Umjetne neuronske mreže
|
|
- Clement Atkinson
- 5 years ago
- Views:
Transcription
1 . Motvacja Umjetne neuronske mreže Automatzranu obradu odataka danas uglavnom rade dgtalna računala. Iak, još je uvjek daleko vše odataka čja obrada nje automatzrana. Te odatke obrađuju žvčan sustav žvh organzama! Zavod za elektronku, mkroelektronku, računalne ntelgentne sustave v.., 7. ožujak. Bojana Dalbelo Bašć Marko Čuć Jan Šnajder Razvoj jedne grane računarstva motvran je razmatranjem revladavajućeg načna obrade odataka u svjetu u kojem žvmo. Tražmo drugačj koncet obrade odataka koj b bo slčnj funkconranju bološkog mozga. A.I. - sustav koj usješno oonaša rad mozga bo b ntelgentan. Sadržaj. Motvacja razvoja neuro-računarstva. Uvod u neuro-računarstvo Povjesn regled Pravc AI Defncja vrste Prmjena Učenje Žvčan sustav bološk neuron Model neurona vrste Arhtektura mreža Procesn element Percetron Pravlo ercetrona Prmjer Učenje booleovh funkcja Lnearna odvojvost XOR roblem Všeslojna mreža ercetrona Lnearna regresja Srednja kvadratna ogreška Gradjentn sust LMS algortam. Backroagaton algortam BACKPROPAGATIO algortam nterretacja skrvenog sloja Prmjer uorabe neuronskh mreža Prmjer sustava za rasoznavanje Istražvanja u neurofzologj kogntvnoj znanost uućuju: mozak se sastoj od velkog broja neurona koj rade aralelno. ajslčnj model: računaln sustav u kojem brojn rocesn element odatke obrađuju aralelno. Paradgma: umjetna neuronska mreža - UM [artfcal neural network A] Područje koje se bav tm asektom obrade: neuro-računarstvo Grane računarstva z skune tzv. mekog računarstva engl. soft comutng.. Usoredba ljudskog mozga računala. mozga suer-računala? Arhtektura organzacja mozga gotovo je otuno razlčta od arhtekture konvenconalnh računala koja su danas u šrokoj uorab von eumannova računala: atrbut mozak računalo gradben element neuron > vrsta logčka vrata brzna rjenosa ms cklus ns cklus broj rocesora oko < * broj veza - < * načn rada serjsk, aralelno serjsk Earth Smulator EC - Kanazawa, Jaan sgnal nformacje analogn sravne/nesravne dgtaln sravne čvorova sa o 8 vektorskh rocesora rocesora brž od dosadašnjeg rvaka IBM ASCI Whte, 89 rocesora htt:// korst se LIPACK benchmark test
2 . Povjesn regled neuro-računarstva. Hebbovo učenje 9. Von eumann EDVAC zvješće 9. McCulloch Ptts MIT matematčk model neurona Automata Theor. Procesna moć ondašnjh računala je šarmantno slaba - rva raktčka ostvarenja tek u kasnm 7 ojava LSI računala. 98. Wener - kbernetka 99. Hebb - učenje kao metabolčka romjena u neuronma - temelje razvoja mehanzama učenja mreža Hebbovo ravlo. 9. Mnsk Edmonds - učenje stroja temeljenog na mrežnoj struktur. Hebbovo ravlo zravno tumač Pavlovljev uvjetn refleks. Povjesn regled neuro-računarstva. Povjesn regled neuro-računarstva 98. Rosenblatt Percetron Pravlo ercetrona. 99. Mnsk McCarth - AILab 99. Entuzjazma nestaje: Credt assgnment roblem Credt assgnment roblem Kako odredt kolko je svak rocesn element odgovoran za ogrešku mreže na zlazu?! Mnsk Paert: Percetrons, 99. Zaključuju: nema mnogo nade da će se roblem učenja všeslojne mreže kada rješt - ne možemo rješt robleme koj nsu lnearno odvojv. A na -tak godna ostaju scenta non grata Daljnja stražvanja u sjen manstream AI Grossberg, Fukushma, Kohonen, Aleksander.. Povjesn regled neuro-računarstva. Prstu neuronskm mrežama 98 Renesansa A: Hofeld uvod ojam energje mreže fzčar zanteresran fzka materjala, 98. Pronađeno rješenje za credt assgnment roblem back error roagaton BACKPROPAGATIO. Vše autora BP: otkrven Werbos, onovo otkrven Parker, naosljetku još jednom onovo otkrven oularzran Rumelhart, Hnton Wllams, Porast stražvanja u tom odručju daljnj razvoj matematke, razvoj nformatčke tehnologje, conductve scentfc Zetgest. Pojedn rstu A maju drugačje cljeve stražvanja dovode do razlčth deja njhove uorabe: Pshologja neurologja: modelranje mozga bološkog ostuka učenja, Računarske znanost: aralelna dstrburana obrada u svrhu klasfkacje, asocjatvna memorja otmzacja, Matematka fzka: roučavanje UM u okvru statstčke mehanke, teorje automata nelnearnh dnamčkh sustava.
