SEMINARSKI RAD TEMA: Umjetne neuronske Umjetne neuronske mrežemreže

Neuronskim mrežama se mogu smatrati računarski modeli koji se koriste za obradu informacija. One funkcionišu poput ljudskog mozga ili poput neke druge biološke neuronske mreže. Sastoje se od velikog broja jednostavnih procesora ili nelinearnih signalnih procesora koji se još nazivaju i neuroni ili jedinice, pri čemu svaki od njih može da posjeduje malu lokalnu memoriju. Najbitniji element ovog modela jeste struktura sistema za obradu podataka. Sastoji se od velikog broja elemenata ili neurona koji su međusobno povezani, odnosno koji rade u skladu, a čija je osnovna svrha što bolje rješavanje nekog konkretnog problema. Tako npr. umjetne neuronske mreže imaju sposobnost učenja na primjerima ili skupovima podataka,te na taj način vrlo brzo izlaze na kraj s novonastalim problemima koji se teško rješavaju tradicionalnim pristupom. Svaka mreža se obično konfigurira da bude namjenjena za neku određenu primjenu. Modeli neuronske mreže određeni su sa mrežnom topologijom, karakteristikom čvorova i pravilom učenja. Neuronska mreža mora proći kroz proces učenja, gdje se težine na vezama prilagođavaju ulaznim podacima. Neuronska mreža uči iz primjera i pokušava omogućiti generalizaciju na temelju podataka iz primjera. Neuronska mreža posjeduje veliki potencijal za izvršenje paralelizma s obzirom da je računanje na pojedinim jedinicama nezavisno. Primjer jedne jednostavne neuronske možemo vidjeti na slici 2.1.

 

Neuronske mreže možemo podijeliti na dvije vrste:

Bilološke neuronske mreže i Umjetne neuronske mreže

Neuron: biološki i umjetni  Za razumijevanje sposobnosti mozga nužno je upoznati građu njegova sastavna dijela: neurona (živčane stanica).

Ljudski mozak sastavljen je od oko 1011 neurona kojih ima više od 100 vrsta i koji su shodno svojoj funkciji raspoređeni prema točno definiranom rasporedu. Svaki je neuron u prosjeku povezan s 104 drugih neurona. Četiri su osnovna dijela neurona: tijelo stanice (soma), skup dendrita (ogranaka), aksona (dugačke cijevčice koje prenose električke poruke) i niza završnih članaka. Slika 2.1 prikazuje građu neurona. Tijelo stanice sadrži informaciju predstavljenu električkim potencijalom između unutrašnjeg i vanjskog dijela stanice (oko –70 mV u neutralnom stanju). Na sinapsama, spojnom sredstvu dvaju neurona kojim su pokriveni dendriti, primaju se informacije od drugih neurona u vidu post-sinaptičkog potencijala koji utječe na potencijal stanice povećavajući (hiperpolarizacija) ili smanjivajući ga (depolarizacija). U tijelu stanice sumiraju se post-sinaptički potencijali tisuća susjednih neurona, u ovisnosti o vremenu dolaska ulaznih informacija. Ako ukupni napon pređe određeni prag, neuron "pali" i generira tzv. akcijski potencijal u trajanju od 1 ms. Kada se informacija akcijskim potencijalom prenese do završnih članaka, onda oni, ovisno o veličini potenijala, proizvode i otpuštaju kemikalije, tzv. neurotransmitere.

 

Slika 2.1. Građa neurona

Biološka neuronska mreža je vrlo složena. Sastoji se od tijela, aksona i mnoštva dendrita koji okružuju tijelo neurona (Slika 2). Akson je tanka cjevčica koja s jedne strane sadrži tijelo neurona, a s druge se strane dijeli na niz grana. Na krajevima tih grana nalaze se zadebljanja koja dodiruju dendrite, a ponekad i tijelo drugog neurona. Sinapsa je razmak između završetka aksona prethodnog neurona i dendrita ili tijela sljedećeg neurona. Dendriti su produžeci staničnog tijela, vrlo su tanki u odnosu na veličinu tijela stanice i funkcija im je prikupljanje informacija. Biološke neuronske mreže sastavni su dio ljudskog tijela čiji se mozak sastoji od 100 milijardi neurona, a zaslužne su za izvođenje vrlo važnih funkcija kao što su razmišljanje, učenje, emocije, percepcija, motorika itd. . Iako se funkcije neuronskih mreža istražuju već dugi niz godina, brojni procesi, kao i njihov način rada, ljudskom umu još uvijek nisu u potpunosti razumljivi. Biološke neuronske mreže sastavni su dio čovjeka čiji se mozak sastoji od približno deset milijardi neurona koji su zaslužni za izvođenje vrlo važnih funkcija kao što su razmišljanje, učenje, emocije, motorika, percepcija i sl.

