DIGITALNA ARHIVA ŠUMARSKOG LISTA
prilagođeno pretraživanje po punom tekstu
ŠUMARSKI LIST 3-4/2009 str. 35 <-- 35 --> PDF |
D. Klobučar, R. Pernar: UMJETNE NEURONSKE MREŽE U PROCJENI SASTOJINSKIH OBRASTA...Šumarski list br. 3–4, CXXXIII (2009), 145-155 Ukupno je trenirano sedam modela algoritma s povratnom propagacijom pogreške s jednim ili dva skrivena sloja, u kojima je bio različit broj skrivenih neu rona. Također su u skrivenim i izlaznim slojevima pri mjenjene različite aktivacijske funkcije (hiperbolič ko- tangentno-sigmoidna, linearna, logaritamsko-sigmoid na i triangularna). 3.2. Priprema podataka za raspodjelu sastojinskih obrasta primjenom samoorganizirajuće neuronske mreže Preparation of data for classification of stand densities by using a self-organizing neural network Sa svrhom kontrole Osnovom gospodarenja utvrđenih obrasta prema njihovoj raspodjeli u tri kategorije: normalan, manji od normalnog, slab (NN 111/06), koriš tena je samoorganizirajuća neu ron ska mreža. U cilju istraživanja primjenjivosti ove neuronske mre že, 80 odsjeka/odjela, podijeljeno je u dva seta: set za treniranje i set za testiranje (set za validaciju i set za tes tiranje iz prethodnog primjera). Svaki set je sadržavao 40 odsjeka/odjela. Kao i kod višeslojnog perceptrona prije treniranja neuronske mreže izvršeno je preprocesiranje podataka, te je provedena normalizacija i analiza glavnih komponenti ulaznih vrijednosti seta za treniranje.Analizom glav nih komponenti eliminirane su komponente koje su djeluju s manje od 1 % u totalnoj varijanci ulaznih po dataka, te je broj ulaznih značajke teksture s 11smanjen na 6. Ukupno su trenirane 34 mrežne arhitekture (dimenzije sloja). Dimenzija sloja predstavlja broj zadanih ne- u ro na (broj klastera), odnosno topologiju neuronske mre že. Na temelju ulazne vrijednosti (značajke tekstu re), svakom odsjeku/odjelu dodijeljen je određeni klaster. Budući da je u primjeni ovog modela neuronske mre že za cilj grupiranje odsjeka/odjela u tri kategorije obra sta, arhitektura s minimalnim brojem sadržavala je 3 neurona, odnosno 3 klastera, dok je maksimalni broj neu rona, odnosno klastera u arhitekturama [2 10] i [10 2] bio 20. Dakle, odsjecima/odjelima unutar pojedine kategorije obrasta dodijeljen je veći broj klastera, što se uglavnom odnosilo na sastojine normalnog obrasta, koje su najzastupljenije. Nakon provedenih treniranja analizirani su podaci s ciljem utvrđivanja koje su arhitekture raspoznale tri kategorije obrasta, kao i koji klasteri definiraju određenu kategoriju obrasta.Tosu klasteri s najvećom učestalošću u pojedinoj kategoriji obrasta. Slijedom navedenog, utvrđen je po arhitekturama broj točno dodijeljenih klastera. Nakon ove obrade podataka provedena je generalizacija navedenih arhitektura na novom skupu podataka (set za testiranje), koji se također sastoji od 40 odsjeka/odjela G. J “Jamaričko Brdo”. 4. REZULTATI ISTRAŽIVANJAI RASPRAVA– Research results and discussion 4.1. Optimalna arhitektura višeslojnog perceptrona Optimal architecture of a multilayer perceptron U odabiru najprihvatljivije arhitekture korištena jeutvrđena je kod scaled conjugate gradientalgoritma s najmanja vrijednost srednje kvadratne pogreške seta za25 neurona u skrivenom sloju i logaritamsko-sigmoidtestiranje. Arhitektura s najmanjom vrijednosti ciljnenom funkcijom na svom izlazu, te hiperboličko-tangen( troškovne) funkcije kod metode ranijeg zaustavljanjatno-sigmoidnom funkcijom u izlaznom sloju (Slika 2). Slika 2.Arhitektura neuronske mreža 7-25-1 Figure 2Neural network architecture 7-25-1 4.2. Rezultati procjene sastojinskih obrasta – Results of stand density estimation Kod seta za testiranje (20 odsjeka/odjela) uspoređe -gospodarenja (Tablica 1). Izlazne vrijednosti obrasta za ne su vrijednosti obrasta dobivene optimalnim mode-ovaj set nisu bile predočene mreži tijekom učenja, te su lom s vrijednostima obrasta koje su utvrđene Osnovomna ovom setu ispitana generalizacijska svojstva mreže. |