EKSPERTNI SISTEMI

NEURONSKE MREŽE

Prof. dr Branko Latinović

NEURONSKE MREŽE

POJAM NEURONSKIH MREŽA

Početak neuro-računarstva obično se vezuje za 1943. godinu i članak Warrena

McCullocha i Waltera Pittsa "Logički račun ideja svojstvenih nervnoj aktivnosti".
Ovaj članak je često citiran. Kibernetičar Norbert Winer i matematičar John von
Neumann su smatrali da bi istraživanja na polju računarstva, inspirisana radom
ljudskog mozga, mogla biti izuzetno zanimljiva.
Knjiga Donalda Hebb-a iz 1949. godine "The Organization of behavior" (Organizacija
ponašanja) iskazuje ideju da je klasično psihološko uslovljeno ponašanje prisutno
kod svih životinja, jer je ono svojstvo neurona. Ova ideja nije bila nova, ali ju je
Hebb više razradio od prethodnika, predlažući određeni zakon učenja za sinapse, a
pomoću njega je izveo kvalitativno objašnjenje nekih eksperimentalnih rezultata iz
psihologije.

2
NEURONSKE MREŽE

POJAM NEURONSKIH MREŽA

Početkom pedesetih godina prošloga vijeka, najviše uticaja na dalji razvoj neuronskih
mreža je imao rad Marvin Minsky-a koji je u tom periodu konstruisao neuroračunar
pod imenom Snark (1951). Frank Rosenblatt je zaslužan za otkriće jednoslojne
neuronske mreže, zvane perceptron. Ovaj računar je mogao uspješno da podešava
težinske koeficijente, međutim ovaj računar nije postigao značajnije praktične
rezultate. Tek krajem pedesetih godina (1957-1958), Frank Rosenblatt i Charles
Wightman sa svojim saradnicima su uspeli da razviju računar pod nazivom Mark I
koji predstavlja prvi neuroračunar.
Nešto 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 odgovarajući zakon
učenja.

3
NEURONSKE MREŽE

POJAM NEURONSKIH MREŽA

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

knjiga i osnovano nekoliko kompanija koje se bave neuroračunarima. Međutim,
sredinom 1960-tih godina došlo je do zastoja zbog dva očigledna problema. Prvo,
većina istraživača je prišla problemu sa kvalitativne i eksperimentalne strane,
zanemarujući analitički pristup. Drugo, početni entuzijazam je bio toliko jak da su
uveliko publikovana predviđanja da nas od vještačkog mozga dijeli samo nekoliko
godina istraživanja. Ovakav zanos je dalje diskreditovao ovu oblast i odbio veliki
broj istraživača. Mnogi od ovih ljudi su napustili neuroračunarstvo i prešli u srodna
polja.

4
NEURONSKE MREŽE

POJAM NEURONSKIH MREŽA

Sredinom 1960-ih godina je pristup riješavanja problema neuronskih mreža

okarakterisan kao pogrešan, nakon što Marvin Minsky i Seyour Papert u knjizi
"Perceptrons" objavljuju matematički dokaz da jednoslojna neuronska mreža
"Perceptron" ne može da nauči funkciju XOR, uz pretpostavku da dodavanjem više
slojeva neurona taj problem neće biti prevaziđen. Tačno je da neuron nije u stanju
da izvede pomenutu funkciju, ali za iole složeniju mrežu od nekoliko neurona to
predstavlja veoma jednostavan zadatak. Njihov dokaz je diskreditovao istraživanja
neuronskih mreža, a finansiranja su preusmjerena na druge oblasti vještačke
inteligencije.

5
NEURONSKE MREŽE

POJAM NEURONSKIH MREŽA

U periodu između 1967. do 1982. godine pojavljuju se istraživači koji daju značajan
doprinos razvoju ove oblasti kao što su Teuvo Kohonen, Kunihiko Fukushima i
Stephnen Grossberg. Naročito se istakao Teuvo Kohonen, koji je otkrio nekoliko
tipova neuronskih mreža koje su po njemu dobile naziv. U ovom periodu se pojavio
i backpropagation algoritam. U radu na ovom algoritmu su se posebno istakli
sljedeći načunici: Amari (1967.) dodaje unutrašnje slojeve perceptronskoj mreži,
Bryson i Ho (1969.) razvijaju algoritam sličan backpropagation algoritmu, Werbos
(1974) nezavisno od prethodnika razvija backpropagation algoritam, a Parker
(1982) unapređuje backpropagation algoritam.

