rnsf_curs1
TRANSCRIPT
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 1/51
RNSF - curs 1 1
Retele neuronale si
sisteme fuzzy
curs : prof. dr. ing. Ovidiu Grigore
laborator: drd. ing. Valentin Velican
drd. ing. Ionut Bornoiucontact: [email protected]
tel: 021 402 4897
sala: B319a / B134
• Curs: cf. orar; sala B312
• Laborator: cf. orar; sala B322
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 2/51
• Punctaj laborator (detalii lab.) 45p
• Verificare finala (lucrare scrisa) 20p
• Verificare cunostinte 2/3 semestru 35p
• Tema de casa ( optional ) 20p
Laboratorul incepe in saptamana 3
Se fac 3 laboratoare, fiecare cu test de 15p
Mod de notare. Evaluation
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 3/51
Bibliografie:
• Ov. Grigore, Note de curs.
• R. Dogaru, Ov. Grigore, “Sisteme Neurale si cu logica Fuzzy “, Ed.Printech 1999 , ISBN 973-9475-51-5.
• R. Rojas, “ Neural Networks", Ed. Springer 1996.
• P. Pardalos, M. Resende, “Applied Optimization”, OxfordUniversity Press, 2002.
• D. B. Fogel, "Evolutionary computation: toward a new philosophyof machine intelligence", IEEE Press 1995.
• C. Bishop, " Neural Networks for Pattern Recognition", ClarendonPress, Oxford,1995.
• Kevin Gurney, “An Introduction to Neural Networks”, UCL Press,
1997.
• Laurene Fausett, “Fundamentals of Neural Networks”, PrenticeHall, 1994.
Bibliografie.
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 4/51
• Cuvinte cheie: – (Artificial) Neural Networks
– Fuzzy Sets; Fuzzy Systems
– Soft computing
– Genetic algorithms
– Artificial Intelligence
• http://www.cs.stir.ac.uk/~lss/NNIntro/InvSlides.html
• http://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol4/cs11/report.html
• http://www.learnartificialneuralnetworks.com/
• http://himulera.rbcmail.ru/page296.html
Surse internet.
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 5/51
RNSF - curs 1 5
Introducere. Terminologie
RN si SF fac parte din domeniul INTELIGENTEI ARTIFICIALESistem inteligent = sistem capabil sa preia informatie, sa o
prelucreze, sa o analizeze si sa ia decizii
Terminologie:
• Retele neuronale artificiale ( Artificial Neural Networks)
• Calcul neuronal (Neural Computing)
• Multimi fuzzy = Multimi vagi (Fuzzy sets)
• Calcul fuzzy (Fuzzy Computing)
• Calcul evolutiv (Evolutionary Computing)
• Calcul inteligent (Computational Intelligence)
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 6/51
RNSF - curs 1 6
Introducere. Provenienta RN,SF
De unde provine necesi tatea /do r inta de a dezvo lta RN si SF ?
• Imitarea /emularea biologicului / gandirii naturale din dorinta
de a:
– Modela sistemele naturale; explicarea functionarii lor
– Obtine performantele similare
• Existenta unor probleme (paradigme) cu probleme
– greu de definit,
– chiar definite, care sunt greu de formalizat,
– fara solutii algoritmice (greu de implementat / fara implementare) – Chiar daca exista modele teoretice: uneori sunt sunt greu de aplicat;
problema reala se indeparteaza de modelul teoretic (ex.: distributia
normala; calculul campului electromagnetic al tel. mobile din sala)
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 7/51
RNSF - curs 1 7
D.p.v. al rezolvarii automate, problemelor pot fi
Probleme “bine-puse” : (well posed)
- Exista un model formal asociat
problemei
- Exista un algoritm de rezolvare- Nu exista ambiguitate
Exemplu: clasificarea angajatilor unei
companii in doua clase in functie de
venitul acestora (venit mai mic respectiv
mai mare decat un prag dat)
Probleme “ rau-puse” : (ill-posed)
- Dificil / imposibil de formalizat
- Se cunosc doar exemple nu
si un model general
- Metodele clasice/algoritmice
nu pot fi aplicate
- Rezultatele nu sunt mereu
predictibile
Exemplu: clasificarea angajatilor
unei companii in doua clase in
functie de credibilitatea privind
acordarea unui imprumut bancar
Introducere. Necesitate aplicativa
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 8/51
RNSF - curs 1 8
Introducere. Necesitate aplicativa
Probleme “bine-puse” (well-posed problems)
Algoritm =descriere a metodei
Date de
intrareRezultat
If venit>1000 then Clasa 1else Clasa 2
VenitClasa 1 sau
Clasa 2
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 9/51
RNSF - curs 1 9
Probleme “rau-puse” (ill-posed problems)
Sistem adaptiv incorporeaza un
modul de
invatare / evolutie
Date deintrare Rezultate
Modelul este extras de catre sistemul adaptiv
pe baza situatiilor (exemple) cunoscute
Venit+ alte criterii:
obiective (nr membri fam.)
