Professional Documents
Culture Documents
Dinamicke Umjetne Neuronske Mreze
Dinamicke Umjetne Neuronske Mreze
koji se identificira.
Problem nastaje kod generalizacije, kada se od tako uene unaprijedne neuronske mree trai da
ostvari dobar odziv za nepoznatu pobudu. Jasno je da u takvoj situaciji dio ulaza mree predstavlja
prehone vrijednosti izlaza same mree koji nisu unaprijed poznati, tj. nauena mrea zahtijeva
u(k)
povratne veze sa svog izlaza na svoje ulaze optereene s jednim ili vie jedininih kanjenja signala.
Mrea tada odreuje izlaz na osnovu vlastitih prethodnih (nekoliko koraka unazad) aproksimacija
izlaza i odgovarajuih vrijednosti ulaza. Pokazuje se da je u takvoj situaciji generalizacija, kao
najvanije svojstvo neuronskih mrea, relativno skromna. Da bi se razrijeio navedeni problem,
potrebno je u mrei i u procesu uenja ukljuiti odreene povratne veze s kanjenjima signala [6.2,
6.3], to rezultira razvojem povratnih (engl. recurrent, feedback) neuronskih mrea. Veina
algoritama povratnih neuronskih mrea u svojoj osnovi predstavlja nadogradnju tradicionalnih
unaprijednih neuronskih mrea s povratnim prostiranjem greke [6.4, 6.5, 6.6, 6.7, 6.8]. Inae,
problem identifikacije dinamikog sustava unaprijednom mreom moe se rijeiti, ako se na izlazu te
mree ugradi odgovarajue kanjenje signala. Takva neuronska mrea posjeduje memoriju, pa
govorimo o unaprijednoj neuronskoj mrei s memorijom [6.9].
Postoji vie tipova recurrent neuronskih mrea, koje se u odnosu na algoritam uenja izvorno
mogu podijeliti u etiri osnovne skupine [6.10, 6.11, 6.12]:
Povratna mrea s unazadanim propagiranjem
(Recurrent BackPropagation Algorithms),
Povratna mrea s vremenskim unazadnim propagiranjem
(BackPropagation Throught-Time Algorithms),
Povratna mrea s uenjem u realnom vremenu
(Real-Time Recurrent Learning Algorithms),
Povratna mrea s dinamikim unazadnim propagiranjem
(Dynamic BackPropagation Algorithms).
U ovom e poglavlju biti pokazani osnovni modeli dinamikih neurona, te neka osnovna pravila
uenja dinamikih neuronskih mrea.
1.1. Grossbergovo i Hebbovo pravilo uenja
Grossbergovo pravilo uenja nastalo je iz pokuaja S.Grosberga da objasni neke bioloke pojave.
Ovo pravilo uenja svojevrsna je matematika formulacija uvenog Hebbovog zakona, a Hebbov
zakon predstavlja pojanjenje klasinog uvjetovanog ponaanja prema Pavlovu. Da bi pojasnili o
emu je zapravo rije, krenimo redom, prvo od Pavlova.
Poznati eksperiment koji je sa psima proveo Pavlov, doveo je do slijedih rezultata. Kada se psu
pokazuje zdjela s hranom, on pojaano slini, a mi tada kaemo da je hrana bezuvjetan podraaj
(pobuda), a pojano slinjenje psa bezuvjetna reakcija (odziv) psa na bezuvjetan podraaj. Ako se uz
pokazivanje hrane psima istovremeno zvoni zvonom, nakon nekog vremena psi e pojaano sliniti i
kada im se samo zvoni zvonom, a ne pokazuje hrana. Zvono tako postaje uvjetnim podraajem, a
slinjenje uvjetnom reakcijom ili uvjetnim odzivom pasa. Donald Hebb [6.13] je 1949. godine sa
neurolokog stajalita pokuao objasniti ovaj fenomen na slijedei nain :
gdje su
Fi G
(0 + Gyj (f)y, (0 ,
pozitivne konstante, a
(6-3)
yj
[6.21], [6.22]
Na slici 6.2 prikazana je neuronska mrea koja se sastoji od jednog zasebnog neurona i od 70
neurona organiziranih u polje forme 7x10 neurona.
Polje neurona
Zasebni
neuron
Izlaz zasebnog neurona vezan je na ulaz svakog neurona u polju, a neuroni u polju nisu
meusobno povezani. Svaki neuron mree ima i jedan vanjski ulaz, pa kad je taj vanjski ulaz aktivan,
bit e aktivan i sam neuron. Zbog ovakve topologije, mrea se moe predstaviti sa 70 neovisnih
mrea od po dva neurona (gdje je zasebni neuron zajedniki za sve neurone) koji ue po
Grossbergovom pravilu uenja. Uenje otpoinje malim teinskim koeficijentma veza sluajnih
iznosa.