6
NEURONSKE MREŽE

POJAM NEURONSKIH MREŽA

Početkom 80-ih, američka vojna agencija DARPA (Agencija za odbrambene

istraživačke projekte) postala je zainteresovana za neuronske mreže i finansiranja
su ponovo započela. Sredinom 1980-tih, poznati fizičar John Hopfield dao je veliki
doprinos popularizaciji neuronskih mreža, objavljujući rad u kome je napravio
paralelu između neuronskih mreža i određenih fizičkih sistema. Početkom
devedesetih, Bart Kosko u knjizi "Neural Networks and Fuzzy Systems" dokazuje
da neuronske mreže i fuzzy logika opisuju isti skup problema i samim tim otvara
novu oblast koja se naziva soft computing.

7
NEURONSKE MREŽE

POJAM NEURONSKIH MREŽA

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

backpropagation algoritma. Krajem 80-tih i početkom 90-tih, neuronske mreže i
neuro računarstvo se uvodi kao predmet na nekoliko elitnih univerziteta u SAD, dok
se danas neuronske mreže gotovo mogu sresti na svim univerzitetima.
Iako su neuronske mreže imale neobičnu istoriju, one su još uvijek u ranoj fazi razvoja.
Možda se sad može reći da smo na kraju početka. Danas neuronske mreže nalaze
veoma širok spektar primjena u različitim praktičnim oblastima.

8
NEURONSKE MREŽE

POJAM NEURONSKIH MREŽA

Interes za neuronske mreže, ali i uopšte za ekspertne sisteme, doživljava

nevjerovatnu ekspanziju u posljednjih nekoliko godina. Njihova primjena doživljava
pravi bum i gotovo da nema oblasti ljudskog djelovanja gdje se ne primijenjuju
ekspertni sistemi zasnovani na neuronskim mrežama. Tako ove sisteme sve više
susrećemo na polju finansija, medicine, inženjeringa, geologije, hemije i drugih
oblasti ljudskog interesa. Dakle, gdje god se javlja problem predviđanja,
klasifikacije ili kontrole, neuronske mreže se nameću kao najefikasnije rješenje.
Njihova kompleksnost i sofisticiranost, dakako, doprinosi relativno sporom
uvođenju u širu primjenu, pogotovo ako ih uporedimo sa klasičnim računarskim
mrežama, ali se fokus svjetske IT pameti definitivno okreće ovom modelu
umrežavanja računarskih resursa.

9
NEURONSKE MREŽE

POJAM NEURONSKIH MREŽA

Vještačke neuronske mreže su u stanju da na određen način funkcionišu prema navedenim

principima asocijativnog razmišljanja i prepoznavanja. Prije nego što se započne sa prvom
analizom neuronskih mreža, treba objasniti neke kategorije koje će se više puta ponavljati.
Mreža sa atributom neuronska ili sa atributima vještačka neuronska predstavlja mrežu čiji su
entiteti procesorske jedinice i čiji, kako fizički izgled tako i funkcionalni procesi koji se
odigravaju u mrži, podsjećaju na nervni sistem kod čovjeka.
Postoje dvije kategorije neuronskih mreža: vještačke i biološke neuronske mreže. Predstavnik
bioloških neuronskih mreža je nervni sistem živih bića. Vještačke neuronske mreže su po
strukturi, funkciji i obradi informacija slične biološkim neuronskim mrežama, ali se radi o
vještačkim tvorevinama. Neuronska mreža u računarskim naukama predstavlja veoma
povezanu mrežu elemenata koji obrađuju podatke. One su sposobne da izađu na kraj sa
problemima koji se tradicionalnim pristupom teško rješavaju, kao što su govor i
prepoznavanje oblika. Jedna od važnijih osobina neuronskih mreža je njihova sposobnost
da uče na ograničenom skupu primjera.
10
NEURONSKE MREŽE

