Neuronové sítě (Úvod a MLP sítě)

Slides:



Advertisements
Podobné prezentace
Lineární klasifikátor
Advertisements

Lukáš Bocan Štěpán Turek Viera Bejdová Eliška Kyzlíková
OBECNÉ OPTIMALIZAČNÍ MODELY
Algoritmy a struktury meuropočítačů ASN – C2
Fraktálová komprese obrazu
Softwarový systém DYNAST
Neuronové sítě Marcel Jiřina.
Automatická fonetická segmentace pomocí UNS Registr - 36 neuronových sítí MLNN (pro každou českou hlásku jedna UNS) Trénovací množina: databáze promluv.
Topologie neuronových sítí (struktura, geometrie, architektura)
Aplikační počítačové prostředky X15APP MATLAB - SIMULINK
ASN - cvičení 2 : Ukázky práce s NN-Toolboxem
SSC - cvičení 7 Aplikace programového systému Speech Laboratory - SL Postup: 1.Zkopírovat z adresy
LVQ – Learning Vector Quantization
SSC - cvičení 3 MATLAB - BPG algoritmus 1.Vytvořit tréninková data 2.Vytvořit objekt sítě 3.Natrénovat síť 4.Simulace Funkce pro učení: learngd … základní.
Jiří Gazárek, Martin Havlíček Analýza nezávislých komponent (ICA) v datech fMRI, a ICA necitlivá ke zpoždění.
Algoritmy a struktury neuropočítačů ASN - P1 Prof.Ing. Jana Tučková,CSc. Katedra teorie.
DOK „Umělá inteligence“ v DOK (i jinde). NEURONOVÉ SÍTĚ.
Využití umělých neuronových sítí k urychlení evolučních algoritmů
FORMALIZACE PROJEKTU DO SÍŤOVÉHO GRAFU
Klasifikace a rozpoznávání
Počítačové modelování dynamických systémů Simulink 5. cvičení Miloslav LINDA katedra elektrotechniky a automatizace.
Neuronové sítě Jakub Krátký.
Vícevrstvé neuronové sítě.  Neuronové sítě jsou složeny z neuronů tak, že výstup jednoho neuronu je vstupem jednoho nebo více neuronů  Propojení neuronů.
Neuronové sítě Martin Vavřička Copyright 2004 © Martin Vavřička 2004 – V 53 ČVUT v Praze – fakulta Stavební.
Systémy pro podporu managementu 2
Umělé neuronové sítě a Support Vector Machines
Podnikové informační systémy C7 – Data Mining a získávání znalostí České vysoké učení technické v Praze Fakulta strojní ústav Řízení a ekonomiky podniku.
Tato prezentace byla vytvořena
Nelineární klasifikátory
Dokumentace informačního systému
CZ.1.07/1.4.00/ VY_32_INOVACE_168_IT 9 Výukový materiál zpracovaný v rámci projektu Vzdělávací oblast: Informační a komunikační technologie Předmět:Informatika.
Systémy pro podporu managementu 2 Inteligentní systémy pro podporu rozhodování 1 (DSS a znalostní systémy)
Jiří Fejfar Perceptron Jiří Fejfar
UNIVERZITA TOMÁŠE BATI VE ZLÍNĚ Fakulta technologická Institut informačních technologií Ústav teorie řízení Ing. Petr Chalupa Školitel: prof. Ing. Vladimír.
Neuronové sítě Jiří Iša
Klasifikace klasifikace: matematická metoda, kdy vstupní objekty X(i) jsou rozřazovány do tříd podle podobnosti metody klasifikace bez učitele: podoba.
Modely uživatelských preferencí. Obsah Jak se vyjadřují preference Modely preferencí a jejich učení Model založený na atributech Kolaborativní filtrování.
Tato prezentace byla vytvořena
Logika a umělá inteligence pro multi-agentní systémy Mobilní agent řízený neuronovou sítí.
Karel Vlček, Modelování a simulace Karel Vlček,
Nelinearity s hysterezí Přerušení platnosti relace vytváří dvě různé charakteristiky, jejichž platnost je podmíněna směrem pohybu Hystereze přepínače x.
© Institut biostatistiky a analýz ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT prof. Ing. Jiří Holčík, CSc.
© Institut biostatistiky a analýz INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc.
Alternativy k evolučním optimalizačním algoritmům Porovnání genetických algoritmů a některých tradičních stochastických optimalizačních přístupů David.
Metodika generování a ladění modelů neuronových sítí Ing. Martin MoštěkVŠB – Technická Univerzita Ostrava.
© Institut biostatistiky a analýz INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc.
W i ref (t+1) = W i ref (t) + h ci (t) [X(t) - W i ref (t)], i Nc h ci (t) 0, t  proces konverguje Algoritmy a struktury neuropočítačů ASN – P3 SOM algoritmus.
14. června 2004Michal Ševčenko Architektura softwarového systému DYNAST Michal Ševčenko VIC ČVUT.
© Institut biostatistiky a analýz ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT prof. Ing. Jiří Holčík, CSc.
Algoritmy a struktury neuropočítačů ASN - P14 Hopfieldovy sítě Asociativní paměti rekonstrukce původních nezkreslených vzorů předkládají se neúplné nebo.
Dita Matesová, David Lehký, Zbyněk Keršner
11/2003Přednáška č. 41 Regulace výpočtu modelu Předmět: Modelování v řízení MR 11 (Počítačová podpora) Obor C, Modul M8 ZS, 2003, K126 EKO Předn./Cvič.:
Praktická využití UNS V medicínských aplikacích Jan Vrba 2006.
Elektrotechnická fakulta ČVUT KATEDRA KYBERNETIKY Vedoucí prof. Ing. Vladimír Mařík, DrSc. KATEDRA KYBERNETIKY ELEKTROTECHNICKÁ.
© Institut biostatistiky a analýz INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc.
Neuronové sítě. Vývoj NS 1943 – W. McCulloch, W. Pittse – první jednoduchý matematický model neuronu 1951 – M. Minsky - první neuropočítač Snark 1957.
Neuronové sítě.
Klasifikace a rozpoznávání Lineární klasifikátory.
Využití neuronových sítí IVTH – Informační technologie ve vodním hospodářství Vypracoval: Jiří Vacek Z-92.
Elektrotechnická fakulta ČVUT KATEDRA KYBERNETIKY Vedoucí prof. Ing. Vladimír Mařík, DrSc. KATEDRA KYBERNETIKY ELEKTROTECHNICKÁ.
© Institut biostatistiky a analýz INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc.
Umělé neuronové sítě „Za umělou neuronovou síť se obecně považuje taková struktura pro distribuované paralelní zpracování dat, která se skládá z jistého,
SOFTWAROVÁ PODPORA PRO VYTVÁŘENÍ FUZZY MODELŮ Knihovna fuzzy procedur Ing. Petr Želasko, VŠB-TU Ostrava.
Financováno z ESF a státního rozpočtu ČR.
Metody strojového učení
Klasifikace a rozpoznávání
Ing. Milan Houška KOSA PEF ČZU v Praze
Neuronové sítě.
Neuronové sítě.
Simulace dynamických systémů v Matlabu, Simulink
Transkript prezentace:

Neuronové sítě (Úvod a MLP sítě) Ing. Ivo Bukovský místnost: 433 Ivo.Bukovsky@fs.cvut.cz http://www.fsid.cvut.cz/cz/u210/people.htm

Neuronové sítě (Úvod a MLP sítě) Použité zdroje Prof. Ing. Jiří Bíla, DrSc.: Umělá inteligence a neuronové sítě v aplikacích, FS ČVUT,1998 Manuál k NN toolboxu pro Matlab v AJ http://www-ccs.ucsd.edu/matlab/pdf_doc/nnet/nnet.pdf

Biologický Neuron zdroj“: http://inside.salve.edu/walsh/neuron.jpg (www.google.com) , 04.05.2005

Biologický neuron Zdroj: http://35.9.122.184/images/40-AnimalStructureAndFunction/40-03-Neuron.jpg (www.google.com) 04.05.2005

i-tý UMĚLÝ NEURON Přenosová funkce Aktivační funkce (váhy, práh) b

První modely neuronu McCullock a Pitts: první model 1958 Rosenblatt: Prahová logika, neuron typu „Perceptron“

První modely neuronu 1960 ADALINE (Widrow, Hoff) , ADAptivní LIneární NEuron ADALINE MADALINE=Many ADALINE

Využití prvních modelů umělých neuronů Rozpoznávání příznaků (perceptron) Lineární klasifikátor ((M)ADALINE) Diskriminant, diskriminační funkce

Typické úlohy pro neuronové sítě Modelování, Identifikace a Analýza systémů Predikce signálů Klasifikace Rozpoznávání obrazců Detekce poruch Např.: diagnostika fraktury z rentgenového snímku, rozpoznávání písma, rukopisu, některé programy pro rozpoznávání řeči,…

