sisteme inteligente in ie

7/25/2019 sisteme inteligente in ie

1/52

APLICAII ALE

REELELOR NEURONALE


2/52

Obiectivele disciplinei Aprofundeaz principiile fundamentale i

te!nicile sistemelor bazate pe re"ele neuronale Aprofundeaz principalele modele de re"ele

neuronale i aplica"iile acestora


3/52

Introducere# $omenii de aplicabilitate

Re"elele neuronale au fost aplicate cu succes la un spectru lar% de aplicatii pentru prelucrarea intensiv a datelor# Lista de mai &os se bazeaz pe e'emple de succes din lumea real# Acesta ofer o ima%ine de ansamblu a domeniilorde aplicare a problemelor pe care le pot aborda RNA#

Financiar Predic"ia stocurilor de marf Acordarea creditelor bancare Predic"ia falimentelor Evaluarea propriet"ilor

$etec"ia fraudelor Pro%noze de pre" Pro%noze ale unor indicatori economici

Medical $ia%nosticul medical Estimarea costului tratamentelor

Marketing i vnzri Pro%noza v(nzrilor

Educational Predic"ia performan"elor studen"ilor Managementul resurselor umane

)elec"ia i An%a&are personalului Planificarea an%a&a"ilor

Bioinformatic structura proteinei secundare secven"ierea A$N
http://www.alyuda.com/products/forecaster/applications1.htmhttp://www.alyuda.com/products/forecaster/applications3.htmhttp://www.alyuda.com/products/forecaster/applications6.htmhttp://www.alyuda.com/products/forecaster/applications6.htmhttp://www.alyuda.com/products/forecaster/applications3.htmhttp://www.alyuda.com/products/forecaster/applications1.htmhttp://www.alyuda.com/products/forecaster/applications1.htm


4/52

Introducere# $omenii de aplicabilitate tiin

Recunoaterea formelor

Identificarea compuilor c!imici *odelarea sistemelor fizice Evaluarea ecosistemelor Identificarea polimerilor Recunoaterea %enelor Procesarea semnalelor+ ,iltrarea neuronal Analiza sistemelor biolo%ice Pro%noza nivelului stratului de ozon

Exploatarea datelor Predic"ie Clasificare $etec"ia sc!imbrilor Analiza seriilor de timp

Analiz operaional Optimizarea stocurilor de v(nzare cu amnuntul Predic"ia flu'ului financiar

Energie Pro%noza -ncrcrii de sarcin Pro%noza cererii de ener%ie

Estimarea -ncrcrii pe termen lun% i scurt Alte domenii Pariuri sportive Pronosticuri curse de c(ini i cai Pro%noza meteo Implementare de &ocuri .&ocul de table/ Estimarea produc"iei a%ricole
http://www.alyuda.com/products/forecaster/applications7.htmhttp://www.alyuda.com/products/forecaster/applications7.htm


5/52

storic 0123 neuronul *cCulloc!4Pitts 0121 Le%ea lui 5ebb 0167 Perceptronul .Rosenblatt/ 0189 Adaline .:idro;< 5uff/ 0181 Limitrile re"elelor neuronale .*ins=>< Papert/ 01?@ Re"ele o!onen< memorii asociative 017@ Re"eaua 5opfield< problema satisfacerii constr(n%erilor 0178 Bac=propa%ation .Rumel!art< 5inton< *cClelland/ 0177 Neoco%nitron< recunoaterea c!aracterelor .,u=us!ima/


6/52

Aplica"ii ale RNA Recunoaterea scrisului de m(n

Cifrele sunt di%itizate< normalizate i centrate -ntr4omatrice de dimensiune fi' .e'# @7'@7/ a crorelemente sunt nuan"e de %ri .9