 

Prikaz biološke neuronske mreže

Umjetne neuronske mreže dizajnirane su tako da oponašaju osnovne funkcije bioloških neuronskih mreža. Tijelo biološkog neurona zamjenjuje se sumatorom, ulogu dendrita preuzimaju ulazi (ulazne varijable) u sumator, izlaz (izlazna varijabla) sumatora je akson umjetnog neurona, a uloga praga osjetljivosti bioloških neurona preslikava se iz tzv. aktivacijske funkcije (Slika 3). Veza umjetnog neurona s okolinom ostvaruje se pomoću funkcijske sinaptičke veze biološkog neurona. Težinski faktori mogu biti pozitivan ili negativan broj, a imaju istu funkciju kao i sinapse kod biološkog neurona: povezuju izlaze (izlazne varijable) iz okoline neurona tj. izlaze drugih neurona (aksone) s ulazima sumatora (dendriti). Intenzitet te veze ovisi o iznosu (modulu), a vrsta veze o predznaku težinskog faktora.

 

Umjetna neuronska mreža se sastoji od procesnih jedinica ili čvorova koji simuliraju neurone te veze među njima koje su analogne sinaptičkim vezama u živčanom sustavu. Vezama su pridružene težine o kojima ovisi prolaz signala određenim putem da bi signal aktivirao “neuron”, nužno je da ukupna pridružena težina veza kojima signal dolazi do “neurona” bude dovoljno velika, da premaši određenu vrijednost (prag). Neuronska mreža ima određeni broj i raspored neurona –topologiju. Neuroni su složeni u slojeve ulazne, izlazne i skrivene neurone. Ulazni i izlazni neuroni su uvijek prisutni. Ulazni neuroni “prihvaćaju” podatke (simptome i laboratorijske testove) a “izlazni” nude odluke (dijagnoze, tijek bolesti, ishod liječenja i slično). Skriveni neuroni mogu postojati kao poseban sloj,između ulaznih i izlaznih neurona.

Neuronske mreže sastoje se od dva ili više slojeva ili grupa elemenata obrade koji se nazivaju neuronima. Neuroni međusobno stvaraju mrežu tako da izlaz svakoga neurona predstavlja ulaz u jedan ili više drugih neurona. Veza između neurona, prema smjeru, može biti jednosmjerna i dvosmjerna, a prema intezitetu moguća je pobuđujuća (egzitatorna) ili smirujuća (inhibitorna veza). Tri su tipa slojeva: ulazni, skriveni i izlazni. Ulazni sloj prima informacije ili ulazne podatke iz okoline i onda ih on šalje u jedan ili više skrivenih slojeva. Upravo taj skriveni sloj obrađuje informacije neurona i šalje ih u neurone izlaznog sloja. Navedeni proces se ponavlja onoliko puta koliko je potrebno da se postigne rezultat koji je najbliži željenom izlazu.

Proces dizajniranja neuronske mreže sastoji se od četiri faze: 1) raspoređivanje neurona u različite slojeve 2) određivanje tipa veze između neurona (inter-sloj i intra sloj veze), 3) određivanje načina na koji neuroni primaju ulaze i proizvode izlaze 4) određivanje pravila učenja za prilagođavanje težina veza.

Rezultat dizajniranja neuronske mreže je arhitektura mreže. Prema gornjem procesu dizajniranja, kriterija za razlikovanje arhitektura neuronskih mreža su:

  Broj slojeva Tip veze između neurona Veza između ulaznih i izlaznih podataka Ulazne i prijenosne funkcije Tip učenja Sigurnost ispaljivanja Vremenske karakteristike Vrijeme učenja 

Nekoliko najvažnijih svojstava neuronskih mreža su:

• Paralelno raspodijeljena obradba informacija. Za razliku od konvencionalnih računskih tehnika, neuronske mreže prihvaćaju više ulaza paralelno i dobivene informacije obrađuju na raspodijeljen način. Drugim riječima, informacija spremljena u neuronsku mrežu raspodijeljena je na više računskih jedinica, što je potpuno suprotno konvencionalnome spremanju informacija u memoriju gdje je svaka posebna informacija (podatak) spremljena u svoj vlastiti memorijski prostor. Svojstvo raspodijeljenoga spremanja informacija daje neuronskim mrežama više prednosti, od kojih je najvažnija redundantnost, to jest otpornost na kvar. Redundantnost se može postići i kod klasičnih računskih tehnika, ali je kod neuronskih mreža ona inherentno svojstvo, slično kao kod bioloških sustava. Prema tome, neuronska će mreža raditi čak ako se i uništi neki njezin dio.

• Učenje i adaptacija. Svojstvo učenja i adaptacije čini neuronske mreže sposobnima obrađivati neprecizne i loše uščuvane podatke u nestrukturiranom i neodređenom okruženju. Na odgovarajući način naučena neuronska mreža ima svojstvo poopćavanja kada se na njezinome ulazu pojave podaci koji nisu bili u uzorku na osnovi kojeg je mreža naučena.

• Univerzalni aproksimator. Svojstvo neuronskih mreža da aproksimiraju proizvoljnukontinuiranu nelinearnu funkciju do željene točnosti njihovo je najvažnije svojstvo sa stajalištamodeliranja, identifikacije i upravljanja nelinearnim procesima.

• Viševarijabilni sustavi. Neuronske su mreže po svojoj strukturi viševarijabilni sustavi što ih čini lako primjenjivim za modeliranje, identifikaciju i upravljanje viševarijabilnim procesima. • Sklopovska implementacija. Više je proizvođača razvilo specijalizirane sklopove zaimplementaciju neuronskih mreža koji

omogućuju paralelnu raspodijeljenu obradbu u stvarnomevremenu. • Neuronske su mreže računski vrlo zahtjevne. Izlaz svakog neurona rezultat je zbrajanja više umnožaka i izračunavanja nelinearne aktivacijske funkcije. • Računska brzina neuronske mreže određena je brojem matematičkih operacija pojedinog sloja,a ne čitave mreže. Nadalje,

svaki sloj mreže ima paralelnu građu, to jest svaki se neuron u slojumože promatrati kao lokalni procesor koji radi paralelno s ostalim neuronima.

• Neuronske mreže zahtijevaju veliki memorijski prostor. Naime, svaki pojedini neuron ima višesinaptičkih veza, a svakoj je od njih pridružen težinski koeficijent koji mora biti spremljen umemoriju. Povećanjem broja neurona u mreži memorijski zahtjevi rastu s kvadratom broja neurona.

 

Kod neuronskih mreža postoje dva načina učenja, jedan način učenja je učenje uz nadzor dok drugi spomenuti je bez nadzora. Učenje uz nadzor zahtjeva vanjskog „učitelja“ neuronske mreže, koji promatra način kako se mreža ponaša mijenjajući parametre dok ne dobije ponašanje koje smatra da je prihvatljivo, pod tim navedeno se smatra rezultati mreže. Kod ovoga načina učenja moraju se odrediti određeni parametri mreže kao što su broj ulaza, broj neurona, broj slojeva, broj izlaza, te težina mreže. Potrebno je odrediti ulazne varijable i izlazne varijable. Razlika željenih i stvarnih izlaza neuronske mreže gradi pogrešku mreže, koja se koristi za računanje novih težina mreže preko određenog algoritma. Cijeli postupak ponavlja se iteracijski dok pogreška mreže ne bude manja od unaprijed zadanog iznosa. Pri tome se, prema potrebi mijenja struktura mreže (broj neurona, broj slojeva, broj težina). Nakon procesa učenja (treninga) slijedi proces testiranja neuronske mreže. To se radi s novim skupom ulaza mreže koji nije bio sadržan u ulaznom skupu za vrijeme procesa učenja. Mreža sada producira nove izlaze koje se uspoređuju sa željenim izlazima. Pri tome se ne mijenjaju parametri (težine) mreže. Iznos greške mreže u procesu testiranja služi za ocjenu robusnosti, odnosno generalizacijskih svojstava mreže, tj. sposobnosti mreže da daje zadovoljavajuće izlaze (rezultate) i za skup ulaza kojim nije bila učena. Kod mreža bez nadzora neuronske mreže ne koriste učitelja. Ovdje se neuronska mreža sama organizira, pa se mreže učene ovom metodom nazivaju samoorganizirajuće mreže. Na ulaz mreže dovodi se skup ulaznih varijabli, a mreža se samoorganizira podešavanjem svojih parametra (težina) po dobro definiranom algoritmu. Budući da željeni izlaz mreže nije specificiran za vrijeme učenja mreže, rezultat učenja nije predvidiv. Tako se, na primjer, od neuronske mreže može zahtijevati da „slični“ skupovi ulaza aktiviraju izlaz jednog te istog neurona. Mreža organizirana na taj način može se koristiti za klasifikaciju ulaza, odnosno za prepoznavanje uzorka. Nakon učenja provodi se testiranje.