subiective (credite dejaacordate, bonitate)
Valorice / lingvistice
Clasa 1 sau
Clasa 2
Situatii cunoscute: (900,3,7,Bun, Clasa1),
(500,1,1,Fbun,Clasa 1),(5000,2,5,Rau,Clasa 2),
(1100,4,3,Bun,Clasa2)
Introducere . Necesitate aplicativa
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 10/51
RNSF - curs 1 10
Metodele de rezolvare a problemelor “rau-puse” se
caracterizeaza prin:
Abilitatea de a extrage modele din exemple (generalizare )
Adaptabilitate la probleme cu caracter dinamic
Robustete la erori (zgomot) in datele de intrare
Capacitatea de a furniza rezultate intr-un interval rezonabil
de timp (chiar daca rezultatele sunt aproximative, dar
acceptabile dpdv practic). = Compromis (optimizare) eroarede rezolvare vs. timp de rezolvare (cand este cazul
Metode inteligente vs. Metode teoretice,formalizate)
”
Introducere . Necesitate aplicativa
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 11/51
RNSF - curs 1 11
Computational Intelligence
“is a branch of artificialintelligence; it aims to use
learning, adaptive, or
evolutionary algorithms to
create programs that are, in
some sense , intelligent. “[Computational Intelligence Techniques –
Sundaram, Palaniswami, Shilton, Begg, 2006]
Soft Computing
“is a collection of new techniques incomputer science, especially in
artificial intelligence; unlike hard
computing, it is tolerant of
imprecision, uncertainty and
partial truth. In effect, the role
model for soft computing is thehuman mind. The guiding
principle of soft computing is:
exploit the tolerance for
imprecision, uncertainty and
partial truth to achieve tractability,
robustness and low solutioncost.” [Neural Networks and Fuzzy Systems –
Gupta, 2000]
Introducere . Necesitate aplicativa
I d N i li i
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 12/51
RNSF - curs 1 12
Directii de abordare;rezolvare a problemelor
Calcul neuronal
Calcul evolutiv
Calcul fuzzy
Instrumente
Retele neuronale
artificiale
Algoritmi evolutivi
Sisteme fuzzy
Sursa de inspiratie
Creierul uman
Evolutia naturala
Rationament uman
si limbaj natural
Introducere . Necesitate aplicativa
I t d
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 13/51
RNSF - curs 1 13
Modelul biologic
Creier uman
cca 1011 neuroni si 1015 interconexiuni (sinapse/ synapses )
Introducere
I t d RN M d l l bi l i
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 14/51
RNSF - curs 1 14
Cum “lucreaza un neuron” ?
