Upload
nguyendang
View
233
Download
4
Embed Size (px)
Citation preview
SVEUČILIŠTE U ZAGREBU
FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA
DIPLOMSKI RAD br. 744
Stabilnost BAM neuronske mreže
Petra Vidović
Zagreb, lipanj 2014.
Sadržaj
Uvod ...................................................................................................................................... 1
1. Osnove teorije stabilnosti .............................................................................................. 2
1.1. Ljapunovljeva definicija stabilnosti....................................................................... 2
1.2. Centralna mnogostrukost ....................................................................................... 4
1.3. Hopfova bifurkacija ............................................................................................... 5
1.3.1. Dvodimenzionalni sustav .............................................................................. 5
1.3.2. Trodimenzionalni sustav ............................................................................... 9
2. Diferencijalne jednadžbe s kašnjenjem ....................................................................... 11
2.1. Metode rješavanja diferencijalnih jednadžbi ....................................................... 12
2.2. Primjer diferencijalne jednadžbe s kašnjenjem ................................................... 13
3. Neuronske mreže ......................................................................................................... 15
3.1. Hopfieldova mreža .............................................................................................. 16
3.1.1. Hopfieldova mreža s kašnjenjem ................................................................. 19
4. BAM neuronska mreža ................................................................................................ 23
4.1. Stabilnost BAM neuronske mreže ....................................................................... 24
4.2. Pojava Hopfove bifurkacije ................................................................................. 27
4.3. Računalni primjer ................................................................................................ 29
Zaključak ............................................................................................................................. 41
Literatura ............................................................................................................................. 42
Sažetak ................................................................................................................................. 44
Summary .............................................................................................................................. 45
Skraćenice ............................................................................................................................ 46
Privitak ................................................................................................................................ 47
1
Uvod
Dvosmjerna asocijativna memorija (engl. Bidirectional Associative Memory - BAM)
nastala je kao proširenje jednosmjerne autoasocijativne Hopfieldove neuronske mreže.
Marcus i Westervelt promatrali su vremenska kašnjenja koja se pojavljuju u prijenosu
signala te su predložili neuronsku mrežu s kašnjenjem. U diferencijalnim jednadžbama s
kašnjenjem javljaju se periodična rješenja koja proizlaze iz Hopfove bifurkacije.
Periodična rješenja se pojavljuju u sustavima običnih, ali i parcijalnih diferencijalnih
jednadžbi, gdje se osim Hopfove bifurkacije može pojaviti i neka druga bifurkacija, poput
Neimark-Sacker bifurkacije u Hopfieldovoj mreži s kašnjenjem.
U ovom radu promatrat će se bifurkacijska svojstva pojednostavljene dvosmjerne
asocijativne memorijske neuronske mreže s tri neurona i višestrukim kašnjenjem. S
obzirom na dvosmjernu strukturu, BAM neuronske mreže imaju praktičnu primjenu u
spremanju uparenih uzoraka i imaju sposobnost pretraživanja željenih uzoraka u oba
smjera, naprijed i unatrag. BAM mreža može spremiti mnogostruke uzorke za razliku od
drugih tipova neuronskih mreža koje imaju samo jedan spremnik uzoraka ili jedan
memorijski uzorak.
U prvom poglavlju definirani su osnovni pojmovi iz teorije stabilnosti kao što je
Ljapunovljeva definicija stabilnosti, pojam centralne mnogostrukosti te definicija Hopfove
bifurkacije u dvije i tri dimenzije. U drugom poglavlju opisane su diferencijalne jednadžbe
s kašnjenjem, metode rješavanja diferencijalnih jednadžbi te primjer direktnog rješavanja
linearne diferencijalne jednadžbe s kašnjenjem. U trećem poglavlju opisana je struktura
neuronske mreže i njena poveznica sa živčanim sustavom čovjeka, zatim je opisana
arhitektura Hopfieldove neuronske mreže, ali i arhitektura Hopfieldove mreže s
kašnjenjem. U četvrtom poglavlju definirana je BAM neuronska mreža, način provjere
stabilnosti mreže, primjena teorema stabilnosti na BAM neuronsku mrežu te određivanje
uvjeta pojave Hopfove bifurkacije kada mreža izgubi stabilnost. Zadnje potpoglavlje
prikazuje računalnu simulaciju BAM neuronske mreže pritom dokazujući teoreme iz
četvrtog poglavlja.
2
1. Osnove teorije stabilnosti
Problem stabilnosti pojavio se kod promatranja sunčevog sustava, nazvan i kao
problem stabilnosti N-tijela. Prvo formalno načelo za ukupnu minimalnu energiju definirao
je talijanski fizičar Evangelista Torricelli (1608-1647). Torricelli je rekao da je sustav tijela
u ravnotežnoj točki, ako ta točka sadrži (lokalnu) ukupnu minimalnu energiju. Sredinom
18. stoljeća dva matematičara i astronoma, Pierre-Simon Laplace (1748-1827) i Joseph
Louis Lagrange (1736-1813), otišli su korak dalje: pokazali su da ako je sustav
konzervativan, stanje koje odgovara minimalnoj potencijalnoj energiji i kinetičkoj energiji
jednakoj nula upravo je stabilna ravnotežna točka. Dokazano je da Torricellijevo načelo
također vrijedi i za disipativne sustave, gdje se ukupna energija smanjuje duž trajektorija
sustava. Tek je 1892. godine Aleksandr Ljapunov (1857-1918), ruski matematičar,
mehaničar i fizičar, dao odgovor na određene probleme vezane uz utvrđivanje postavki
stabilnosti rotirajućih tijela tekućina čije je temelje dao Poincaré.
1.1. Ljapunovljeva definicija stabilnosti
Ravnotežna točka x = 0 je stabilna ravnotežna točka sustava 00 )(),,( xtxtxfx
za sve 00 t i ε > 0 te postoji radijus δ(t0, ε) takav da )(),( 00 txtx za sve
0tt , gdje je x(t) rješenje sustava krećući od x0 u vremenu t0. Kako bi ravnotežna točka
bila stabilna, trajektorije sustava moraju ostati blizu ishodišta, ako je i početno stanje blizu
ishodišta. Stabilnost može biti:
1. jednolika - ako se u prethodnoj definiciji teorije stabilnosti δ može izabrati neovisno o t0, tj. ravnotežna točka ne postaje manje stabilna kroz vrijeme;
2. asimptotska - ako je x = 0 stabilna ravnotežna točka sustava i ako je x = 0 privlačna
tj. za sve 00 t postoji δ(t0) takav da 0)(lim0
txxt
;
3. jednolika asimptotska - ako je x = 0 jednoliko stabilna ravnotežna točka sustava i ako trajektorija x(t) konvergira jednoliko u nulu;
4. eksponencijalna - ako postoji m, α > 0 takvi da 0)( 0)( xmetx tt za sve
0, 00 ttRx n .
3
Prethodna definicija je lokalna, dotiče se samo onih točaka u okolini ravnotežne točke.
Druga Ljapunovljeva metoda pomaže u određivanju stabilnosti sustava bez eksplicitnog
integriranja diferencijalne jednadžbe. Ta metoda je generalizacija osnovne ideje da
mjerenjem disipacije energije u sustavu možemo dobiti zaključke o stabilnosti sustava.
„Kontinuirana funkcija nRDtxV ),( je pozitivno definitna funkcija na D ako je
0),( txV za svaki )0,0(),(,),( yxDtx .“ (Korkut et al., 2009)
Teorem 1. Osnovni Ljapunovljev teorem govori da kada je kontinuirana funkcija V(x, t),
koju smatramo kao poopćenu funkciju energije, (lokalna) pozitivna definitna funkcija (skr.
LPDF) i kada je 0),(
dt
txdV, tada možemo odlučiti o stabilnosti ravnotežne točke.
Funkciju V(x, t) nazivamo Ljapunovljevom funkcijom. Nastavak osnovnog Ljapunovljevog
teorema prikazan je u tablici (Tablica 1). (Sastry, 1999)
Tablica 1. Osnovni Ljapunovljev teorem (Sastry, 1999)
Uvjeti na V(x, t) Uvjeti na ),( txV Zaključci
LPDF ≥ 0 lokalno stabilno
LPDF, padajuća ≥ 0 lokalno jednoliko stabilno
LPDF, padajuća LPDF jednoliko asimptotski stabilno
PDF, padajuća PDF globalno asimptotski stabilno
Dodatni kriterij za određivanje asimptotske stabilnosti za dinamičke sustave dao je
LaSalle. „LaSalleovo načelo nepromjenjivosti ima dvije namjene: može se zaključiti da je
nešto asimptotski stabilno iako ),( txV nije lokalna pozitivna definitna funkcija te se
može dokazati da trajektorije diferencijalne jednadžbe koje počinju u jednom području
konvergiraju u jednu od mnogih ravnotežnih točaka u tom istom području. To načelo
primarno vrijedi za autonomne i periodične sustave.“ (Sastry, 1999)
4
1.2. Centralna mnogostrukost
Promatra se ponašanje sustava na centralnoj krivulji, a transverzalno na nju su dvije
situacije, stabilna krivulja kad sustav ide prema ravnotežnoj točki ili nestabilna krivulja
kad sustav ide od ravnotežne točke. Za analizu dinamičkih sustava koji nisu strukturno
stabilni potrebno je upotrijebiti analitičku tehniku centralne mnogostrukosti koja smanjuje
dimenziju prostora na kojem se promatra složeno ponašanje sustava. Ako linearizacija daje
svojstvene vrijednosti na imaginarnoj osi, dinamika sustava tada je složena. Sustav
pokazuje nelinearno ponašanje kada linearizacija nije hiperbolična.
Stabilni, nestabilni i centralni potprostor pojmovi su koji pomažu pri ispitivanju
topološkog tipa ravnotežne točke s jednom svojstvenom vrijednosti jednakoj nula.
„Svojstveni potprostor razapet svojstvenim vektorima s negativnim realnim dijelom
nazivamo stabilnim potprostorom i označavamo s ES. Svojstveni potprostor razapet
svojstvenim vektorima s pozitivnim realnim dijelom nazivamo nestabilnim potprostorom i
označavamo s EU. Svojstveni potprostor razapet svojstvenim vektorima s realnim dijelom
jednakim nuli nazivamo centralnim potprostorom i označavamo s EC.“ (Korkut et al.,
2009) U ravnini ES, EU i EC su pravci ili ravnine, a krivulje i plohe su mnogostrukosti.
