1. RAZPOZNAVANJE ZNAKOV S HOPFIELDOVO MREŽOMarko Višić, 2009, diplomsko delo Opis: V diplomskem delu smo obdelali delovanje Hopfieldove nevronske mreže pri razpoznavanju znakov, ki so predstavljeni kot dvodimenzionalni binarni vzorci. V začetku smo predstavili osnove nevronskih mrež, nato pa smo opisali še zgradbo in delovanje Hopfieldove nevronske mreže. Predstavili smo problematiko lažnih stanj ter opisali metodo razlikovanja med lažnimi atraktorji in naučenimi stanji mreže. Podrobneje smo opisali programsko rešitev Hopfieldovega algoritma, ki smo jo razvili, nato pa smo predstavili rezultate poskusov, ki smo jih opravili s pomočjo implementacije.
Ključne besede: umetna inteligenca, Hopfieldova nevronska mreža, lažna stanja, Hebbovo učenje
Objavljeno: 23.06.2009; Ogledov: 1496; Prenosov: 137
 Celotno besedilo (670,72 KB) |
2. METODA MEJNIH PAROV ZA UČENJE UMETNIH NEVRONSKIH MREŽBojan Ploj, 2013, doktorska disertacija Opis: Disertacija opisuje novo metodo strojnega učenja - metodo mejnih parov. Opisana metoda je namenjena učenju večslojnega perceptrona, nevronske mreže s povezavami naprej, ki služi za prepoznavanje oziroma razvrščanje v razrede. Uvodoma je opisana problematika strojnega učenja, nevronska mreža večslojni perceptron (MLP) in njena klasična učna metoda backpropagation s poudarkom na njenih slabostih. V jedru disertacije najprej analiziramo lastnosti naučenega MLP. Pri tem se osredotočimo na učne vzorce v bližini meje in definiramo pojem mejnega para. Sledi analiza lastnosti mejnih parov, ki je podlaga za novo metodo razšumljanja, za novo metodo rojenja, in novo metodo konstruktivnega učenja. To učenje je lahko statično (offline), inkrementalno, dinamično (online) in s postopnim pozabljanjem starih učnih podatkov. Razšumljanje, rojenje in učenje smo testirali s simulacijo na računalniku. V ta namen smo uporabljali uveljavljene nabore učnih podatkov (zaradi primerljivosti rezultatov), realne nabore učnih podatkov (kot dokaz uporabnosti), kot tudi umetne (zaradi prilagajanja učnih podatkov našim potrebam).
Primerjalna analiza je pokazala, da ima metoda mejnih parov nekaj dobrih lastnosti. Z njo smo uspešno razšumljali in rojili podatke, iskali značilke ter razvrščali podatke. Rezultati raziskav kažejo, da je obravnavana metoda zanesljiva, natančna, konstruktivna in odporna na šum in prekomerno učenje.
Ključne besede: umetna inteligenca, strojno učenje, konstruktivna nevronska mreža, algoritem, večslojni perceptron, metoda mejnih parov
Objavljeno: 14.08.2013; Ogledov: 1022; Prenosov: 127
Celotno besedilo (3,61 MB) |
3. |
4. SELEKTIVNO DOLOČANJE OKVARJENEGA IZVODA OB ZEMELJSKEM STIKU V DISTRIBUCIJSKEM OMREŽJUBogomil Jelenc, 2016, magistrsko delo Opis: Umetne nevronske mreže postajajo zelo uporabne za podporo dispečerjem pri vodenju obratovanja distribucijskih elektroenergetskih sistemov. Odlično se izkažejo predvsem pri prepoznavanju vzorcev različnih signalov, kar je v bistvu osnova delovanja zaščitnih naprav v elektroenergetskem sistemu. Magistrsko delo podaja način določanja okvarjenega izvoda v razdelilni transformatorski postaji pri zemeljskem stiku, tudi visokoohmskem, z uporabo nevronske mreže s povezavami naprej (feed forward artificial neuron network). Nevronska mreža je naučena z nadzorovano metodo z uporabo algoritma povratnega napredovanja (angl. backpropagation). Za učenje so bili uporabljeni posnetki realne okvare. Validacija nevronske mreže je prav tako narejena na posnetkih realne okvare vendar ne istih kot so bili uporabljeni za učenje. Rezultati so pokazali izjemno zanesljivost določanja prisotnosti okvare v sistemu in določanja okvarjenega izvoda.
