Neurális hálózatok bemutató

Neurális hálózatok bemutató Füvesi Viktor Miskolci Egyetem Alkalmazott Földtudományi Kutatóintézet

Miért? Vannak feladatok amelyeket az agy gyorsabban hajt végre mint a konvencionális számítógépek. Pl.: arcfelismerés

Számítógép Gyors Pontos Előre programozott

2/33

Agy Lassú (106) Összetett Párhuzamos asszociatív működés

Neurális Hálózatok Bemutató 2013. november 06.

Neurális hálózat Neurális hálózatnak nevezzük azt a hardver vagy szoftver megvalósítású párhuzamos, elosztott működésre képes információfeldolgozó eszközt, amely:  azonos, vagy hasonló típusú – általában nagyszámú – lokális

feldolgozást végző műveleti elem, neuron(processing element, neuron) többnyire rendezett topológiájú, nagymértékben összekapcsolt rendszeréből áll,

 rendelkezik tanulási algoritmussal (learning algorithm), mely általában

minta alapján való tanulást jelent, és amely az információfeldolgozás módját határozza meg,

 rendelkezik a megtanult információ felhasználását lehetővé tevő

információ előhívási, vagy röviden előhívási algoritmussal (recall algorithm).

3/33


Neuron általános felépítése

4/33


Perceptron típusú mesterséges neuron Rosenblatt - 1958

5/33


Tipikus aktivációs függvények

6/33


Bemeneti összegzést nem használó neuron

x bemeneti vektor c középpont vektor

7/33


Memóriával rendelkező neuron

8/33


FIR / IIR neuron struktúra

9/33


Hálózat topológia A hálózat topológiáján a neuronok összeköttetési rendszerét és a hálózat bemeneteinek és kimeneteinek helyét értjük. • irányított gráf • gráf csomópontjai a neuronok

10/33


Rétegbe szervezett topológia ∑

Bementi réteg

11/33

Rejtett réteg Kimeneti réteg


Visszacsatolások

12/33


Tanítás Ellenőrzött tanulásnál •be- és kimeneti tanító mintapont párok rendelkezésre állnak •Tanítás a mintapárok alapján •Az összehasonlítás eredménye – a tényleges és a kívánt válasz különbsége – felhasználható a hálózat olyan módosítására, hogy a tényleges válaszok a kívánt válaszokkal minél inkább megegyezzenek, és a hálózat tényleges viselkedése és a kívánt viselkedés közötti eltérés csökkenjen. Nemellenőrzött tanulásnál(unsupervised learning) •nem állnak rendelkezésünkre adott bemenetekhez tartozó kívánt válaszok •bemenetek és a kimenetek alapján a viselkedést kialakítása •Környezetből nincs visszajelzés •Bemeneti adatokban, jelekben valami hasonlóság, korreláció, kategóriák, csoportok

13/33


Tanítás leállítása

14/33


MLP ∑

Bementi réteg

15/33

Rejtett réteg Kimeneti réteg Neurális Hálózatok Bemutató 2013. november 06.

Dinamikus rendszer modellezése SISO - Single Input Single Output System

~ y (t )

u(t) u(t-1) Virtuális bemenetek

Z-1 Z-1

u(t-2)

u(t-3) Z-1

Egy rejtett rétegű neurális hálózat

~ y (t )  f ut , ut  1, ut  2,...,ut  n

16/33


Neurális háló alkalmazása Alkalmazási területek: • Mérnöki – önjáró autó, repülőgépek szabályozása • Fizikai – adaptív teleszkóp optika • Biológiai - protein identifikáció • Orvosi – ráksejt, EKG analízis • Pénzügyi – tőzsdei előrejelzés • Művészet – beszéd és írásfelismerés • Katonai – adattömörítés, célpont követés • stb

Feladatcsoportok: • Minta asszociáció • klaszterezés., osztályozás, jellemvonás felismerés • Függvény közelítés • Szabályozás • Optimalizálás • Tudás rögzítés 17/33


Szoftverek • Szkript nyelvek: • Matlab + Simulink – NN Toolbox, NNSYSID, stb. • Scilab + Xcos – ANN Toolbox, LoLiMoT, stb. • Octave • Matematica • Programozási nyelvek C/C++ • FANN • OpenNN C# • Encog • Specifikus programok • Alyda – NeuroIntelligence • NeuroXL • NeuroSolution • EasyNN

18/33


Források • Retter Gyula: Fuzzy, neurális, genetikus, kaotikus rendszerek Akadémiai Kiadó, Budapest, 2. kiadás, 2006 ISBN 963 05 8353 4 • http://project.mit.bme.hu/mi_almanach/

• Google.hu

19/33


Feladat RL tag bekapcsolási folyamata R

L ube [V]

𝑖𝑘𝑖 =

𝑢𝑏𝑒 − 𝑢𝐿 𝑅

𝑢𝐿 = 𝐿

𝑅 𝑢𝑏𝑒 −𝐿 𝑡 𝑖𝑘𝑖 = 1−𝑒 𝑅

𝑑𝑖𝑘𝑖 𝑑𝑡

25

2,5

20

2

15

1,5

10

1

ube [V]

ube

5

0,5

0

0 0

1

2

3 t [ms]

20/33

iki [A]


4

5

6

iki [A]

iki(t)

Feladat RL tag bekapcsolási folyamata iki(t)

R

L

ube

ube

iki(t)

iki(t-1)

21/33


Feladat

22/33



R

L

ube

23/33



R

L

ube Tanító készlet Közelítés

Kiértékelő készlet

Valós

Közelítés

1,2

1,2

1

1

0,8

0,8

0,6

0,6

0,4

0,4

0,2

0,2

Valós

0

0 1

24/33

11

21

31

41

51

61

71

81

1

2

3

4

5

6

7

8


9

10 11 12 13 14 15 16

Neurális hálózatok bemutató

Recommend Documents