EKSPERTNI SISTEMI

VJETAKA INTELIGENCIJA

Prof. dr Branko Latinovi

VJETAKA INTELIGENCIJA

POJAM VJETAKE INTELIGENCIJE

Vijekovima filozofe zaokuplja pitanje: moe li maina da misli? Smatra se da je Sokrat,

oko 450. godine p.n.e. prvi predskazao vjetaku inteligenciju kroz pitanje "kako da
znam ta je odlika pobonosti koja svako djelovanje ini pobonim".

Najuporniji zastupnik vjetake inteligencije Marvin Minski, iz Masausetskog instituta

za tehnologiju (MIT), Sokratovo miljenje prilagoava savremenom poimanju,
naglaavajui da atinski mudrac trai "niz pravila koja nam govore iz asa u as
kako da se ponaamo".

2
VJETAKA INTELIGENCIJA

POJAM VJETAKE INTELIGENCIJE

Sam termin vjetaka inteligencija (VI) ili artificijelna inteligencija (AI) potie od Dona
Mekartija i smatra se da je prvi put upotrebljen u ljeto 1956. godine na sastanku
tadanjih vodeih naunika iz oblasti raunarskih nauka. Sasatanak je odran na
Dartmaut Koledu, u Hanoveru, Novi Hemir.

Sam izraz je uveden da bi se to vie naglasile i to lake objasnile, mogunosti

buduih raunara i raunarskih programa. U oblasti koja se naziva vjetaka
inteligencija koriste se mnoga znanja nastala razvojem raznih drugih mnogo starijih
disciplina.

3
VJETAKA INTELIGENCIJA

POJAM VJETAKE INTELIGENCIJE

Vjetaku inteligenciju moemo definisati kao naunu disciplinu pomou koje se elektronski
raunari programiraju za sloene zadatke sline zadacima koji se postavljaju pred ovjeka, ali
ne i na nain kako bi ih rjeavao ovjek.
Vjetaka inteligencija je nauna oblast u kojoj se izuavaju izraunavanja da bi se
izraunavanjem omoguila percepcija, rezonovanje i injenje.
Vjetaka inteligencija je nauna oblast u kojoj se istrauje kako da se naprave raunari koji bi
uspjeno radili stvari koje u ovom momentu rade bolje ljudi.
Vjetaka inteligencija predstavlja mjeavinu konvencionalne nauke, fiziologije i psihologije, sve u
cilju da se napravi maina koja bi se, po ljudskim mjerilima, mogla smatrati "inteligentnom".

4
VJETAKA INTELIGENCIJA

POJAM VJETAKE INTELIGENCIJE

Dva glavna pravca razvoja vjetake inteligencije su:

1. Prouavanje prirodne inteligencije (spoznavanje funkcija mozga, modeliranje
rada mozga, simuliranje ovjekovog ponaanja, reagovanja i rezonovanja).
2. Postizanje inteligentnog ponaanja primjenom drugaijih pristupa, kakvi se ne
mogu sresti u prirodnim sistemima.

5
VJETAKA INTELIGENCIJA

POJAM VJETAKE INTELIGENCIJE

6
VJETAKA INTELIGENCIJA

POJAM VJETAKE INTELIGENCIJE

Vjetaku inteligenciju prema pristupu rjeavanja problema moemo klasifikovati na tri

glavna pristupa:
1. neuronske mree,
2. modeliranje evolucije i
3. heuristiko programiranje.

7
VJETAKA INTELIGENCIJA

POJAM VJETAKE INTELIGENCIJE

Klasifikacija vjetake inteligencije prema vrsti rjeavanja problema:

Sistemi za rjeavanje ovjekovih uobiajenih zadataka:
o prepoznavanje slika i govora,
o razumjevanje, generisanje i prevoenje prirodnih jezika,
o snalaenje u svakodnevnim situacijama i
o primjena u robotici.
Sistemi za rjeavanje formalnih zadataka:
o logike igre,
o matematika logika, geometrija, integralni raun i
o osobine programa.
Sistemi za rjeavanje ekspertnih zadataka:
o konstruisanje, nalaenje greaka,
o planiranje proizvodnje,
o naune analize i dijagnostika (biologija, medicina, hemija, pravo),
o finansijska analiza i
o programi za razvoj ovakvih sistema.

8
VJETAKA INTELIGENCIJA

POJAM VJETAKE INTELIGENCIJE

Tehnike koje pripadaju vjetakoj inteligenciji morale bi da koriste znanja koja su

organizovana tako da omoguavaju:
generalizaciju,
predstavljanje i preslikavanje u formi razumljivoj ljudima,
lako modifikovanje,
da se koriste informacije koje nisu kompletne i
da pomau u smanjenju broja mogunosti koje bi inae morale biti razmatrane
(heuristike).

9
VJETAKA INTELIGENCIJA

POJAM VJETAKE INTELIGENCIJE

Prepoznavanje oblika je kljuno za snalaenje u svakodnevnim situacijama, kako za ive

tako i vjetake sisteme. Pri rjeavanju problema vezanih za prepoznavanje oblika
nastaju velike tekoe jer analogne signale koje primaju senzori / receptori sadre veliki
broj informacija, od kojih dobar dio sadri um, pa ti signali esto nisu dovoljno jasni.
Inteligentno ponaanje maine moe se zasnivati na nekim njenim odreenim prednostima
u odnosu na ovjekov um, ali i na njenim odreenim nedostacima. Prednosti kompjutera
su u njegovim mogunostima da obavi veliki broj jednostavnih aritmetikih i logikih
operacija u vremenu koje je za ljudske pojmove nezamislivo kratko. Elektronski raunar
takoe moe potpuno precizno memorisati ogroman broj podataka uz relativno brzu
mogunost njihovog pronalaenja u svojoj memoriji.

10
VJETAKA INTELIGENCIJA

POJAM VJETAKE INTELIGENCIJE

Ljudski mozak pred raunarom ini se ipak ima nedostine prednosti. One se ogledaju u
sposobnosti obavljanja vrlo kreativnih i selektivnih pretraivanja podataka, uz
korienje sloenih i ne potpuno determinisanih kriterijuma. Karakteristika ljudskog
rasuivanja je kreativnost, sposobnost asocijacije, uoptavanje i mogunost
prevladavanja informacione podloge odluivanja putem originalnosti i novih ideja.
Karakteristika ovjeka je posjedovanje male i kratkotrajne memorije. S druge strane ljudski
mozak ima ima veliku dugotrajnu memoriju koja je organizovana ne na principu adresa
(kao kod raunara) nego na osnovu asocijacija. Kod kompjutera sposobnost asocijacije
je ograniena i zasniva se na krutim pravilima koja se prevode u egzaktne algoritme.