„Teorem o stabilnoj, nestabilnoj i centralnoj invarijantnoj mnogostrukosti daje egzistenciju
mnogostrukosti koje su ujedno invarijantni skupovi. Invarijantni skupovi su skupovi koji
imaju svojstvo da točka ne može napustiti skup kad jednom dođe u njega.“ (Korkut et al.,
2009)
Teorem 2. Neka je f vektorsko polje Ck gdje vrijedi f(0) = 0 i Df(0) = A. Neka su
CC us , i σc kao podskup imaginarne osi razdvojene particije spektra A s
povezanim generaliziranim potprostorima ES, EU i EC. Tada postoji Ck kao stabilna i
nestabilna invarijantna mnogostrukost WS, WU tangencijalna na ES, EU u ishodištu i Ck-1
centralna mnogostrukost WC tangencijalna na EC u ishodištu. Mnogostrukosti WS i WU su
jedinstvene, ali WC ne mora biti jedinstven. (Sastry, 1999)
„Kod linearnih sustava invarijantni potprostori su ujedno i invarijantne
mnogostrukosti. U višedimenzionalnom prostoru postoje invarijantne krivulje, plohe i
hiperplohe. Krivulje su transverzalne u nekoj točki ako njihove tangente u toj točki ne
zatvaraju kut od 0° niti od 180°. Plohe su transverzalne ako tangencijalne ravnine u
zadanoj točki ne zatvaraju kut od 0° niti od 180°.“ (Korkut et al., 2009) U n-
5
dimenzionalnom prostoru dimenzija centralne mnogostrukosti jednaka je broju svojstvenih
vrijednosti kojima je realni dio jednak nula.
1.3. Hopfova bifurkacija
Eberhard Hopf (1902-1983) bio je matematičar i astronom, utemeljitelj ergodičke
teorije i začetnik teorije bifurkacija. Ako fazni portret promijeni svoju topološku strukturu
pri promjeni određenog parametra tada se pojavljuje bifurkacija.
Prema Kuznetsov (2006), promatra se autonomni sustav običnih diferencijalnih
jednadžbi nxxfx ),,( ovisan o parametru , gdje je funkcija f glatka. Neka
za sve dovoljno male vrijednosti sustav ima skup stabilnih ravnotežnih točki x0(α).
Neka Jacobijanova matrica A(α) = fx(x0(α), α) ima par kompleksnih svojstvenih vrijednosti
i2,1 koja postaju čisto imaginarne vrijednosti kada je α = 0 odnosno
μ(0) = 0 i ω(0) = ω0 > 0. Kad parametar α prijeđe vrijednost α = 0, tada ravnotežno stanje
gubi stabilnost i pojavljuje se granični ciklus oko ravnotežne točke. Bifurkacija je opisana s
bifurkacijskim uvjetom kada je realni dio svojstvene vrijednosti λ1,2 = 0 te se pojavljuje u
jednoparametarskim familijama glatkih običnih diferencijalnih jednadžbi.
U sljedeća dva potpoglavlja definiraju se uvjeti u kojima se pojavljuje Hopfova bifurkacija
za dvodimenzionalni i trodimenzionalni slučaj.
1.3.1. Dvodimenzionalni sustav
Prema Kuznetsov (2006), promatra se slučaj pojave Hopfove bifurkacije u
dvodimenzionalnom sustavu
),,(
),,,(
2122
2111
xxfx
xxfx
s dodatna dva uvjeta: 1. l1(0) ≠ 0, gdje je l1(α) prvi Ljapunovljev koeficijent
2. μ'(0) ≠ 0.
Tada je sustav lokalno topološki ekvivalentan u okolini ravnotežne točke u normalnoj
formi
6
)(
)(22
212212
22
211211
yyyyyy
yyyyyy
,
gdje je 1))0((,),( 12
21 lsignyyy T .
Ljapunovljev koeficijent je koeficijent uz vodeći član u asimptotskom razvoju
Poincaréovog preslikavanja oko fokusa.
Pretpostavlja se da se fizikalni sustav smiruje u ravnotežnu točku kroz
eksponencijalno prigušujuće oscilacije odnosno male smetnje propadaju nakon određenog
titranja. Neka brzina propadanja ovisi o bifurkacijskom parametru µ. Ako propadanje
postaje sve sporije i konačno se pretvori u rast u kritičnoj vrijednosti µc, ravnotežna točka
izgubit će stabilnost. U većini slučajeva dobivena trajektorija ima malu amplitudu,
sinusoidalnog je karaktera te predstavlja granični ciklus koji oscilira oko prijašnjeg
stabilnog stanja. Tada se to naziva superkritična Hopfova bifurkacija. Superkritična
Hopfova bifurkacija pojavljuje se kada se stabilna spirala pretvori u nestabilnu spiralu koja
je okružena malim, skoro ovalnim graničnim ciklusom. Ova bifurkacija može se pojaviti u
n-dimenzionalnim sustavima gdje je n ≥ 2.
Sljedeći primjer prikazuje sustav u polarnim koordinatama
2
3
br
rrr
, gdje se
pojavljuje superkritična Hopfova bifurkacija. Sustav ima tri parametara: parametar µ
kontrolira stabilnost ravnotežne točke u ishodištu, parametar ω daje frekvenciju oscilacija i
parametar b određuje ovisnost frekvencije o amplitudi za oscilacije s velikim amplitudama.
Slika (Slika 1.1) prikazuje fazni portret ovisno o promjeni parametra µ.
Slika 1.1 Superkritična Hopfova bifurkacija (Strogatz, 1994; Karaaslanli, 2012)
7
Kada je µ < 0, r = 0 je stabilna spirala čiji smjer rotacije određuje predznak parametra ω.
Kada je µ = 0, ishodište je još uvijek stabilna spirala, ali slaba spirala. Kada je µ > 0,
nastaje nestabilna spirala i stabilni granični ciklus u r . Svojstvene vrijednosti
sustava su i , iz čega se može zaključiti da svojstvene vrijednosti prelaze
imaginarnu os dok se parametar µ povećava od negativnih prema pozitivnim
vrijednostima. Postoje dva generalna pravila za pojavu superkritične Hopfove bifurkacije:
1. Veličina graničnog ciklusa raste kontinuirano od nule i povećava se proporcionalno
prema c , za µ koji je blizu µc.
2. Frekvencija graničnog ciklusa je dana aproksimacijom ω = Im λ, procijenjena s µ =
µc. Formula vrijedi pri stvaranju graničnog ciklusa i točna je za O(µ-µc) gdje je µ
blizu µc te je period T = (2π / Im λ) + O(µ-µc), gdje oznaka O(µ-µc) odgovara
)()( cc CO gdje je C > 0.
Hopfova bifurkacija koja se pojavljuje u praktičnim problemima ima ovalni granični
ciklus, a ne kružni, a oblik ciklusa iskrivljuje se s obzirom na to kako se parametar µ
udaljuje od bifurkacijske točke. Također u praksi svojstvene vrijednosti prate krivudavu
liniju i tako prelaze preko imaginarne osi s nagibom različitim od nule.
Druga vrsta Hopfove bifurkacije je subkritična bifurkacija. Subkritična Hopfova
bifurkacija može biti potencijalno opasna za inženjerske probleme. Nakon bifurkacije,
trajektorija mora skočiti prema udaljenom atraktoru, što može biti ravnotežna točka,
granični ciklus, beskonačnost ili atraktor u kaosu.
Promatra se primjer .2
53
br
rrrr
Razlika u odnosu na prethodni primjer je što ovdje
drugi član r3 ima pozitivan predznak koji djeluje destabilizirajuće odnosno odvlači
trajektorije daleko od ishodišta. Fazni portret prikazan je na sljedećoj slici (Slika 1.2).
8
Slika 1.2 Subkritična Hopfova bifurkacija (Strogatz, 1994; Karaaslanli, 2012)
Kada je µ < 0 postoje dva atraktora, stabilni granični ciklus i stabilna ravnotežna točka u
ishodištu te nestabilni ciklus koji je označen isprekidanom crtom. Kako se µ povećava,
nestabilni ciklus steže se oko ravnotežne točke. Kada je µ = 0, pojavljuje se subkritična
Hopfova bifurkacija, gdje se nestabilni ciklus smanjuje do amplitude jednake nuli i pada u
ponor, čime sustav postaje nestabilan. Kada je µ > 0, granični ciklus velike amplitude je
jedini atraktor u faznom portretu. Rješenja koja su prije bila u blizini ishodišta sada rastu u
oscilacije s velikim amplitudama. Jednom kad su oscilacije velikih amplituda započele, ne
mogu se ugasiti smanjivanjem parametra µ na nulu. Oscilacije će postojati sve dok je µ = -
1/4 gdje se stabilni i nestabilni ciklus sudaraju i međusobno poništavaju. Subkritična
bifurkacija pojavljuje se u dinamičkim sustavima živčanih stanica, u zračno-elastičnim
podrhtavanjima i ostalim vibracijama koje prouzrokuju krila aviona te u nestabilnostima
kod protoka tekućina.