Sl.4. Odstupanje stvarnog izlaza kroz iteracije.

Najvažnije pitanje u ovoj fazi jest koliko dugo treba trenirati mrežu kako bi ona dala što bolji rezultat, odnosno najmanju grešku. Ne postoje egzaktna pravila za dužinu treniranja, te odgovor na ovo pitanje treba potražiti vlastitim eksperimentiranjem ili primjenom optimizacijskih tehnika kao npr. tehnika unakrsnog testiranja.

Ova se tehnika može opisati u nekoliko koraka:

  mreža se najprije trenira na određenom broju iteracija (npr. 10 000), tako naučena mreža se testira na uzorku za testiranje te pohrani dobiveni rezultat i

mreža. mreža se zatim nastavlja trenirati na još tolikom broju iteracija (npr. još 10 000), te se

dobiveni rezultat uspoređuje s prethodno pohranjenim. Ukoliko je u ponovnom učenju

dobiven bolji rezultat, pohranjuje se novi rezultat i nova mreža. postupak se ponavlja sve dok se rezultat prestane poboljšavati, a najbolja pohranjena mreža ulazi u daljnji postupak validacije.

Testiranje mreže je druga faza rada neuronske mreže, i ona je odlučujuća za ocjenjivanje mreže. Razlika između faze učenja i faze testiranja je u tome što u ovoj drugoj fazi mreža više ne uči, a to znači da su težine fiksne na vrijednostima koje su dobivene kao rezultat prethodne faze učenja. Takvoj mreži se predstavljaju novi ulazni vektori koji nisu sudjelovali u procesu učenja, a od mreže se očekuje da za predstavljen novi ulazni vektor proizvede izlaz. Ocjenjivanje mreže obavlja se izračunavanjem greške ili nekog drugog mjerila točnosti (npr. stope točnosti), na način da se izlaz mreže uspoređuje sa stvarnim izlazima. Dobivena greška mreže na uzorku za validaciju je rezultat kojim se tumači uspješnost ili neuspješnost neuronske mreže i njezina korisnost u primjeni za predviđanje na budućim podacima. Najčešća greška koja se računa kod neuronskih mreža je srednja kvadratna greška (Root mean square error), prema jednadžbi Error! Reference source not found..

Pri tome je ti izračunati izlaz koji daje mreža, oi je željeni (stvarni) izlaz za slučaj (ulazni vektor) i, a n je broj slučajeva u uzorku. Greška se uprosječuje prema broju izlaznih varijabli i u odnosu na broj slučajeva u uzorku na kojem se računa. Process dizajniranja neuronske mreže sastoji se od nekoliko faza: (1) definiranje modela (izbor ulaznih i izlaznih varijabli, priprema ulaznih podataka), (2) izbor najprikladnijeg algoritma (npr. backpropagation), (3) raspoređivanje neurona u slojeve (izbor broja skrivenih slojeva, te broja neurona u svakom skrivenom sloju), (4) određivanje tipa veze među neuronima, te ulaznih i prijenosnih funkcija između slojeva, (5) izbor pravila učenja, te nekih parametara učenja, npr. koeficijenta učenja i momentuma koji utječu na brzinu i kvalitetu učenja, (6) izbor mjerila za ocjenjivanje mreže (npr. RMS greška ili stopa klasifikacije), i (7) provođenje postupka učenja. Pored strukture, algoritam učenja je najvažniji faktor razlikovanja medu neuronskim mrežama.Danas postoji veliki broj algoritama čija je taksionomija predstavljena na slici:

Neuroni su obično u umjetnoj neuronskoj mreži organizirani u grupe ili slojeve u kojima se informacije paralelno

obrađuju. Tipična neuronska mreža sastoji se od nekoliko slojeva,

najčešće dva vanjska, te od jednog ili više međuslojeva ili tzv. skrivenih slojeva (Slika 6).