3 . Pravc razvoja umjetne ntelgencje. Pravc razvoja umjetne ntelgencje Od rvh dana razvoja umjetne ntelgencje rane ostoje dva rstua razvoju ntelgentnh sustava: rvm rstuom nastoj se znanje z neke domene obuhvatt skuom atomčkh semantčkh objekata smbola zatm čnt manulacja th smbola omoću algortamskh ravla, drug rstu temelj se na zgradnj sustava arhtekture slčne arhtektur mozga koj, umjesto da ga se rogramra, uč samostalno na temelju skustva. Razlčta odručja zahtjevaju razlčte rstue. Smbolčk rstu je dobar u mnogm odručjma osobto slatv ostao je razvojem eksertnh sustava, al nje suno rana ekstravagantna obećanja. eusjeh lež u ogrešnoj retostavc da je svako znanje moguće formalzrat da je mozak stroj koj odatke obrađuje formalnm ravlma.. Konektvstčk rstu. Von eumannovo računalo Smolensk 88 ekslctno razlučuje koje je znanje moguće formalzrat, a koje nje, čneć odjelu zmeđu: kulturalnog javnog znanja rvatnog ntutvnog znanja. Prema konektvstčkom shvaćanju, ntutvno se znanje ne može obuhvatt skuom formalnh ravla. Mnog su svakodnevn zadac revše složen za smbolčko redočavanje, nr. rasoznavanje uzoraka Majku možemo reoznat u. s euron u mozgu ale svake ms U serj, dakle, al samo neurona Očgledno aralelna obrada! 9. von eumann/burks/goldstne. Podac nstrukcje rograma ohranjen su zajedno u jednoj memorj međusobno se ne razlkuju. Postoj samo jedan tok odataka jedan tok nstrukcja SISD. Sv odac sve oeracje rolaze tm tokom - von eummanovo usko grlo Backus Fzčko, al mentalno ogrančenje.. Umjetne neuronske mreže vs. von eumann. Imlementacja umjetne neuronske mreže Von eumannova računala odlčna su za smbolčk rstu jer se roblem rješavaju algortamsk na sekvencjalnom stroju. Umjetne neuronske mreže su dstrburan araleln sustav. Btne karakterstčne razlke dvju aradgm/arhtektura: Von eumannovo računalo možemo korstt kao emulator neuronske mreže - samo rogramska mlementacja UM. Danas se stražuju druge ogodnje arhtekture za mlementacju A - eta generacja računala. von eumann Unarjed detaljno osujemo algortam kroz korake Samo se reczn odac adekvatno obrađuju Funkconalnost ovs o svakom elementu Ekslctna veza: sematčk objekt - skloov računala A Uč samostalno l s učteljem Podac mogu bt nejasn šum l nezrazt Obrada rezultat ne ovs mnogo o jednom elementu Imlctno znanje teška nterretacja
4 . Umjetna neuronska mreža - defncja. Vrste umjetnh neuronskh mreža U šrem smslu: umjetna relka ljudskog mozga kojom se nastoj smulrat ostuak učenja obrade odataka. Zaravo dosta klmava analogja. euronska mreža sku međusobno ovezanh jednostavnh rocesnh elemenata jednca, čvorova čja se funkconalnost temelj na bološkom neuronu koj služe dstrburanoj aralelnoj obrad odataka.. Prmjena umjetnh neuronskh mreža. Prmjena umjetnh neuronskh mreža Odlčno rješavaju robleme klasfkacje redvđanja sve robleme kod kojh ostoj složena nelnearna veza ulaza zlaza. eke osobtost: Dobre u rocjen nelnearnost. Mogu radt s nejasnm l manjkavm odacma sensor data. Robusne na ogreške u odacma. Rade s velkm brojem varjabl arametara. Prlagodljve okoln. Sosobne učt. ajčešć zadac: Rasoznavanje uzoraka. Obrada slke govora. Problem otmzacje. elnearno