11
VJETAKA INTELIGENCIJA

POJAM VJETAKE INTELIGENCIJE

Oksfordski filozof Lukas iznosi optu primjedbu u vezi sa stanjem vjetakog odnosno
mehanikog uma, a to je da mi pokuavamo da proizvedemo model uma koji je mehaniki,
koji je u sutini mrtav, dok um budui da je iv, uvijek moe da ode dalje od bilo kog
formalnog, okotalog, mrtvog sistema.
Drajfus u svojoj kritici vjetake inteligencije odbija mogunost da se nauno objasni inteligentno
ponaanje. To znai da se ljudski kontekst uopte ne moe formalizovati, bar ne na
sadanjem nivou kompjuterske tehnologije. Definitivno, za njega dananji stepen razvoja
raunarskih maina je limitiran u mogucnostima sfere vjetake inteligencije. Drugim rijecima,
svaki pokuaj da se njihovim programiranjem ostvari inteligentno ponaanje jednak je utopiji
alhemiara da od olova napravi zlato.

12
VJETAKA INTELIGENCIJA

POJAM VJETAKE INTELIGENCIJE

Drajfus vidi perspektivu inteligentnih maina i simulacije ljudskog uma. Ali ostvarenje te
ideje po njemu zahtijeva kopernikanski obrt odnosno revoluciju o nauci o razumu,
suprotnu onoj koja je u 17. vijeku izmjenila itavu nauku prelaskom sa kvalitativne
logike osobina na kvantitativnu matematiku mjerljivih veliina.
Uopte, pitanja koja je pokrenuo Drajfus su vrlo ozbiljna, suvie nauna da bi se
prepustila filozofima, a suvie filozofska da bi se prepustila naunicima. Ona
predstavljaju presjek nauke i filozofije i problema ovjeanstva.

13
VJETAKA INTELIGENCIJA

RAZVOJ VJETAKE INTELIGENCIJE

Krajem 50-tih, sve do sredine 60-tih godina prologa vijeka, problematika vjetake inteligencije bila
je dosta rasplinuta izmeu fantastike, mate, potencijalnih mogunosti i praktinih ostvarenja.
Zanemarivanje razlike izmeu potencijalne ostvarljivosti i obima praktinih problema, koji se
nalaze na putu do ostvarivanja ideje, je jedan od estih uzroka nerazumjevanja mogunosti
vjetake inteligencije. Ostvarivanjem praktinih rezultata koji su nali primjenu u privredi,
vjetaka inteligencija postaje interesantna za veliki broj naunika razliitih oblasti.
Danas postoje realizovani sistemi koji su u stanju da autonomno obavljaju kompleksne probleme,
kakve su jedino ljudi bili u stanju da obavljaju. Nije rijedak sluaj da takvi sistemi obavljaju te
zadatke i daleko uspjenije od ljudi. U sprezi sa raunarima, maine postaju sposobne da rade
samostalno, da upravljaju same sobom i da proizvode druge maine, oslobaajui oveka
fizikog i monotonog rada, preputajui mu rad na sloenijim i kreativnijim poslovima.

14
VJETAKA INTELIGENCIJA

RAZVOJ VJETAKE INTELIGENCIJE

U dvadesetom vijeku jedan od prvih radova vezanih za mainsku (vjetaku) inteligenciju, prije svega u odnosu na
dananje digitalne raunare, je rad Alana Tjuringa "Raunarske maine i inteligencija". Tjuringov test za
"mjerenje inteligencije" maina predstavlja jedini do sada priznati standard u ovom domenu.
Alan Turing je razmatrao pitanje "Mogu li maine da misle?" i izrazio ubjeenje da je ono previe nejasno. Kao
zamjenu predloio je test koji bi, ako ga neki raunar savlada, sluio kao potvrda mainske inteligencije. U
originalnoj verziji Tjuringov test, poznat i pod nazivom imitaciona igra, ukljuuje ispitivaa koji je ljudsko bie,
kao i dva ispitanika, od kojih je jedan ena, a drugi raunar. Ispitiva se nalazi u odvojenoj sobi i sa
ispitanicima komunicira posredno, preko terminala.
Zadatak ispitivaa je da utvrdi ko je od ispitanika raunar, a ko ena. Raunar nastoji da ga sa svojim odgovorima
zavara, dok ena nastoji da ispitivau pomogne. Recimo, raunar bi na zahtjev da sabere dva broja mogao
saekati odreeno vrijeme, pa zatim odgovoriti pogreno pokuavajui tako da prevari ispitivaa.

15
VJETAKA INTELIGENCIJA

RAZVOJ VJETAKE INTELIGENCIJE

Mogua pitanja na testu su:

- Are you a computer ?
- What is 2276448*7896 ?
- Describe your parents ?

TJURINGOV TEST

16
VJETAKA INTELIGENCIJA

RAZVOJ VJETAKE INTELIGENCIJE

U mnogim sluajevima ogranienih verzija testa koje se odnose na specifine oblasti

znanja, raunari pobjeivali svoje ljudske protivnike. Tako su raunari koji su
izvravali programe kao to je ekspertni system za medicinu MYCIN, pokazali bolje
rezultate od prosjenih ljekara. Raunar nazvan Dip Blu, razvijen u IBM-u
specijalno za igranje aha, pobijeio je Garija Kasparova, jednog od najboljih ahista
svih vremena.

17
VJETAKA INTELIGENCIJA

RAZVOJ VJETAKE INTELIGENCIJE

U poetku sedamdesetih godina utvreno je da se ambiciozni ciljevi i nisu ba ostvarili, pa su se zato

istraivanja nastavila u realnijim ciljevima radei na novim metodama i boljim alatima. Meu rezultatima
tog preporoda treba spomenuti sljedee sisteme:
DENDRAL ekspertni sistem za utvrivanje hemijskih strukturnih formula na osnovu spektralnih osobina
hemijskih jedinjenja,
PLANNER znaajan korak ka razvoju visokonivoovskih jezika vjetake inteligencije; jezik u vie pogleda
slian Prologu,
SHRDLU sistem za razumijevanje prirodnog jezika,
MYCIN ekspertni sistem za pomo ljekarima kod dijagnosticiranja infektivnih oboljenja i kod izbora
terapije i
ARCHES program za automatsko uenje.