Vanjski slojevi su: ulazni sloj koji učitava podatke iz okoline izlazni sloj koji prikazuje rezultat mreže za zadani ulaz

Upravo je skriveni sloj onaj u kojem se uče međuzavisnosti u modelu, informacije neurona se ovdje obrađuju i

šalju neurone izlaznog sloja.

 

Slika 6. Arhitektura neuronske mreže po slojevima

Prva umjetna mreža Mak Baloka-Pitsa predstavlja determinisani model nervonog sistema, model čija je struktura veza i vrijednosti pragova fiksirana. Ovako definisan model odgovara predstavi o mozgu kao o nekoj specijalizovanoj računarskoj mašini. Teškoće koje se objektivno javljaju u funkcioniranju umjetnih neuronskih mreža savlađuju se stohastičkim (slučajnim) modelima mozga. U klasu ovakvih modela umjetnih neuronskih mreža spada perceptron kao jedna od najinteresantnijih i najplodonosnijih modela korištenja za reprodukciju nekih funkcija mozga. Tako se može dati cjelovita definicija da su perceptroni modeli određene klase, koje karakteriše postojanje memorije i slučajne strukture veza među elementima.

Percepton

Aktivacijske funkcije dijele se na: linearne i nelinearne. Linearne aktivacijske funkcije – izlaz sumatora množi se nekim faktorom

(pojačanjem) i tako dobiva izlaz neurona. Nelinearne aktivacijske funkcije – mogu poprimiti različite oblike, a

najrasprostranjenije su: funkcije praga, sigmoidne, hiperbolične i harmoničke funkcije.   Nelinearne aktivacijske funkcije prevode izlaz sumatora na izlaz neurona preko nelinearnog pojačanja. Na taj način

funkcija praga osjetljivosti daje na izlazu neurona 1, ako je izlaz sumatora veći od zadanog broja (prag osjetljivosti), što odgovara ispaljivanju impulsa kod biološkog neurona. Ukoliko neuron nije aktivan, onda je na izlazu neurona 0.

  Funkcija tipa praga  Funkcija praga (engl. step function) je korištena u modelu perceptrona. Poopćena funkcija praga preslikava sve

vrijednosti iznad određene granice (praga) u neku fiksnu vrijednost. Sve vrijednosti ispod te iste granice preslikavaju se u nulu. Uobičajeno se za prag koristi vrijednost 0, a sve vrijednosti iznad praga se preslikavaju u vrijednost 1. Korištenjem tako definirane aktivacijske funkcije dobiva se binarni izlaz iz neurona.

 

Funkcija linearna po dijelovima Funkcija linearna po dijelovima  

Aktivacijska funkcija koja je linearna po dijelovima (engl. piecewise linear function) dobiva se ako je izlaz ADALINE inačice ograničen na određeni interval. Tako je samo jedan dio preslikavanja linearan, dok periodi ispod i iznad zadane granice prelaze u minimalne, odnosno maksimalne vrijednosti. Poopćena funkcija ima dvije granice za ulaz i dvije fiksne vrijednosti za izlaz izvan granica. Kod spomenute funkcije se uobičajeno uzimaju -0,5 i +0,5 kao granice ulaza te 0 i 1 za vrijednosti izlaza. Takva se funkcija može vidjeti na slici.

Slika 6. Aktivacijska funkcija linearna po dijelovima

Sigmoidna funkcija Sigmoidna funkcija

Sigmoidna funkcija definirana je jednadžbom Error! Reference source not found.. Sigmoidna funkcija (engl. sigmoid function, Slika 7) ima parametar nagiba "a". Povećanjem nagiba smanjuje se prostor linearnosti pa valja biti oprezan s podešavanjem tog parametra. Sigmoidna funkcija je zapravo vrlo slična funkciji praga, ali se dozvoljava područje nesigurnosti unutar određenog intervala i upravo se zato takva funkcija najčešće koristi.