uravljanje. Obrada nerecznh neotunh odataka. Smulacje. Prognoza vremenskh serja. Slka okazuje usoredbu razlčth ML ostuaka rema razlčtm zadacma Moustaks. Istče se rmjena A kao klasfkatora.. Učenje umjetne neuronske mreže. Učenje umjetne neuronske mreže Dvje faze rada s A: Faza učenja trenranja Faza obrade odataka skorštavanja, eksloatacje. Učenje teratvan ostuak redočavanja ulaznh rmjera uzoraka, skustva eventualno očekvana zlaza r čemu dolaz do ostunog rlagođavanja težna veza neurona Jedno redočavanje svh uzoraka nazva se eohom Razlkujemo: Pojednačno učenje on-lne za svak rmjer odešavamo faktore Gruno učenje batch cjela eoha u jednoj teracj Znanje o zlazu kao funkcj ulaza ohranjeno je mlctno u težnama veza neurona Dva načna učenja: Učenje s učteljem suervsed learnng ostoje rmjer oblka ulaz, zlaz Učenje bez učtelja unsuervsed learnng zlaz je a ror neoznat
5 . Učenje umjetne neuronske mreže. aš žvčan sustav Sku rmjera za učenje često djelmo na: Sku za učenje služ za teratvno odešavanje težna Sku za testranje rovjeravamo rad mreže Sku za rovjeru konačna rovjera neurona, razlčth vrsta, rasoređen o defnranom rasoredu, svak ovezan s drugh Djelov: soma, dendrt, akson, završn članc Učenje se rovod dok mreža ne daje odgovarajuću točnost obrade odataka uvod se mjera ogreške Pretrenranost A gub oželjno svojstvo generalzacje ostaje stručnjak za odatke z skua za učenje štreber. Umjetn neuron. Umjetn neuron McCulloch-Ptts model 9.: Threshold Logc Unt Analogja: sgnal su numerčke vrjednost, jakost snase osuje težnsk faktor w, tjelo stance je zbrajalo, akson je rjenosna aktvacjska funkcja f net ω ω ω n n θ n X, w -theta o f ω f net net ω ω ω ω ω n n n. Umjetn neuron. Arhtektura mreža Razlčte funkcje dolaze u obzr kao rjenosne funkcje: Moguće arhtekture: ADALIE Sgmodalna jednca Acklčka feedforward Mreža s ovratnom vezom recurrent net Lateralno ovezana mreža rešetkasta
6 . Arhtektura mreža Sadržaj Podvrsta acklčke mreže je slojevta acklčka mreža -ne ostoj sku od tr neurona B, C, D takav da je ulaz na C zlaz z B D, te da je stovremeno zlaz z D sojen na ulaz neurona B. Uvod u neuro-računarstvo Povjesn regled Pravc AI Defncja vrste Prmjena Učenje Žvčan sustav bološk neuron Model neurona vrste Arhtektura mreža nje slojevta! Procesn element Percetron Pravlo ercetrona Prmjer Učenje booleovh funkcja Lnearna odvojvost XOR roblem Všeslojna mreža ercetrona Lnearna regresja Srednja kvadratna ogreška Gradjentn sust LMS algortam Unformno slojevta mreža Potuno sojena mreža. Backroagaton algortam BACKPROPAGATIO algortam nterretacja skrvenog sloja Prmjer uorabe neuronskh mreža Prmjer sustava za rasoznavanje Klasfkacja Klasfkacja Čovjek svakodnevno nerestano obavlja klasfkacju! Postoj sku objekata/uzoraka koj maju određen sku svojstava. Klasfkacja rdjeljvanje nazva/oznaka svakom uzorku z rostora uzoraka. Jedna moguća klasfkacja Domnantno lav lkov Uzorc Prostor uzoraka Domnantno žut lkov Klasfkacja Klasfkacja Druga moguća klasfkacja Može sat Svak uzorak osjeduje određena svojstva boja, oblk, dmenzje,. Klasfkacju čnmo na temelju nekh od svojstava. Uzoraka može bt beskonačno ne možemo unarjed generrat sve uzorke radne klasfkacje čovjek ak dobro generalzra Želmo ostuak kojm bsmo na temelju malog broja oznath uzoraka mogl naučt ravlno klasfcrat nevđene rmjere. e može sat