18
VJETAKA INTELIGENCIJA

RAZVOJ VJETAKE INTELIGENCIJE

Do znaajnog i brzog preokreta dolo je u godinama 1980-1982. Sa razvojem

mikroraunara i novih alata, kojima je omoguena brza izrada novih programa,
dolo je do velikog zamaha programa vjetake inteligencije. Istovremeno
promijenio se i odnos razvijenih industrijskih i poslovnih sredina prema vjetakoj
inteligenciji. Naime, vjetaka inteligencija je dola u centar panje zbog dva
razloga: prvi je projekat nove generacije raunara kojom je Japan elio dostii
primat na svjetskom tritu raunara i koji je zasnovan na svestranoj upotrebi
tehnika vjetake inteligencije; drugi razlog lei u uspjehu njenih aplikacija, u prvom
redu ekspertnih sistema.

19
VJETAKA INTELIGENCIJA

RAZVOJ VJETAKE INTELIGENCIJE

Pregled znaajnih dogaaja

u istoriji vjetake inteligencije

20
VJETAKA INTELIGENCIJA

RAZVOJ VJETAKE INTELIGENCIJE

Osnovni dio programske opreme raunarskog sistema nove generacije sastoji se od sistema za rjeavanje
problema i zakljuivanje (problem-solving and inference system), sistema za upravljanje bazom znanja
(knowledge base management system) i inteligentnog interfejsa (intelligent interface system). Funkcije tih
sistema se veoma razlikuju od klasinih, koje se baziraju na aritmetikim operacijama, funkciji memorije i
klasinim ulazno-izlaznim jedinicama. Za njihovu realizaciju je dakle potreban novi instrumentarijum, a to su
upravo tehnike, metode i arhitekture, koje je razvila vjetaka inteligencija:
algoritmi za pretraivanje grafova,

formalizmi za predstavljanje znanja,

mehanizmi zakljuivanja,

tehnike objanjavanja i

arhitektura sistema voenih uzorcima.

21
VJETAKA INTELIGENCIJA

RAZVOJ VJETAKE INTELIGENCIJE

U osnovna podruja primjene vjetake inteligencije prema CR klasifikacijskom sistemu spadaju:

heuristiko rjeavanje problema,

predstavljanje znanja i mehanizmi zakljuivanja,

ekspertni sistemi,

procesiranje prirodnog jezika,

automatsko uenje i sinteza znanja,

inteligentni roboti,

raunarski vid,

programski jezici za vjetaku inteligenciju,

automatsko programiranje i

automatsko dokazivanje teorema.

22
VJETAKA INTELIGENCIJA

RAZVOJ VJETAKE INTELIGENCIJE

Postoje tri aspekta kreiranja vjetake inteligencije:

stvaranje vjetakih neuralnih mrea,

modeliranje evolucije i

heuristiko programiranje.

23
VJETAKA INTELIGENCIJA

RAZVOJ VJETAKE INTELIGENCIJE

Stvaranje vjetakih neuralnih mrea inspirisano je hipotezom da prirodna inteligencija nastaje na bazi
prirodnih neuronskih mrea. Prirodna neuronska mrea ima oko 1010 nervnih elija (neurona) i
neurofiziolozi jo do kraja ne razumiju njeno funkcionisanje. Vjetaka neuralna mrea sadri veliki
broj meusobno povezanih neurona i kreira se na raunaru.
Evolucioni aspekt pretpostavlja da je prirodna inteligencija evoluirala u procesu koji ukljuuje prirodnu
selekciju i mutacije. Ovdje se na raunaru kreira sistem koji na vjetaki nain evoluira u smislu
selekcije i mutacije. Osnovni cilj je da vjetaka inteligencija bude bra od prirodne inteligencije.
Heuristiko programiranje podrazumijeva izradu kompjuterskih programa koji se inteligentno ponaaju.
To znai sintezu tri elementa: teorije, implementacije programa i eksperimenta sa gotovim
programom. Heuristika je vjetina i nauka o metodama u pronalaenju novih, naroito naunih
injenica i saznanja.

24
VJETAKA INTELIGENCIJA

RAZVOJ VJETAKE INTELIGENCIJE

Vjetaka inteligencija je dakle dola do faze, kada su tehnike i alati koje je razvila,
postali opte upotrebljivi u raznovrsnim raunarskim aplikacijama, meu kojima su
najpoznatiji, zasada najuspjeniji i zbog toga komercijalno najzanimljiviji ekspertni
sistemi. Generalno, vjetaka inteligencija je stvarnost, tehnike i alati razvijeni u
tom smislu dobili su iru upotrebu u razliitim softverskim aplikacijama. Ubjedljivo
najvaniji su ekspertni sistemi, koji ve imaju solidnu afirmaciju na tritu.

25
VJETAKA INTELIGENCIJA

RAZVOJ VJETAKE INTELIGENCIJE

UPOREDNI RAZVOJ PRIRODNE I VI

26
FUZZY SISTEMI
FUZZY SISTEMI

KVANTIFIKACIJA NEODREENOSTI

Fuzzy teorija je specifino projektovana za predstavljanje ljudskog znanja i zakljuivanja na takav nain da
se moe jednostavno predstaviti na raunaru. Ona omoguava uvoenje matematikog formalizma za
opisivanje nejasnosti, neodreenosti ili dvosmislenosti rijei ili fraza, koji se javljaju u prirodnom jeziku.
Ustanovljena je 1965. godine od strane profesora Zadeha, uvoenjem fuzzy skupova.
Skoro svi prirodni jezici sadre neodreenosti i veeznanost. Pridjevi, posebno, nisu uvijek jasni i
jednoznani; viesmisleni su u irini svog znaenja. Na primjer, kada se kae visoka osoba ne moe
se jasno odrediti ko je visok ili ko nije visok. Neodreenost izraza stara osoba dolazi do pridjeva star.
Rijei su obino kvalitativne, ali one kao visok i star su dovedene u vezu sa visinom ili godinama. Ako
se ostave po strani apstraktni pridjevi kao to su: dvosmislen, neodeen nesiguran, pridjevi koji se
odnose na koliinu su esti. U inenjerstvu, posebno, pridjevi koji opisuju stanja i uslove razliitih stvari
su skoro uvijek povezani sa koliinom.

28
FUZZY SISTEMI

FUZZY SKUPOVI

U okviru fuzzy teorije skupova radi se sa kvantifikacijom znaenja u okviru teorije skupova. To je
pokuaj da se izrazi poput visok ili star predstave preko koncepta skupova. U osnovi, pojam
skupova nije neophodan za kvantifikaciju neodreenosti, ali je mogue poveati opseg korisnosti
radei u okvirima teorije skupova, prije svega zato to je teorija skupova osnova koja se koristi u
mnogim oblastima savremene matematike.
Da bi se naglasila razlika izmeu skupova koji se standardno koriste u matematici i fuzzy skupova, za
skupove prve vrste se upotrebljava termin obini skupovi (ili samo skupovi). U engleskoj literaturi
se obini skupovi nazivaju crisp sets (rije crisp ukazuje na jasno odreene granice oblasti koje
predstavljaju skupove). Da bi se fuzzy skupovi jasno razlikovali od obinih skupova, koristie se
sljedei nain oznaavanja: slovo koje oznaava fuzzy skup e biti podvueno.