Treća vrsta Hopfove bifurkacije je degenerirana bifurkacija odnosno to je poopćena
Hopfova bifurkacija tzv. Hopf-Takensova bifurkacija u kojoj može nastati više graničnih
ciklusa. Promatra se primjer prigušenog njihala jednadžbe 0sin xxx . Kako se
mijenja prigušeni parametar µ od pozitivne prema negativnoj vrijednosti, ravnotežna točka
u ishodištu mijenja se iz stabilne u nestabilnu spiralu. Kada je µ = 0 ne pojavljuje se prava
Hopfova bifurkacija jer ne postoje granični ciklusi s nijedne strane bifurkacije. Umjesto
toga pojavljuje se kontinuirana grupa zatvorenih trajektorija oko ishodišta. „Slučaj
degenerirane bifurkacije pojavljuje se kada nekonzervativni sustav postaje konzervativni u
bifurkacijskoj točki. Tada ravnotežna točka postaje nelinearni centar umjesto slabe spirale
tipične za Hopfovu bifurkaciju.“ (Strogatz, 1994)
9
1.3.2. Trodimenzionalni sustav
Promatra se nelinearni, autonomni, dinamički, parametarski sustav u tri dimenzije
),( F gdje je µ bifurkacijski parametar sustava, F(ξ, µ) je analitička funkcija i ξ* je
ravnotežna točka sustava takva da vrijedi F(ξ*, µ) = 0. Jacobijeva matrica daje tri
svojstvene vrijednosti, par kompleksno-konjugiranih vrijednosti λ1,2(µ) = α(µ) ± iβ(μ) koje
prelaze imaginarnu os sa striktno pozitivnim parametrom μ koji prelazi vrijednost nula pa
vrijedi α(0) = 0, α'(0) > 0 i β(0) > 0, te realna svojstvena vrijednost λ3(μ) = δ(μ) koja
zadovoljava uvjet δ(0) < 0. „Kada bifurkacijski parametar μ prijeđe kritičnu vrijednost
nula, u sustavu se rađa stabilni granični ciklus i zadržava se u blizini ravnotežne točke ξ*.“
(Hadidi, 2013)
Kao najznačajniji primjer promatra se Lorenzov sustav običnih diferencijalnih jednadžbi
bzxyz
xzyrxy
xyx
)(
, gdje su parametri σ, r, b > 0. Parametar σ je Prandtlov broj, parametar r
je Rayleighev broj te parametar b predstavlja fizikalnu proporciju. Lorenzov sustav je
pojednostavljeni sustav konvekcijskih uvrtanja u Zemljinoj atmosferi. Sustav ima dvije
ravnotežne točke, od kojih ravnotežna točka u ishodištu (x*, y*, z*) = (0, 0, 0) vrijedi za sve
vrijednosti navedenih parametara, a druga ravnotežna točka
1,)1( *** rzrbyx vrijedi za r > 1. Lorenz te točke naziva C+ i C- te one
predstavljaju lijevo odnosno desno skretanje konvekcijskih uvrtanja. Kad r → 1+ tada se
C+ i C- sjedinjuju s ishodištem u viličastu bifurkaciju. Za r < 1 svaka se trajektorija
približava ishodištu kako se vrijeme povećava pa je ishodište globalno stabilna ravnotežna
točka i nema graničnih ciklusa niti pojave kaosa. Stabilnost se definira prema
Ljapunovljevoj funkciji energije navedene u poglavlju 1.1. Za r > 1 postoje ravnotežne
točke C+ i C- koje su linearno stabilne za 1
)3(1
b
brr H
s pretpostavkom da je
nazivnik pozitivan. Ravnotežna točka gubi stabilnost kada je r = rH te se pojavljuje
Hopfova bifurkacija. Bifurkacija je subkritična gdje su granični ciklusi nestabilni i oni
postoje za r < rH. Ravnotežne točke prigušuju ciklus sedla koji se pretvara u točku sedla.
Promatra se Lorenzov sustav s vrijednostima parametara σ = 10, r = 28, b = 8/3. Vrijednost
parametra r prelazi vrijednost Hopfove bifurkacije rH ≈ 24.74. Na sljedećoj slici (Slika 1.3)
10
je prikaz dobivene trajektorije kao projekcije iz trodimenzionalnog sustava u
dvodimenzionalni sustav tzv. Lorenzov atraktor.
Slika 1.3 Lorenzov atraktor (Strogatz, 1994)
Iako se čini kao da se trajektorije odnosno dvije površine sijeku, što je nemoguće po
teoremu o egzistenciji i jednoznačnosti rješenja diferencijalne jednadžbe, iluzija je
stvorena zbog snažnog obujma kontrakcije toka i nedovoljne numeričke rezolucije. Lorenz
dolazi do zaključka da se svaka površina u stvari sastoji od još dvije površine i tako u
beskonačnost te se dobiva fraktalna struktura, čija je fraktalna dimenzija između dva i tri.
(Strogatz, 1994)
11
2. Diferencijalne jednadžbe s kašnjenjem
Diferencijalna jednadžba je jednadžba za nepoznatu funkciju jedne ili nekoliko
varijabli koje povezuju vrijednosti funkcije i njezinih derivacija različitih redova.
Diferencijalne jednadžbe djeluju na beskonačnom dimenzionalnom prostoru koji se sastoji
od kontinuiranih funkcija koje se prilagođavaju visoko dimenzionalnoj dinamici.
Diferencijalne jednadžbe imaju važnu ulogu u inženjerstvu, fizici, ekonomiji i drugim
znanstvenim disciplinama. Diferencijalne jednadžbe s kašnjenjem mogu stvoriti bogatu i
realnu dinamiku s realnim vrijednostima parametara. Diferencijalne jednadžbe s
kašnjenjem su jednadžbe gdje derivacija nepoznate funkcije u trenutnom vremenu ovisi o
vrijednostima određene funkcije u prošlom vremenu. Zato se mora definirati početna
funkcija koja pokazuje ponašanje sustava prije vremena t = 0. Ta funkcija mora pokriti
period dugačak barem koliko traje najduže kašnjenje.
Općenita forma diferencijalnih jednadžbi s vremenskim kašnjenjem za ntx )( je
)),(,()( txtxtftxdt
d gdje txxt :)( predstavlja trajektoriju rješenja u prošlosti, a
f je funkcijski operator iz ),(1 nn C u n . (Kuang, 2012) Rješenje
diferencijalne jednadžbe može se promatrati kao bijekcija odnosno preslikavanje iz
funkcije na intervalu [t-τ, t] u funkciju na intervalu [t, t-τ] odnosno rješenje sustava je
slijed funkcija f0(t), f1(t), f2(t), ..., definirane preko grupe susjednih vremenskih intervala
duljine τ. Točke t = 0, τ, 2τ, ..., gdje se dodiruju segmenti rješenja zovu se čvorovi. Red
diferencijalne jednadžbe je red najviše derivacije koja se javlja u jednadžbi.
U većini aplikacija koje koriste diferencijalne jednadžbe kako bi prikazale neki sustav
iz prirodnog ili tehnološkog kontrolnog problema, potreba za konstituiranjem vremenskog
kašnjenja je zbog prisutnosti trajanja samog procesa ili u postojanju faza u strukturi
sustava. U tim sustavima kontrolor promatra stanje sustava i radi preinake na sustavu
prema vlastitom opažanju. S obzirom na to da se te preinake ne mogu napraviti trenutno,
javlja se kašnjenje između promatranja i kontrolne akcije. U posebnim slučajevima,
stabilnost ravnotežnog stanja može se odrediti preko grafa funkcije vremenskog kašnjenja
koja se može eksplicitno izraziti odnosno prikazati. S obzirom na povećanje vremenskog
kašnjenja, stabilnost se može mijenjati od stabilnog preko nestabilnog pa opet do stabilnog
12
stanja, implicirajući da veliko kašnjenje može biti stabilizirajuće. Vremenska kašnjenja
mogu ponekad biti ovisna i o nekom stanju unutar sustava pri čemu se povećava složenost
sustava. Osim navedenog, kašnjenje može biti jednostruko ili mnogostruko, konstantno,
raspodijeljeno ili pak vremenski ovisno o nekoj varijabli u sustavu.
Diferencijalne jednadžbe imaju važnu ulogu u modeliranju gotovo svih fizičkih,
tehničkih i bioloških procesa, od nebeskog gibanja, preko dizajniranja mosta, do interakcija
između neurona. Teorija diferencijalnih jednadžbi je gotovo potpuno razvijena i metode
korištene za njihovo proučavanje znatno variraju s tipom jednadžbi. Jednadžbe mogu biti
obične ili parcijalne te su općenito klasificirane kao linearne i nelinearne. Diferencijalna
jednadžba je linearna ako se nepoznata funkcija i njene derivacije pojavljuju do prve
potencije gdje produkti nisu uključeni, a inače je nelinearna. Nelinearne diferencijalne
jednadžbe mogu pokazivati složeno ponašanje kroz dulji vremenski interval, što je
karakteristično za kaos. Linearne diferencijalne jednadžbe često se pojavljuju kao
aproksimacija nelinearnih jednadžbi koje su priznate pod ograničenim uvjetima.
2.1. Metode rješavanja diferencijalnih jednadžbi
Diferencijalne jednadžbe matematički su proučavane iz nekoliko različitih
perspektiva, najviše upletene sa svojim rješenjima kao skup funkcija koje zadovoljavaju
jednadžbu. Jedino najjednostavnije diferencijalne jednadžbe priznaju rješenja dane
eksplicitnim formulama, no neka svojstva rješenja diferencijalne jednadžbe mogu se
odrediti bez traženja njihove točne forme. Ako zatvorena forma za rješenje nije
raspoloživa, rješenje se može numerički aproksimirati koristeći računalo. Mnoga svojstva
diferencijalnih jednadžbi mogu se analizirati preko karakteristične jednadžbe, kao što je
svojstvo stabilnosti sustava. Naprimjer, za jednadžbu )()()(' tbxtaxtx
karakteristična jednadžba je λ - a - be-λ = 0. Rješenja karakteristične jednadžbe λ nazivaju
se karakteristična rješenja. S obzirom na to da se karakteristično rješenje pojavljuje u
eksponentu u krajnjem izrazu iz primjera, karakteristična jednadžba ima beskonačan broj
rješenja, ali konačan broj rješenja se nalazi s desne strane u kompleksnoj ravnini. (Kuang,
2012)
Proučavanje postojanosti rješenja diferencijalnih jednadžbi je znana kao teorija
stabilnosti. Teorija dinamičkih sustava daje naglasak na kvalitativnu analizu sustava
diferencijalnih jednadžbi, dok su mnoge numeričke metode razvijene da odrede rješenja s
13
danim stupnjem preciznosti. Čista matematika fokusira se na egzistenciju i jedinstvenost
rješenja, dok primijenjena matematika naglašava strogo opravdanje metoda za
aproksimiranje rješenja. Matematičari također proučavaju slaba rješenja pritom se
oslanjajući na slabe derivacije gdje su tipovi rješenja koja ne trebaju biti diferencijalna
svuda, što pomaže u dobivanju rješenja.