7 Klasfkacja Klasfkacja Prmjer konceta Dobra tajnca svak objekt ma dva svojstva: Svojstvo Komunkatvnost Svojstvo Snalažljvost Za otrebe računala svojstva treba kvantzrat računalo rad s brojevma. Ocjenjujemo svojstva na skal od do. je najlošja vrjednost. je najbolja vrjednost. Oznake Dobra tajnca ne- Dobra tajnca kodramo: Dobra tajnca e- Dobra tajnca - Prmjer Dobra tajnca Komunkatvnost Snalažljvost Oznaka Kodrano "Dobra tajnca" "Dobra tajnca" ne-"dobra tajnca" - ne-"dobra tajnca" - Kada su ulaz zlaz brojev, za klasfkacju možemo korstt ercetron. ercetron ercetron 9. McCulloch Ptts Percetron. 9. McCulloch Ptts Percetron. ercetron ercetron 9. McCulloch Ptts Percetron. Izlaz računamo u oćem slučaju rema formul: Dvje defncje rjenosne funkcje: Ste, Ste, < Ste -, < Oba oblka korste se odjednako. U rmjerma ćemo korstt :-,. r T r o Ste net Ste w Ste Ste w K w w Ekslctno se uvod: n n [ w L w ] n n M 7
8 ercetron ercetron Kada dolaz do romjene klasfkacje? U našem rmjeru ercetron ma dva ulaza: net w wn n K w Točke koje zadovoljavaju ovu jednadžbu čne grancu! deczjska funkcja Kada mamo dvje značajke svojstva granca je ravac. Vše značajk rezultra herravnnom. Btno je uočt granca je lnearna. Snalažljvost Komunkatvnost Pretostavmo: [ w w w ] [..8] ercetron ercetron U našem rmjeru zlaz računamo rema formul: o Ste [ w w w ] Ste w w w Težnsk faktor Komun. Snal. Suma Izlaz Točan Isravno w w w net osnet t. -.8, DA. -.8,7 DA. -.8, - E. -.8, - E 99. Hebb učt znač mjenjat jakost veza! Potrebno je mjenjat težnske faktore. 98. Rosenblatt: soj Hebbove deje McCulloch-Ptts modela Pravlo Percetrona Ukolko se uzorak klasfcra sravno ne rad korekcju Ukolko se uzorak klasfcra nesravno rmjen korekcju Cklčk uzmaj sve uzorke redom, a ostuak zaustav kada su sv uzorc za redom klasfcran sravno Korekcja: w k w k η t o k ercetron ercetron Učenje ercetrona uz: η. [ w w w ] [..8] Kako se klasfcra nov uzorak [ ]? Ste Ste.7 Kako se klasfcra nov uzorak [ ]? Ste Ste.7 Postuak završava s: [ w w w ] [.9.9.9] Vdmo da je ercetron AUČIO klasfcrat uzorke koje rethodno nje vdo! 8
9 ercetron ercetron Učenje je usjelo jer su razred bl LIEARO RAZDVOJIVI! može naučt neke logčke funkcje I, ILI, E, Komunkatvnost Logčko I Istnu kodramo s Laž kodramo s - w w w Logčko I s M ulaza: w L w w M{ } M 7 Snalažljvost Prmjer ercetron ercetron može naučt neke logčke funkcje I, ILI, E, može naučt neke logčke funkcje I, ILI, E, - - Logčko ILI Istnu kodramo s Laž kodramo s - w w w Logčko ILI s M ulaza: w L w w M M - Logčko E Istnu kodramo s Laž kodramo s - w w Jednostavnje: negacju ostvart korsteć ercetron koj već obavlja neku drugu funkcju tako da težnskom faktoru koj dovod tu varjablu romjenmo redznak! XOR roblem XOR roblem Što je s logčkom funkcjom XOR? je lnearno razdvojvo! - -??? 99. Mnsk Paert Percetrons Percetron nje dobar kada ne može rješt tako jednostavan roblem out XOR elementarne logčke funkcje! Što je s logčkom funkcjom XOR? Treba konstrurat mrežu!