POJAM NEURONSKIH MREŽA

Neke vještačke neuronske mreže zaista predstavljaju modele bioloških, neke ne, ali
istorijski, inspiracija za oblast neuronskog računanja došla je od želje za stvaranjem
vještačkog sistema, sposobnog za obavljanje sofisticiranih, "inteligentnih"
računanja, sličnih onima koje rutinski obavlja ljudski mozak.
Od mnogih smatrane za najveći tehnološki napredak u protekloj deceniji, neuronske
mreže pokazale su se nezamjenljivim u situacijama gdje je mogućnost identifikacije
skrivenih veza i obrazaca ključna za uspešna predvidanja.

11
NEURONSKE MREŽE

BIOLOŠKE NEURONSKE MREŽE

Čovječiji mozak je sastavljen od ogromnog broja ćelija – neurona. Njihov broj u

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

Veza između dva neurona

12
NEURONSKE MREŽE

BIOLOŠKE NEURONSKE MREŽE

Akson jedne ćelije povezan je sa dendronom druge ćelije. Funkcionalni međumembranski kontakt aksona
jednog neurona i dendrona drugog neurona nazivamo sinapsa. Kada je neuron aktiviran on šalje
elektrohemijski signal preko aksona prema drugom neuronu. Signal može biti promijenjen od strane
sinapse koja je u mogućnosti da poveća ili smanji snagu veze i time izazove aktivaciju druge ćelije ili
njenu ukočenost. Akson se može zamisliti kao tanka cjevčica koje jedan kraj povezan na tijelo neurona,
a drugi se dijeli na niz grana. Krajevi ovih grana završavaju malim zadebljanjima koja najčešće dodiruju
dendrite, a rjeđe 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 između dva neurona, odnosno sinapsa je mali
razmak između završetka aksona prethodnog neurona i dendrita ili tijela sljedećeg neurona .
13
NEURONSKE MREŽE

BIOLOŠKE NEURONSKE MREŽE

Vještačka neuronska mreža je pokušaj simuliranja rada, odnosno procesiranja

informacija, čovječijeg mozga. Svaki neuron ima sposobnost proslijeđivanja elektro-
hemijskih signala. Kada se neuron pobudi, on ispaljuje elektrohemijski signal preko
mreže aksona. Signal prelazi preko sinapsa do drugih neurona, koji mogu
naizmjenično da se aktiviraju. Neuron se aktivira samo ako nivo signala koji je
primljen od prethodnog neurona pređe određenu granicu (fire treshold). Jačina
signala koju neuron prima u mnogome zavisi od djelotvornosti sinapsi. Svaka
sinapsa ima kanal koji je ispunjen kemikalijom koja prenosi signal duž kanala.
Naučnici smatraju da je proces učenja u stvari povezan sa sposobnošću mijenjanja
i ažuriranja ovih sinaptičkih veza. Tako čovječiji mozak, procesirajući veliki broj
jednostavnih impulsa, rješava ekstremno kompleksne zadatke.

14
NEURONSKE MREŽE

BIOLOŠKE NEURONSKE MREŽE

Do sada niko, nikada nije uspio simulirati ni približno kompleksan sistem kao što je to
čovječiji mozak. Dok se stvarni čovječiji mozak sastoji od stotina milijardi neurona,
vještačke neuronske mreže su uspjele dostići tek brojku od par hiljada vještačkih
čvorova - neurona.

15
NEURONSKE MREŽE

VJEŠTAČKE NEURONSKE MREŽE

Vještačke neuronske mreže su inspirisane biološkim mrežama. One pozajmljuju ideje

iz načina na koji funkcioniše ljudski mozak. Današnja neuronska obrada na
računaru koristi vrlo ograničen skup koncepata od bioloških neuronskih sistema.
Cilj je da se simuliraju masovni paralelni procesi koji uključuju obradu međusobno
povezanih elemenata u arhitekturi mreže. Vještački neuron prima ulazne podatke
slično kao što biološki neuroni primaju elektohemijske impulse od drugih neurona.
Izlazni podaci vještačkog neurona odgovaraju signalima koje šalju biološki neuroni.