Diferencijalne jednadžbe mogu se riješiti uz pomoć metode pomaka, neke
jednadžbe mogu se svesti na obične diferencijalne jednadžbe ili se pak diferencijalne
jednadžbe s kašnjenjem mogu riješiti numerički. Metoda pomaka integrira glatku funkciju
u zadanom intervalu i zatim kreće na sljedeći interval, pritom pazeći na širenje prekida u
početnoj točki s obzirom na kašnjenje. Sve dok intervali ne postanu jako mali, metoda daje
dobre rezultate. U ovom radu koristi se numeričko rješavanje diferencijalnih jednadžbi u
programskom alatu Matlab koji ima ugrađenu funkciju dde23. S obzirom na to da su
numeričke metode namijenjene za probleme s rješenjima koje imaju nekoliko
kontinuiranih derivacija, prekidi u derivacijama nižeg reda zahtijevaju oprez. Generalno
postoji prekid u prvoj derivaciji rješenja u početnoj točki, ali prekid može biti i u vremenu
prije i poslije početne točke. Prekidi se mogu širiti, zato ako rješenje ima prekid u nekoj
derivaciji, prekidi su i u ostatku intervala na razmaku veličine kašnjenja. „Kada je red
jednadžbi dovoljno velik, prekidi neće ometati numeričku metodu i oni se ne moraju više
tražiti.“ (Shampine, 2001) Funkcija dde23 koristi Runge-Kutta kao metodu rješavanja
diferencijalnih jednadžbi. Runge-Kutta metoda stvara aproksimacije u zadanim
intervalima, gdje se počinje od dane početne vrijednosti u koracima s određenom
udaljenosti. Udaljenost se uzima kao najmanja moguća kako bi se dobila što točnija
aproksimacija, ali opet dovoljno velika kako bi se dostigao kraj intervala u što manje
koraka. „Funkcija dde23 koja se bazira na trećem redu Runge-Kutta metode koristi tzv.
Hermit interpoliranje starog i novog rješenja i derivaciju kako bi dobio što točniju
interpolaciju.“ (Thompson, 2011)
2.2. Primjer diferencijalne jednadžbe s kašnjenjem
Promatra se jednostavni primjer linearne diferencijalne jednadžbe s kašnjenjem
)1( tyadt
dy. Jedina ravnotežna točka je y = 0. S obzirom na to da je zadana jednadžba
linearna, uvrštava se partikularno rješenje y = Ceλt u početnu jednadžbu, pritom je
14
derivacija jednaka teCdt
dy , a eaCetya t)1( što izjednačavanjem daje
karakterističnu jednadžbu λ – ae-λ = 0.
1. Neka je svojstvena vrijednost λ realna. Grafičkim prikazom rješenja y = λ i y = ae-λ,
za a > 0 dobije se točka presjeka u pozitivnoj svojstvenoj vrijednosti λ. Rješenje y
= ae-λ raste eksponencijalno u beskonačnost kad t → ∞, pa je ravnotežna točka y =
0 nestabilna. Za a < 0 dobiju se tri točke presjeka. Točka dodira krivulje i tangente
je u ac = - e-1. Za ac < a < 0 postoje dvije realne negativne svojstvene vrijednosti.
Za ac = a = - e-1, jedna je svojstvena vrijednost λ = -1, a za a < ac nema svojstvenih
vrijednosti.
2. Neka je svojstvena vrijednost λ kompleksna. Zbroj realne i imaginarne svojstvene
vrijednosti λ = λr + iλi uvrštava se u karakterističnu jednadžbu. Izrazi dobivenih
svojstvenih vrijednosti su: iiirrr aeae sin,cos , a njihov razlomak
daje .cot i
i
r
Iz zadnja dva izraza mogu se dobiti parametarske jednadžbe za
λr i a s parametrom λi, a one glase i
iiir
iiea
sin,cot
cot
. S obzirom na
periodičnost trigonometrijskih funkcija, beskonačan broj krivulja može biti rješenje
pri promjeni vrijednosti λi od -∞ do ∞.
Opće rješenje je tn
necaty );( gdje je zbroj za sve vrijednosti λi za dani parametar a te
je y = 0 stabilno ravnotežno stanje za sve vrijednosti parametra a gdje svojstvene
vrijednosti imaju negativne realne dijelove. Ako je λr = 0, tada je 0cos ia i
ii a sin odnosno kki ,2
i ia . Dobivene vrijednosti za λi i a daju
vrijednosti parametra a gdje beskonačan broj kompleksnih svojstvenih vrijednosti prolazi
kroz λr = 0. Točka y = 0 stabilna je za
0,
2
a .
15
3. Neuronske mreže
Istraživanje neuronskih mreža počelo je sredinom 20-og stoljeća razvojem kibernetike.
Definirane su osnove neuronskih mreža u radovima McCullocha i Pittsa, Donald Hebba,
Frank Rosenblatta i drugih, čime je definiran model perceptrona, pravila učenja kod
sinapsi, pojam asocijativne memorije te su pokrenute i prve simulacije mreža. Prilikom
modeliranja neuronskih mreža koriste se znanja o mozgu iz područja neuropsihologije i
fiziologije mozga, a ako to nije dovoljno tada se konstruiraju hipoteze na temelju kojih se
grade modeli. Šezdesetih godina odvaja se teorija automata i umjetne inteligencije koristeći
heurističke programe za rješavanje zadataka u područjima prepoznavanja uzoraka i
razumijevanja govora, pri čemu se služi simboličkom obradom i napuštaju se mehanizmi
bioloških sustava. Tek kasnije počinje se razvijati područje matematičke teorije poput
pravila najmanjeg kvadratnog odstupanja kod Widrowa i Hoffa, kompetitivno učenje kod
Malsburga, itd. Pojavljuje se model neuronske mreže s više slojeva, računarska tehnologija
se razvija te omogućava simulaciju mreža i daljnji razvoj matematičkih teorija i novih
saznanja o neurobiološkim procesima.
Umjetne neuronske mreže su računarske strukture oblikovane prema biološkim
živčanim sustavima. Neuron je prikazan na slici (Slika 3.1).
Slika 3.1 Živčana stanica – neuron (Hrvatska enciklopedija)
Osnovni dijelovi neurona su: tijelo neurona tzv. soma koje sadrži jezgru neurona, električki
aktivan izdanak akson koji služi za provođenje živčanog impulsa i uspostavljanje kontakta
s drugim neuronima te dendriti koji su električki pasivni i čine receptivnu površinu
16
neurona koja prima impulse od drugih neurona. Veza između neurona uspostavlja se preko
sinapsi čija je funkcija jednosmjerno i polarizirano provođenje živčanog impulsa.
Neuronske mreže imaju posebnu linearnu strukturu i metode prerade informacija u
analogiji s ljudskim mozgom. Moždana kora čovjeka sadrži oko 1011 neurona od kojih
svaki ima oko 1000 dendrita što ostvaruje oko 1014 sinapsi. Uzimajući u obzir da sustav
radi na 100 Hz ostvareno djelovanje iznosi 1016 spojeva u sekundi. Cijeli sustav je težak
1.3 kg, površine oko 0.15 m2 i debljine 2 mm. Ovakve karakteristike teško se mogu
modelirati, ali je moguće razumjeti način na koji mozak obrađuje informacije te razviti
primjeren model sustava.
Djelovanje neuronskih mreža ovisi o načinu međusobnog spajanja neurona i o samim
karakteristikama neurona. Neuroni se mogu međusobno spojiti direktnim i povratnim
vezama. Vrsta i broj povratnih veza utječe na adaptivnost i mogućnost učenja mreže, pri
čemu se pod učenjem podrazumijeva poboljšanje karakteristika rada mreže po nekom
kriteriju koji ovisi o upotrebi mreže. Prema Ilakovac (1995), brojnost međuspojeva
neurona utječe na paralelnost rada mreže. Postoji znatan broj algoritama za učenje mreže
koji se razvrstavaju u tri osnovne kategorije:
1. učenje s nadzorom koje zahtijeva učitelja koji zna ispravan odgovor te daje signal greške pri neispravnom odgovoru mreže;
2. učenje bez nadzora koje ne zahtijeva učitelja te se ne generira signal greške;
3. djelomično nadzirano učenje gdje sama mreža generira signal greške kojim se ispravlja te kroz ispravljanje dolazi do točnog odgovora.
3.1. Hopfieldova mreža
Hopfieldova neuronska mreža je potpuno povezana mreža koja je pogodna za
rješavanje problema optimizacije kao što su problem raspodjele zadataka, problem
trgovačkog putnika, određivanje izomorfizma grafova ili pak kao mreža prikazana kao
memorija adresirana sadržajem. Hopfieldov model neuronske mreže zasniva se na
izvornom radu McCullocha i Pittsa iz 1943. godine, gdje se spominju binarni sustavi s
logikom praga koji su proizašli iz bioloških neurona. Hopfieldova mreža s četiri neurona
prikazana je na slici (Slika 3.2).
17
Slika 3.2 Hopfieldova mreža
Izlaz svakog neurona vodi se na ulaz svih ostalih neurona, osim na samog sebe. Ulaz u
svaki neuron može dolaziti iz dva izvora, iz izlaza ostalih neurona i iz vanjskog ulaza.
Ovisno o iznosu ukupnog ulaza u neuron, stanje neurona se mijenja ili ostaje
nepromijenjeno u skladu s iznosom praga it svakog neurona i funkcije aktivacije. Funkcija
aktivacije je ulazno-izlazna funkcija koja je oblikovana prema ovisnosti generiranih
živčanih impulsa bioloških neurona o primljenim impulsima. Težine sinaptičkih veza se
postavljaju unaprijed. Na ulaz mreže dovodi se nepoznati uzorak što uzrokuje mijenjanje
stanja izlaza mreže. Izlazi mreže postaju novi ulazi u mrežu te se takav oblik prolaza kroz
mrežu naziva iteracijski koji se odvija sve do trenutka kad se stanje mreže prestane
mijenjati odnosno kada mreža konvergira. Tada se to stanje naziva stabilno stanje mreže.
Učenje Hopfieldove mreže provodi se učenjem s nadzorom. (Salapura, 1991)
Na slici (Slika 3.3) prikazan je strujni krug koji čini Hopfieldovu mrežu koja se
sastoji od N operacijskih pojačala međusobno povezanih u RC mrežu. Ulazni napon
pojačala označen je s ui, a izlazni napon s xi.
Slika 3.3 Hopfieldova mreža (Sastry, 1999)
18
Jednadžba Hopfieldove mreže je
N
jiiijij
ii IuGxT
dt
duC
1
, xi=g(ui),
gdje Ci > 0 označava kapacitet i-tog kondenzatora, Gi > 0 vodljivost i-tog pojačala te Tij
označava vodič kao n×n matricu, koja se naziva težinskom matricom koja označava snagu
veza između neurona. Ii označava trenutni poticaj u i-tom čvoru. Tij, otpornik Ri=1/Gi i
kapacitet Ci paralelno su spojeni, simulirajući izlazno konstantno vrijeme i–tog biološkog
neurona. (Sastry, 1999)
Hopfield je konstruirao tzv. računalnu funkciju energije
n
i
n
i
x
i
i
iijiij
i
duugR
IxxxTxE1 1
0
1 )(1
2
1)( .