Primeste semnale de intrare prin dendrite
Semnalele de intrare genereaza diferentede potential pe membrana celulara
Diferenta de potential se propaga pana laconul axonal
De-a lungul axonului este transmis un trende impulsuri electrice
Impulsurile electrice ajunse la terminatiileaxonului provoaca eliberarea unorneurotransmitatori in spatiul sinaptic …transfer de informatie catre dendritele altui
neuron
Sinapsa = legatura intre terminatiile axon sidenditre, are diferite “tarii” de conectare(transmitere) a informatiei; poate fiexcitatorie (+) sau inhibitorie (-)
Introducere RN – Modelul biologic
I t d RN M d l l bi l i
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 15/51
RNSF - curs 1 15
Calculator (vonNeumann)
Unul sau cateva procesoare de
viteza mare (timp raspuns: ns) sicu putere mare de calcul
Una sau cateva magistrale de
comunicare de viteza mare
Memorie accesata prin adresa
Componenta ce incorporeaza
cunoasterea este separata de cea
destinata efectuarii calculelor
(“cunostintele” sunt inmagazinate
in program / algoritm)
Adaptabilitate redusa
Creier uman / RNA Un numar mare (1011) de unitati
functionale de viteza relativ mica
(ms) cu putere de calcul limitata
Numar foarte mare (1015) de
conexiuni de viteza limitata
Memorie cu caracter asociativ
(adresare prin continut)
Cunostintele sunt stocate in
sinapse (distribuite in toatastructura)
Adaptarea se realizeaza prin
modificarea conexiunilor
Introducere RN – Modelul biologic
I t d RN M d l l bi l i
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 16/51
RNSF - curs 1 16
Introducere RN – Modelul biologic
Structura
creierului
I t d
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 17/51
RNSF - curs 1 17
RN - Principii de baza
Dpdv functional: retea neuronala artificiala = sistem adaptivcapabil sa furnizeze raspunsuri pentru o problema dupa ce a
fost antrenata pentru situatii similare
Data de
intrare Raspuns
Exemple
Retea neuronala =
Sistem adaptiv(antrenabil)
Introducere
Introducere RN Principii de baza
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 18/51
RNSF - curs 1 18
Dpdv structural:
Retea neuronala = ansamblu de unitati functionale(neuroni) interconectate
Unitate functionala = model foarte simplificat al
neuronului biologic care efectueaza prelucrari simpleasupra unor date de intrare
Retea neuronala artificiala = model foarte simplificat la
creierului
Introducere RN – Principii de baza
Introducere RN Principii de baza
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 19/51
RNSF - curs 1 19
Observatii generale
Comportarea complexa a unei RN emerge dininteractiunea si aplicarea in paralel a multor regulisimple
Abilitatea de invatare deriva din adaptabilitatea unorparametri asociati unitatilor functionale (acestiparametri sunt ajustati in procesul de invatare)
In cazul clasic de RN, prelucrarile sunt preponderent
numerice. Exsita abordarile fuzzy la care (cel putin)intrarile - iesirile reprezinta “ entitati calitative” Existaabordari noi RN sintactice care invata sa asociezestructuri sintactice / simbolice
Introducere RN – Principii de baza
Introducere RN Principii de baza
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 20/51
RNSF - curs 1 20
Retele neuronale artificiale
RNA = unitati functionale interconectate cu parametri ajustabili
Unitate functionala: mai multe intrari, o singura iesire
intrari
iesire
Ponderi numerice
atasate conexiunilor
= sinapse )exp(1
1)( )()(
)tanh()( )sgn()(
)( 0
1
uu f u H u f
uu f uu f
w xw f y j
n
j
j
Operatii specifice unei unitatifunctionale (ex.)
Introducere RN – Principii de baza
+ f
x1
x2
xn
w1
w2
wn
..
.
Introducere Retele neuronale artificiale
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 21/51
RNSF - curs 1 21
Functii de activare
)()(
)sgn()(
u H u f
uu f
Introducere Retele neuronale artificiale
0 2 4 6 8 10 1 2 1 4 1 6 18 2 00
2
4
6
8
10
12
14
16
18
20
-10 - 8 -6 -4 -2 0 2 4 6 8 10-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
-10 - 8 -6 -4 -2 0 2 4 6 8 10-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
Linear
Logistic (sigmoida)
Tangenta hiperbolica
uu f )(
)exp(1
1)(
uu f
)exp()exp(
)exp()exp()(
uu
uuu f
Introducere Retele neuronale artificiale
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 22/51
RNSF - curs 1 22
Structura RNA
- Arhitectura (graf orientatetichetat)
- Functionare (functii vectoriale,relatii de recurenta, ecuatiidiferentiale)