29
FUZZY SISTEMI

FUZZY SKUPOVI

Grafiki prikaz fuzzy podskupa A skupa X dat je na sljedeoj slici.

Fuzzy podskup A

Pravougaoni ram predstavlja skup X, dok su granice neodreenosti fuzzy podskupa A oznaene
isprekidanom linijom. Teorija fuzzy skupova definie stepen do kojeg je element x skupa X
ukljuen u neki podskup. Funkcija koja pokazuje stpen do kojeg je x ukljuen naziva se funkcija
pripadnosti. Stepen ukljuenosti nekad se zove i stepen pripadnosti, obim ili stepen.
Kako je fuzzy skup uvijek definisan kao podskup opteg skupa X, prefiks pod se izostavlja i koristi se
samo termin fuzzy skup.

30
FUZZY SISTEMI

FUZZY SKUPOVI

Ako se istovremeno razmatraju funkcije pripadnosti

fuzzy skupova, dobiva se ovakav grafik:

Skale za nizak, skoro prosjean i visok

Na horizontalnoj osi je predstavljen cijeli skup X koji se zove i skup koji podrava fuzzy skup, ili
jednostavno podrka. Na vertikalnoj osi je predstavljena vrijednost funkcije pripadnosti. Na
primjer, za oekivati je da bi mnogi predstavili funkciju pripadnosti skupa skoro prosjean kao
to je na krivoj u sredini, s tim da bi stepen od 150 cm do 170 cm subjektivno varirao, to
zavisi od osobe koja daje procjenu. Na ovaj nain fuzzy skupovi mogu biti vieni kao
subjektivni.

31
FUZZY SISTEMI

FUZZY SKUPOVI

Tipian primjer za funkciju pripadnosti je

linearna trapezoidna funkcija:
Grafik trapezoidnih funkcija

Predstavljeni su fuzzy skupovi mali brojevi, srednji brojevi, i veliki brojevi. Drugi oblici, na primjer
Gausova funkcija, takoe se mogu koristiti, ali treba voditi rauna da ne doe do znaajnog
poveanja sloenosti izraunavanja. Takve funkcije se tipino javljaju u sistemima koji se
koriste za teorijske analize, gdje su potrebna odreena analitika svojstva.

32
FUZZY SISTEMI

OPERACIJE SA FUZZY SKUPOVIMA

Za bolje razumjevanje operacija sa fuzzy skupovima u nastavku e biti prvo opisane

operacije sa obinim skupovima i njima odgovarajue operacije sa fuzzy
skupovima, a zatim e biti prikazane i operacije uvedene specijalno za rad sa fuzzy
skupovima.
Postoje tri osnovne funkcije sa skupovima: unija, presjek i komplement. Na primjer,
unija skupova E i F je izraena kao:
E U F = {x:x E ili x F}
Budui da su fuzzy skupovi definisani funkcijama pripadnosti, unija fuzzy skupova ne
moe biti ovako definisana, jer se moraju koristiti funkcije pripadnosti.

33
FUZZY SISTEMI

OPERACIJE SA FUZZY SKUPOVIMA

UNIJA
Unija fuzzy skupova A i B, u oznaci A U B, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A U B (x) = A (x) v B (x)

PRESJEK
Presjek fuzzy skupova A i B, u oznaci A B, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A B (x) = A (x) B (x)

KOMPLEMENT
Komplement fuzzy skupova A, u oznaci A, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A (x) = 1 A (x)

Ove definicije operacija su uoptenja definicija operacija za obine skupove.

34
FUZZY SISTEMI

OPERACIJE SPECIJALNO RAZVIJENE ZA FUZZY SKUPOVE

Poto vie nema potrebe za naglaavnjem razlika u odnosu na obine skupove, fuzzy
skupovi e biti prosto oznaeni se A, B, itd..., odnosno bez podvlaenja. Od
mnogobrojnih operacija sa fuzzy skupovima ovde e biti govora samo o nekima:
algebarskom zbiru i proizvodu,

graninom zbiru i razlici i

direktnom proizvodu.

35
FUZZY SISTEMI

OPERACIJE SPECIJALNO RAZVIJENE ZA FUZZY SKUPOVE

ALGEBARSKI ZBIR
Algebarski zbir fuzzy skupova Ai B, u oznaci A + B, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A + B (x) = A (x) + B (x) - A (x) . B (x)
ALGEBARSKI PROIZVOD
Algebarski proizvod fuzzy skupova A i B, u oznaci A . B, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A . B (x) = A (x) . B (x)
GRANINI ZBIR
Granini zbir fuzzy skupova A i B, u oznaci A B, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A B (x) = ( A (x) + B (x)) 1
GRANINA RAZLIKA
Granina razlika fuzzy skupova A i B, u oznaci A B, je fuzzy skup definisan sledeom funkcijom pripadnosti:
A B (x) = ( A (x) - B (x)) v 0
DIREKTAN PROIZVOD FUZZY SKUPOVA
Neka su A i B, dva fuzzy skupa. Direktan proizvod skupova A i B, u oznaci A x B je fuzzy podskup skupa X x Y (pri emu je A podskup
skupa X, a B podskup skupa Y) definisan sledeom funkcijom pripadnosti:
A x B (x) = A (x) B (x)

36
FUZZY SISTEMI

PRIMJENA FUZZY SISTEMA

Uspjena primjena fuzzy sistema moe se uoiti na irokom polju aplikacija, poevi od proizvoda iroke potronje pa do automatskih sistema upravljanja.
Neke od primjena fuzzy teorije (u zagradi su navedeni proizvoai) su:
iroka potronja:
Kamere i kamkoderi (Cannon, Minolta, Ricoh, Sanyo),
Maine zapranje ( AEG, Sharp, Goldstar),
Rashladni ureaji (Whirpool),
Usisivai (Phillips, Siemmens).
Automatizovani sistemi:
Lokomotive i upravljanje transmisijom (GM Saturn, Honda, Mazda),
Upravljanje motora (Nissan),
Fuzzy kontroleri (Klockner Moeller).
Upravljanje industrijskim procesima:
Cementara, postrojenje za preradu smea ( K.L. Smith, Danska),
Destilacija, preiavanje i drugi hemijski procesi.
Pomo u odluivanju:
Medicinska dijagnostika,
Ekspertni sistemi,
Osiguravajui sistemi,
Donoenje odluka u upravljanju poduzeem,
Vrednovanje kvaliteta,

Baze podataka.