Co je třeba (také) vědět pokud navrhujeme neuronovou síť Je třeba vědět jaký typ sítě je pro danou aplikaci vhodný, typ přenosové funkce f (*), zda se jedná o klasifikaci nebo identifikaci, adaptabilní řízení, a v neposlední řadě zda řešíme ‘lineární’ nebo nelineární problém, a další …

Rozdělení neuronových sítí Vzhledem k architektuře sítě VÍCEVRSTVÉ PERCEPTRONOVÉ SÍTĚ (SÍTĚ TYPU MLP) Sítě s radiální bází (sítě typu RBF) Dále dynamické neuronové architektury,jako různé typy rekurentních neuronových sítí, Hoppfieldova síť, …mnohem více Jednotlivé architektury vyžadují příslušný algoritmus učení !

Neuronové sítě typu MLP: MULTILAYER FEED-FORWARD NN (FFNN) . i-tý neuron výstupní vrstva skryté vrstvy vstupní vrstva Vstupy sítě Výstupy sítě

i-tý UMĚLÝ NEURON Přenosová funkce Aktivační funkce (váhy, práh) b

Neuronové sítě s radiální bází Centra se zvolí nebo automaticky navrhnou Učení spočívá v interpolaci mulidimenzionální funkce Si

Jak pracuje neuronová síť pokr. Neuronová síť pracuje v režimech: - režim učení, tj. ladění vah neuronů pro dosažení minimální chyby : a) adaptace b) trénování - testování sítě - režim provozu: a) síť je už naučená a může se použít s pevně nastavenými váhami(např. rozpoznávání písma). b) síť je už naučená, může se používat ale váhy se stále adaptují (např. adaptabilní regulátor)

Jak se učí neuronová síť s učitelem (supervised learning) Příklad identifikace neznámého systému y Neznámý systém + u - Neural Network yn error Váhy neuronů v síti se ladí podle zvoleného pravidla učení (např. Back Propagation,…)

Jak se učí neuronová síť bez učitele (unsupervised learning) Například v klasifikačních úlohách, síť nastavuje váhy aktivačních funkcí neuronů implementovaným pravidlem učení, např. Hebbovo nebo Delta pravidlo, pro jednotlivý daný vstupní obrazec tak dlouho, dokud nedosáhne konzistentního stavu (tj. vhodného energetického minima). Potom následuje další vstupní obrazec, atd.

Algoritmy učení sítě Hebbovo pravidlo Delta pravidlo Back-Propagation Poznámka: pro sítě typu RBF se používají metody interpolace multidimenzionální funkce (interpolační matice) pro nalezení neurálních vah

Pravidlo učení B-P Algoritmy učení sítě Je jedno z nejpoužívanějších pravidel (rozšířené pravidlo Widrow-Hoff) kde přírůstek váhy je úměrný velikosti chyby a působí v opačném směru gradientu jejího přírůstku

Modelování, identifikace a analýza signálů pomocí neuronových sítí. (Predikce signálů) Sítě MLP Rekurentní neuronové sítě Nové neurální statické a dynamické architektury HONNU (výzkum od r. 2003) A další

Notace v MATLAB NN-Toolboxu a … výstup neuronu b … práh f…přenosová funkce w…váhy neuronu Neuron s jedním vstupem

Notace v MATLAB NN-Toolboxu pokr Notace v MATLAB NN-Toolboxu pokr. Více-vrstvá dopředná neuronová síť (Feed-Forward NN)

Typy FFNN v NN-Toolboxu Důležitými hledisky je příhodnost daného typu NN sítě pro danou aplikaci a typ implementované přenosové funkce f (*). např: Síť 1-Vrstvý perceptron: jednovrstvá síť s výstupní funkcí typu , vhodná pro klasifikační problémy.

Typy FFNN v NN-Toolboxu pokr. Typy přenosových funkcí f (*)

Příklad identifikace a řízení >Appcs1 > Appcs2 Lineární referenční model – požadované chování soustava

Práce v NN-Toolboxu 3.0.1. NN síť v NN-Toolboxu se vytváří na příkazovém řádku Matlab commanderu, tj. nejlépe zápisem do *.m souboru a pak jeho spuštěním. Síť se z Matlab commanderu musí i učit. Naučenou síť lze vygenerovat i jako blok do Simulinku a tam dále používat.