Za vrijeme uenja vanjski su ulazi koriteni za aktivaciju kako zasebnog neurona, tako i itavog
polja, koje onda predstavlja odreeni uzorak uenja (u naem primjeru slovo A). Neuroni u polju koji
nisu pobueni vanjskim ulazom imaju malu vrijednost izlaza i njihovi se teinski koeficijenti uz
pravilno odabrane konstante uenja F i G postepeno smanjuju. To omoguuje neuronima u polju da
ne reagiraju na pobudu zasebnog neurona. Za razliku odnjih, neuroni koji su pobuivani vanjskim
ulazima imaju velike izlazne vrijednosti, ime jaaju svoju vezu sa zasebnim neuronom (rastu im
teinski koeficijenti veza sa zasebnim neuronom), to drugim rijeima znai da jaa odziv na pobudu
zasebnog neurona.
Kako se uenje odvija iterativno u vie koraka, neuroni polja e naposljetku dati odziv na pobudu
zasebnog neurona, pri emu vanjska pobuda polja vie nee biti vana. Prema tome, mrea je
nauena da reagira na uvjetnu pobudu i u sluaju odsutnosti bezuvjetne pobude (Hebbov zakon). Da
bi uili neki drugi uzorak (npr. drugo slovo), mrei treba samo dodati novi zasebni neuron. Pri uenju
novog uzorka, uz pretpostavku pravilnog odabira konstanti uenja G i F, veze koje su ve prije
nauene (prvi zasebni neuron) gotovo se nee mijenjati.
6.2. Kohonenove neuronske mree
Kohonenova samoorganizirajua neuronska mrea vrlo je interesantna, jer pri njenom uenju
koristi postupak uenja bez uitelja, a organizira se u takvu strukturu koja najbolje prezentira
karakteristike ulaznog uzorka [6.14]. Kako je ova neuronska mrea vrlo mona i brza, ali ipak
relativno komplicirana za uporabu, ovdje emo dati samo osnovni princip rada mree, a neto vie
detaljnijih informacija moe se nai u referencama [6.31, 6.32, 6.33],
Kohonenova neuronska mrea potpuno je povezana struktura neurona, u kojoj je izlaz svakog
neurona spojen na ulaza svih ostalih neurona, ukljuujui i vlastiti ulaz. Svaki neuron ima dva skupa
teinskih koeficijenata. Jednim se skupom teinskih koeficijenata u mreu dovode informacije od
vanjskih ulaza, dok se drugim skupom kontroliraju interakcije meu neuronima mree. Teinski
koeficijenti koji su odgovorni za veze s vanjskim ulazima mree predmetom su uenja i mijenjaju se,
dok su teinski koeficijenti interakcija meu neuronima nepromjenjivi (fiksni). Svaki neuron mree
ima isti ulaz koji predstavlja ulazni uzorak koji se sastoji od n elemenata. Shematski prikaz
jednostavne Kohonenove umjetne neuronske mree koja je sainjena od N neurona, danje slikom 6.3.
Tijekom uenja svaki se uzorak uenja (ulazni uzorak) daje svakom neuronu i svaki neuron daje
izlaz kao rezultat primjene sigmoidalne aktivacijske funkcije na sumu umnoaka teinskih
koeficijenata i vrijendosti ulaza. Nakon toga se ulazni uzorak mie s ulaza i neuroni poinju s
Broj neurona
Slika 6.4. Primjer organizacije Kohonenove neuronske mree s uniformnom razdiobom ulaznih
veliina.
postavljeni u podruje gdje se najvei ulazi najee pojavljuju, to je zorno prikazano slikom
6.5.
Broj neurona
Slika 6.5. Primjer organizacije Kohonenove neuronske mree s Gaussovom razdiobom ulaznih
veliina.
n } (t) - a
k=l
Mexican Hat
funkcija
r0 - vremensko kanjenje signala
u povratnoj vezi cr(*) sigmoidalna aktivacijska
funkcija.
Slika 6.8 prikazuje kako djeluje bona (lateralna)
interakcija. Krivulja za t=0 pokazuje poetno stanje izlaza
neurona mree prije poetka bone inetrakcije. Ostale
kruvulje pokazuju izlaze neurona tijekom bone
interakcije.