37
FUZZY SISTEMI

PRIMJENA FUZZY SISTEMA

Uprkos injenici da uee fuzzy teorije u ovim aplikacijama nije uvijek isto, moe se
rei da ima slinu, centralnu ulogu u odgovarajuim upravljakim sistemima. U
nevedenim primjerima, fuzzy teorija premoava prazninu izmeu simbolikog
procesiranja i numerikog izraunavanja. U narednom periodu treba oekivati jo
znaajnije uee fuzzy teorije u upravljakim strategijama, prije svega za
donoenje strategijskih i kontrolnih (nadzornih) odluka.

38
NEURONSKE MREE
NEURONSKE MREE

POJAM NEURONSKIH MREA

Poetak neuro-raunarstva obino se vezuje za 1943. godinu i lanak Warrena

McCullocha i Waltera Pittsa "Logiki raun ideja svojstvenih nervnoj aktivnosti". Ovaj
lanak je esto citiran. Kibernetiar Norbert Winer i matematiar John von Neumann
su smatrali da bi istraivanja na polju raunarstva, inspirisana radom ljudskog mozga,
mogla biti izuzetno zanimljiva.
Knjiga Donalda Hebb-a iz 1949. godine "The Organization of behavior" (Organizacija
ponaanja) iskazuje ideju da je klasino psiholoko uslovljeno ponaanje prisutno kod
svih ivotinja, jer je ono svojstvo neurona. Ova ideja nije bila nova, ali ju je Hebb vie
razradio od prethodnika, predlaui odreeni zakon uenja za sinapse, a pomou
njega je izveo kvalitativno objanjenje nekih eksperimentalnih rezultata iz psihologije.

40
NEURONSKE MREE

POJAM NEURONSKIH MREA

Poetkom pedesetih godina prologa vijeka, najvie uticaja na dalji razvoj neuronskih
mrea je imao rad Marvin Minsky-a koji je u tom periodu konstruisao neuroraunar pod
imenom Snark (1951). Frank Rosenblatt je zasluan za otkrie jednoslojne neuronske
mree, zvane perceptron. Ovaj raunar je mogao uspjeno da podeava teinske
koeficijente, meutim ovaj raunar nije postigao znaajnije praktine rezultate. Tek
krajem pedesetih godina (1957-1958), Frank Rosenblatt i Charles Wightman sa svojim
saradnicima su uspeli da razviju raunar pod nazivom Mark I koji predstavlja prvi
neuroraunar.
Neto iza Rosenblatta, Bernard Widrow je sa svojim studentima (najpoznatiji je Ted Hoff,
kasnije tvorac mikroprocesora) razradio novi tip neurona - ADALINE (ADAptivini
LINearni Element, prenosna funkcija f(x)=x) i odgovarajui zakon uenja.

41
NEURONSKE MREE

POJAM NEURONSKIH MREA

U periodu od 1950-tih do ranih 1960-tih godina prologa vijeka napisano je nekoliko

knjiga i osnovano nekoliko kompanija koje se bave neuroraunarima. Meutim,
sredinom 1960-tih godina dolo je do zastoja zbog dva oigledna problema. Prvo,
veina istraivaa je prila problemu sa kvalitativne i eksperimentalne strane,
zanemarujui analitiki pristup. Drugo, poetni entuzijazam je bio toliko jak da su
uveliko publikovana predvianja da nas od vjetakog mozga dijeli samo nekoliko
godina istraivanja. Ovakav zanos je dalje diskreditovao ovu oblast i odbio veliki
broj istraivaa. Mnogi od ovih ljudi su napustili neuroraunarstvo i preli u srodna
polja.

42
NEURONSKE MREE

POJAM NEURONSKIH MREA

Sredinom 1960-ih godina je pristup rijeavanja problema neuronskih mrea

okarakterisan kao pogrean, nakon to Marvin Minsky i Seyour Papert u knjizi
"Perceptrons" objavljuju matematiki dokaz da jednoslojna neuronska mrea
"Perceptron" ne moe da naui funkciju XOR, uz pretpostavku da dodavanjem vie
slojeva neurona taj problem nee biti prevazien. Tano je da neuron nije u stanju
da izvede pomenutu funkciju, ali za iole sloeniju mreu od nekoliko neurona to
predstavlja veoma jednostavan zadatak. Njihov dokaz je diskreditovao istraivanja
neuronskih mrea, a finansiranja su preusmjerena na druge oblasti vjetake
inteligencije.

43
NEURONSKE MREE

POJAM NEURONSKIH MREA

U periodu izmeu 1967. do 1982. godine pojavljuju se istraivai koji daju znaajan
doprinos razvoju ove oblasti kao to su Teuvo Kohonen, Kunihiko Fukushima i
Stephnen Grossberg. Naroito se istakao Teuvo Kohonen, koji je otkrio nekoliko
tipova neuronskih mrea koje su po njemu dobile naziv. U ovom periodu se pojavio
i backpropagation algoritam. U radu na ovom algoritmu su se posebno istakli
sljedei naunici: Amari (1967.) dodaje unutranje slojeve perceptronskoj mrei,
Bryson i Ho (1969.) razvijaju algoritam slian backpropagation algoritmu, Werbos
(1974) nezavisno od prethodnika razvija backpropagation algoritam, a Parker
(1982) unapreuje backpropagation algoritam.

44
NEURONSKE MREE

POJAM NEURONSKIH MREA

Poetkom 80-ih, amerika vojna agencija DARPA (Agencija za odbrambene

istraivake projekte) postala je zainteresovana za neuronske mree i finansiranja
su ponovo zapoela. Sredinom 1980-tih, poznati fiziar John Hopfield dao je veliki
doprinos popularizaciji neuronskih mrea, objavljujui rad u kome je napravio
paralelu izmeu neuronskih mrea i odreenih fizikih sistema. Poetkom
devedesetih, Bart Kosko u knjizi "Neural Networks and Fuzzy Systems" dokazuje
da neuronske mree i fuzzy logika opisuju isti skup problema i samim tim otvara
novu oblast koja se naziva soft computing.

