VETAKE NEURONSKE MREE Neke mogudnosti NM

prepoznavanje oblika u realnom vremenu

upravljanje sistemima u brojnim sloenim i nelinearnim ogranienjima

pronalazi izgubljene ulaze iz izvora na osnovu poznavanja dela ulaza -

asocijacija

prepoznaje objekte i kada su izoblieni

pamti predmete u vezi i kada veza nije oigledna ili unapred poznata

uenje u realnom vremenu

glatko smanjuje performanse kod otkaza delova mree

Supervizorsko , preslikavanje izlaza na ulaz i namestanje parametara dokle god je greska koja se racuna u vidu

razlike vrednosti dobijenog izlaza i zeljenog manja od dozvoljene greske

Inkrementalno uz pomoc povratne sprege se za svaki ulaz po malo izmene parametri , i tako se vrti u krug dok se ne postigne zeljena preciznost (ili ako se predje max broj epoha) , kada se za sve ulaze po jednom izmene parametri, to se naziva 1 epoha

sa propagacijom signala u napred - feed-forward

jednoslojne

vieslojne

sa povratnim spregama feedback - rekurentne mree

jednoslojne i vieslojne

sa diskretnim i kontinualnim signalim

1 SIGNAL= 1 NEURON

Posto su FeedForward Neuronske mreze vrlo efikasne, a BackPropagation vrlo korisne, moguce je zakasniti ulaze i izlaze u FF neuronskoj mrezi kako bi se imitirala BP mreza

Kasnjenjem signala se pravi memorija i FF moze da modeluje i simulira i dinamicki sistem od kom ima zavisnost od izlaza .

y(k+1) + a1y(k) + a2y(k-1) = b0 u(k) + b1 u(k-1)

Primena istog principa na slozenija preslikavanja:

Ako dobro poznajemo sistem, NE KORISTIMO NM!!!!!!!!!!!!!!!!! Kada nemamo nepoznate parametre, efikasnije je modelovati sistem sa modelom.

Funkcija o(z) namerno namestena na dati oblik, da bi njen izvod bio jednostavan za racun.

Newedit obucavanje

Deli skup za obucavanje na 2 dela

1. Najveci za obuku podesava tezine

2. Manji deo skupa, koristi se ako smanjuje greska na 1. skupi, da proveri da li se smanjuje i za 2. skup

U slucaju da dalje popravljanje parametara ne pomaze, zaustavlja se

DINAMICKI MODEL - NARX -Moras biti vidovit kao u Elektro distribuciji Srbije i predvidjati ko ce kada trositi struju kako bi mogao da dobro modeliras sistem za kontrolu i upravljanje sistema distribucije elektricne energije

Dodavanje jos neurona ako ne uspemo da dovoljno tacno odradimo, kao i prosirivanje skupa za obucavanja