Ključne besede: nevronska mreža, umetni nevron, umetna inteligenca, distribucijsko omrežje, zemeljski stik
Objavljeno: 13.09.2016; Ogledov: 500; Prenosov: 26
Celotno besedilo (4,53 MB) |
5. Uporaba nevronskih mrež za napoved pretovora v Luki Koper, d.d.Tom Žumer, 2017, magistrsko delo/naloga Opis: Uspešne odločitve podjetij med drugim temeljijo tudi na napovedih. Le-te morajo biti dobre in natančne, da lahko podjetja ohranjajo svojo konkurenčno prednost. Napovedi se danes izvajajo z naprednejšimi metodami, med katere spadajo tudi nevronske mreže. V magistrskem delu smo želeli ugotoviti, ali so umetne nevronske mreže primerne za napovedovanje pretovora v Luki Koper, d. d. Podatki pretovora so bili sestavljeni iz generalnega in tekočega tovora, zaradi česar smo razvili dva modela umetne nevronske mreže, in sicer model mreže časovne vrste generalnega tovora in model mreže časovne vrste tekočega tovora. Modela vsebujeta t. i. NARX (ang. nonlinear autoregressive network with exogenous inputs) arhitekturo nevronske mreže. Izdelavo modela smo razdelili v dva koraka. V prvem koraku smo naredili redukcijo makroekonomskih kazalnikov, ki so nam predstavljali eksogene vhode modela. Izvedli smo jo z metodo analize glavnih komponent v kombinaciji z Monte Carlo simulacijo ter multiplo linearno regresijo. Modelu umetne nevronske mreže generalnega tovora smo namenili deset spremenljivk, modelu za tekoči tovor pa smo namenili štiri spremenljivke. V drugem koraku smo razvili umetno nevronsko mrežo generalnega in tekočega tovora. Rezultati obeh modelov so bili zadovoljivi. Poleg solidnega prileganja ocenjenih in dejanskih podatkov pretovora sta modela izpolnila tudi vse kriterije za kakovost modela. Glede na dobljene rezultate obeh modelov menimo, da so umetne nevronske mreže primerne za napovedovanje pretovora v Luki Koper, d. d.
Ključne besede: umetna nevronska mreža, analiza glavnih komponent, Monte Carlo simulacija, makroekonomski kazalniki, pretovor, napovedovanje, analiza časovnih vrst
Objavljeno: 05.06.2017; Ogledov: 282; Prenosov: 46
Celotno besedilo (4,14 MB) |
6. Preprečevanje prekomernega prileganja pri učenju večplastnih nevronskih mrežJan Henčič, 2017, diplomsko delo Opis: Diplomsko delo obravnava tematiko strojnega učenja s pomočjo uporabe umetnih nevron-
skih mrež. Te so po svojih sposobnostih in načinu delovanja zelo podobne delovanju
človeških možganov. Imajo sposobnost akumuliranja znanja s tako imenovanim postop-
kom ”učenja”, hkrati pa so sposobne to znanje tudi shranjevati.
Pravilnost delovanja mrež se s postopkom učenja, ki se ponavlja iterativno, povečuje.
Ena izmed glavnih težav pri učenju nevronskih mrež je pojav prekomernega prileganja,
ki se kaže v tem, da mreža ne posplošuje dobro iz učne na testno množico vzorcev. Za
preprečevanje tega pojava je bilo razvitih več tehnik, katerih uporaba, učinkovitost in
primerjava je predmet pričujočega diplomskega dela.
Ključne besede: Umetna nevronska mreža, Vzvratno razširjanje, Prekomerno prileganje, Regularizacija
Objavljeno: 06.10.2017; Ogledov: 124; Prenosov: 21
Celotno besedilo (2,01 MB) |
7. Razvrščanje vzorcev z uporabo inteligentnih metodLucijano Berus, 2017, magistrsko delo Opis: Magistrsko delo obravnava področje umetne inteligence, strojnega učenja, razvrščanja kompleksnih vzorcev in metode določitve značilk. Predstavljeno je delovanje nekaterih najpogosteje uporabljenih razvrščevalnih algoritmov. Izdelan je bil algoritem za zaznavo Parkinsonove bolezni na podlagi zajetega zvočnega signala. Meritve zvoka so bile narejene na štiridesetih posameznikih. Od tega je bila polovica zdravih in polovica z Parkinsonovo boleznijo. Namen naloge je razviti robusten sistem za zaznavo prisotnosti Parkinsonove bolezni. Za izboljšanje natančnosti razvrščanja, so bile uporabljene različne tehnike določitve značilk (Pearsonov korelacijski koeficient, Khendallov korelacijski koeficient in Samoorganizacijske gruče) in topologije nevronskih mrež. S pomočjo usmerjene nevronske mreže, je bila dosežena 86,47 % natančnost razvrščanja. Omenjena natančnost je bila dosežena z uporabo redukcije značilk na podlagi Pearsonovega korelacijskega koeficienta.
Ključne besede: umetna inteligenca, klasifikacija, strojno učenje, Parkinsonova bolezen, umetna nevronska mreža
Objavljeno: 13.09.2017; Ogledov: 136; Prenosov: 22
Celotno besedilo (1,48 MB) |