45
NEURONSKE MREE

POJAM NEURONSKIH MREA

Rumenel, Hinton i Williams (1986) dokazuju veliku promjenljivost i potencijal

backpropagation algoritma. Krajem 80-tih i poetkom 90-tih, neuronske mree i
neuro raunarstvo se uvodi kao predmet na nekoliko elitnih univerziteta u SAD, dok
se danas neuronske mree gotovo mogu sresti na svim univerzitetima.
Iako su neuronske mree imale neobinu istoriju, one su jo uvijek u ranoj fazi razvoja.
Moda se sad moe rei da smo na kraju poetka. Danas neuronske mree nalaze
veoma irok spektar primjena u razliitim praktinim oblastima.

46
NEURONSKE MREE

POJAM NEURONSKIH MREA

Interes za neuronske mree, ali i uopte za ekspertne sisteme, doivljava nevjerovatnu

ekspanziju u posljednjih nekoliko godina. Njihova primjena doivljava pravi bum i
gotovo da nema oblasti ljudskog djelovanja gdje se ne primijenjuju ekspertni sistemi
zasnovani na neuronskim mreama. Tako ove sisteme sve vie susreemo na polju
finansija, medicine, inenjeringa, geologije, hemije i drugih oblasti ljudskog interesa.
Dakle, gdje god se javlja problem predvianja, klasifikacije ili kontrole, neuronske
mree se nameu kao najefikasnije rjeenje. Njihova kompleksnost i sofisticiranost,
dakako, doprinosi relativno sporom uvoenju u iru primjenu, pogotovo ako ih
uporedimo sa klasinim raunarskim mreama, ali se fokus svjetske IT pameti
definitivno okree ovom modelu umreavanja raunarskih resursa.

47
NEURONSKE MREE

POJAM NEURONSKIH MREA

Vjetake neuronske mree su u stanju da na odreen nain funkcioniu prema navedenim principima
asocijativnog razmiljanja i prepoznavanja. Prije nego to se zapone sa prvom analizom neuronskih mrea,
treba objasniti neke kategorije koje e se vie puta ponavljati.
Mrea sa atributom neuronska ili sa atributima vjetaka neuronska predstavlja mreu iji su entiteti procesorske
jedinice i iji, kako fiziki izgled tako i funkcionalni procesi koji se odigravaju u mri, podsjeaju na nervni
sistem kod ovjeka.
Postoje dvije kategorije neuronskih mrea: vjetake i bioloke neuronske mree. Predstavnik biolokih
neuronskih mrea je nervni sistem ivih bia. Vjetake neuronske mree su po strukturi, funkciji i obradi
informacija sline biolokim neuronskim mreama, ali se radi o vjetakim tvorevinama. Neuronska mrea u
raunarskim naukama predstavlja veoma povezanu mreu elemenata koji obrauju podatke. One su
sposobne da izau na kraj sa problemima koji se tradicionalnim pristupom teko rjeavaju, kao to su govor i
prepoznavanje oblika. Jedna od vanijih osobina neuronskih mrea je njihova sposobnost da ue na
ogranienom skupu primjera.

48
NEURONSKE MREE

POJAM NEURONSKIH MREA

Neke vjetake neuronske mree zaista predstavljaju modele biolokih, neke ne, ali
istorijski, inspiracija za oblast neuronskog raunanja dola je od elje za stvaranjem
vjetakog sistema, sposobnog za obavljanje sofisticiranih, "inteligentnih"
raunanja, slinih onima koje rutinski obavlja ljudski mozak.
Od mnogih smatrane za najvei tehnoloki napredak u protekloj deceniji, neuronske
mree pokazale su se nezamjenljivim u situacijama gdje je mogunost identifikacije
skrivenih veza i obrazaca kljuna za uspena predvidanja.

49
NEURONSKE MREE

BIOLOKE NEURONSKE MREE

ovjeiji mozak je sastavljen od ogromnog broja elija neurona. Njihov broj u

prosjenom ovjeijem mozgu iznosi oko 100.000.000.000, a svaki ovaj neuron
povezan je sa drugim neuronima preko nekoliko hiljada veza kojima proslijeuju
impulse jedni drugima. Tako je svaki neuron sastavljen od ulaznih veza (aksoni),
same elije (neuron), izlaznih veza (dendroni), dok se spoj dendrona jednog
neurona sa aksonima drugog neurona naziva sinapsa.

Veza izmeu dva neurona

50
NEURONSKE MREE

BIOLOKE NEURONSKE MREE

Akson jedne elije povezan je sa dendronom druge elije. Funkcionalni meumembranski kontakt aksona jednog neurona i
dendrona drugog neurona nazivamo sinapsa. Kada je neuron aktiviran on alje elektrohemijski signal preko aksona prema
drugom neuronu. Signal moe biti promijenjen od strane sinapse koja je u mogunosti da povea ili smanji snagu veze i time
izazove aktivaciju druge elije ili njenu ukoenost. Akson se moe zamisliti kao tanka cjevica koje jedan kraj povezan na
tijelo neurona, a drugi se dijeli na niz grana. Krajevi ovih grana zavravaju malim zadebljanjima koja najee dodiruju
dendrite, a rjee tijelo drugog neurona. Neuron prima impulse od ostalih neurona kroz dendrite, a signale koje proizvodi tijelo
predaje preko aksona.
Sinapsa je elementarna struktura i funkcionalna jedinica izmeu dva neurona, odnosno sinapsa je mali razmak izmeu zavretka
aksona prethodnog neurona i dendrita ili tijela sljedeeg neurona.

51
NEURONSKE MREE

BIOLOKE NEURONSKE MREE

Vjetaka neuronska mrea je pokuaj simuliranja rada, odnosno procesiranja informacija,

ovjeijeg mozga. Svaki neuron ima sposobnost proslijeivanja elektro-hemijskih
signala. Kada se neuron pobudi, on ispaljuje elektrohemijski signal preko mree
aksona. Signal prelazi preko sinapsa do drugih neurona, koji mogu naizmjenino da se
aktiviraju. Neuron se aktivira samo ako nivo signala koji je primljen od prethodnog
neurona pree odreenu granicu (fire treshold). Jaina signala koju neuron prima u
mnogome zavisi od djelotvornosti sinapsi. Svaka sinapsa ima kanal koji je ispunjen
kemikalijom koja prenosi signal du kanala. Naunici smatraju da je proces uenja u
stvari povezan sa sposobnou mijenjanja i auriranja ovih sinaptikih veza. Tako
ovjeiji mozak, procesirajui veliki broj jednostavnih impulsa, rjeava ekstremno
kompleksne zadatke.

52
NEURONSKE MREE

BIOLOKE NEURONSKE MREE

Do sada niko, nikada nije uspio simulirati ni priblino kompleksan sistem kao to je to
ovjeiji mozak. Dok se stvarni ovjeiji mozak sastoji od stotina milijardi neurona,
vjetake neuronske mree su uspjele dostii tek brojku od par hiljada vjetakih
vorova - neurona.