16
NEURONSKE MREŽE

VJEŠTAČKE NEURONSKE MREŽE

Vještačka neuronska mreža je sastavljena od procesorskih jedinica čiji kako

funkcionalni izgled tako i procesi koji se u njoj odigravaju podsjećaju na nervni
sistem kod čovjeka. To je ustvari vrsta računara koji se potpuno razlikuju od
klasičnih računara sa Fon Nojmanovom arhitekturom. Kod klasičnih računara jedan
procesor obavlja sekvencijalno instrukcije date programom. Pri tome procesor
može da obavlja stotinu i više osnovnih komandi kao što su sabiranje, oduzimanje,
množenje, punjenje, pomjeranje i dr.

17
NEURONSKE MREŽE

VJEŠTAČKE NEURONSKE MREŽE

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
vještačkoj neuronskoj mreži podsjeća na princip prosljeđivanja impulsa neurona u biološkom nervnom
sistemu. Isto tako procesorska jedinica je analogna jednoj ćeliji biološkog nervnog sistema, ulazne veze
odgovaraju dendritima a izlazne aksomima.

VJEŠTAČKI NEURON

18
NEURONSKE MREŽE

VJEŠTAČKE NEURONSKE MREŽE

Neuronska mreža je sistem sastavljen od više jednostavnih procesora (jedinica,

neurona), svaki od njih ima lokalnu memoriju u kojoj pamti podatke koje obrađuje.
Te jedinice su povezane komunikacionim kanalima (vezama). Podaci koji se ovim
kanalima razmjenjuju su obično numerički. Jedinice obrađuju samo svoje lokalne
podatke i ulaze koje primaju preko konekcije. Ograničenja lokalnih operatora se
mogu otkloniti tokom treninga.
U neuronskim mrežama, gdje su procesorske jedinice povezane određenom
topologijom, postoji struktura paralelnog distriburanog procesiranja (PDP).
Istovremeno rade više procesorskih jedinica da bi rezultati njihove obrade PDP
strukturom prešli na druge jedinice, itd. Procesorske jedinice u jednoj neuronskoj
mreži su jednostavne i mogu obavljati samo jednu ili eventualno nekoliko
računarskih operacija i međusobno su povezane tako da u jednoj neuronskoj mreži
postoji mnogo više veza nego procesorskih jedinica.
19
NEURONSKE MREŽE

VJEŠTAČKE NEURONSKE MREŽE

Na slici je shematski prikazana jedna tipična topologija mreže sa tri sloja procesorskih jedinica (jedan ulazni,
drugi srednji ili skriveni i treći izlazni). Svaka procesorska jedinica je povezana sa više susjednih jedinica,
broj ovih veza između zapravo predstavlja snagu neuronske mreže. Rad neuronske mreže sa više veza
je kompleksniji ali takva mreža može da obavlja kompleksnije zadatke.

20
NEURONSKE MREŽE

VJEŠTAČKE NEURONSKE MREŽE

Vještačka neuronska mreža je paradigma obrade informacija inspirisna procesiranjem

kakvo vrši biološki mozak. Pri tom vještačka neuronska mreža koristi određen broj
koncepata iz bioloških neuronskih sistema. Ključni elemenat je neuobičajena
struktura procesa obrade informacija, sastavljena od velikog broja međusobno
povezanih elemenata procesiranja koji zajedno rade na rješavanju problema. Ove
mreže kao i ljudi uče na osnovu primjera, tj. na osnovu iskustva, one nisu
programirane eksplicitnim instrukcijama, već uče da izvrše zadatak iz primjera iz
stvarnog života, obučavaju se. Dakle, razlika između ovih mreža i klasičnih
računara je i u tome što se one ne programiraju, dok kod klasičnih računara
programer unosi program kojim se tačno određuje rad računara u svakom trenutku.

