Professional Documents
Culture Documents
ELEKTROTEHNIČKI FAKULTET
NEURALNE MREŽE
— seminarski rad —
Profesor: Student:
Prof. dr Krstajić Božo Rolevski Maja 19/17
Saradnik:
Jokić Ivan
___________________________________________________________________
SADRŽAJ
1. UVOD...................................................................................................................................................... ......3
2. DEFINICIJA NEURALNE MREŽE................................................................................................................. 4
3. PRIMJENA NEURALNIH MREŽA U MODELOVANJU I SIMULACIJI.......................................................6
4. MODELOVANJE RADA SINHRONOG GENERATORA POMOĆU NEURALNE MREŽE.........................8
4.1 Rezultati simulacije................................................................................................................................... 9
5. LITERATURA............................................................................................................................................... 12
2
Neuralne mreže
___________________________________________________________________
1. UVOD
Oblast koju danas poznajemo pod pojmom neuralne mreže nastala je kao rezultat spoja nekoliko veoma
različitih pravaca istraživanja: obrade signala, neurobiologije i fizike. S jedne strane, to je
pokušaj da se razumije rad ljudskog mozga, a sa druge da se to stečeno znanje primijeni u
obradi složenih informacija.
3
Neuralne mreže
___________________________________________________________________
Funkcionalnost biološkog neurona predstavlja model vještačkog neurona, koji koristi slijedeću
analogiju: signali su opisani numeričkom vrijednošću i na ulazu u neuron množe se težinskim
faktorom koji opisuje snagu sinapse; signali pomnoženi težinskim faktorima zatim se sumiraju
analogno sumiranju potencijala u tijelu neurona; ako je dobijeni iznos iznad definisanog praga,
neuron šalje izlazni signal.
4
Neuralne mreže
___________________________________________________________________
U opštem slučaju, vještački neuron umjesto funkcije praga može imati i neku drugu funkciju,
tzv. prenosnu funkciju (transfer funkcija, aktivaciona funkcija). Opšti model vještačkog neurona
dat je na slici 2:
Neuralna mreža se može difinisati kao skup međusobno povezanih jedinstvenih procesnih
elemenata, jedinica ili čvorova, čija se funkcionalnost temelji na biološkom neuronu. Svaki od
neurona ima lokalnu memoriju u kojoj pamti podatke koje obrađuje. Pri tome, sposobnost date
mreže da uspješno obradi zadate podatke zavisi od snage veza između pojedinih neurona, tj.
težina. Do željenih težina dolazi se procesom učenja mreže iz skupa podataka za učenje.
Najvažnija svojstva neuralnih mreža su:
Učenje preko primjera i sposobnost za kasniju generalizaciju, čime stiču i mogućnost
obrade nepreciznih podataka.
Paralelna obrada informacija – informacije neuralne mreže su podijeljene na više
jedinica
Visok stepen tolerancije na greške u podacima – neuralna mreža može uspješno
analizirati i nejasne i nepotpune podatke
Jednostavna primjena u modelovanju i upravljanju složenim, viševarijabilnim procesima
Mogućnost aproksimiranja proizvoljne nelinearne kontinualne funkcije do željene
tačnosti
Međutim, i pored svih navedenih prednosti neuralnih mreža, može se reći da analogija sa
pravim biološkim uzorom ima dosta negativnih strana. Uz mnoga uvedena pojednostavljenja,
postoji još dosta fenomena nervnog sistema koji nisu modelovani vještačkim neuralnim
5
Neuralne mreže
mrežama, kao što postoje i karakteristike vještačkih neuralnih mreža koje se ne slažu sa
biološkim.
___________________________________________________________________
Od otkrića neuralnih mreža, postalo je moguće rješavanje niza problema koji prije toga nisu bili
rješivi klasičnim sredstvima računarske tehnike. Primjena neuralnih mreža u modelovanju i
simulacijama je veoma široka:
1. Rukovođenje podacima
Predviđanje: Prošlost se uzima kao ulaz, a na osnovu toga se može predvidjeti buduće
kretanje tih podataka.
Klasifikacija podataka: Klasifikuju se podaci u različite prethodno definisane klase na
osnovu inputa. Na primjer, ako su dati boja, oblik i dimenzije različitih plodova, onda ih
pomoću neuralnih mreža možemo klasifikovati kao limun (klasa 1), narandža (klasa 2),
banana (klasa 3).
Modeovanje odziva: Obučavanjem neke neuralne mreže se može dobiti odziv sistema.
2. Primjena u industriji
Proces kontrole: Neuralne mreže su pogodne za složene i loše definisane dinamičke
procese kontrole. Gotovo je nemoguće koristiti matematičke jednačine za modelovanje
ovih procesa. Za takve sisteme, konvencionalni sistem linearnog upravljanja nije
primjenljiv.
Kontrola kvaliteta: Neuralne mreže se mogu koristiti i za svakodnevne poslove sa
izvjesnom nesigurnošću, kao što su predviđanje kvaliteta proizvoda i drugih sirovina,
uočavanje nedostataka proizvoda, ispitivanje guma, ispitivanje opterećenja itd.
Procjena parametara: Neuralne mreže pomažu u procjeni parametara sistema za
kontrolu. Korisno ih je primijeniti kod složenih i loše definisanih sistema, gdje
matematičko modelovanje nije moguće.
3. Primjena u ekonomiji
6
Neuralne mreže
4. Primjena u medicini
5. Primjena u HR menadžmentu
Kontrola i optimizacija inventara: Prognoza optimalnog nivoa zaliha koji može zadovoljiti
potrebe kupaca i smanjiti otpad. Predviđa se potražnja zasnovana na aktivnostima
prethodnih kupaca, sezoni, zalihama, budžetima.