53
NEURONSKE MREE

VJETAKE NEURONSKE MREE

Vjetake neuronske mree su inspirisane biolokim mreama. One pozajmljuju ideje

iz naina na koji funkcionie ljudski mozak. Dananja neuronska obrada na
raunaru koristi vrlo ogranien skup koncepata od biolokih neuronskih sistema.
Cilj je da se simuliraju masovni paralelni procesi koji ukljuuju obradu meusobno
povezanih elemenata u arhitekturi mree. Vjetaki neuron prima ulazne podatke
slino kao to bioloki neuroni primaju elektohemijske impulse od drugih neurona.
Izlazni podaci vjetakog neurona odgovaraju signalima koje alju bioloki neuroni.

54
NEURONSKE MREE

VJETAKE NEURONSKE MREE

Vjetaka neuronska mrea je sastavljena od procesorskih jedinica iji kako

funkcionalni izgled tako i procesi koji se u njoj odigravaju podsjeaju na nervni
sistem kod ovjeka. To je ustvari vrsta raunara koji se potpuno razlikuju od
klasinih raunara sa Fon Nojmanovom arhitekturom. Kod klasinih raunara jedan
procesor obavlja sekvencijalno instrukcije date programom. Pri tome procesor
moe da obavlja stotinu i vie osnovnih komandi kao to su sabiranje, oduzimanje,
mnoenje, punjenje, pomjeranje i dr.

55
NEURONSKE MREE

VJETAKE NEURONSKE MREE

Neuron prima ulaze koji mogu biti sirovi podaci ili podatak iz susjednog neurona, koje procesira i proizvodi
jedan izlaz. Sam izgled kao i princip obrade podataka jedne elementarne procesorske jedinice u
vjetakoj neuronskoj mrei podsjea na princip prosljeivanja impulsa neurona u biolokom nervnom
sistemu. Isto tako procesorska jedinica je analogna jednoj eliji biolokog nervnog sistema, ulazne veze
odgovaraju dendritima a izlazne aksomima.

VJETAKI NEURON

56
NEURONSKE MREE

VJETAKE NEURONSKE MREE

Neuronska mrea je sistem sastavljen od vie jednostavnih procesora (jedinica, neurona), svaki od njih ima
lokalnu memoriju u kojoj pamti podatke koje obrauje. Te jedinice su povezane komunikacionim kanalima
(vezama). Podaci koji se ovim kanalima razmjenjuju su obino numeriki. Jedinice obrauju samo svoje
lokalne podatke i ulaze koje primaju preko konekcije. Ogranienja lokalnih operatora se mogu otkloniti
tokom treninga.
U neuronskim mreama, gdje su procesorske jedinice povezane odreenom topologijom, postoji struktura
paralelnog distriburanog procesiranja (PDP). Istovremeno rade vie procesorskih jedinica da bi rezultati
njihove obrade PDP strukturom preli na druge jedinice, itd. Procesorske jedinice u jednoj neuronskoj
mrei su jednostavne i mogu obavljati samo jednu ili eventualno nekoliko raunarskih operacija i
meusobno su povezane tako da u jednoj neuronskoj mrei postoji mnogo vie veza nego procesorskih
jedinica.

57
NEURONSKE MREE

VJETAKE NEURONSKE MREE

Na slici je shematski prikazana jedna tipina topologija mree sa tri sloja procesorskih jedinica (jedan ulazni,
drugi srednji ili skriveni i trei izlazni). Svaka procesorska jedinica je povezana sa vie susjednih
jedinica, broj ovih veza izmeu zapravo predstavlja snagu neuronske mree. Rad neuronske mree sa
vie veza je kompleksniji ali takva mrea moe da obavlja kompleksnije zadatke.

58
NEURONSKE MREE

VJETAKE NEURONSKE MREE

Arhitekturu vjetake neuronske mree predstavlja specifino ureenje i povezivanje neurona u obliku mree.
Po arhitekturi, neuronske mree se razlikuju prema broju neuronskih slojeva. Obino svaki sloj prima ulaze iz
prethodnog sloja, a svoje izlaze alje narednom sloju. Prvi sloj se naziva ulazni, posljednji je izlazni, ostali
slojevi se obino nazivaju skrivenim slojevima. Jedna od najeih arhitektura neuronskih mrea je mrea sa
tri sloja. Prvi sloj (ulazni) je jedini sloj koji prima signale iz okruenja. Prvi sloj prenosi signale sljedeem sloju
(skriveni sloj) koji obrauje ove podatke i izdvaja osobine i eme iz primljenih signala. Podaci koji se
smatraju vanim se upuuju izlaznom sloju, posljednjem sloju mree. Na izlazima neurona treeg sloja se
dobijaju konani rezultati obrade. Sloenije neuronske mree mogu imati vie skrivenih slojeva, povratne
petlje i elemente za odlaganje vremena, koji su dizajnirani da omogue to efikasnije odvajanje vanih
osobina ili ema sa ulaznog nivoa.

59
NEURONSKE MREE

VJETAKE NEURONSKE MREE

Vjetaka neuronska mrea je paradigma obrade informacija inspirisna procesiranjem kakvo vri
bioloki mozak. Pri tom vjetaka neuronska mrea koristi odreen broj koncepata iz biolokih
neuronskih sistema. Kljuni elemenat je neuobiajena struktura procesa obrade informacija,
sastavljena od velikog broja meusobno povezanih elemenata procesiranja koji zajedno rade
na rjeavanju problema. Ove mree kao i ljudi ue na osnovu primjera, tj. na osnovu iskustva,
one nisu programirane eksplicitnim instrukcijama, ve ue da izvre zadatak iz primjera iz
stvarnog ivota, obuavaju se. Dakle, razlika izmeu ovih mrea i klasinih raunara je i u tome
to se one ne programiraju, dok kod klasinih raunara programer unosi program kojim se
tano odreuje rad raunara u svakom trenutku.

60
NEURONSKE MREE

VJETAKE NEURONSKE MREE

Postoji bitna razlika u odnosu na klasine raunare: neuronske mree se ne programiraju. Dok kod
klasinog raunara programer unosi u raunar program kojim se tano odreuje rad raunara u
svakom trenutku, neuronske mree se ne programiraju ve se obuavaju. Prije nego to ponu
da se primjenjuju, ulae se dosta vremena na njihovo obuavanje, uenje ili treniranje. Proces
obuavanja se zasniva na auriranju najee teinskih koficijenata veza, a ponekad samo
vrijednosti ulaznih procesorskih jedinica. Teinski koeficijent veza ili teine veza su koeficijenti
koji su dodijeljeni u svakom trenutku vezama neuronske mree. Za vrijeme obuavanja ovi se
koeficijenti auriraju. Brzina njihovog auriranja moe takoe biti mjerilo moi procesiranja
neuronske mree.