Slika 7. Sigmoidna aktivacijska funkcija

RBF neuronske mreže dvoslojne su statičke neuronske mreže. Kao i kod MLP mreže nulti (ulazni) sloj samo prosljeđuje ulaze u mrežu na ulaz prvog sloja sačinjena od neurona s aktivacijskim funkcijama s kružnom osnovicom i predstavlja njezino tzv. receptivno polje. Drugi se sloj mreže, koji je ujedno i njezin izlazni sloj, sastoji od perceptrona s linearnom aktivacijskom funkcijom jediničnog aktivacijskog pojačanja. Najčešće korištene aktivacijske funkcije u prvom sloju RBF tablici 1. prikazane su u RBF mreža kao i MLP imaju sposobnost aproksimacije proizvoljne kontinuirane nelinearne funkcije. Njihova aproksimacija sposobnost određena je položajem središta RBF neurona, varijacijom aktivacijskih funkcija te iznosima težinskih koeficijenata izlaznog sloja mreže. Izračunavanje odgovarajućihvrijednosti ovih parametara RBF meže ostvaruje se algoritmima učenja. RBF neuronske mreže predstavljaju značajnu alternativu MLP mreža, osobito u slučaju aproksimacija jednostavnih i vremenski malo promjenjivih nelinearnosti kada je moguće unaprijed na odgovarajući način rasporediti središta i odrediti iznose varijanci RBF neurona, a učenje mreže svesti samo na podešavanja težinskih koeficijenata izlaznog sloja. U tom slučaju vladanja RBF neuronskih meža postaje linearno ovisno o parametrima, za razliku od MLP mreža čije je vladanje nelinearno ovisno o parametrima.Raspored središta RBF neurona značajno određuje svojstva RBF mreže. Tradicionalno se RBF funkcije koriste za interpolaciju nelinearnih više varijabilnih funkcija, pri čemu je broj središta jednak broju podataka (u svaki ulazni podatak postavlja po jedno središte). Međutim aproksimacija proizvoljne nelinearne kontinuirane funkcije moguće je postići i s manjim brojem dobro raspoređenih središta. Broomhead i Lowe (1988.) su predložili da se središta postave u slučajno odabrane ulazne podatke. Druga je mogućnost jednoliki raspored središta u prostoru ulaznih podataka. Varijance aktivacijskih funkcija manje utječe na vladanje mreže i obično se izaberu kao drugo korijen umnoška udaljenosti neurona od dva najbliža susjedna neurona (Moody i Darken, 1989.) RBF mreže i sa slučajnim s jednolikim rasporedom središta RBF neurona mogu aproksimirati proizvoljnu kontinuiranu nelinearnu funkciju, međutim, potrebni broj RBF neurona može biti jako veliki. Smanjenjem broja RBF neurona.

Neuronskem mreže se najčešće primjenjuju za rješavanje komplikovanih problema i zadataka. Najznačajnija im je primjena rješavanja problema čija rješenja nisu u potpunosti određena ili drugim riječima gdje je neophodno da rješenja budu ispravna u 100% slučajeva. Iako neuronske mreže ne daju rješenja sa sto postotnom sigurnošću, odnosno sa velikom pouzdanošću, ipak se široko primjenjuju u mnogim područijima ljudske aktivnosti.

OSNOVNE PRIMJENE NEURONSKE MREŽE  Za kompresiju slike – pomoću neuronskih mreža možemo kompresovati i dekompresovati slike u realnom

vremenu. To znači da se na taj način vrši svođenje zapisa o slici na manje podataka čime će neuronska mreža izvršiti rekonstrukciju ostalih podataka. Ipak, prilikom rekonstrukcije se javljaju gubici, tako da se ovoj primjeni i ne posvećuje neka naročita pažnja, tako da se češće koriste standardni načini kompresije slika.

Za kontrolu procesa – za ovo područije postoji veliki interes. U ovom slučaju prednost neuronskih mreža je njihova fleksibilnost, odnosno mogućnost pronalaženja adekvatnih rješenja na osnovu nepotpunih podataka. Mreže se uvježbavaju tako što im se omogući da posmatraju rad sistema. Jednom uvježbana mreža može uspješno kontrolisati sistem čak i u uvjetima kada postoje određeni problemi. Ovu vrstu primjene neuronske mreže možemo pronaći u naftnoj industriji, distribuciji električne energije, a čak se testira i za kontrolu aviona.

