Professional Documents
Culture Documents
Seminarski Rad
Seminarski Rad
Barbara Brzić
Neuronske mreže: Kohonenove mape
Sadržaj
1 Uvod 3
1.1 Neuronske mreže . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Unsupervised learning . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Samoorganizujuće mape . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Struktura i rad 4
2.1 Treniranje i mapiranje . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Algoritam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3 Primjena 6
3.1 Primjer 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Barbara Brzić 2
Neuronske mreže: Kohonenove mape
1 Uvod
1.1 Neuronske mreže
Vještačke neuronske mreže (engl. Artifical neural networks, skrećeno ANN) su
računarski sistemi koji su inspirisani ali ne i identični organskim neuronskim mrežama
koje grade nervni sistem živih bića. Cilj ovakvih sistema je "učenje". Konkretnije,
naučiti da rješavaju zadatke samo iz datih primjera, za koje nisu prethodno programirani.
Na primjer, prepoznavanje slika (računarski vid); sistem može da nauči da identifikuje
slike na kojima su u prvom planu nalazi mačka tako što analizira primjere slika koje su
označene sa "mačka"i "nema mačke". Od sistema se traži da i na ostalim, neoznačenim
slikama identifikuje ono što se od njega traži (u ovom primjeru mačke). Ovaj proces
se izvodi bez ikakvog prethodnog upoznavanja sistema sa objektom, u našem primjeru,
da mačke imaju krzno, rep, četiri noge i specifičan oblik lica. Umjesto toga, sistem
automatski generiše karakteristike za identifikaciju iz primjera koje je procesovao.
ANN je baziran na kolekciji povezanih jedinica ili čvorova zvanih vještački neuroni
(pojednostavljena verzija bioloških neurona u životinjskom nervnom sistemu). Svaka
veza (pojednostavljena verzija sinapse ) izmed̄u vještačkih neurona može da transmituje
signal od jednog do drugog.
Barbara Brzić 3
Neuronske mreže: Kohonenove mape
2 Struktura i rad
2.1 Treniranje i mapiranje
Samoorganizujuće mape rade u dvije faze: učenje (treniranje) i mapiranje (presli-
kavanje).
Učenje izgrad̄uje mapu pomoću ulaznih uzoraka . Jedinice vještačkih neurona se tak-
miče med̄usobno u kompetitivnom procesu za dozvolu da se reprezentuju za odred̄en
skup ulaznih podataka . Svaka od njih ima svoj vektor težine koji treba da se poklopi
sa vektorom ulaznih podataka. Jedan od njih se uzme kao uzorak i onda se pretražuje
mapa vektora težine dok se ne nad̄e onaj koji najbolje reprezentuje uzorku. Mapira-
nje vrši klasifikaciju ulaznog vektora. Svaki od vektora ima one koji su mu susjedni
i oni zajedno čine SOM rešetku koja je krajnji najbliži rezultat vrijednostima ulaznog
podatka u uzorku. Na taj način se sama mapa širi uz sve više opadajući uticaj uzorka
na najreprezentativniji vektor (koji se smanjuje sa vremenom i udaljenošću) i formira
različite oblike u dvodimenzionalnom prostoru.
Slika 1: Ilustracija osnovnih odluka tokom procesa rasta; može da nastavi proces u
postojećem smjeru ili da probije novi.
Barbara Brzić 4
Neuronske mreže: Kohonenove mape
2.2 Algoritam
Barbara Brzić 5
Neuronske mreže: Kohonenove mape
3 Primjena
3.1 Primjer 1
Ulazni podatak je tabela koja sadrži imena svih članova Kongresa i njihovih sigurnih
glasova (da/ne/suzdržan/a). Algoritam Kohonenove mape je pored̄ao članove u dvodi-
menzionalnu rešetku pored̄avši slične članove blizu jedne drugima. Prvi nacrt prikazuje
grupacije kada su podaci grubo pored̄ani u dvije grupe. Drugi nacrt prikazuje srednju
vrijednost udaljenosti od susjeda (veće udaljenosti su tamnije). Treći nacrt predvid̄a pri-
padnost članova Republikansoj (crvena) ili Demokratskoj (plava) partiji. Ostali nacrti
predstavljaju predvid̄anje glasova u odnosu na dimenziju ulaza: crvena je pretpostavka
za ’da’ a plava za ’ne’ na glasanju.
Barbara Brzić 6
Index
Kohonenove mape, 3
mapa, 3
Neuroni, 3
Vještački neuroni, 3
Neuronske mreže, 3
Vještačke neuronske mreže, 3
Rad SOM-a, 4
mapiranje, 4
klasifikacija, 4
učenje, 4
Računarski sistem, 3
Sinapsa, 3
Veza, 3
Susjedstvo, 3
Ulazni podaci, 4
Uzorak, 4
Vektor težine, 4
Učenje, 3
Error-correction učenje, 3
Kompetitivno učenje, 3
Nenadgledano učenje, 3
Samoorganizacija, 3
7
Neuronske mreže: Kohonenove mape
Tabele
Barbara Brzić 8
Neuronske mreže: Kohonenove mape
Slike
1 Ilustracija osnovnih odluka tokom procesa rasta; može da nastavi pro-
ces u postojećem smjeru ili da probije novi. . . . . . . . . . . . . . . . 4
2 Uticaj vremena pri kalkulaciji susjednih vektora . . . . . . . . . . . . . 4
3 Kohonenova mapa koja pokazuje šablone glasanja Kongresa SAD-a . . 6
Barbara Brzić 9
Neuronske mreže: Kohonenove mape
Literatura
[1] Wikipedia, Artificial neural networks (Novembar 2019.)
Barbara Brzić 10