Donošenje odluka u konfliktnoj situaciji: Bira se najbolja opcija odlučivanja koristeći
sposobnosti klasifikacije neuralne mreže.
7. Primjena u energetici
8. Primjena u nauci
U oblasti nauke, neuralne mreže se mogu koristiti na brojnim problemima kao što su:
modeliranje fizičkog sistema, prepoznavanje slika, identifikacija i optimizacija, procjena
ekosistema, klasifikacija, obrada signala, itd.
7
Neuralne mreže
___________________________________________________________________
Na ulaz sinhronog generatora je doveden mehanički moment, kao i određeni šumovi (testerasti
signal), a izlazni signal je elektromagnetni moment. Na slici 3 je prikazan izgled ovih signala za
realan sistem:
Ulaz
6 Izlaz
Ulazni signal, Izlazni signal
-2
-4
0 500 1000 1500 2000 2500 3000 3500 4000
Vrijeme
Uz upotrebu softverskog paketa Matlab, vrši se kreiranje neuralne mreže koja treba da, na što
bolji način, modeluje ovaj sistem. Postavljaju se dva skrivena neuralna sloja (aktivacione
funkcije- tansig i purelin) i tri skrivena neuralna sloja (aktivacione funkcije- tansig, tansig i
purelin). Podešava se broj neurona u prvom i drugom skrivenom neuralnom sloju, kao i broj
iteracija koji je potreban da se postigne zadata minimalna vrijednost greške. Na osnovu
8
Neuralne mreže
grafičkog prikaza simulacije i srednje kvadratne greške, nalaze se uslovi pri kojima neuralna
mreža daje najbolje rezultate.
9
_________________________________________________________________________
4. 1. Rezultati simulacije
4 4
Izlazni signal
Izlazni signal
2 2
0 0
-2 -2
-4 -4
-6 -6
0 500 1000 1500 2000 2500 0 500 1000 1500 2000 2500
Vrijeme Vrijeme
a) b)
Slika 4. Odziv sinhronog generatora: a) Broj iteracija= 500, mse=0.540, b) Broj iteracija= 5000, mse=0.502
_________________________________________________________________________
Odziv sinhronog generatora Odziv sinhronog generatora
8 8
Odziv realnog sistema
Odziv obucene neuralne mreže Odziv realnog sistema
6 6 Odziv obucene neuralne mreže
4 4
Izlazni signal
Izlazni signal
2 2
0 0
-2 -2
-4 -4
-6 -6
0 500 1000 1500 2000 2500 0 500 1000 1500 2000 2500
Vrijeme Vrijeme
a) b)
Slika 5. Odziv sinhronog generatora: a) Broj iteracija= 1000, mse=0.0408, b) Broj iteracija= 500,
mse=0.0423
Broj neurona u prvom skrivenom sloju je 100, u drugom skrivenom sloju je 25, a broj iteracija se
mijenja.
Na slici 6 su prikazani odzivi obučene neuralne mreže za 100 (slika 6a) i 50 (slika6b) iteracija, kao i
odziv realnog sistema. Poces ustaljenog stanja je bolje modelovan nego u prethodna dva slučaja,
ali se u prelaznom procesu pojavljuju odstupanja, te se dobija veća vrijednost srednje kvadratne
greške.
11
Neuralne mreže
_________________________________________________________________________
4 4
Izlazni signal
Izlazni signal
2 2
0 0
-2 -2
-4 -4
-6 -6
0 500 1000 1500 2000 2500 0 500 1000 1500 2000 2500
Vrijeme Vrijeme
a) b)
Slika 6. Odziv sinhronog generatora: a) Broj iteracija= 100, mse=0.0488, b) Broj iteracija= 50, mse=0.600
Na osnovu dobijenih rezultata se može zaključiti da neuralne mreže koje se sastoje od dva skrivena
neuralna sloja daju manju srednju kvadratnu grešku. One bolje simuliraju prelazni proces datog sistema,
ali postoje velika odstupanja u ustaljenom stanju. S druge strane, neuralne mreže sa tri skrivena
neuralna sloja bolje simuliraju ustaljeno stanje u odnosu na prelazni proces.
Povećavanjem broja neurona u neuralnim mrežama sa tri skrivena sloja bi se, ipak, dobio bolji rezultat u
odnosu na neuralne mreže sa dva skrivena sloja. Međutim, usljed problema sa softverskim paketom
Matlab, ta simulacija nije uspješno odrađena.
12
___________________________________________________________________
5. LITERATURA
[1] https://sr.wikipedia.org/sr-ec/
%D0%92%D1%98%D0%B5%D1%88%D1%82%D0%B0%D1%87%D0%BA%D0%B0_
%D0%B8%D0%BD%D1%82%D0%B5%D0%BB%D0%B8%D0%B3%D0%B5%D0%BD
%D1%86%D0%B8%D1%98%D0%B0
[2] B. Dalbelo Bašić, M. Čupić, J. Šnajder, „Umjetne neuronske mreže”, Fakultet
elektrotehnike i računarstva, Zagreb, maj 2008.
[3] S. Dumančić, „Neuronske mreže“, Diplomski rad, Sveučilište Josipa Jurja Strossmayera,
Osijek 2014
[4] https://pubsonline.informs.org/doi/abs/10.1287/inte.28.5.100
[5] D. K. Chatuverdi, „Modeling and Simulation of Systems Using MATLAB and Simulink“,
2009.