| | SLO | ENG | Cookies and privacy

Bigger font | Smaller font

Search the digital library catalog Help

Query: search in
search in
search in
search in
* old and bologna study programme

Options:
  Reset


1 - 10 / 16
First pagePrevious page12Next pageLast page
1.
Phase-Functioned neural networks for computer character control
Ivan Gradečak, 2020, master's thesis

Abstract: Metode strojnega učenja so v zadnjem desetletju omogočile preboj v učinkovitosti računalnikov pri reševanju problemov, kot so prepoznavanje slik, klasifikacija besedila in podatkovno rudarjenje. Eden od najbolj uspešnih pristopov so rešitve z uporabo umetnih nevronskih mrež, ki se zgledujejo po bioloških nevronskih mrežah in zmožnostjo človeka, da opravlja kompleksne naloge. Da bi dosegle dobro zmogljivost, umetne nevronske mreže uporabljajo veliko medsebojno povezanih enostavnih celic, oziroma nevronov. Da lahko nevronska mreža učinkovito rešuje nek problem, jo je potrebno učiti. Učenje poteka s pomočjo učne množice vzorcev, ki za dane vhodne podatke vsebujejo tudi znane izhodne rezultate (npr. oznako razreda vhodnega vzorca). Na takšen način deluje nevronska mreža v tej magistrski nalogi za animiranje in krmiljenje računalniških likov. Animacije v filmih, simulacijah in video igrah zahtevajo sodobne pristope in pred kratkim predstavljena nevronska mreža z uporabo fazne funkcije (PFNN [8]), ki smo jo preučili v tem delu, zagotavlja enega od najbolj obetavnih pristopov. Vhodi mreže so podatki o položaju in hitrosti premikanja sklepov računalniškega lika, ter podatki o višinah terena v točkah trajektorije. Prav tako so vhodi v mrežo normalizirane vrednosti, ki povedo, ali računalniški lik stoji na mestu, hodi, beži, čepi, skače ali je naletel na steno in se mora ustaviti. Izhodi mreže za krmiljenje računalniških likov se računajo v vsakem okvirju animacije in predstavljajo trenutno stanje sklepov lika in predvideno usmeritev hoje v prihodnosti. Del izhodov nevronske mreže uporabimo v naslednjem okvirju kot vhode, ki jih zlijemo s krmilnimi podatki uporabnika. Učenje se izvaja na predhodno obdelanem naboru podatkov, ki so ga avtorji PFNN posneli z metodo zajemanja gibanja v studiu. Po snemanju so podatke razširili z zrcaljenjem in jih prenesli v virtualno okolje ter tako dobili večjo učno množico za uspešnejše učenje nevronske mreže. Arhitektura nevronske mreže s fazno funkcijo je triplastna mreža z veriženjem naprej, ki ima 342 vhodnih in 311 izhodnih spremenljivk. Vsaka skrita plast ima 512 nevronov, in na obeh skritih plasteh se uporablja eksponentna linearna (ELU) aktivacijska funkcija, ki omili nezaželen pojav izginjajočega gradienta med učenjem nevronske mreže. Mreža je izdelana v programskem jeziku Python z uporabo knjižnice TensorFlow. Pri učenju mreže se uporablja optimizacijski algoritem Adam s prilagodljivo hitrostjo učenja. Na vsaki plasti se uporablja regularizacijska tehnika odpovedovanja nevronov, ki omejuje prekomerno prilagajanje modelov učni množici. V primerjavi z običajnimi nevronskimi mrežami z veriženjem naprej, uporablja PFNN posebno fazno funkcijo, s pomočjo katere interpolira med štirimi nabori uteži nevronske mreže na podlagi vrednosti fazne spremenljivke. Ti nabori uteži se vzporedno optimizirajo med učenjem nevronske mreže. V vsakem ciklu hoje fazna spremenljivka teče od 0 do 2pi, torej od takrat, ko ima računalniški lik desno nogo v kontaktu s terenom in jo začne dvigati, do takrat, ko jo postavi nazaj na tla. Za interpolacijo med različnimi nabori uteži je bil uporabljen kubični Catmull-Romov zlepek. Izhodi nevronske mreže se med učenjem uporabijo za izračun napake in posodabljanje vseh štirih naborov uteži. Nevronsko mrežo lahko uporabimo v demonstraciji krmiljenja animiranega lika, tako da se izhodi nevronske mreže zlijejo z uporabnikovimi krmilnimi signali za določanje položaja in hitrosti sklepov v kinematični verigi. Zlivanje krmilimo s faktorjem mešanja, ki omogoča uravnotežanje med natančnostjo krmiljenja in naravnostjo animacije računalniškega lika.
Keywords: umetna nevronska mreža, zajem gibanja, animacija, fazna funkcija, krmiljenje likov
Published: 01.12.2020; Views: 194; Downloads: 18
.pdf Full text (4,53 MB)

2.
Uporaba umetne nevronske mreže za klasifikacijo obrabljenosti orodja pri rezkanju
Žan Pudič, 2020, undergraduate thesis

Abstract: Diplomsko delo zajema reševanje problema klasifikacije obrabljenosti orodja pri rezkanju s pomočjo umetne inteligence. Namen dela je bil spoznati delovanje umetnih nevronskih mrež in postaviti arhitekturo ter optimizirati njeno delovanje. Za objektivno oceno sposobnosti napovedovanja postavljene nevronske mreže smo dobljene rezultate primerjali z rezultati, ki so bili dobljeni z metodo odločitvenih dreves. Rezultat dela je napovedovalni model z visoko stopnjo prilagojenosti na učnih in testnih podatkih, ki lahko v realnem času klasificira obrabljenost orodja.
Keywords: rezkanje, klasifikacija obrabljenosti orodja, strojno učenje, umetna nevronska mreža, odločitvena drevesa
Published: 08.10.2020; Views: 206; Downloads: 80
.pdf Full text (1,23 MB)

