Professional Documents
Culture Documents
Višeslojni Perceptron
Višeslojni Perceptron
Višeslojni Perceptron
Vieeslojni perceptron
(Seminarski rad)
1.
UVOD............................................................................................................................................3
2.
PERCEPTRON..............................................................................................................................4
3.
VIESLOJNI PERCEPTRON.......................................................................................................6
4.
UENJE.........................................................................................................................................7
6.
ZAKLJUAK..............................................................................................................................12
7.
LITERATURA.............................................................................................................................13
Sadraj
Osnove ovog seminarskog rada ini posebna vrsta neuronskih mrea Vieslojni perceptron. Uloga
perceptrona kao jednog od modela neuronskih mrea iskazuje se u klasifikaciji i raspoznavanju
uzoraka.
Kljune rijei: Perceptron, vieslojni perceptron, neuronske mree
Abstract
The basics of this seminar paper makes a special type of neural network - multilayer perceptron. The
role of the perceptron as one of the models of neural networks is presented in the classification and
pattern recognition.
Keywords: Perceptron, Multilayer Perceptron, Neural Network
1. UVOD
2. PERCEPTRON
Perceptroni su jedna od najkoritenijih i najpoznatijih neuronskih mrea. Sam je pojam prvi
upotrijebio Frank Rosenblatt (Rosenblatt, 1958) kako bi opisao razliite modele neuronskih mrea.
Od njega je potekla ideja da se funkcijski opis rada neurona implementira u obliku programskog
algoritma umjesto da se pokuava izgraditi fiziki model neurona.
3. VIESLOJNI PERCEPTRON
Najee koritena vrsta neuronske mree je vieslojni perceptron (engl. Multilayer perceptron,
MLP) koji ima ulazni sloj, barem jedan skriveni sloj i izlazni sloj. Neuroni su povezani samo s
neuronima iz susjednih slojeva. Signal se alje u jednom smjeru, od ulaza prema izlazu (engl. feedforward). Za aktivacijsku funkciju najee se koristi sigmoidalna funkcija. Na slici 6 je primjer
vieslojnog perceptrona sa 3 ulaza, jednim skrivenim slojem od 4 neurona i 2 izlaza.
Odbrambena mo mree pohranjena je u jaini veza izmeu neurona odnosno teinama do kojih se
dolazi postepenom prilagodbom tj. uenjem (treniranjem) iz skupa podataka za uenje. Uobiajen
nain uenja mree je s algoritmom backpropagation, ali se moe uiti i na druge naine, npr. s
algoritmom roja estica.
Data formula se odnosi na izraunavanje teinske sume pri prenosu signala od sloja iji su neuroni
oznaeni sa j, ka neuronu oznaenog sa i.
4. UENJE
Kao i u sluaju ostalih neuronskih mrea potrebno je izvriti proces uenja. Postoje dve vrste uenja
sa i bez nagledanja, pri emu se prvo vie koristi. Da bi se dato uenje izvrilo potrebno je imati
obuavajui skup, koji se sastoji od razliitih vektora ulaza, sa eljenim vektorom izlaza iz
celokupne mree. Neobuena mrea generie rezultat koji se razlikuje od eljenog, to predstavlja
greku. Svrha celokupnog procesa uenja jeste da se ta greka minimizuje do odreene granice.
Postoje razliiti naini redukcije greke. Najee korieni algoritam jeste algoritam prostiranja
greke unazad (Backpropagation Learning Algorithm).
upotrebi vie neuronskih mrea od kojih e svaka rjeavati pojedini problem zasebno, ili u izboru
nekog drugog algoritma.
Algoritam uenja irenje greke unatrag prikazana je na Slici 7, pri emu je zbog jasnoe prikazan
samo jedan skriveni sloj.
vlastitog iskustva, te iskustva bliskih susjeda (ime se modeliraju socijalne interakcije izmeu
jedinki). Prilikom odreivanja smjera kretanja, svaka jedinka u odreenoj mjeri uzima u obzir svoje
do tada pronaeno najbolje rjeenje (individualni faktor), te najbolje pronaeno rjeenje svoje bliske
okoline (socijalni faktor). Utjecaj koji svaka od ovih komponenti ima uvelike odreuje ponaanje
same jedinke: radi li istraivanje prostora stanja (ukoliko je dominantni individualni faktor) ili fino
podeavanje pronaenog rjeenja (ukoliko je dominantni socijalni faktor). Na ovaj nain sam
algoritam kombinira globalno pretraivanje prostora stanja te lokalnu pretragu kojom se obavlja fino
podeavanje rjeenja.
2. Signali greke
Signal greke javlja se kod izlaznog vora mree i propagira se unatrag (sloj po sloj) kroz mreu.
Nazivamo ga "signal greke" jer se njegov izraun u svakom neuronu mree temelji na nekom
od oblika funkcije greke.
Izlazni neuroni (procesni elementi, vorovi) ine izlazni sloj mree. Preostali neuroni ine jedan ili
vie skrivenih slojeva. Tako, skriveni vorovi nisu dio ni ulaza ni izlaza mree otuda njihov naziv
"skriveni". Prvi se skriveni sloj puni podacima iz ulaznog sloja kojeg ine senzorni elementi (ulazni
vorovi): rezultirajui izlazi prvog sloja predstavljaju ulaze u sljedei skriveni sloj; i tako dalje za
ostatak mree.
Svaki skriveni ili izlazni neuron vieslojnog perceptrona dizajniran je za obavljanje dva izrauna:
1.
neuronu.
2. Izraun procjene gradijenta (npr., gradijenti pogreke u odnosu na teine povezane s ulazima
neurona) koji je potreban pri prolasku unatrag kroz mreu.
6. ZAKLJUAK
11
7. LITERATURA
Vieslojni perceptron
URL:
http://www.ktios.net/stari/images/stories/clanovi_katedre/dragan_letic/Lekcija
%2018%20-%20viseslojni%20perceptroni.pdf
S. Lonari, Neuronske mree: Vieslojni perceptron
URL: https://www.fer.unizg.hr/_download/repository/06-ViseslojniPerceptron-1s.pdf
S. Lonari, Neuronske mree: Perceptron
URL: https://www.fer.unizg.hr/_download/repository/04-Perceptron-1s.pdf
Dodatne Pretrage, URL: http://www.google.com
13