- Invatare/antrenare (algoritm deajustare a parametrilorajustabili)
2,1 ,1
0
0
0
12 N i xw f w f y N
k
N
j
jkjik i
Exemplu: arhitectura pe nivele
(feedforward)
Relatie de functionare:
Introducere - Retele neuronale artificiale
Introducere Retele neuronale artificiale
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 23/51
RNSF - curs 1 23
Exemple de arhitecturi:
Arhitectura pe nivele (feed-forward) Arhitectura recurenta (feed-back)
Arhitectura celulara
Introducere - Retele neuronale artificiale
Introducere - Retele neuronale artificiale
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 24/51
RNSF - curs 1 24
Invatare = extragerea modelului corespunzator problemei pornind
de la exemple
= determinarea parametrilor retelei
Strategii de invatare:
• Supervizata (i.e. invatare cu instructor, set de antrenare cecontine date de intrare si raspunsuri corecte)
• Nesupervizata (i.e. bazata doar pe datele de intrare)
• Intarire (i.e. de tip recompensa/penalizare)
Introducere - Retele neuronale artificiale
Introducere - Retele neuronale artificiale
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 25/51
RNSF - curs 1 25
Aplicatii
Clasificare si recunoasterea formelor
Date de intrare: ansamblu de trasaturi ale unui obiect
Ex: informatii despre angajat
Iesire: Clasa caruia ii apartine obiectul
Ex: eligibil sau neeligibil pt. un credit bancar
Alte exemple: recunoasterea caracterelor, clasificarea imaginilor,
clasificarea texturilor, recunoasterea vorbirii, clasificarea
semnalelor (EEG, EKG)
Particularitate: antrenare supervizata (bazata pe exemple de
clasificare corecta)
Introducere - Retele neuronale artificiale
Introducere - RNA Aplicatii
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 26/51
RNSF - curs 1 26
Exemplu: recunoasterea caracterelor
Problema: recunoasterea caracterelor reprezentate prin bitmap-uri
0
0
0 1 0
1 1 0 0
0 1 0 0
0 1 0 0
1 1 1 0
1
1
1 1 1
1
0
0
0
00
0 1 01 1 0 0
0 1 0 0
0 1 0 0
1 1 1 0
1
1
1 1 1
0
0
0
0
0
0
0 1 0
1 1 0 0
0 1 0 0
0 1 0 0
0 1 0 0
1
1
1
1
0
0
0
Exemple de reprezentari ale cifrei 1
0
0
0 1 0
1 1 0 0
0 1 0 0
0 1 0 0
0 1 0 1
1
1
1 1
0
0
0
0
Reteaua invata aceste exemple
Dupa antrenare va
recunoaste si reprezentarea:
Introducere - RNA Aplicatii
Introducere - RNA Aplicatii
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 27/51
RNSF - curs 1 27
Gruparea datelor = Clustering
= varianta nesupervizata a clasificarii ; datelese grupeaza in functie de similaritatile intre ele
Date de intrare: ansamblu de trasaturi ale unui obiect / entitate declasificat
Iesire (Rezultat): clasa caruia ii apartine obiectul
Exemple: segmentarea imaginilor
determinarea adaptiva a paletei de culoare
Introducere RNA Aplicatii
Introducere - RNA Aplicatii: Segmentarea imaginilor
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 28/51
RNSF - curs 1 28
Exemplu: segmentarea imaginilor satelitare =
identificarea regiunilor omogene din
imagine (faciliteaza analiza continutului
imaginii)
Introducere RNA Aplicatii: Segmentarea imaginilor
Introducere - RNA Aplicatii: Segmentarea imaginilor
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 29/51
RNSF - curs 1 29
Segmentarea imaginilor medicale; detectia/evaluarea cancerului de sanIntroducere RNA Aplicatii: Segmentarea imaginilor
Segmentarea imag. folosindRN LVQ
Imagini de la microscop
Segmentarea folosing op.
prelucrari de imagini
(“level slicing”)
Introducere - RNA Aplicatii: Segmentarea imaginilor
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 30/51
RNSF - curs 1 30
Segmentarea imaginilor medicale; detectia/evaluarea cancerului de sanIntroducere RNA Aplicatii: Segmentarea imaginilor
Senior Expert Counting
A
u t o m a t i c S y s t e m C
o u n t i n g
Rezultat final
Coef. Corel=0.84
Introducere - RNA Aplicatii
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 31/51
RNSF - curs 1 31
Aproximare / estimarea =
determinarea unei relatii intre doua
variabile
Date de intrare: valori ale variabilelor
independente
Ex: valori obtinute prin masuratori
Iesire: valoare corespunzatoare
variabilei dependente
Ex: valoarea estimata pentru marimea
care depinde de variabilele
independente
Introducere RNA Aplicatii
Introducere - RNA Aplicatii
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 32/51
RNSF - curs 1 32
Predictie = estimarea valorii(valorilor) viitoare dintr-o serie
temporala