Diferenciranjem jednadžbe energije u vremenu duž trajektorije sustava dobiva se sljedeća
jednadžba
N
jijij
i
i IxTR
u
1
0 .
Hopfieldova stabilnost znači kretanje prema ravnoteži ili privlačnost skupa za
ravnotežne točke, u kojoj je ravnotežna točka nepoznata i nije nužno da su energija i njena
derivacija suprotnog predznaka. To se razlikuje od Ljapunovljeve stabilnosti, gdje je
ravnotežna točka poznata i Ljapunovljeva funkcija i njena derivacija poprimaju suprotne
predznake u okolini ravnotežne točke. (Liao et al., 2008)
Glavna svojstva koja neuronski optimizator Hopfieldovog tipa mora imati su sljedeća:
1. međusobne veze matrice moraju biti simetrične;
2. treba postojati jedinstvena ravnotežna točka, koja je globalno asimptotski stabilna, lokalno stabilna i privlačna svim trajektorijama u kretanju;
3. neuronska mreža treba biti apsolutno stabilna.
Pomoću ravnotežne točke sustava određuje se globalna asimptotska stabilnost odnosno apsolutna stabilnost sustava.
19
3.1.1. Hopfieldova mreža s kašnjenjem
U biološkim i umjetnim neuronskim mrežama dolazi do kašnjenja zbog obrade
informacija. Sustav s kašnjenjem pokazuje složeniju dinamiku od sustava bez kašnjenja, s
obzirom na to da kašnjenje može proizvesti da stabilna ravnotežna točka postane nestabilna
te može uzrokovati promjenjivost svojstava sustava. Kontinuirana Hopfieldova neuronska
mreža dala je primjenu u mnogim poljima kao u obradi signala, kod prepoznavanja
uzoraka, optimizacije te asocijativne memorije. Hopfieldova mreža je također značajna u
nekim neurološkim bolestima kod čovjeka. Epilepsija je neurološka bolest karakterizirana
povećanim rizikom ponavljajućih napada, koja zahvaća oko 1% svjetske populacije.
Napadaji se manifestiraju kratkotrajno gdje je živčana aktivnost više sinkronizirana od
osnovne razine. „U tzv. lumped modelima živčane aktivnosti mozga, napadaji su često
karakterizirani kao oscilacije s velikim amplitudama. Postoje mnogi razlozi koji mogu
pokrenuti oscilacije u neuronskim mrežama, kao na primjer usporeni parametar ili vanjski
činilac koji može uzrokovati bifurkacije, smetnja koja može prisiliti sustav prema drugom
atraktoru.“ (Visser el al., 2012)
Prikazana je kontinuirana Hopfieldova neuronska mreža s kašnjenjem:
2
2
1222
2
1
2
1111
1
))(()()(
))(()()(
Itxgbtxadt
tdx
Itxfbtxadt
tdx
jjjj
jjjj
,
gdje xi(t) predstavlja stanje u i-toj jedinici vremena, ai > 0 je pasivni pad brzine, fj i gj su
izlazi neurona kao funkcije signala i one su kontinuirane, bij predstavlja snagu j-te jedinice
prema i-toj jedinici, Ii je vanjski ulaz, gdje su i, j = 1, 2; τ > 0 predstavlja kašnjenje
prijenosa.
Za računalnu simulaciju uobičajeno je kontinuiranu mrežu pretvoriti u diskretnu
mrežu bez gubljenja ikakvih svojstava. Time sustav diferencijalnih jednadžbi s kašnjenjem
postaje sustav jednadžbi diferencija. Tri su temeljna pristupa rješavanju jednadžbi
diferencija, a to su rekurzivne formule, zatim analitičke metode te operatorski postupak
odnosno Z – transformacija. Rekurzivne formule su jednostavan i direktan pristup u kojem
se slijedno mogu izračunati x(i), x(i+1), x(i+2), itd. Analitičke metode se u praksi obično
ne koriste. Treći postupak je operatorski postupak kod kojeg se izborom prikladne
transformacije jednadžba diferencija nastoji prebaciti u lakše rješivi oblik, a to je
20
algebarska jednadžba. Za prijelaz iz kontinuirane mreže u diskretnu potrebno je
normalizirati kašnjenje τ kao vremensko skaliranje t → t / τ te je potrebno uobličiti
usporavanje i razmatrati sustav s konstantnim argumentom, pa se kontinuirani sustav
transformira u sljedeći diskretni sustav
2
2
12
1222
1
2
11
1111
))(()1()()1(
))(()1()()1(
22
11
Inxfbeanxenx
Inxfbeanxenx
jjjj
aa
jjjj
aa
.
Pretpostavlja se da dobiveni diskretni sustav ima ravnotežnu točku TxxE ),( *2
*1
* . Točka
E* je ravnotežna točka pod sljedećim uvjetom:
0)(
0)(
*2
2
122
12
*1
2
111
11
xIgba
xIfba
jjj
jjj
.
Radi pojednostavljenja, koriste se sljedeći zapisi:
)1(1
)1(22112
12
11 )1)(1(4 21 gfbbeeaaD aa ,
)1(111
111 )1( 11 fbeae aa ,
)1(222
122 )1( 22 gbeae aa , za i = 1, 2.
Ako je 0ia , tada su b12 i b21 konstante i tada je D funkcija kašnjenja prijenosa. Pod
pogodnim uvjetima, kašnjenje τ može se dobiti iz funkcije kašnjenja prijenosa pa slijedi da
je )(DD . Bifurkacija Neimark-Sacker događa se kada je )( ** DD što odgovara
bifurkacijskom parametru )( ** D . Kašnjenje τ* je kritična vrijednost koja može
poremetiti stabilnost ravnotežne točke E* ukazujući da se bifurkacija Neimark-Sacker
pojavljuje pod uvjetom τ = τ*. (Zhao et al., 2008)
Na sljedećim slikama prikazana su dva primjera definirane Hopfieldove mreže s
kašnjenjem s istim početnim uvjetima x1 = 0.0915 i x2 = 0.3, ali različitim kašnjenjem: τ =
1.9288 i τ = 2.029, analogno. Sustav jednadžbi je sljedeći
21
).1(8.14
1))(tanh()2
4
1
2
1()1(4)()1(
))(arctan(4
1))(sin(
4
1)1(2)()1(
)4/1()(1
)4/1(2
)4/1(2
21)2/1(
1)2/1(
1
2
eenxenxenx
nxnxenxenx
nx
Slika (Slika 3.4.) pokazuje stabilnost sustava u vremenskoj domeni kao i pripadni fazni
portret sustava, a slika (Slika 3.5) prikazuje nestabilnost sustava.
Slika 3.4 Primjer stabilne ravnotežne točke
Slika 3.5 Primjer nestabilne ravnotežne točke – drugi primjer
U trećem primjeru kašnjenje iznosi τ = 2.029, ali se mijenjaju početni uvjeti, x1 = 0.17, x2 =
0.1. Razlika u drugom i trećem primjeru je, osim početnih uvjeta, što je u drugom primjeru
početni uvjet blizu ravnotežne točke, a u trećem primjeru je početni uvjet udaljen od
ravnotežne točke. Krivulje u oba slučaja imaju isti granični ciklus odnosno isti radijus što
pokazuje stabilnost ciklusa koji okružuje ravnotežnu točku. Fazni portret i sustav u
vremenskoj domeni prikazan je na slici (Slika 3.6).
22
Slika 3.6 Primjer nestabilne ravnotežne točke – treći primjer
23
4. BAM neuronska mreža
Dvosmjerna asocijativna memorija, kao proširenje jednosmjerne autoasocijativne
Hopfieldove neuronske mreže, prvi je predstavio Kosko. S obzirom na dvosmjernu
strukturu, BAM neuronske mreže imaju praktičnu primjenu u spremanju uparenih uzoraka
i imaju sposobnost pretraživanja željenih uzoraka u oba smjera, naprijed i unatrag. BAM
mreža može spremiti mnogostruke uzorke za razliku od drugih tipova neuronskih mreža
koje imaju samo jedan spremnik uzoraka ili jedan memorijski uzorak. „Na globalnu
stabilnost mreže utječe stabilna ravnotežna točka sustava koja predstavlja jedan uzorak za
pohranu ili uzorak memorije.“ (Cao, 2007)
BAM neuronska mreža s kašnjenjem opisana je sljedećim sustavom jednadžbi
n
ijijijijjjj
m
jijijijiiii
Itxgdtyty
Ityfctxtx
1
1
,
,
(1)
gdje su cji, cij (i = 1, 2, ... , n; j = 1, 2, ..., m) težine veza između neurona u dva sloja: I-sloj
i J-sloj; µi i µj opisuju stabilnost unutrašnjih neuronskih procesa na I-sloju odnosno na J-
sloju. Na I-sloju, neuroni čije je stanje označeno s xi(t) primaju na ulazu vrijednost Ii i
vrijednosti ulaza reproducirane neuronima iz J-sloja kroz aktivacijsku funkciju fi.
Analogno vrijedi za drugi sloj gdje neuroni čije je stanje označeno s yj(t) primaju na ulazu
vrijednost Ij i vrijednosti ulaza reproducirane neuronima iz I-sloja kroz aktivacijsku
funkciju gj. „Sustav (1) može se promatrati kao Hopfieldova neuronska mreža s
dimenzijama n + m, ali ovaj sustav pokazuje puno odličnih svojstava s obzirom na
posebnu strukturu težina veza između neurona, a i zbog praktične uporabe spremanja
uzoraka.“ (Song, 2005) Radi jednostavnosti, pretpostavlja se da je kašnjenje od I-sloja do
J-sloja označeno s τ1, dok je kašnjenje od J-sloja do I-sloja označeno s τ2. Pretpostavljaju se
početni uvjeti Ii = Ij = 0 te fi(0) = gj(0) = 0. Na I-sloju nalazi se jedan neuron, dok se na J-
sloju nalaze dva neurona. Arhitektura ovog modela prikazana je slikom (Slika 4.1).