21
NEURONSKE MREŽE

VJEŠTAČKE NEURONSKE MREŽE

Arhitekturu vještačke neuronske mreže predstavlja specifično uređenje i povezivanje

neurona u obliku mreže. Po arhitekturi, neuronske mreže se razlikuju prema broju
neuronskih slojeva. Obično svaki sloj prima ulaze iz prethodnog sloja, a svoje
izlaze šalje narednom sloju. Prvi sloj se naziva ulazni, posljednji je izlazni, ostali
slojevi se obično nazivaju skrivenim slojevima. Jedna od najčešćih arhitektura
neuronskih mreža je mreža sa tri sloja. Prvi sloj (ulazni) je jedini sloj koji prima
signale iz okruženja. Prvi sloj prenosi signale sljedećem sloju (skriveni sloj) koji
obrađuje ove podatke i izdvaja osobine i šeme iz primljenih signala. Podaci koji se
smatraju važnim se upućuju izlaznom sloju, posljednjem sloju mreže. Na izlazima
neurona trećeg sloja se dobijaju konačni rezultati obrade. Složenije neuronske
mreže mogu imati više skrivenih slojeva, povratne petlje i elemente za odlaganje
vremena, koji su dizajnirani da omoguće što efikasnije odvajanje važnih osobina ili
šema sa ulaznog nivoa.
22
NEURONSKE MREŽE

VJEŠTAČKE NEURONSKE MREŽE

Postoji bitna razlika u odnosu na klasične računare: neuronske mreže se ne

programiraju. Dok kod klasičnog računara programer unosi u računar program
kojim se tačno određuje rad računara u svakom trenutku, neuronske mreže se ne
programiraju već se obučavaju. Prije nego što počnu da se primjenjuju, ulaže se
dosta vremena na njihovo obučavanje, učenje ili treniranje. Proces obučavanja se
zasniva na ažuriranju najčešće težinskih koficijenata veza, a ponekad samo
vrijednosti ulaznih procesorskih jedinica. Težinski koeficijent veza ili težine veza su
koeficijenti koji su dodijeljeni u svakom trenutku vezama neuronske mreže. Za
vrijeme obučavanja ovi se koeficijenti ažuriraju. Brzina njihovog ažuriranja može
takođe biti mjerilo moći procesiranja neuronske mreže.

23
NEURONSKE MREŽE

OBUČAVANJE NEURONSKIH MREŽA

Obučavanje neuronskih mreža se svodi na učenje iz primjera kojih bi trebalo da bude

što više da bi mreža mogla da se ponaša preciznije u kasnijoj eksploataciji. Podaci
iz trening skupa se periodično propuštaju kroz neuronske mreže. Dobivene
vrijednosti na izlazu mreže se upoređuju sa očekivanim. Ukoliko postoji razlika
između dobivenih i očekivanih podataka, prave se modifikacije na vezama između
neurona u cilju smanjivanja razlike trenutnog i željenog izlaza. Ulazno-izlazni skup
se ponovo predstavlja mreži zbog daljih podešavanja težina, pošto u prvih nekoliko
koraka mreža obično daje pogrešan rezultat. Proces učenja dovodi do korigovanja
sinaptičkih težina. Poslije podešavanja težina puta za sve ulazno izlazne sheme u
trening skupu, mreža nauči da reaguje na željeni način.

24
NEURONSKE MREŽE

OBUČAVANJE NEURONSKIH MREŽA

Neuronska mreža je obučena ako može tačno da rješava zadatke za koje je

obučavana. Neuronska mreža je sposobna da izdvoji važne osobine i sheme u
klasi trening primjera. Nakon obučavanja sa određenom vjerovatnoćom, neuronska
mreža može da generalizuje nove ulazne podatke za koje nije obučavana. Na
primjer, generalizaciju možemo vidjeti na primjeru mreže obučavane da prepoznaje
serije slika: ako na ulaz takve mreže dovedemo slike za koje mreža nije
obučavana, ona do izvjesne mjere može uspješno da klasifikuje takve slike. Kada
uzorci koji se predstavljaju mreži ne dovode više do promjene ovih koeficijenata,
smatra se da je mreža obučena.