Date intrare: succesiune de valori
Ex: rata de schimb valutar din ultima luna
Iesire: estimarea valorii urmatoare
Ex: estimarea ratei pentru maine
Alte exemple: Aplicatii financiare
predictia stocurilor,
predictia in meteorologie
Aplicatii in estimarea miscarii (roboti, aplic militare)
Introducere RNA Aplicatii
Introducere - RNA Aplicatii
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 33/51
Predictia traiectoriei unei tinte aeriene pentru
comanda unei rachete de urmarire
Missile
Target
t oduce e p cat
Introducere - RNA Aplicatii
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 34/51
RNSF - curs 1 34
Optimizare = rezolvare in timp rezonabil a unor probleme de
optimizare combinatoriala pentru care nu exista algoritmi clasici
de complexitate polinomiala
Memorii asociative = memorii in care regasirea informatiei se
bazeaza pe versiuni partiale ale informatiei stocate si nu pe
adresa
Control adaptiv = determinarea unui semnal de control ce
asigura un anumit semnal de iesire al sistemului
p
Introducere - RNA
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 35/51
RNSF - curs 1 35
Scurt istoric
Pitts & McCulloch (1943)
Primul model matematic al neuronului biologic
Hebb (1949)
Regula de ajustare a ponderilor sinaptice: permeabilitatea
sinaptica dintre doi neuroni creste daca acestia devin activi
simultan
Introducere - RNA Scurt istoric
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 36/51
RNSF - curs 1 36
Prima lansare a retelelor neuronale (1950 – 1965)
– Rosenblatt (1957)
• Perceptron: retea simpla pentru recunoasterea caracterelorPerceptron learning rule: primul algoritm de invatare (bazat pe
principiul penalizarii erorilor)
• Algoritm de antrenare si teorema de convergenta: perceptronul
poate fi antrenat sa raspunda corect pentru orice problema declasificare liniar separabila
– Widrow and Hoff (1960, 1962)
• ADALINE (Adaptive Linear Neuron / Adaptive Linear Element)
• Algoritm de antrenare bazat pe minimizarea unei functii de
eroare folosind o metoda de optimizare
Introducere - RNA Scurt istoric
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 37/51
RNSF - curs 1 37
• Perioada de stagnare (1965 – 1980)
– Minski si Papert au facut cunoscute limitarile perceptronului:
Nu poate reprezenta (invata) unele functii
booleene simple (XOR)
- Tot ei au intuit solutia (utilizarea mai multor nivele) dar nu au
putut dezvolta la ora respectiva un algoritm de antrenare
adecvat
Introducere - RNA Scurt istoric
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 38/51
RNSF - curs 1 38
• Renasterea interesului pt. domeniu (1980 - prezent)
– Tehnici noi:
• Algoritmul BackPropagation (Werbos-1974, Rumelhart-
1985)
• Modele inspirate de fizica (reteaua Hopfield, masina
Boltzmann, etc.)• Invatare nesupervizata (Kohonen, Grossberg)
– Extinderea domeniului de aplicabilitate
Observatie:
• Retelele neuronale au limitari si dezavantaje
• Trebuie utilizata doar cand tehnicile clasice esueaza
(solutii de compromis)
Introducere - RNA
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 39/51
RNSF - curs 1 39
Legatura cu alte domenii
Retele neuronale
Biologie
Neurofiziologie
Psihologie cognitiva
Algebra liniara (calcul vectorial si matricial)
Analiza numerica (metode de minimizare)
Statistica
(estimare, regresie)
Ecuatii diferentiale
Informatica
Matematica
Inteligenta artificiala
Data mining
IngineriePrelucrarea semnalelor
Control adaptiv
EconomiePredictie stocuri
Analiza riscului
Medicina
Diagnoza automata
Interpretare imagini
Introducere - RNA
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 40/51
RNSF - curs 1 40
STOP Introducere
STOP
Invatare supervizatanesupervizata
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 41/51
RNSF - curs 1 41
Calcul evolutiv
Principiile calculului evolutiv
Structura unui algoritm evolutiv
Clase de algoritmi evolutivi
Aplicatii ale calculului evolutiv
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 42/51
RNSF - curs 1 42
Principii de baza
Este inspirat de procesele de evolutie din natura bazate peprincipiile ereditatii si a supravietuirii celui mai bun individ
Se bazeaza pe determinarea solutiei unei probleme prinexplorarea spatiului solutiilor potentiale folosind o populatie de“cautatori” (agenti)
Elementele populatiei sunt codificate in functie de specificulproblemei (siruri de biti, vectori de valori reale, arbori etc.)