10 XOR roblem XOR roblem Što je s logčkom funkcjom XOR? Treba konstrurat mrežu! Rješenje nje jednoznačno! Kada je ILI nje I ercetron ercetron Što je s logčkom funkcjom XOR? Treba konstrurat mrežu! Povećanjem dmenzonalnost ulaza ostć lnearnu odvojvost trk oznat z kernel machnes! o Prmjer Všeslojna mreža ercetrona Všeslojna mreža ercetrona Za redočavanje složenjh odnosa moramo korstt mrežu od vše međusobno ovezanh ercetrona Prmjer rojektranja A za klasfkacju uzoraka unarjed znane rasodjele Všeslojna mreža ercetrona Všeslojna mreža ercetrona w w w w w w Všeslojna mreža ercetrona Všeslojna mreža ercetrona d c b a Všeslojna mreža ercetrona Všeslojna mreža ercetrona d c b a
11 ercetron Aroksmacja funkcja Problem s mrežama ercetrona jest nemogućnost učenja konvenconalnm ostucma! Rješenje tražmo na drugom mjestu Također vrlo težak roblem vrlo korstan ako se može rješt! ercetron nje rkladan za aroksmacju funkcja zlaz ma samo dvje razne. Jedno moguće rješenje jest z -a zbact nelnearnost! Takav rocesn element nazva se ADALIE. Adalne Adalne Osnovno svojstvo lnearna regresja??? t w t w t w E ε ½ MSE engl. Mean Square Error ε t w ε t w Adalne Adalne de dw d dw w t w t w t e može se uvjek rješavat analtčk Gradjentn sust jedno moguće rješenje d w k w k η E k dw U oćentom slučaju w je vektor umjesto dervacje je Gradjent ½ MSE-a: de we dw d dw ε ovs o SVIM uzorcma - neoželjno E d ε ε dw
12 Adalne Adalne Wdrow-Hoff 9. aroksmacja gradjenta: d we ε k ε k ε k k dw Konačna formula LMS ravlo w k w k η ε k k on-lne zvedba - ojednačno učenje Prmjer Potuno funkconaln ADALIE D ulaza: net wd D wd D L w w ε t t D w w w w D w k k, D D, D L, k Dalje je rča oznata Umjesto skalara vektor LMS: r r r r w k w k η E k w k η ε k k, w w o w w w w w w w w w, w,, w w w w w o o w w w, w,, o w Adalne mreža o w w w o o w o w w, o w w w o wa wb w w w w w w A w w w w w B w w w w,,,, w w Oet občan adalne, Lnearna kombnacja lnearnh kombnacja oet je lnearna kombnacja Trebamo nelnearne rjenosne funkcje! Adalne mreža Često se korst sgmodalna logstčka rjenosna funkcja. Ovakve mreže su unverzaln aroksmator mogu aroksmrat rozvoljnu funkcju s rozvoljnom recznošću. Kolmogorovljev teorem Sadržaj Kolmogorov egzstencjaln teorem 97 kontnurana funkcja f od s varjabl može se rkazat u oblku konačne sume odgovarajućh kontnuranh funkcja g q jedne varjable: s q f,,, s gq[ Ψq ]. Uvod u neuro-računarstvo Povjesn regled Pravc AI Defncja vrste Prmjena Učenje Žvčan sustav bološk neuron Model neurona vrste Arhtektura mreža Procesn element Percetron Pravlo ercetrona Prmjer Učenje booleovh funkcja Lnearna odvojvost XOR roblem Všeslojna mreža ercetrona Lnearna regresja Srednja kvadratna ogreška Gradjentn sust LMS algortam. Backroagaton algortam BACKPROPAGATIO algortam nterretacja skrvenog sloja Prmjer uorabe neuronskh mreža Prmjer sustava za rasoznavanje