3.
Določanje napolnjenosti baterij z uporabo umetnega nevronskega omrežja
Rok Rečnik, 2019, master's thesis

Abstract: Glavni cilj magistrske naloge je določitev stanja napolnjenosti baterij s pomočjo umetnega nevronskega omrežja. Določitev stanja napolnjenosti (SOC) baterij predstavlja velik izziv, saj je SOC težko natančno določiti. V delu je bil obravnavan tip izredno zmogljivih Toshibinih litij-ionskih baterij s titanovim oksidom (LTO). Na podlagi pregledane literature je bila izbrana metoda določanja SOC z umetnim nevronskim omrežjem. S pomočjo namensko izdelanega testerja baterij so bile opravljene meritve toka, napetosti in temperature baterije. Meritve so bile izvedene s pomočjo merilnega sistema Dewesoft Sirius HS. Podatki so bili obdelani v programskem okolju Matlab, kjer se je tudi kreiralo in naučilo umetno nevronsko omrežje. Testi nevronskega omrežja so pokazali, da je sposobno napovedovanja SOC. S pomočjo programa v Simulinku so bili izvedeni testi za napovedovanje SOC v realnem času.
Keywords: umetna nevronska omrežja, določanje stanja napolnjenosti baterij, litij-ionske baterije, LTO
Published: 21.11.2019; Views: 523; Downloads: 110
.pdf Full text (8,88 MB)

4.
Globoko učenje in igra dama
Jan Popič, 2019, undergraduate thesis

Abstract: V zaključnem delu smo zasnovali računalniški program AlphaLady, ki se je sposoben naučiti igranja igre dama brez vnosa človeškega znanja. Za dosego tega smo uporabili vzpodbujevalno učenje, drevesno preiskovanje Monte Carlo in globoke konvolucijske mreže za ocenitev posameznih stanj v igri. Predstavili smo programe Alpha Go, AlphaGo Zero in AlphaZero, na podlagi katerih je zasnovan naš program. Opisali smo uporabljeno ogrodje in teoretično ozadje uporabljenih pristopov. Uspelo nam je naučiti 9 različic programa, pri čemer je vsaka naslednja različica enakovredna ali boljša kot prejšnja.
Keywords: umetna inteligenca, globoko učenje, konvolucijska nevronska mreža, drevesno preiskovanje Monte Carlo, vzpodbujevalno učenje, igra dama
Published: 13.11.2019; Views: 539; Downloads: 176
.pdf Full text (749,47 KB)

5.
Preprečevanje prekomernega prileganja pri učenju večplastnih nevronskih mrež
Jan Henčič, 2017, undergraduate thesis

Abstract: 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.
Keywords: Umetna nevronska mreža, Vzvratno razširjanje, Prekomerno prileganje, Regularizacija
Published: 06.10.2017; Views: 893; Downloads: 108
.pdf Full text (2,01 MB)

6.
Razvrščanje vzorcev z uporabo inteligentnih metod
Lucijano Berus, 2017, master's thesis

Abstract: 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.
Keywords: umetna inteligenca, klasifikacija, strojno učenje, Parkinsonova bolezen, umetna nevronska mreža
Published: 13.09.2017; Views: 1084; Downloads: 176
.pdf Full text (1,48 MB)

7.
Uporaba nevronskih mrež za napoved pretovora v Luki Koper, d.d.
Tom Žumer, 2017, master's thesis/paper

Abstract: 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.
Keywords: umetna nevronska mreža, analiza glavnih komponent, Monte Carlo simulacija, makroekonomski kazalniki, pretovor, napovedovanje, analiza časovnih vrst
Published: 05.06.2017; Views: 938; Downloads: 113
.pdf Full text (4,14 MB)

8.
SELEKTIVNO DOLOČANJE OKVARJENEGA IZVODA OB ZEMELJSKEM STIKU V DISTRIBUCIJSKEM OMREŽJU
Bogomil Jelenc, 2016, master's thesis

Abstract: 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.
Keywords: nevronska mreža, umetni nevron, umetna inteligenca, distribucijsko omrežje, zemeljski stik
Published: 13.09.2016; Views: 1174; Downloads: 112
.pdf Full text (4,53 MB)

9.
ALGORITEM UMETNE KOLONIJE ČEBEL
Nejc Pušnik, 2014, undergraduate thesis

Abstract: To diplomsko delo opisuje algoritem umetne kolonije čebel in nekaj njegovih izboljšav. Hkrati opisuje tudi področje inteligence rojev, kamor spada algoritem umetne kolonije čebel in navaja nekaj sorodnih algoritmov. Algoritem smo preizkusili na iskanju minimalnega vpetega drevesa in učenju nevronske mreže ter dobljene rezultate primerjali s Primovim algoritmom in algoritmom vzvratnega razširjanja.
Keywords: inteligenca rojev, umetna kolonija čebel, nevronska mreža, minimalno vpeto drevo
Published: 17.11.2014; Views: 1504; Downloads: 107
.pdf Full text (2,03 MB)

10.
METODA MEJNIH PAROV ZA UČENJE UMETNIH NEVRONSKIH MREŽ
Bojan Ploj, 2013, doctoral dissertation

Abstract: 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.
Keywords: umetna inteligenca, strojno učenje, konstruktivna nevronska mreža, algoritem, večslojni perceptron, metoda mejnih parov
Published: 14.08.2013; Views: 1746; Downloads: 232
.pdf Full text (3,61 MB)

Search done in 0.24 sec.
Back to top
Logos of partners University of Maribor University of Ljubljana University of Primorska University of Nova Gorica