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 43/51
RNSF - curs 1 43
Principiile calculului evolutiv
Evolutia in natura
MediuIndivid
Grad de adaptare la
mediu
Rezolvarea
problemelor
ProblemaSolutie candidat
Calitate solutie
Analogia dintre procesele de evolutie din natura si
rezolvarea problemelor
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 44/51
RNSF - curs 1 44
Structura unui algoritm evolutiv
Initializare
populatie
Evaluare
Recombinare,
mutatie
Selectie
Conditie
de oprire
solutie Algoritm evolutiv =
proces iterativ constand
in aplicarea succesiva a
unor operatori
- recombinare
- mutatie- selectie
asupra unei populatii
initializata aleator
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 45/51
RNSF - curs 1 45
Variante de algoritmi evolutivi
• Algoritmi genetici:
– Codificarea binara a informatiei
– Incrucisarea (recombinarea) este operatorul principal
– Mutatia este operator secundar
– Adecvate pentru probleme de optimizare combinatoriala
• Strategii evolutive:
– Codificare reala a informatiei
– Mutatia este operatorul principal
– Incrucisarea este operator secundar
– Adecvate pentru rezolvarea de probleme de optimizarecontinua
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 46/51
RNSF - curs 1 46
Variante de algoritmi evolutivi
• Programare genetica:
– Elementele populatiei sunt structuri (arbori, expresii,
programe etc)
– Permit generarea unor structuri de calcul prin procese de
evolutie
• Programare evolutiva:
– Codificare reala a informatiei
– Mutatia este singurul operator
– Utilizata in rezolvarea problemelor de optimizare continua
Tendinta curenta: hibridizarea diferitelor variante
Aplicatii ale algoritmilor
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 47/51
RNSF - curs 1 47
Aplicatii ale algoritmilor
evolutivi Probleme de planificare a activitatilor (generarea automata a orarelor
sau planificarea sarcinilor).
Probleme de predictie (evolutia unui activ financiar sau a cursuluivalutar).
Programare automata (generarea unor programe care sau structuricomputationale cum sunt automatele celulare si retelele de sortare).
Prelucrarea imaginilor (proiectarea filtrelor pentru imagini si analizaimaginilor).
Proiectarea retelelor neuronale (stabilirea arhitecturii si/sau aponderilor).
Probleme de identificare a unor structuri (bioinformatica)
Simularea unor activitati creative (generare de imagini, muzica etc.)
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 48/51
RNSF - curs 1 48
Calcul fuzzy Se bazeaza pe calculul nuantat ce foloseste valori “fuzzy” in
locul unor valori exacte Multime fuzzy: fiecare element are asociata o functie de
apartenenta
Regula fuzzy: regula implicand variabile lingvistice
Rece Cald Fierbinte
Aplicatii: dispozitive de control (masini de spalat, frigidere, lifturi etc)
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 49/51
RNSF - curs 1 49
Structura cursului Proiectarea retelelor neuronale
Retele cu un singur nivel. Perceptron. Probleme liniar separabile. Algoritmii Widrow-Hoff si Delta.
Retele multinivel. Algoritmul BackPropagation si variante. Problemeneliniar separabile si aproximare
Retele cu functii radiale
Invatare bazata pe competitie. Retele Kohonen. Teoria rezonanteiadaptive
Invatare de tip corelativ. Analiza in componente principale
Retele recurente (Hopfield, Elman, retele celulare)
Proiectarea evolutiva a retelelor neuronale
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 50/51
RNSF - curs 1 50
Structura laboratorului
Scop: simularea tipurilor fundamentale de reteleneuronale
Instrumente: MatLab (Scilab, Weka, JavaSNNS)
Teme laborator1. Implementare perceptron simplu
2. Implementare algoritm Backpropagation
3. Implementare retea cu functii radiale
4. Implementare retea Kohonen
8/12/2019 RNSF_curs1
http://slidepdf.com/reader/full/rnsfcurs1 51/51
RNSF curs 1 51
Materiale de curshttp://web.info.uvt.ro/~dzaharie/
• C. Bishop – Neural Networks for Pattern Recognition, ClarendonPress, 1995
• L. Chua, T. Roska – Cellular neural networks and visual computing ,Cambridge.University Press, 2004.
• A. Engelbrecht – Computational Intelligence. An Introduction, 2007
• M.Hagan, H. Demuth, M.Beale – Neural Networks Design, PWSPublishing 1996
• Hertz,J.;Krogh,A.;Palmer,R. - Introduction to the Theory of NeuralComputation, Addison-Wesley P.C., 1991.
• Ripley, B.D. - Pattern Recognition and Neural Networks, CambridgeUniversity Press, 1996.