7/52

Aplica"ii ale RNA $etec"ia facial

!ttp+GG;;;#cs#n>u#eduG >annGresearc!Gcface


8/52

Aplica"ii ale RNA $etec"ia i recunoaterea obiectelor

!ttp+GG;;;#cs#n>u#eduG >annGresearc!Gnorb


9/52

Clasificare Presupunem c o fabric de procesare fructe trebuie s sortezeautomat mai multe tipuri de fructe+

p anumite preprocesri fircare fruct este caracterizat printr4un vector

al trsturilor 'D'0


10/52

$efini"ie RNA denumite uneori procesoare paralel distribuitenapse

)>napse

$endrites

A'on

)>napse

$endrites

A'on


20/52

Modelul biologic Neuronii nu se atin% -n mod direct< ci sunt separa"i prin

spa"ii numite sinapse Acestea sunt unit"i structurale i func"ionale

elementare care mediaz interac"iunile dintre neuroni Mipul cel mai rsp(ndit de sinaps este sinapsa c!imic# Astfel< o sinaps convertete un semnal electric

presinaptic -ntr4un semnal c!imic .ioni de sodiu ipotasiu/ i apoi din nou -ntr4un semnal electricpostsinaptic


21/52

Modelul biologic. Propagarea semnalelor

)e consider c o sinaps este o cone'iune simpl care poate impune e'citaresau in!ibare< dar nu ambele< neuronului receptor

Ambele efecte sunt locale ele se propa% pe o distan" mic -n corpul celuleii sunt -nsumate la nivelul a'onului

$ac suma poten"ialelor de e'citare depete un anumit pra%< atuncineuronul este activat i transmite un impuls mai departe Cea mai important trstur a re"elei neuronale biolo%ice este plasticitatea Ca rspuns la stimulrile primite< la nivelul cone'iunilor se produc sc!imbri

pe termen lun%< astfel -nc(t cone'iunile care a&ut la ob"inerea de rezultatepozitive sunt -ntrite< iar cele care determin rezultate nedorite sunt slbite

$e asemenea< neuronii pot forma -n timp noi cone'iuni cu al"i neuroni Aceste mecanisme stau la baza capacit"ii de adaptare a creierului la stimulii

primi"i< pe care o numim -n mod conven"ional -nv"are


22/52

Analo%ia -ntre re"elele neuronale

biolo%ice i cele artificiale


23/52

Modelul biologic

Calculator (vonNeumann)

Unul sau cateva procesoare

de viteza mare (ns) si cu putere

de calcul mareUna sau cateva magistrale de

comunicare de viteza mareMemorie accesata prin adresaComponenta ce incorporeaza

cunoasterea este separata decea destinata efectuarii

calculelorAdaptabilitate redusa

Creier umanUn numar mare (111) de unitati

functionale de viteza relativ mica

(ms) cu putere de calcul limitataNumar foarte mare (11!) de

cone"iuni de viteza limitataMemorie cu caracter asociativCunostintele sunt stocate in

sinapseAdaptarea se realizeaza prin

modificarea cone"iunilor


24/52

Re"ele neurale artificiale ,unc"ioneaz -n acelai fel fiind o main proiectat pentru a modela

felul -n care creierul rezolv o anumit problem sau e'ecut o func"iecu un anumit scop re"eaua este de obicei implementat folosindu4secomponente electronice sau simulat printr un pro%ram

!efiniie )imon 5a>=in consider c o reea neuronal este un procesor masiv

paralel< distribuit< care are o tendin" natural de a -nma%azina cunotin"ee'perimentale i de a le face disponibile pentru utilizare

Ea se aseamn cu creierul -n dou privin"e+ Cunotin"ele sunt cptate de re"ea printr4un proces de -nv"are

Cunotin"ele sunt depozitate nu -n unit"ile de procesare .neuroni/< ci -ncone'iunile interneuronale< cunoscute drept ponderi sinaptice


25/52

Algoritm de "nvare *etoda utilizat pentru a e'ecuta func"ia de -nv"are se numete

algoritm de nvare< care are ca scop acela de a modifica ponderilesinaptice ale re"elei -ntr4un mod sistematic pentru a atin%eobiectivul dorit de proiectare

Printre numeroasele proprieta"i interesante ale unei re"eleneuronale< cea mai semnificativ este abilitatea acesteia de a -nv"a

prin intermediul mediului -ncon&urtor< i prin aceasta s4i-mbunt"easc performan"ele creterea performan"elor are loc -ntimp i conform cu unele re%uli prestabilite