24
Slika 4.1 Arhitektura BAM neuronske mreže (Song, 2005)
Pojednostavljena BAM neuronska mreža s gornjim postavkama može se opisati kao
sljedeći sustav
,
,
11313232
11212121
2213121121111
txfctyty
txfctyty
tyfctyfctxtx
(2)
gdje su µi > 0 (i = 1, 2, 3), cj1 (j = 2, 3) i c1i (i = 2, 3) realne konstante. Potrebno je utvrditi
stabilnost rješenja sustava u okolini ravnotežne točke (x1, y1, y2) = (0, 0, 0) odnosno
ishodišta i pojavu Hopfove bifurkacije. „Ukupno kašnjenje iznosi τ = τ1 + τ2 te kada τ
prijeđe kritičnu vrijednost, rješenje sustava u ishodištu gubi stabilnost i pojavljuje se
Hopfova bifurkacija.“ (Song, 2005)
4.1. Stabilnost BAM neuronske mreže
Neka je u1(t) = x1(t - τ1), u2(t) = y1(t), u3(t) = y2(t) pa se sustav (2) može zapisati na
sljedeći način
.
,
1313333
1212222
31312121111
tufctutu
tufctutu
tufctufctutu
(3)
Postavlja se sljedeća hipoteza na funkciju fi: .3,2,1,0)0(,)( 11 ifCfH ii
Linearizacija sustava (3) u točki (0, 0, 0) daje sljedeći sustav
,
,
113333
112222
331221111
tututu
tututu
tutututu
(4)
gdje je αij = cij fj'(0). Pripadna karakteristična jednadžba sustava (4) dobiva se iz
25
0
0
0det
313
212
31211
ee
i ona glasi
.0312212133113311221
3213231212
3213
e (5)
Ravnotežna točka (0, 0, 0) je stabilna ako sva rješenja od (5) imaju negativne realne
dijelove. Radi pojednostavljenja zapisa, jednadžba (5) prikazana je na sljedeći način
,001012
23 ebbaaa (6)
gdje je
1
0
2 0,1,0;2,1,0,j
jji bjiba . Jedno od rješenja jednadžbe (6) je iω (ω > 0)
ako i samo ako ω zadovoljava sljedeću jednadžbu
.0sincos01012
23 ibibaiaai (7)
Rastavljajući jednadžbu (7) na realni i imaginarni dio, zatim kvadriranje dviju jednadžbi s
obje strane te njihovo konačno zbrajanje daje sljedeću jednadžbu
.022 20
20
22120
21
41
22
6 babaaaaa (8)
Radi pojednostavljenja zapisa neka je z = ω2 i jednadžba (8) postaje
.023 rqzpzz (9)
Neka je
.23 rqzpzzzh (10)
Za jednadžbu (9) postoje tri slučaja rješenja:
1. S obzirom na to da
zhzlim , ako je r < 0, tada jednadžba (9) ima barem
jedno pozitivno rješenje.
2. Deriviranjem jednadžbe (10), dobije se
.23 2 qpzz
dz
zdh (11)
26
Ako je diskriminanta jednadžbe (11) 032 qp , tada je funkcija h(z)
monotono rastuća za ,0z te ako je 0r , jednadžba (9) nema pozitivnih
rješenja za ,0z .
3. Kada je 0,0 r , tada jednadžba 3z2 + 2pz + q = 0 ima dva realna rješenja
3*
2,1
pz ako i samo ako 0,0 *
1*1 zhz . Deriviranjem jednadžbe (11) i
uvrštavanjem rješenja *2,1z , dobije se .02,02 *
2''*
1'' zhzh Slijedi
da su rješenja *2,1z lokalni minimum i lokalni maksimum funkcije h(z).
Pretpostavlja se da jednadžba (9) ima pozitivna rješenja: .,, 332211 zzz Iz
jednadžbe (7) nakon izdvajanja realnih i imaginarnih dijelova, slijedi izraz za kašnjenje:
j
bb
bababab
k
kk
k
jk 2arccos
122
120
002
11024
1)( (12)
gdje je k = 1, 2, 3; j = 0, 1, ..., te je ki par imaginarnih rješenja jednadžbe (6) s )( jk .
Neka je
.,min00 0
)0(
3,2,1
)0(0 kk
kk
U izračunu za određivanje stabilnosti sustava i
pojavu Hopfove bifurkacije potrebno je zadovoljiti sljedeće uvjete: a0, a1, a2, p > 0. (Song,
2005)
Za sustave reda većeg od četiri, iz karakterističnog polinoma zatvorenog kruga
n
i
nn
nn
ii asasasa
00
11 0... tvori se Routhov raspored
...... 321
4321
7531
642
2
1
ccc
bbbb
aaaa
aaaa
s
s
s
nnnn
nnnn
n
n
n
,
gdje su koeficijenti
...,
...,
1
13512
1
12311
1
5412
1
3211
b
ababc
b
ababc
a
aaaab
a
aaaab
nnnn
n
nnnn
n
nnnn
.
27
Routh-Hurwitz kriterij stabilnosti uvjetuje da su svi koeficijenti ai > 0 te da svi elementi u
prvom stupcu Routhovog rasporeda moraju biti pozitivni. Broj nestabilnih polova
odgovara broju promjena predznaka u 1. stupcu Routhovog rasporeda.
Kriterij Routh-Hurwitz podrazumijeva da ako vrijedi (H2) a0 + b0 >0, a2(a1 + b1)>a0 +b0,
tada sva rješenja jednadžbe (5) uz τ = 0 imaju negativne realne dijelove.
Teorem 3. Neka je ai, bj (i = 0, 1, 2; j = 0, 1); τj je definiran pod (12) te neka vrijedi (H1) i
(H2). Tada vrijedi sljedeće:
a. Kada je 0r i 032 qp , sva rješenja jednadžbe (5) imaju negativne realne
dijelove za sve 0 i rješenje sustava u ishodištu (2) je asimptotski stabilno za sve
0 .
b. Ako je r < 0 ili 0r , 032 qp , 0,0 *1
*1 zhz , tada h(z) ima barem
pozitivno rješenje zk i sva rješenja jednadžbe (5) imaju negativne realne dijelove za
)0(,0 k te je sustav (2) asimptotski stabilan za )0(,0 k .
c. Ako svi uvjeti iz (b.) i h'(zk) ≠ 0 vrijede, tada se sustav (2) podvrgava Hopfovoj
bifurkaciji u rješenju sustava u ishodištu kada )( jk (j = 0, 1, 2, ...).
4.2. Pojava Hopfove bifurkacije
Neka se u sustavu (3) pojavljuje Hopfova bifurkacija u ravnotežnoj točki kada
)( jk (j = 0, 1, 2, ...), odnosno familija periodičnih rješenja razdvaja se iz rješenja
sustava u ishodištu. Koristeći teoriju normalne forme i smanjivanjem stupnja sustava
pomoću centralne mnogostrukosti može se otkriti da li periodična rješenja postoje lokalno
za τ > τ(j) ili τ < τ(j) te se mogu odrediti svojstva periodičnih rješenja, kao što su stabilnost i
period. (Song, 2005) Razmatra se sljedeći sustav
,
,
111322
111211
2231212111
txfctyty
txfctyty
tyfctyfctxtx
(13)
gdje je ν > 0, ci1(i = 2, 3) > 0 i c1j(j = 2, 3) < 0. Na funkciju f primjenjuje se hipoteza (H3)
.0)0(,0)0(,0)0(,0,0)(,3 fffuuufCf Specifična funkcija koja se
primjenjuje u neuronskim mrežama kao prijenosna funkcija dana je s f(u) = tanh(u) koja
28
zadovoljava navedene uvjete. Za sustav (13) vrijedi α12 = c12f '(0), α13 = c13f '(0), α21 = c21f
'(0), α31 = c31f '(0) te je a2 = 3ν > 0, a1 = 3ν2 > 0, a0 = ν3 > 0, b1 = - (c12c21 + c13c31)f '2(0) >
0, b0 = - ν (c12c21 + c13c31)f '2(0) > 0.
Hipoteza (H2) vrijedi te slijedi p = 3ν2 > 0, q = 3ν4 - (c12c21 + c13c31)2f '4(0), r = (a0 +
b0)(a0 - b0). Ako vrijedi ν4 < (c12c21 + c13c31) 2f '4(0) < 3ν4, tada vrijedi q > 0 i r < 0.
Jednadžba (10) ima samo jedno pozitivno rješenje označeno sa z0 te vrijedi h'(z0) > 0. Neka
je 00 z i τ = τ1 + τ2 te slijedi konačan izraz za kašnjenje
j
fccccj 2
)0()(arccos
12
31132112
20
2
0
)( . (14)
Kašnjenja τ1 i τ2 kvalitativno i kvantitativno utječu na dinamičko ponašanje sustava jer
njihov zbroj utječe na stabilnost odnosno nestabilnost sustava. (Xiao, 2013)
Sljedeći teoremi daju zaključak o stabilnosti sustava i pojavi Hopfove bifurkacije. (Song,
2005)
Teorem 4. Neka vrijedi 0)0(,0)0( ff i ν4<(c12c21 + c13c31) 2f '4(0)<3ν4 te je
kašnjenje definirano pod (14).
a. Kada [0, τ(0)) sva rješenja pripadne karakteristične jednadžbe sustava (13) imaju
negativne realne dijelove. Kada je τ = τ(0) pripadna karakteristična jednadžba
sustava (13) ima samo par jednostrukih čistih imaginarnih rješenja 0i i sva
ostala rješenja imaju negativne realne dijelove. Kada je τ > τ(0) pripadna
karakteristična jednadžba sustava (13) ima barem jedno rješenje s pozitivnim
realnim dijelom.
b. Rješenje sustava u ishodištu kao stabilno stanje sustava (13) je asimptotski stabilno
kada [0, τ(0)), a nestabilno kada je τ > τ(0).
c. Sustav (13) ima Hopfovu bifurkaciju u stabilnom stanju ishodišta kada τ = τ(j) za j
= 0, 1, 2, ... .
Kada je τ = τ(j) za j ≥ 1, netrivijalno periodično rješenje iz pozitivne ravnotežne točke mora
biti nestabilno u faznom prostoru, iako je stabilno u centralnoj mnogostrukosti, ali kada τ =
τ(0) stabilnost periodičnih rješenja u centralnoj mnogostrukosti implicira istu stabilnost kao
i u cijelom faznom prostoru.
29
Teorem 5. Hipoteza (H3) i ν4<(c12c21 + c13c31) 2f '4(0)<3ν4 vrijede te je kašnjenje
definirano pod (14). Tada je smjer Hopfove bifurkacije i stabilnost periodičnih rješenja u
τ(j) definirana s predznakom f '''(0) / f '(0). Ako je f '''(0) / f '(0) < 0 ( > 0 ) tada je Hopfova
bifurkacija superkritična (subkritična) i periodična rješenja su kružno asimptotski stabilna
(nestabilna) u centralnoj mnogostrukosti.