13 . BACKPROPAGATIO algortam. BACKPROPAGATIO algortam A s ercetronma može redstavt samo lnearne odnose Kako b mreža mogla redstavt vsoko nelnearne funkcje, rjenosna funkcja rocesnh elemenata mora sama bt nelnearna funkcja Rad gradjentne metode rjenosna funkcja mora bt dervablna Rješenje sgmodalna funkcja Korstmo neuron sa sgmodalnom funkcjom Algortam korst metodu gradjentnog susta kako b mnmzrao nastalu ogrešku Ew na zlazu mreže nad skuom rmjera za učenje D koja ma rvu dervacju df/d f [-f] Kod všeslojne mreže zlazn sloj može sačnjavat vše neurona, a defnramo ogrešku kao. BACKPROPAGATIO algortam. BACKPROPAGATIO algortam Učenje se svod na retražvanje u n-dmenzonalnom rostoru hoteza n ukuan broj težna Površna ogreške Ew nje arabolčka kao kod jednog rocesnog elementa, već sadržava brojne lokalne mnmume Unatoč tome algortam daje dobre rezultate osobto stohastčka varjanta otacja: Incjalzraj težnske faktore slučajne vrjednost Dok nje sunjen uvjet zaustavljanja čn Za svak, t z D čn Izračunaj zlaz o u za svaku jedncu u Za svaku zlaznu jedncu k zračunaj ogrešku δ o o t o k k k k k Za svaku skrvenu jedncu zračunaj ogrešku δ o o h h h ω δ hs s Downstream h s δ k Ugod svak težnsk faktor w j ω ω ω j j j gdje je Kraj Kraj ω ηδ j j j. BACKPROPAGATIO algortam. Interretacja skrvenog sloja ulazn sloj skrven sloj skrven sloj w hs zlazn sloj s, s Pokazalo se da BP ma zanmljvo svojstvo ronalaženja karakterstčnh oblježja ulaznh rmjera koja nsu ekslctno zadana, al su btna za ravlno učenje cljne funkcje Prmjer: mreža 88 koju učmo funkcj f h w hs s, s Downstreamh {s, s } s o s - o s t s -o s s o s - o s t s o s h o h - o h w hs s w hs s h će služt za ugađanje ulaza u h 7 8
14 Interretacja skrvenog sloja.. Prmjer rmjene u medcn Det. Anesthesolog, Unverst of Utah Izlaz z neurona nakon jedne eohe učenja mreže odgovaraju nakon zaokružvanja na cjelobrojnu vrjednost uravo bnarnom kodu za 8 razlčth ulaza Ulaz. Skrven sloj Izlaz Prmjer rmjene u agronomj. 8th Australan Agronom Conference, Toowoomba, 99 Prostorno redvđanje kolčne adalna u Australj Mreža je trenrana s godšnjm odacma od 9. do 97. sakuljenma u 87 meteorološkh ostaja Provjera redvđanja učnjena je na drugh ostaja Ostvarena je zadovoljavajuća točnost redvđanja za 9 ostaja:. Prmjer: Rasoznavanje novčanca Uzorc se rje dovođenja na ulaze A redrocesraju: Razvoj sve češća uoraba A u obrad fzološkh sgnala odataka u odručju anestezologje: Alarmranje: dvje A kontrolraju resratorn sustav acjenta. Jedna otkrva smetnje sustava točnost 9.%, a druga h locra točnost 9%. Lječncma bez A za djagnostcranje smetnje treba sekund, s A samo 7 sekund. Krvn tlak: A obrađuje osclometrčke sgnale s čela acjenta. Kontrola dubne anestezje: redvđanje na temelju dob, težne, ulsa, dsanja krvnog tlaka acjenta. A usješno emulra rodukcjsk sustav s rodukcjskh ravla! EEG: klasfkacja nterretacja uzoraka sgnala. Također otkrvanje neurološkh oremećaja mentalne atologje, nr. šzofrenja, Parknsonova bolest, oremećaj savanja, elesja. Zadatak klasfcranje četr vrste arnath novčanca neovsno o orjentacj Sku rmjera za učenje sačnjava razlčth uzoraka uzorkovanh s slkovna elementa:. Prmjer: Rasoznavanje novčanca Prmjer: Rasoznavanje novčanca Uzorc su u stvar dgtalzrane slke, a će se međusobno razlkovat u ntenztetu odgovarajućh slkovnh elemenata osljedca razlke u stunju strošenost novčance, zgužvanost ara, oštećenost. U rmjeru je koršten generator umjetnh uzoraka koj generra uzorke razlčtog stunja oštećenja u svrhu rovjere rada mreže ugađanja njeznh arametara. Prednost: dostunost velkog broja uzoraka za rovjeru, mogućnost romatranja odzva mreže u ovsnost o romjen samo jednog arametra uzorka, mogućnost defnranja raga tolerancje oštećenh uzoraka. edostac: generran uzorc nsu u otunost stohastčke rrode, generatorom se rjetko mogu obuhvatt sva oblježja ravh uzoraka.