O re"ea neuronal -nva" printr4un proces iterativ de a&ustri aplicatecone'iunilor i pra%urilor sale sinaptice

n mod ideal< re"eaua devine mai inteli%ent dup fiecare itera"iea procesului de -nv"are


26/52

nv"area nvarea+ un proces prin care parametrii variabili ai

unei re"ele neuronale se adapteaz prin continuastimulare din partea mediului -n care este inclus

Mipul de -nv"are este determinat de modul -n care auloc sc!imbrile parametrilor nv"area -n conte'tul unei re"ele neuronale se

caracterizeaz prin urmtoarele elemente+ Re"eaua neuronal este stimulat de un mediu Re"eaua neuronal sufer sc!imbri datorit acestor

stimulri Re"eaua neuronal rspunde -n mod diferit mediului datorit

sc!imbrilor care au aprut -n structura sa intern


27/52

#aracteristici

Caracteristicile cele mai importante ale re"elelorneuronale sunt+ Capacitatea de a nva Re"elele neuronale artificiale nu necesit

pro%rame puternice< ci sunt mai de%rab rezultatul unor

antrenamente asupra unui set de date# Re"elele neuronaleartificiale au un al%oritm de -nv"are< dup care ponderilecone'iunilor sunt a&ustate pe baza unor modele prezentate# Cualte cuvinte< re"elele neuronale -nva" din e'emple< la fel cum-nva" copiii s recunoasc un obiect pe baza mai multor instan"eale acelui tip de obiect

Capacitatea de generalizare: $ac au fost instruitecorespunztor< re"elele sunt capabile s dea rspunsuri corecte ipentru intrri diferite fa" de cele cu care au fost antrenate< at(tatimp c(t aceste intrri nu sunt foarte diferite

Capacitatea de sintez: Re"elele neuronale artificiale pot luadecizii sau tra%e concluzii c(nd sunt confruntate cu informa"ii

afectate de z%omot< irelevante sau par"iale


28/52

Ar!itectura tipic a unei re"ele neuronaleartificiale

Strat de intrare Strat de ieire

Strat intermediar

Semnalede

intrare

Semnalede

ieire


29/52

Neuronul este un element de calcul

simplu# $ia%rama unui neuron

Neuron Y

)emnale de intrare

x0

x@

xn

)emnale de ieire

Y

Y

Y

w@

w0

wn

Ponderi


30/52

Neuronul calculeaz suma ponderat a intrrilor i oNeuronul calculeaz suma ponderat a intrrilor i ocompar cu o valoare de pra%


31/52

Func ii de activareFunc ii de activare


32/52

,unc ii de activare


33/52

$oate un singur neuron "nv a o sarcin$oate un singur neuron "nv a o sarcin %%

In 0167


34/52

(euronul artificial) Modelul Mc#ulloc*+

$itts

:arren *cCulloc! i :alter Pitts .0123/ au propus unastfel de model< care rm(ne p(n -n prezent fundamentulstructural pentru ma&oritatea re"elelor neuronale

rag

!ntrri

x0

x@

!eire

Y

"imitare

#ard

w@

w0

Sumator

liniar


35/52

Perceptronul Ini"ial< c(nd au aprut re"elele neuronale< scopul acestora era de a efectua

clasificri# )e pune problema determinrii automate ponderilor< -n cazul -n care

neuronului -i erau prezentate mai multe obiecte< -mpreun cu clasa creia -iapar"ineau acestea

Rezolvarea a fost adus de ,ran= Rosenblatt .0189/< care a ima%inat unal%oritm de -nv"are pentru aa4numitulperceptron simplu< o re"ea cu unsin%ur neuron#

O re ea de neuroni *cCulloc!4Pitts cu un sin%ur strat de intrare carealimenteaz un strat de ie ire se nume te Perceptron#

i Papert .0181/ au demonstrat limitrile serioase ale re"elelor de

tip perceptron -n aceste situa"ii i c sunt imposibile %eneralizrile %lobalepe baza e'emplelor -nv"ate local

sisteme inteligente in ie

Documents