DIGITALNA ARHIVA ŠUMARSKOG LISTA
prilagođeno pretraživanje po punom tekstu
| ŠUMARSKI LIST 3-4/2009 str. 33 <-- 33 --> PDF |
D. Klobučar, R. Pernar: UMJETNE NEURONSKE MREŽE U PROCJENI SASTOJINSKIH OBRASTA...Šumarski list br. 3–4, CXXXIII (2009), 145-155 Glavni zadatak mreže ja da nauči model okoline (svijeta) u kojoj će raditi i da održava model dovoljno točnim da bi se mogli postići željeni ciljevi danog sustava. Neuronska mreža uči o okolini kroz iterativni proces podešavanja sinaptičkih težina i pragova. Učenje je proces kojim se slobodni parametri neuronske mre že adaptiraju kroz kontinuirani proces stimulacije od okoline u kojoj se mreža nalazi (Haykin1999).Skup pravila za rješenje problema učenja zove se algoritam učenja (učenje ko rekcijom pogreške, Hebbovo uče nje, kompetetivno učenje, Boltzmanovo učenje, Thor n dikeovo učenje). Al go ritam učenja određuje na čin izračunavanja promje na sinaptičke težine u trenutkun, dok paradigme učenja (uče nje pod nadzorom, učenje podrškom, učenje bez nad zora) određuju odnos neuronske mreže prema okolini (Lončarić2003). Kod učenja pod nadzorom (engl. supervised learning) podaci za treniranje sastoje se od primjera s poznatim ulazno-izlaznim vrijednostima. Mreža stvara izlaz, računa pogrešku (razlika između željenog i dobivenog odziva za ulazni vektor) i prilagođava težine s obzirom na pogrešku. Proces se iterativno ponavlja sve dok mre ža ne nauči imitirati učitelja. Dakle, učenje pod nadzorom pretpostavlja postojanje ciljne vrijednosti za svaku ulaznu vrijednost. U nekim si tuacijama nije moguće osigurati takvu informaciju, već samo informaciju koja govori je li izlazna vrijednost poželjna ili nije. Ovaj tip učenja naziva se učenje podrš kom (engl. reinforcement). Kod ovog učenja ne postoji učitelj koji određuje kolika je pogreška za određeni ulazno- izlazni par, nego učitelj kaže koliko je određeni ko rak u učenju dobar (daje ocjenu ili podršku). Učenje podrškom rješava problem učenja pod nad zo rom, tj. da bez učitelja mreža ne može naučiti nove stra tegije, koje nisu pokrivene primjerima koji su kori šteni za učenje. Kod učenja bez nadzora (engl. unsupervised learning) nisu poznate izlazne vrijednosti. Ulazi su raspolo živi mreži, a težine se ne prilagođavaju na osnovi stvar nih vrijednosti izlaza. Ovdje se neuronska mreža sama organizira, pa se mreže učene ovom metodom nazivaju samoorganizirajuće neuronske mreže. Ako su slojevi neurona povezani na način da signali pu tuju u jednom smjeru od ulaza prema izlazu mreže, ta kav tip mreže se naziva unaprijedna neuronska mre ža. Ako postoji bar jedna povratna veza mreža se naziva povratnom. Prema tipu, veze između neurona mogu se ostvarivati između dva sloja (inter-slojna) i između neurona u jednom sloju (intra-slojna). Kada neki neuron prima ulaz iz prethodnog sloja, vri jednost njegovog ulaza računa se prema ulaznoj funk ciji, obično zvanoj “sumacijska” funkcija. Aktivacijske ili transfer funkcije, koriste se za smanji vanje broja iteracija. Uvode nelinearnost u neuronske mreže i unapređuju njezino provođenje (Cetini dr. 2004). Postoji veći broj aktivacijskih funkcija, a u radu su korištene: linearna, logaritamsko-sigmoidna, hi perboličko-tangentno-sigmoidna i triangularna. Slijedom navedenog, neuronske mreže mogu se podi jeliti u četiri glavne vrste: jednoslojne mreže bez povrat nih veza (single-layer feedforward networks), višeslojne mreže bez povratnih veza (multi-layer feed- forward networks), mreže s povratnim vezama (recurrent networks), ljestvičaste mreže (lattice structures) (Lončarić2003). 1.3. Prednosti i nedostaci neuronskih mreža Advantages and disadvantages of neural networks Umjetne neuronske mreže točnije su od ostalih statističkih tehnika, osobito kada je problem ili zadatak slabo definiran ili nerazumljiv, te ne zahtijevaju a priori znanje o određenom procesu. Neuronska mreža može raz viti vlastiti plan temeljen na odnosu između varijabli, a to se posebno odnosi na nelinearne sustave, gdje se klasične statističke tehnike ili matematički modeli ne mogu definirati. Sposobnost mreže da uči složene od nose i mogućnost uključivanja kvalitativnih i kvantitativnih po dataka, rezultirao je da je postupak neuronske mreže vrlo fleksibilan i snažan alat (PengiWen 1999, Liui dr. 2003). Jednom trenirane mreže mogu biti korištene u analizi novih uvjeta i davanju rješenja. Kao eventualne nedostatke neuronskih mreža mogu se navesti teškoće u njihovom korištenju, a odnose se na potrebno vrijeme treniranja i determinaciju djelo tvor ne mrežne strukture, nasuprot jednostavnijim metodama (Kavzoglui Mather1999). Neuronske mre že ne nude kao konačni model podataka razumljiv odnos važnih varijabli. Naime, odnosi između varijabli skriveni su u mrežnoj strukturi i težinskim faktorima veza neuronske mreže. Prema (DalbeloBašić2004) neuronska mre ža ne može davati suvisle odgovore iz van raspona vri jednosti primjera iz kojih je učila, a postupak generalizacije naučenih primjera uspješan je samo kod relativno “neprekidnih” pojava. Uspješno uče nje zahtijeva ve liki broj podataka, a to ponekad može biti problem. |