Za obradu signala – ova metoda je pogodna za smanjenje šuma u izobličenim električnim signalima, kao i za razdvajanje signala iz višesignalnog prenosa, zatim za uklanjanje šuma u telefonskim linijama, za otkrivanje neuspjelog paljenja motora i to na temelju šuma itd.

Za obradu govora – koriste za obradu prirodnog govora, zatim za prevođenje teksta u govor, davanje uputa računarima pomoću glasovnih naredbi, zatim za automatsko prevođenje, sigurnosne sisteme sa glasovnom identifikacijom, za pomoć gluhim osobama i osobama koje su fizički nepokretne itd. Problem koji se ovdje javlja je taj što većina neuronskih mreža može

adekvatno prepoznavati govor samo one osobe koja ju je uvježbavala, a i tada je količina riječi koju može prepoznati ograničena.

Za optimizaciju procesa – ovaj način upotrebljavamo da omogućimo promatranje rada nekog sistema. Nakon toga, mreži zadajemo željeno završno stanje, te ona optimizira odvijanje procesa kako bi se postiglo željeno stanje. Primjer je optimizacija rada motora kod

automobila kako bi se uštedilo na potrošnji goriva. Za poslovne primjene – najčešće se ovakav način koristi za financijske institucije, a takođe se može koristiti i u

marketinške svrhe. Financijske ustanove poput banaka ili kartičnih kuća, koriste neuronske mreže za procjenu rizika pružanja usluga svojim klijentima, dok se u marketinške svrhe najčešće koriste za procjenu u koje doba dana treba zvati koje brojeve telefona kako bi se najbolje mogao izreklamirati neki proizvod i naravno kako bi se isti najbolje prodao.

Za prepoznavanje uzoraka – najčešće se primjenjuje u vojne svrhe kako bi se prepoznale mete, te u medicinske svrhe za analizu razmaza, zatim za procjenjivanje rijetkih novčića, kontrole kvalitete, detekcije eksplozivnih naprava u prtljazi islično, a sve se to odvija primjenom procesiranja slike dobijene putem senzora.

Za prepoznavanje znakova – ovo područje primjene je već uvelikokomercijalizirano. U praksi se pokazalo da ovakve mreže rade na visokoj razini ispravnosti u pogleduprepoznavanja znakova čak i onih znakova koji nisu služili kao primjeri za uvježbavanje. Ova metoda se najčešće primjenjuje kod prepoznavanja istočnjačkih pisama. 

Za primjenu u medicini – najčešće se primjenjuje za modeliranje dijelova ljudskog tijela, npr. za modeliranje ljudskog kardiovaskularnog, nervnog, mišićnog ili nekog drugog sistema. Model se izrađuje prema pojedincu, tako da se na osnovu njega može odrediti tok razvoja i nastanka bolesti. Može se koristiti i za detekciju bolesti na osnovu analize rezultata

 

Mogućnosti neuronske mrežeMogućnosti neuronske mreže

Teoretski se NM mogu obučiti za izračunavanje svake izračunljive funkcije. One mogu uraditi sve što može normalan digitalan računar da uradi.Međutim u praksi, NM najbolje rezultate pokazuju na području klasifikacije, funkcije aproksimacije, na problemima mapiranja čija je tolerancija neprecizna, na problemima koji imaju dosta dostupnih podataka za trening ili na problemima koji zahtevaju brzu primenu odgovarajućeg pravila u zavisnosti od ulaznih podataka. Isto tako mapiranje vektora između prostora može se aproksimirati precizno putem NM. NM ne mogu da stvore informaciju koju ne sadrže trening podaci. 

Razlika neuronske mreže od klasičnog računalaRazlika neuronske mreže od klasičnog računala  Neuronska mreža se razlikuje od tradicionalnih računara (PC računara, radnih stanica, i mainframe računara) u formi i