Práce v NN-Toolboxu 3.0.1 pokr. Vytvoření obecné prázdné struktury NN sítě námi nazvanou „net“: net = NETWORK(…) Příkazy které vytvoří před-definovanou prázdnou strukturu NN sítě námi nazvanou „net“: net = NEWP([min max; …;min max],n); net = NEWLIND(P,T); net = NEWLIN([min max; …;min max],n); net = NEWFF ([min max; …;min max],[ n1 n2],{'tansig','purelin'},'trainlm');

Práce v NN-Toolboxu 3.0.1 pokr. Některé atributy sítě které můžete chtít nastavit: net.layers{i}.initFcn = 'initwb'; net.inputWeights{i,j}.initFcn='rands'; net.layerWeights{i,j}.initFcn='rands'; net.biases{i}.initFcn='rands'; net.trainParam.epochs = 1000; net.trainParam.goal = .001^2; net.trainParam.show = 40;

Práce v NN-Toolboxu 3.0.1 pokr. Inicializace sítě: net = INIT(net); Trénování sítě: [net , e] = TRAIN(net,P,T); (vrací vektor výstupu a chybu) Spuštění provozu sítě v Matlab commanderu: y=SIM(net,P); (vrací vektor výstupu) Generování sítě do Simulinku: GENSIM(net,dt);

Práce v NN-Toolboxu 3.0.1 pokr. Další šikovné příkazy Matlabu: combvec minmax zeros, ones length save, load help Např.: >>: help combvec >>: help newlind

Trénování (Batch Training) Příkazy pro učení sítě Trénování (Batch Training) Váhy a prahy neuronů se nastavují po proběhnutí celé sekvence všech vektorů vstupů net = TRAIN(net,P,T,Pi,Ai). net – Network, P - Network inputs, T - Network targets. Větší možnosti metod učení Adaptace (Incremental Training) Váhy a prahy neuronů se nastavují po každé jednotlivé prezentaci vektoru vstupu [net,Y,…] = ADAPT(net,P,T,…) Vhodné pro průběžnou identifikaci, adaptabilní regulátory,…

Příkaz NEWP: 1-Layer Perceptron NN net = newp(PR, S) kde PR=minmax(P) a P je vektor vstupů.

Příkaz NEWLIN: 1-Linear Layer NN net = NEWLIN(PR,S) kde PR=minmax(P) a P je vektor vstupů

Příkaz NEWLIN: 1-Linear Layer NN pokr. Using Tapped Delays net=NEWLIN(PR,S,ID) ID =[0 1 2 …n] … Input delay vector

Příkaz NEWLIN: 1-Linear Layer NN pokr. Linear Prediction

Příkaz NEWLIND:Linear System Design net=NEWLIND(P,T) Sám navrhne a naučí neuronovou síť o jedné lineární vrstvě neuronů (f(*)…purelin) “… single-layer linear networks are just as capable as multi-layer linear networks. For every multi-layer linear network,there is an equivalent single-layer linear network…” pp.105

Příkaz NEWLIND:Linear System Design pokr.

NN sítě s neurony s lineární přenosovou funkcí f( NN sítě s neurony s lineární přenosovou funkcí f(*) jsou vhodné hlavně pro lineární či lineárně separovatelné problémy. Pro nelineární problémy alespoň minimalizují střední kvadratickou chybu (MSE), ale při učení nekonvergují k přesnému řešení, jinými slovy, síť musí obsahovat dané řešení jako podmnožinu své struktury, aby k ní vůbec mohla konvergovat…

Multilayer Feed Forward NN Nejvíce používané sítě Přenosové funkce ve skrytých vrstvách: Přenosové funkce ve výstupní vrstvě jsou nejčastěji lineární:

Příkaz NEWFF: Multilayer Feed Forward NN pokr. net=NEWFF(minmax(P),[n1,…,nn,],{'tansig',…'purelin}; Skryté vrstvy Výstupní vrstva Např: net=newff([-1 2; 0 5],[3,1],{'tansig','purelin'},'traingd');

Příkaz GENSIM GENSIM(net,Ts) generuje navrženou NN síť „net“ do Simulinku

e-zdroje Například Manuál k NN toolboxu pro Matlab v AJ http://www-ccs.ucsd.edu/matlab/pdf_doc/nnet/nnet.pdf http://www.automa.cz/automa/2005/au010520.htm česky http://www.stech.cz/articles.asp?ida=132&idk=235 česky A mnoho dalších…