61
NEURONSKE MREE

OBUAVANJE NEURONSKIH MREA

Obuavanje neuronskih mrea se svodi na uenje iz primjera kojih bi trebalo da bude to

vie da bi mrea mogla da se ponaa preciznije u kasnijoj eksploataciji. Podaci iz trening
skupa se periodino proputaju kroz neuronske mree. Dobivene vrijednosti na izlazu
mree se uporeuju sa oekivanim. Ukoliko postoji razlika izmeu dobivenih i oekivanih
podataka, prave se modifikacije na vezama izmeu neurona u cilju smanjivanja razlike
trenutnog i eljenog izlaza. Ulazno-izlazni skup se ponovo predstavlja mrei zbog daljih
podeavanja teina, poto u prvih nekoliko koraka mrea obino daje pogrean rezultat.
Proces uenja dovodi do korigovanja sinaptikih teina. Poslije podeavanja teina puta
za sve ulazno izlazne sheme u trening skupu, mrea naui da reaguje na eljeni nain.

62
NEURONSKE MREE

OBUAVANJE NEURONSKIH MREA

Neuronska mrea je obuena ako moe tano da rjeava zadatke za koje je

obuavana. Neuronska mrea je sposobna da izdvoji vane osobine i sheme u
klasi trening primjera. Nakon obuavanja sa odreenom vjerovatnoom, neuronska
mrea moe da generalizuje nove ulazne podatke za koje nije obuavana. Na
primjer, generalizaciju moemo vidjeti na primjeru mree obuavane da prepoznaje
serije slika: ako na ulaz takve mree dovedemo slike za koje mrea nije
obuavana, ona do izvjesne mjere moe uspjeno da klasifikuje takve slike. Kada
uzorci koji se predstavljaju mrei ne dovode vie do promjene ovih koeficijenata,
smatra se da je mrea obuena.

63
NEURONSKE MREE

OBUAVANJE NEURONSKIH MREA

Propagacija greke unazad (eng. Back propagation) je od svih paradigmi neuronskih

mrea najvie koriena, i primjenjuje se uspjeno u raznim oblastima, kao to su:
prepoznavanje oblika (vojna istraivanja, medicinska dijagnostika) prepoznavanje i
sinteza govora, upravljanje robotima i vozilima. Primjenjuje se i u prepoznavanju
slovnih znakova, klasifikaciji slika, kodiranju signala, obradi znanja i drugim razliitim
problemima analize oblika. Propagacija unazad uspjeno rjeava probleme
preslikavanja oblika: za dati ulazni oblik mrea proizvodi asocirani izlazni oblik.
Propagacija greke unazad se bazira na relativno jednostavnom principu: kada mrea da
pogrean rezultat, teinski koeficijenti se ispravljaju tako da greka bude manja, a kao
rezultat toga, sljedei odgovori mree su blie tanim.

64
NEURONSKE MREE

OBUAVANJE NEURONSKIH MREA

Na slici je postavljena jedna osnovna procesorska jedinica u mrei sa propagacijom

unazad. Ona je okarakterisana teinskom sumom ulaza Si, izlaznom vrijednou ai
i vrijednou greke i koja se koristi pri auriranju teinskih koeficijenata veza.

Procesorska jedinica mree

sa propagacijom unazad

65
NEURONSKE MREE

OBUAVANJE NEURONSKIH MREA

Neuronske mree sa propagacijom unazad se obuavaju sa nadgledanjem. Mrei se

predstavlja jedan par obuavajueg skupa (ulazni oblik uparen sa zadatim
izlazom). Poslje svakog predstavljanja, teine se auriraju tako da se smanjuje
razlika izmeu izlaza mree i zadatog (ciljanog) izlaza. Obuavajui skup, se
predstavlja, sve dok se mrea ne obui, ili prekine proces obuavanja. Nakon to
se obuavanje zavri, vri se testiranje performanse mree.

66
NEURONSKE MREE

OBUAVANJE NEURONSKIH MREA

Korak propagacije greke unaprijed (eng. Forward propagation) se inicijalizuje

kada se oblik predstavlja mrei. Svaka ulazna jedinica odgovara jednom elementu
vektora ulaznog oblika, i svaka jedinica dobiva vrijednost toga elementa. Poto su
aktivacioni nivoi prvog sloja procesorskih jedinica postavljeni, ostali slojevi
nastavljaju korak propagacije unaprijed i na taj nain odreuju aktivacione nivoe
drugih slojeva.

67
NEURONSKE MREE

PRIMJENA NEURONSKIH MREA

Neuronske mree nalaze sve vei broj primjena. Na primjer, upotrebljavaju se u obradi signala,
analizi podataka, raznim kontrolama, kompresiji slike, konverziji jezika, postavljanju dijagnoza,
prepoznavanju govora, psihijatrijskim procjenama, analizi elektrinih kola, kompresiji zvuka,
predvianju kretanja na tritu, izboru osumnjienih u kriminolokim istraivanjima, analizi
medicinskih testova, spektralnoj analizi itd.
Zbog svega navedenog, mnogi istraivai nazivaju neuronske mree posljednjom i
najsofisticiranijom ljudskom tehnologijom. Neuronske mree imaju iroku primjenu u proizvodnji
od planiranja proizvodnje, ispitivanja materijala, izboru materijala, kao i u samom procesu rada.

68
NEURONSKE MREE

PRIMJENA NEURONSKIH MREA

U poetku su neuronske mree koristili naunici raunarskih i kognitivnih nauka koji su pokuavali da modeliraju ulni sistem ivih
organizama. Danas neuronske mree predstavljaju veoma atraktivnu oblast istraivanja i postoje brojne oblasti u kojima se
koriste. Primenjuju se za:
prepoznavanje oblika,
prepoznavanje govora,
finansijske i ekonomske modele,
upravljanje sistemima,
naftna istraivanja,
kriminoloka istraivanja,
analizu medicinskih testova,
pronalaenje optimalnog rjeenja,
upravljanje robotima,
vremensku prognozu i
druge oblasti.

69
NEURONSKE MREE

PRIMJENA NEURONSKIH MREA

Primjenu neuronskih mrea je mogue realizovati na tri karakteristine oblasti:

procesiranje senzorskih informacija,
analiza podataka i
kontrola upravljanja.

70