funkcionisanju. Dok neuronska mreža koristi veliki broj jednostavnih procesora da bi obavila njene kalkulacije, tradicionalni računari koriste jedan ili, u rjeđim slučajevima, svega nekoliko veoma kompleksnih procesorskih jedinica. Neuronska mreža ne posjeduje centralno lokalizovanu memoriju, niti se programira sekvencama instrukcija, kao svi tradicionalni računari. Klasični računari koji rade na binarnoj logičkoj osnovi, koriste algoritamski način obrade podataka (sekvencijalni) sa veoma niskim stepenom paralelizacije. U algoritamskom načinu obrade podataka računar obrađuje jednu po jednu informaciju ili u boljem slučaju obrađuje manji broj informacija u isto vrijeme. Za razliku od ovog pristupa obrade podataka, NM procesira istovremeno više informacija, tj. najbolja varijanta za NM je da je svaki neuron po jedan procesor. Razvoj NM je doveo do novih arhitektura računara koji se u mnogome razlikuju od računara kakvi su danas rasprostranjeni. Ako bismo posmatrali primjer prepoznavanja slova, algoritamsko rešenje bi zahtevalo da se zadato slovo uporedi sa svim slovima u bazi, slovo po slovo, dok NM može da uporedi zadato slovo istovremeno sa svim slovima, a rješenje je slovo sa najvećom vjerovatnoćom. Ovo je moguće jer se memoriji pristupa uz pomoć sadržaja, a ne adrese. Kod klasičnih računara su elementi obrade informacija i elementi memorisanja informacija potpuno odvojene komponente. Kod neuronske mreže memorisanje i obrada predstavljaju jednu kompaktnu celinu. Podaci koji su vezani za rad neuronske mreže nemaju nikakav smisao bez jedinica obrade. Neuronska mreža se razlikuje od tradicionalnih računara po načinu na koji se “programira”. Umjesto programa napisanih kao serije instrukcija, kao što to rade klasični računari, može se upotrijebiti obučena NM, gde arhitektura i težinski koeficijenti određuju njenu funkciju. Koeficijenti se podešavaju tokom obučavanja na ograničenom skupu karakterističnih primjera. Kada se mreža obuči do zadovoljavajuće granice, vrijednosti veza se mogu memorisati i koristiti u kasnijem radu. Kod klasičnih računara softver mora biti gotovo savršen da bi radio.

ZAKLJUČAKZAKLJUČAK

  Neuronska mreža je kompleksni matematički sustav kojim je na pojednostavljen način modeliran ljudski mozak.

Svoju je upotrebu u mnogim područjima pronašla zahvaljujući njezinoj adaptabilnosti. Adaptabilnost se očituje u mogućnosti prepoznavanja i onih primjera na osnovu kojih mreža nije uvježbana, te, u slučaju nesupervizornih mreža, u mogućnosti konstantnog učenja za vrijeme rada mreže. Glavni nedostatak upotrebe neuronskih mreža leži u tome što je pronalaženje adekvatne strukture mreže i adekvatnih primjera za uvježbavanje doista složen posao. Iako su razni autori dali niz praktičnih savjeta kako se može strukturirati mreža za primjenu na određenom području, optimalni parametri mreže mogu se ustanoviti isključivo provođenjem niza testova. Izbor primjera pak treba izvršiti na takav način da se iz njih mogu jasno uočiti distinktivna obilježja na osnovu kojih mreža mora naučiti generalizirati o podacima.No, unatoč nedostacima, neuronske su mreže našle svoju široku primjenu na različitim područjima ljudske djelatnosti od mreže MADALINE koja uklanja šum u telefonskim linijama, preko analize govora, pa sve do upotrebe u medicini i financijskim ustanovama.Neuronske su mreže povezane i sa konstruktivističkom teorijom učenja. Na učenje neuronske mreže može se gledati kao na aktivno konstruiranje reprezentacija na osnovu ulaznih podataka. Pošto u skladu s konstruktivističkom teorijom učenja i ljudi uče na taj način, neuronske se mreže mogu primijeniti u pokušaju razumijevanja načina na koji ljudi uče, odnosno aktivno grade svoje reprezentacije. Na konstruktivističkoj teorijskoj podlozi zasnovana je i ideja konstruktivnog učenja neuronskih mreža. 

 

LiteraturaLiteratura  K. Mačkić, Primjena neuronskih mreža u fizici i informatici (diplomski rad), http://eris.foi.hr/11neuronske/nnetwork_v6_a3.html B. Dalbelo Bašić, M. Čupić, J. Šnajder, Umjetne neuronske mreže, Fakultet elektrotehnike i računarstva, 2008. Petrović, M. Baotić, N. Perić, Inteligentni sustavi upravljanja: Neuronske mreže, evolucijski i genetički algoritmi (skripta), Fakultet elektrotehnike i računarstva, (2011./2012.) http://solair.eunet.rs/~ilicv/neuro.html