4.3. Računalni primjer
Računalni primjer rješava se numeričkom metodom Runge-Kutta u programskom
alatu Matlab čime će se opravdati teorijske postavke iz četvrtog poglavlja:
))(tanh()(2
))(tanh(2)(2
))(tanh())(tanh(2)(2
1122
1111
222111
txtyy
txtyy
tytytxx
. (15)
Kako bi se dobila kritična vrijednost kašnjenja (14), potrebno je izračunati parametre p, q i
r iz sljedećih izraza: p = 3ν2, q = 3ν4 - (c12c21 + c13c31)2f '4(0), r = (a0 + b0)(a0 - b0), a0 = ν3,
b0 = - ν (c12c21 + c13c31)f '2(0) gdje je iz sustava (15) prema sustavu (13) ν = 2, c12 = -2, c21
= 2, c13 = -1, c31 = 1 te je f(x) = tanh(x). Ravnotežna točka sustava je (0, 0, 0) te su
vrijednosti parametara p = 12, q = 23 i r = -36. S obzirom na to da je r < 0, jednadžba
rqzpzzzh 23
ima jedno pozitivno realno rješenje z0 = 1 iz kojeg slijedi ω0 = 1
te dva negativna realna rješenja. Iz izraza za kašnjenje dobije se kritična vrijednost
kašnjenja τ(0) = arccos(-3/5) = 2.21429744 rad za j = 0.
Zapis sustava (15) u Matlabu je sljedeći:
function dydt = ddex1de(t, y, Z)
ylag1 = Z(:,1);
ylag2 = Z(:,2);
dydt = [ -2*y(1) + 2*tanh(ylag2(2)) + tanh(ylag2(3))
-2*y(2) - 2*tanh(ylag1(1))
-2*y(3) - tanh(ylag1(1)) ];
end
Kôd 4.1 – Sustav diferencijalnih jednadžbi
30
Definirana je funkcija odnosno sustav diferencijalnih jednadžbi unutar skripte ddex1de.m
gdje varijabla t odgovara trenutnom vremenu, y je vektor stupac koji aproksimira y(t), a
Z(:,j) aproksimira y(t-τj) za kašnjenje τj = lags(j). Funkcija dde23 može
riješiti sustave diferencijalnih jednadžbi s kašnjenjem:
sol = dde23(@ddex1de,[tau1, tau2],[hist1, hist2, hist3],[0,1000]).
Argumenti funkcije dde23 su: funkcija ddex1de u kojoj je definiran sustav diferencijalnih
jednadžbi, konstantna i pozitivna kašnjenja τ1 i τ2, početna stanja varijabli x1, y1 i y2 te
interval integracije t od 0 do 1000. Funkcija plot3 prikazuje sustav u faznom portretu u tri
dimenzije:
plot3(sol.y(1,:),sol.y(2,:),sol.y(3,:));
dok funkcija plot prikazuje sustav u vremenu:
plot(sol.x,sol.y).
Kako bi simulacija sustava bila intuitivna za korisnika, izrađeno je grafičko sučelje u
Matlabu unutar skripte BAM_neuronska_mreza.m. Kroz programski alat Matlab
jednostavno se definira sučelje putem predložaka. Izvršni kod sučelja slijedi u nastavku,
gdje je uz pojedinu funkciju opisana akcija putem komentara.
% inicijalna funkcija definiranja sučelja
function varargout = BAM_neuronska_mreza(varargin)
gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn', @BAM_neuronska_mreza_OpeningFcn, ...
'gui_OutputFcn', @BAM_neuronska_mreza_OutputFcn, ...
'gui_LayoutFcn', [] , ...
'gui_Callback', []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% prikaz inicijalnog sučelja
function BAM_neuronska_mreza_OpeningFcn(hObject, eventdata, handles,
varargin)
31
handles.output = hObject;
guidata(hObject, handles);
% izlaz se zapisuje na naredbenu liniju
function varargout = BAM_neuronska_mreza_OutputFcn(hObject, eventdata,
handles)
varargout{1} = handles.output;
% crtanje faznog portreta u tri dimenzije
function pushbutton1_Callback(hObject, eventdata, handles)
tau1 = str2double(get(handles.tau1,'String'));
tau2 = str2double(get(handles.tau2,'String'));
hist1 = str2double(get(handles.hist1,'String'));
hist2 = str2double(get(handles.hist2,'String'));
hist3 = str2double(get(handles.hist3,'String'));
axes(handles.axes1);
sol = dde23(@ddex1de,[tau1, tau2],[hist1, hist2, hist3],[0,1000]);
plot3(sol.y(1,:),sol.y(2,:),sol.y(3,:));
title('Fazni portret');
xlabel('x1');
ylabel('y1');
zlabel('y2');
guidata(hObject, handles);
% crtanje sustava u vremenu
function pushbutton2_Callback(hObject, eventdata, handles)
tau1 = str2double(get(handles.tau1,'String'));
tau2 = str2double(get(handles.tau2,'String'));
hist1 = str2double(get(handles.hist1,'String'));
hist2 = str2double(get(handles.hist2,'String'));
hist3 = str2double(get(handles.hist3,'String'));
axes(handles.axes1)
sol = dde23(@ddex1de,[tau1, tau2],[hist1, hist2, hist3],[0,1000]);
plot(sol.x,sol.y);
title('Sustav u vremenu');
xlabel('t');
ylabel('x1, y1, y2');
legend('x1','y1', 'y2', 1);
guidata(hObject, handles);
% funkcija koja stvara koordinatni sustav
function axes1_CreateFcn(hObject, eventdata, handles)
guidata(hObject, handles);
set(hObject,'toolbar','figure');
% poziva se lokalna funkcija za tau1 uz dobiveni ulazni argument
32
function tau1_Callback(hObject, eventdata, handles)
tau1 = str2double(get(hObject, 'String'));
if isnan(tau1)
set(hObject, 'String', 0);
errordlg('Input must be a number','Error');
end
% kreiranje tau1
function tau1_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
% poziva se lokalna funkcija za tau2 uz dobiveni ulazni argument
function tau2_Callback(hObject, eventdata, handles)
tau2 = str2double(get(hObject, 'String'));
if isnan(tau2)
set(hObject, 'String', 0);
errordlg('Input must be a number','Error');
end
% kreiranje tau2
function tau2_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
% poziva se lokalna funkcija za hist1 uz dobiveni ulazni argument
function hist1_Callback(hObject, eventdata, handles)
hist1 = str2double(get(hObject, 'String'));
if isnan(hist1)
set(hObject, 'String', 0);
errordlg('Input must be a number','Error');
end
% kreiranje hist1
function hist1_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
% poziva se lokalna funkcija za hist2 uz dobiveni ulazni argument
function hist2_Callback(hObject, eventdata, handles)
hist2 = str2double(get(hObject, 'String'));
33
if isnan(hist2)
set(hObject, 'String', 0);
errordlg('Input must be a number','Error');
end
% kreiranje hist2
function hist2_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
% poziva se lokalna funkcija za hist3 uz dobiveni ulazni argument
function hist3_Callback(hObject, eventdata, handles)
hist3 = str2double(get(hObject, 'String'));
if isnan(hist3)
set(hObject, 'String', 0);
errordlg('Input must be a number','Error');
end
% kreiranje hist3
function hist3_CreateFcn(hObject, eventdata, handles)
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
Kôd 4.2 – Definiranje sučelja i načina rješavanja sustava
34
Pokretanjem sučelja u Matlabu, otvara se sljedeći prozor:
Slika 4.2 Inicijalno sučelje
Početno stanje varijabli x1, y1, y2 i kašnjenja τ1, τ2 postavljena su na vrijednost nula te je
potrebno upisati željene vrijednosti i pritisnuti gumb „Nacrtaj sustav u vremenu!“ odnosno
gumb „Nacrtaj fazni portret!“. Razmatra se pet slučajeva.
Prema teoremu 3.b kada je r < 0 i kada kašnjenje ne prelazi kritičnu vrijednost, sustav je
asimptotski stabilan te prema teoremu 4.b ravnotežna točka je asimptotski stabilna.
1. Prvi slučaj ima sljedeće vrijednosti: τ1 = 0.5, τ2 = 0.3, x1 = 0.1, y1 = 0.2 i y2 = 0.3.
Zbroj kašnjenja τ = τ1 + τ2 = 0.8 što je manje od kritične vrijednosti. Sustav je
stabilan prema teoremu 4. što je prikazano na slici (Slika 4.3) gdje je prikazan
sustav u vremenskoj domeni te fazni portret gdje spirala ide prema ravnotežnoj
točki (0, 0, 0) na slici (Slika 4.4).
35
Slika 4.3 Prikaz stabilnog sustava u vremenskoj domeni
Slika 4.4 Prikaz stabilnog sustava u faznom portretu
2. U drugom slučaju početni uvjeti su isti, ali se mijenja kašnjenje: τ1 = 1.2, τ2 = 0.9
pa zbroj kašnjenja iznosi τ = τ1 + τ2 = 2.1 što je manje od kritične vrijednosti.
Sustav je stabilan prema teoremu 4. što je prikazano na slici (Slika 4.5) gdje je
36
prikazan sustav u vremenskoj domeni te fazni portret gdje spirala ide prema
ravnotežnoj točki (0, 0, 0) na slici (Slika 4.6).
Slika 4.5 Prikaz stabilnog sustava u vremenskoj domeni
Slika 4.6 Prikaz stabilnog sustava u faznom portretu
37
3. U trećem slučaju početni uvjeti su x1 = 1.1, y1 = 2.2 i y2 = 3.3., a kašnjenje iznosi: τ1
= 0.3, τ2 = 0.9 pa zbroj kašnjenja iznosi τ = τ1 + τ2 = 2.2 što je manje od kritične
vrijednosti. Sustav je stabilan prema teoremu 4. što je prikazano na slici (Slika 4.7)
gdje je prikazan sustav u vremenskoj domeni te fazni portret gdje spirala ide prema
ravnotežnoj točki (0, 0, 0) na slici (Slika 4.8). Zbog nedovoljne numeričke
rezolucije i toga što je zbroj kašnjenja blizu kritičnog kašnjenja, čini se kao da je
sustav nestabilan, ali spirala ipak nakon određenog vremena dođe u ravnotežno
stanje.
