Documente Academic
Documente Profesional
Documente Cultură
Sisteme Inteligente in Ie
Sisteme Inteligente in Ie
REELELOR NEURONALE
Obiectivele disciplinei
Reelele neuronale au fost aplicate cu succes la un spectru larg de aplicatii pentru prelucrarea intensiv a datelor.
Lista de mai jos se bazeaz pe exemple de succes din lumea real. Acesta ofer o imagine de ansamblu a domeniilor
de aplicare a problemelor pe care le pot aborda RNA.
Financiar
Predicia falimentelor
Evaluarea proprietilor
Detecia fraudelor
Prognoze de pre
Diagnosticul medical
Prognoza vnzrilor
Educational
Planificarea angajailor
Bioinformatic
secvenierea ADN
tiin
Exploatarea datelor
Energie
Predicie
Clasificare
Detecia schimbrilor
Analiza seriilor de timp
Analiz operaional
Recunoaterea formelor
Identificarea compuilor chimici
Modelarea sistemelor fizice
Evaluarea ecosistemelor
Identificarea polimerilor
Recunoaterea genelor
Procesarea semnalelor: Filtrarea neuronal
Analiza sistemelor biologice
Prognoza nivelului stratului de ozon
Alte domenii
Pariuri sportive
Pronosticuri curse de cini i cai
Prognoza meteo
Implementare de jocuri (jocul de table)
Estimarea produciei agricole
Istoric
Recunoaterea scrisului de mn
Detecia facial
http://www.cs.nyu.edu/yann/research/cface
http://www.cs.nyu.edu/yann/research/norb
Clasificare
Definiie
Retele neuronale
Date de
intrare
Algoritm =
descriere a
metodei
Venit
If venit>1000 then Clasa 1
else Clasa 2
Rezultat
Clasa 1 sau
Clasa 2
Retele neuronale
Venit
Sistem adaptiv
(incorporeaza un
modul de
invatare/evolutie)
Rezultate
Clasa 1 sau
Clasa 2
Retele neuronale
Metodele de rezolvare a problemelor incorect - formulate se caracterizeaz
prin:
Retele neuronale
Directii
Instrumente
Sursa de inspiratie
Calcul neuronal
Creierul uman
Calcul evolutiv
Algoritmi evolutivi
Evolutia naturala
Calcul fuzzy
Sisteme fuzzy
Rationament uman
i limbaj natural
Principii de baza
Dpdv functional:
retea neuronala artificiala = sistem adaptiv capabil sa furnizeze
raspunsuri pentru o problema dupa ce a fost antrenata pentru
probleme similare
Exemple
Data de
intrare
Retea neuronala =
Sistem adaptiv
(antrenabil)
Raspuns
Principii de baza
Dpdv structural:
Retea neuronala = ansamblu de unitati functionale simple
(neuroni) interconectate
Unitate functionala = model foarte simplificat al neuronului
biologic
Retea neuronala artificiala = model foarte simplificat la
creierului
Principii de baza
Modelul biologic
Pentru a nelege mai bine aceast abordare, trebuie precizat modul de funcionare al sistemului
nervos
Constituienii structurali ai creierului sunt neuronii, conectai prin sinapse
Se estimeaz c n cortexul uman exist circa 10 miliarde de neuroni i 60 de trilioane de sinapse
Modelul biologic
Cum lucreaza un neuron ?
Soma
Dendrites
Synapse
Dendrites
Axon
Soma
Synapse
Modelul biologic
Modelul biologic
Calculator (vonNeumann)
Unul sau cateva procesoare
de viteza mare (ns) si cu putere
de calcul mare
Una sau cateva magistrale de
comunicare de viteza mare
Memorie accesata prin adresa
Componenta ce incorporeaza
cunoasterea este separata de
cea destinata efectuarii
calculelor
Adaptabilitate redusa
Creier uman
Algoritm de nvare
nvarea
Caracteristici
Semnale de ieire
Semnale de intrare
Strat intermediar
Strat de intrare
Strat de ieire
xn
Ponderi
Semnale de ieire
Y
w1
w2
wn
Neuron
Y
Y
X xi wi
i 1
1, if X
Y
1, if X
Funcii de activare
Funcii de activare
Sumator
liniar
Limitare
Hard
w2
x2
Ieire
Y
Prag
Perceptronul
X xi wi
i 1
1, daca X 0
1, daca X 0
Functia semn : Y
1, daca X 0
0, daca X 0
Functia prag : Y
Binar: 0 nu, 1 da
Bipolar: -1 nu, 0 necunoscut, 1 da
Reprezentarea bipolar este superioar
w0 = -1, w1 = 1, w2 = 1
0 = -1 + x1 + x2 or x2 = 1 x1
DA
x1
NU
x2
Limit de decizie
x1 = este cald
x2 = plou
x0
2.5
x0 = pragul
x1
x2
-2
Separarea liniar
AND
OR
XOR
Retele neuronale
39
Retele neuronale
40
xi wi 0
i 1
Retele neuronale
41
x2
x2
Clasa A1
1
1
Clasa A2
x1
x1
2
x1w1 + x2w2 = 0
(a) Percepton cu dou intrri.
x3
42
e( p) Yd ( p) Y ( p)
unde p = 1, 2, 3, . . .
Pas 1: Iniializare
Se iniializeaz ponderile w1, w2,, wn i
pragul cu numere aleatoare n intervalul
[0.5, 0.5].
Dac eroarea, e(p), este pozitiv, este
nevoie se creterea ieirii perceptonului Y(p),
dac este negativ, trebuie sczut ieirea
Y(p).
Retele neuronale
46
Pas 2: Activarea
Se activeaz perceptonul prin aplicarea intrrilor
x1(p), x2(p),, xn(p) i a ieirii dorite Yd (p). Se
calculeaz ieirea real la iteraia p = 1
n
Retele neuronale
47
wi ( p 1) wi ( p ) wi ( p )
wi ( p ) xi ( p ) e( p )
Pas 4: Iteraia
Se crete p cu 1 i se revine la pasul 2 pn la convergena procesului .
Retele neuronale
48
w1
w2
Yd
0
1
0
1
0
0
0
1
0.3
0.3
0.3
0.2
0.1
0.1
0.1
0.1
0
0
1
0
0
0
1
1
0.3
0.3
0.2
0.3
0.1
0.1
0.1
0.0
0
0
1
1
0
1
0
1
0
0
0
1
0.3
0.3
0.3
0.2
0.0
0.0
0.0
0.0
0
0
1
1
0
0
1
0
0.3
0.3
0.2
0.2
0.0
0.0
0.0
0.0
0
0
1
1
0
1
0
1
0
0
0
1
0.2
0.2
0.2
0.1
0.0
0.0
0.0
0.0
0
0
1
0
0
0
1
1
0.2
0.2
0.1
0.2
0.0
0.0
0.0
0.1
0
0
1
1
0
1
0
1
0
0
0
1
0.2
0.2
0.2
0.1
0.1
0.1
0.1
0.1
0
0
1
1
0
0
1
0
0.2
0.2
0.1
0.1
0.1
0.1
0.1
0.1
0
0
1
1
0
1
0
1
0
0
0
1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0
0
0
1
0
0
0
0
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
Intrri
x1
x2
0
0
1
1
Ieire
dorit
Ieire
real
Ponderi
iniiale
wweights
w2
1
Epoca
Ponderi
finale
49
intrri:
Ieirea este o funcie de x1, x2:
y F
x w
i 1
funcie de intrare
Retele neuronale
x1
Retele neuronale
51
Retele neuronale
52