Neurális hálózatok bemutató Füvesi Viktor Miskolci Egyetem Alkalmazott Földtudományi Kutatóintézet
Miért? Vannak feladatok amelyeket az agy gyorsabban hajt végre mint a konvencionális számítógépek. Pl.: arcfelismerés Számítógép Gyors Pontos Előre programozott Agy Lassú (10 6 ) Összetett Párhuzamos asszociatív működés 2/33
Neurális hálózat Neurális hálózatnak nevezzük azt a hardver vagy szoftver megvalósítású párhuzamos, elosztott működésre képes információfeldolgozó eszközt, amely: azonos, vagy hasonló típusú általában nagyszámú lokális feldolgozást végző műveleti elem, neuron(processing element, neuron) többnyire rendezett topológiájú, nagymértékben összekapcsolt rendszeréből áll, rendelkezik tanulási algoritmussal (learning algorithm), mely általában minta alapján való tanulást jelent, és amely az információfeldolgozás módját határozza meg, rendelkezik a megtanult információ felhasználását lehetővé tevő információ előhívási, vagy röviden előhívási algoritmussal (recall algorithm). 3/33
Neuron általános felépítése 4/33
Perceptron típusú mesterséges neuron Rosenblatt - 1958 5/33
Tipikus aktivációs függvények 6/33
Bemeneti összegzést nem használó neuron x bemeneti vektor c középpont vektor 7/33
Memóriával rendelkező neuron 8/33
FIR / IIR neuron struktúra 9/33
Hálózat topológia A hálózat topológiáján a neuronok összeköttetési rendszerét és a hálózat bemeneteinek és kimeneteinek helyét értjük. irányított gráf gráf csomópontjai a neuronok 10/33
Rétegbe szervezett topológia Bementi réteg Rejtett réteg Kimeneti réteg 11/33
Visszacsatolások 12/33
Tanítás Ellenőrzött tanulásnál be- és kimeneti tanító mintapont párok rendelkezésre állnak Tanítás a mintapárok alapján Az összehasonlítás eredménye a tényleges és a kívánt válasz különbsége felhasználható a hálózat olyan módosítására, hogy a tényleges válaszok a kívánt válaszokkal minél inkább megegyezzenek, és a hálózat tényleges viselkedése és a kívánt viselkedés közötti eltérés csökkenjen. Nemellenőrzött tanulásnál(unsupervised learning) nem állnak rendelkezésünkre adott bemenetekhez tartozó kívánt válaszok bemenetek és a kimenetek alapján a viselkedést kialakítása Környezetből nincs visszajelzés Bemeneti adatokban, jelekben valami hasonlóság, korreláció, kategóriák, csoportok 13/33
Tanítás leállítása 14/33
MLP Bementi réteg Rejtett réteg Kimeneti réteg 15/33
Virtuális bemenetek Dinamikus rendszer modellezése SISO - Single Input Single Output System u(t) ~ y ( t ) Z -1 u(t-1) Z -1 u(t-2) Z -1 u(t-3) Egy rejtett rétegű neurális hálózat u t, u t 1, u t 2 u t n ~ y( t) f,..., 16/33
Neurális háló alkalmazása Alkalmazási területek: Mérnöki önjáró autó, repülőgépek szabályozása Fizikai adaptív teleszkóp optika Biológiai - protein identifikáció Orvosi ráksejt, EKG analízis Pénzügyi tőzsdei előrejelzés Művészet beszéd és írásfelismerés Katonai adattömörítés, célpont követés stb Feladatcsoportok: Minta asszociáció klaszterezés., osztályozás, jellemvonás felismerés Függvény közelítés Szabályozás Optimalizálás Tudás rögzítés 17/33
Szoftverek Szkript nyelvek: Matlab + Simulink NN Toolbox, NNSYSID, stb. Scilab + Xcos ANN Toolbox, LoLiMoT, stb. Octave Matematica Programozási nyelvek C/C++ FANN OpenNN C# Encog Specifikus programok Alyda NeuroIntelligence NeuroXL NeuroSolution EasyNN 18/33
Források Retter Gyula: Fuzzy, neurális, genetikus, kaotikus rendszerek Akadémiai Kiadó, Budapest, 2. kiadás, 2006 ISBN 963 05 8353 4 http://project.mit.bme.hu/mi_almanach/ Google.hu 19/33
u be [V] i ki [A] Feladat RL tag bekapcsolási folyamata i ki (t) R L ube [V] iki [A] u be 25 2,5 20 2 i ki = u be u L R u L = L di ki dt 15 1,5 10 1 i ki = u be R 1 R e L t 5 0 0 1 2 3 4 5 6 0,5 0 t [ms] 20/33
Feladat RL tag bekapcsolási folyamata i ki (t) R L u be u be i ki (t) i ki (t-1) 21/33
Feladat 22/33
Feladat RL tag bekapcsolási folyamata i ki (t) R L u be 23/33
Feladat RL tag bekapcsolási folyamata i ki (t) R L u be Tanító készlet Kiértékelő készlet Közelítés Valós Közelítés Valós 1,2 1,2 1 1 0,8 0,8 0,6 0,6 0,4 0,4 0,2 0,2 0 1 11 21 31 41 51 61 71 81 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 24/33