Slika 4.7 Prikaz stabilnog sustava u vremenskoj domeni
38
Slika 4.8 Prikaz stabilnog sustava u faznom portretu
Prema teoremu 3.c sustav je nestabilan kada kašnjenje prijeđe kritičnu vrijednost te se
pojavljuje Hopfova bifurkacija gdje je prema teoremu 5. predznak razlomka f '''(0) / f '(0)
negativan te je Hopfova bifurkacija superkritična i periodična rješenja su kružno
asimptotski stabilna u centralnoj mnogostrukosti.
4. U četvrtom slučaju početni uvjeti su x1 = 0.1, y1 = 0.2 i y2 = 0.3, a kašnjenje iznosi:
τ1 = 0.4, τ2 = 1.9 pa zbroj kašnjenja iznosi τ = τ1 + τ2 = 2.3 što je veće od kritične
vrijednosti. Sustav je nestabilan prema teoremu 4. što je prikazano na slici (Slika
4.9) gdje je prikazan sustav u vremenskoj domeni te fazni portret gdje spirala ide
prema graničnom ciklusu na slici (Slika 4.10) što odgovara definiciji superkritične
Hopfove bifurkacije.
39
Slika 4.9 Prikaz nestabilnog sustava u vremenskoj domeni
Slika 4.10 Prikaz nestabilnog sustava u faznom portretu
5. U petom slučaju početni uvjeti su isti, ali se kašnjenje mijenja: τ1 = 1.5, τ2 = 1.3 pa
zbroj kašnjenja iznosi τ = τ1 + τ2 = 2.8 što je veće od kritične vrijednosti. Sustav je
nestabilan prema teoremu 4. što je prikazano na slici (Slika 4.11) gdje je prikazan
sustav u vremenskoj domeni te fazni portret gdje spirala ide prema graničnom
40
ciklusu na slici (Slika 4.12) što odgovara definiciji superkritične Hopfove
bifurkacije.
Slika 4.11 Prikaz nestabilnog sustava u vremenskoj domeni
Slika 4.12 Prikaz nestabilnog sustava u faznom portretu
41
Zaključak
Neuronske mreže, prikazane kao nelinearni dinamički sustavi, složeni su sustavi, a još
su i složeniji uz kašnjenje koje je prisutno kod prijenosa podataka. BAM neuronska mreža
može stvoriti periodično ponašanje. Slijed periodičnih impulsa je ključan za kontrolu
dinamičnih funkcija tijela kao otkucaj srca koji se manifestira s izvrsnom točnošću i
pravilnim disanjem. Periodična rješenja mogu proizaći iz Hopfove bifurkacije u
diferencijalnim jednadžbama s kašnjenjem, ali i u drugim sustavima diferencijalnih
jednadžbi. U ovom radu promatrala se BAM neuronska mreža s kašnjenjem s tri neurona.
Primjenom normalne forme i teorema o centralnoj mnogostrukosti, određuju se uvjeti pod
kojima mreža gubi stabilnost. Kada zbroj kašnjenja prijeđe kritičnu vrijednost kašnjenja,
sustav gubi stabilnost i dolazi do pojave Hopfove bifurkacije te familija periodičnih
rješenja titra oko rješenja sustava u ishodištu odnosno dolazi do pojave graničnog ciklusa.
Numerička simulacija potvrđuje teorijske postavke.
Različitim modelima neuronskih mreža moguće je postići niz funkcija kao što je
obrada slike i govora, funkcije učenja i adaptacije. Neuronska mreža pogodna je za
probleme optimizacije, probleme analogno-digitalne pretvorbe, problem dekompozicije
signala na Gaussove impulse, za područje robotike, itd. Neuronske mreže zbog
adaptivnosti i visokog stupnja paralelizma koji im omogućuje i visok stupanj pouzdanosti
predstavljaju važan način pristupa obradi informacija.
42
Literatura
[1] CAO, J., XIAO, M. Stability and Hopf Bifurcation in a Simplified BAM neural Network With Two Time Delays. IEEE transactions on neural networks, Vol. 18, No. 2 (2007), 416-430.
[2] HADIDI, E. Bifurcation of Limit Cycle for Three-Dimensional Lotka-Volterra Dynamical System. Applied Mathematical Sciences, Vol. 7, No. 139 (2013), 6909-6916.
[3] HRVATSKA ENCIKLOPEDIJA, Živci. http://enciklopedija.hr/Natuknica.aspx?ID=67762, 27.05.2014.
[4] ILAKOVAC, T. Razvoj neuronskih mreža genetskim algoritmom. Magistarski rad. Elektrotehnički fakultet Sveučilišta u Zagrebu, 1995.
[5] KARAASLANLI, C. C. Bifurcation Analysis and Its Applications. Numerical Simulation - From Theory to Industry. Dr. Mykhaylo Andriychuk (Ed.), InTech, (2012).
[6] KORKUT, L., ŽUPANOVIĆ, V. Diferencijalne jednadžbe i teorija stabilnosti. Zagreb: Element, 2009.
[7] KUANG, Y. Delay differential equations. Encyclopedia of Theoretical Ecology, (2012), 163-166.
[8] KUZNETSOV, Y. A. Andronov-Hopf bifurcation. Scholarpedia, 1(10):1858, (2006).
[9] LIAO, X., YU, P. Absolute Stability of Nonlinear Control Systems. Mathematical Modelling: Theory and Applications, Vol. 25, (2008), Second Edition, Springer Science + Business Media B. V.
[10] SALAPURA, V. Analiza svojstava Hopfieldove neuronske mreže. Magistarski rad. Elektrotehnički fakultet Sveučilišta u Zagrebu, 1991.
[11] SASTRY, S. Nonlinear systems: analysis, stability and control. Interdisciplinary applied mathematics, Vol. 10. New York: Springer-Verlag, 1999.
[12] SHAMPINE, L. F., THOMPSON, S. Solving DDEs in MATLAB. Applied Numerical Mathematics 37, (2001), 441-458.
[13] SONG, Y., HAN, M., WEI, J. Stability and Hopf bifurcation analysis on a simplified BAM neural network with delays. Physica D 200, (2005), 185-204.
[14] STROGATZ, S. H. Nonlinear dynamics and chaos: with applications to physics, biology, chemistry, and engineering. Massachusetts: Perseus Books Publishing, L.L.C., 1994.
[15] THOMPSON, S. Delay-differential equations. Scholarpedia, 2(3):2367, (2007).
[16] VISSER, S., MEIJER, H. G. E., VAN PUTTEN, M. J. A. M., VAN GILS, S. A. Analysis of stability and bifurcations of fixed points and periodic solutions of a lumped model of neocortex with two delays. The Journal of Mathematical Neuroscience, (2012), 2-8.
43
[17] XIAO, M., ZHENG, W. X. Bifurcation Analysis of Delayed Bidirectional Associative Memory Neural Networks. IEEE International Symposium on Circuits and Systems (ISCAS), Beijing, (2013), 2319-2332.
[18] ZHAO, H., WANG, L., MA, C. Hopf bifurcation and stability analysis on discrete-time Hopfield neural network with delay. Nonlinear Analysis: Real World Applications 9, (2008), 103-113.
44
Sažetak
Stabilnost BAM neuronske mreže
Neuronske mreže su sustavi modelirani od procesirajućih elemenata neurona po
uzoru na mrežu ljudskih moždanih stanica. Mreža ima specifičnu strukturu obrade
informacija sastavljene od velikog broja međusobno povezanih neurona koji zajednički
rade na rješavanju određenog problema. Neuronska mreža s dvosmjernom asocijativnom
memorijom (engl. Bidirectional Associative Memory - BAM) ima sposobnost izravno
adresirati sadržaj. U radu je prikazana BAM neuronska mreža s tri neurona te je
modelirana sustavom diferencijalnih jednadžbi s kašnjenjem. Takav model pojavio se po
uzoru na Hopfieldovu neuronsku mrežu potaknut idejom da kod prijenosa signala dolazi do
kašnjenja. Primjenom teorije, a zatim i numeričke simulacije, ispitana je stabilnost
pojednostavljene BAM neuronske mreže te su istraženi uvjeti pod kojima sustav gubi
stabilnost te dolazi do pojave Hopfove bifurkacije.
Ključne riječi: neuronska mreža, dvosmjerna asocijativna memorija, stabilnost, Hopfova
bifurkacija, diferencijalne jednadžbe s kašnjenjem.
45
Summary
Stability of BAM neural network
Neural networks are modeled by the processing elements of neurons based on a
network of human brain cells. The network has a specific structure of the information
processing composed of many interconnected neurons that work together to solve a
particular problem. Neural network with bidirectional associative memory (BAM) has the
ability to directly address the content. This work presents the BAM neural network with
three neurons and it is modeled by a system of differential equations with delays. Such
model has appeared by the model of Hopfield neural network driven by the idea that signal
transmission has delays. By applying the theory, and then the numerical simulations, the
stability of a simplified BAM neural network is examined, and the conditions under which
the system loses stability, and suffers from the Hopf bifurcation is explored.
Keywords: neural network, bidirectional associative memory, stability, Hopf bifurcation,
differential equations with delay.
46
Skraćenice
BAM Bidirectional Associative Memory dvosmjerna asocijativna memorija
LPDF local positive definite function lokalno pozitivno definitna funkcija
47
Privitak
Za pokretanje sučelja potrebno je instalirati programski alat Matlab verzije 7.0
nadalje. Kôd iz poglavlja 4.3, kôd 4.1, potrebno je spremiti u skriptu odnosno tzv. m-file
naziva ddex1de.m. Kôd 4.2 potrebno je spremiti u skriptu naziva
BAM_neuronska_mreza.m. Za izvršavanje skripte, u naredbenoj liniji Matlaba potrebno je
upisati naziv spremljene datoteke u kojoj je definirano sučelje. Korisniku će se prikazati
slika (Slika 4.2) iz poglavlja 4.3. Početno stanje varijabli x1, y1, y2 i kašnjenja τ1, τ2
postavljena su na vrijednost nula te je potrebno upisati željene vrijednosti i pritisnuti gumb
„Nacrtaj sustav u vremenu!“ odnosno gumb „Nacrtaj fazni portret!“ ovisno o tome što
korisnik želi. U slučaju da se u tražena polja upiše vrijednost koja nije brojčana, sustav
postavlja vrijednost polja na nula i vraća upozorenje da se mora upisati broj.