25
NEURONSKE MREŽE

OBUČAVANJE NEURONSKIH MREŽA

Propagacija greške unazad (eng. Back – propagation) je od svih paradigmi

neuronskih mreža najviše korišćena, i primjenjuje se uspješno u raznim oblastima,
kao što su: prepoznavanje oblika (vojna istraživanja, 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 različitim problemima analize oblika. Propagacija unazad uspješno rješava
probleme preslikavanja oblika: za dati ulazni oblik mreža proizvodi asocirani izlazni
oblik.
Propagacija greške unazad se bazira na relativno jednostavnom principu: kada mreža
da pogrešan rezultat, težinski koeficijenti se ispravljaju tako da greška bude manja,
a kao rezultat toga, sljedeći odgovori mreže su bliže tačnim.

26
NEURONSKE MREŽE

OBUČAVANJE NEURONSKIH MREŽA

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

unazad. Ona je okarakterisana težinskom sumom ulaza Si, izlaznom vrijednošću ai
i vrijednošću greške δi koja se koristi pri ažuriranju težinskih koeficijenata veza.

Procesorska jedinica mreže

sa propagacijom unazad

27
NEURONSKE MREŽE

OBUČAVANJE NEURONSKIH MREŽA

Neuronske mreže sa propagacijom unazad se obučavaju sa nadgledanjem. Mreži se

predstavlja jedan par obučavajućeg skupa (ulazni oblik uparen sa zadatim
izlazom). Poslje svakog predstavljanja, težine se ažuriraju tako da se smanjuje
razlika između izlaza mreže i zadatog (ciljanog) izlaza. Obučavajući skup, se
predstavlja, sve dok se mreža ne obuči, ili prekine proces obučavanja. Nakon što
se obučavanje završi, vrši se testiranje performanse mreže.

28
NEURONSKE MREŽE

OBUČAVANJE NEURONSKIH MREŽA

Korak propagacije greške unaprijed (eng. Forward– propagation) se inicijalizuje

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

29
NEURONSKE MREŽE

PRIMJENA NEURONSKIH MREŽA

Neuronske mreže nalaze sve veći broj primjena. Na primjer, upotrebljavaju se u obradi
signala, analizi podataka, raznim kontrolama, kompresiji slike, konverziji jezika,
postavljanju dijagnoza, prepoznavanju govora, psihijatrijskim procjenama, analizi
električnih kola, kompresiji zvuka, predviđanju kretanja na tržištu, izboru
osumnjičenih u kriminološkim istraživanjima, analizi medicinskih testova,
spektralnoj analizi itd.
Zbog svega navedenog, mnogi istraživači nazivaju neuronske mreže posljednjom i
najsofisticiranijom ljudskom tehnologijom. Neuronske mreže imaju široku primjenu
u proizvodnji od planiranja proizvodnje, ispitivanja materijala, izboru materijala, kao
i u samom procesu rada.

30
NEURONSKE MREŽE

PRIMJENA NEURONSKIH MREŽA

U početku su neuronske mreže koristili naučnici računarskih i kognitivnih nauka koji su

pokušavali da modeliraju čulni sistem živih organizama. Danas neuronske mreže
predstavljaju veoma atraktivnu oblast istraživanja i postoje brojne oblasti u kojima se koriste.
Primenjuju se za:
• prepoznavanje oblika,
• prepoznavanje govora,
• finansijske i ekonomske modele,
• upravljanje sistemima,
• naftna istraživanja,
• kriminološka istraživanja,
• analizu medicinskih testova,
• pronalaženje optimalnog rješenja,
• upravljanje robotima,
• vremensku prognozu i
• druge oblasti.
31
NEURONSKE MREŽE

PRIMJENA NEURONSKIH MREŽA

Primjenu neuronskih mreža je moguće realizovati na tri karakteristične oblasti:

• procesiranje senzorskih informacija,
• analiza podataka i
• kontrola upravljanja.

32