 2009/2010.
2) MAKI, Kenan: Primjena neuronskih mrea u fizici i informatici, diplomski
rad, 05.04.2014., http://www.phy.hr/~planinic/diplomski/Kenan_Mackic.pdf
3) MATI, Ines: Neuronske mree, zavrni rad, 2012.
4) Wikipedija: Umjetna inteligencija, 05.04.2014.
<http://hr.wikipedia.org/wiki/Umjetna_inteligencija#Tipi.C4.8Dna_podru.C4.8
Dja_primjene>
5) Wikipedija: Deep Blue, 05.04.2014. <http://hr.wikipedia.org/wiki/Deep_Blue>
6) Wikipedija: Raunalna lingvistika, 06.04.2014.
<http://hr.wikipedia.org/wiki/Ra%C4%8Dunalna_lingvistika>
7) Wikipedija: Gari Kasparov, 06.04.2014.
<http://hr.wikipedia.org/wiki/Gari_Kasparov>
8) Wikipedija: Ekspertni sustavi, 06.04.2014.
<http://hr.wikipedia.org/wiki/Ekspertni_sustavi>
9) Wikipedija: Inteligentni agenti, 06.04.2014.
<http://hr.wikipedia.org/wiki/Inteligentni_agenti>
10) Wikipedija: Robotika, 06.04.2014. <http://hr.wikipedia.org/wiki/Robotika>
11) Wikipedija: Robotika, 07.04.2014.
<http://hr.wikipedia.org/wiki/Ra%C4%8Dunalni_vid>
12) Wikipedija: Optiko prepoznavanje znakova, 07.04.2014.
<http://hr.wikipedia.org/wiki/Opti%C4%8Dko_prepoznavanje_znakova>
13) <https://www.google.ba/search?q=slika+mozga&espv=2&source=lnms&tbm=is
ch&sa=X&ei=boSyU5qyKoKp0QW_sYGIAg&ved=0CAYQ_AUoAQ&biw=1
252&bih=579> 07.04.2014.
14) <https://www.google.ba/search?q=biolo%C5%A1ki+neuron&espv=2&source=l
nms&tbm=isch&sa=X&ei=MYWyU5boM7Cz0QXJ5ICwAg&ved=0CAYQ_A
UoAQ&biw=1252&bih=579> 07.04.2014.
57