15 . Prmjer: Rasoznavanje novčanca Lteratura Parametr mreže acklčka otuno sojena unformno-slojevta mreža strukture 99, stoa učenja., moment., rovjera nad skuom za testranje svakh eoha Rezultat klasfkacje odgovara neuronu čj je zlaz najveć Mreža nje učena s ant-rmjerma, no međusoban odnos zlaznh vrjednost može oslužt kao mjera ouzdanost klasfkacje Moguće je utvrdt nek rag tolerancje oštećenja uzorka T. M. Mtchell, Machne Learnng. The McGraw-Hll Comanes, Inc., 997. R. S. Mchalsk, I. Bratko, M. Kubat, Machne Learnng And Data Mnng, John Wle & Sons Ltd., 998 P. Pcton, eural etworks. PALGRAVE, 99. B. Dalbelo Bašć, Blješke s redavanja. Fakultet elektrotehnke računarstva, Zagreb, K. Gurne, "Comuters and Smbols versus ets and eurons". Det. Human Scences, Brunel Unverst, Ubrdge, K. Gurne, "Drawng thngs together some ersectves". Det. Human Scences, Brunel Unverst, Ubrdge, D. Mšljenčevć, I. Maršć, Umjetna ntelgencja. Školska knjga, Zagreb, 99. AutomataTheor. Enccloaeda Brtannca Inc., CD-ROM Edton.
Umjetne neuronske mreže
Umjetne neuronske mreže Umjetna ntelgencja Matko Bošnjak, 2010. Uvod Automatzrana obrada podataka pogodna za zvršavanje na računalu Neautomatzrane obrade podataka zvršavaju žvčan sustav procesranje prrodnoga
More informationUpravljački prometni sustavi
Upravljačk prometn sustav Predvđanje prometnh parametara Izv. prof. dr. sc. Nko Jelušć Doc. dr. sc. Edouard Ivanjko Upravljačk prometn sustav :: Predvđanje prometnh parametara 2017 Ivanjko, Jelušć Sadržaj
More informationDETEKCIJA I RASPOZNAVANJE PROMETNIH ZNAKOVA U VIDEO SNIMCI
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA Igor Bonač Ivan Kovaček Ivan Kusalć DETEKCIJA I RASPOZNAVANJE PROMETNIH ZNAKOVA U VIDEO SNIMCI Zagreb, 2010 Ovaj rad zrađen je u Zavodu za elektronku,
More informationHibridni inteligentni sustav
Sveučlšte u Zagrebu Fakultet prometnh znanost Dplomsk studj Umjetna ntelgencja - Hbrdn ntelgentn sustav 47895/4786 UMINTELI HG/008-009 Hbrdn ntelgentn sustav Sustav sastavljen od vše ntelgentnh tehnologja
More informationArtificial Neural Networks
Artificial Neural Networks Short introduction Bojana Dalbelo Bašić, Marko Čupić, Jan Šnajder Faculty of Electrical Engineering and Computing University of Zagreb Zagreb, June 6, 2018 Dalbelo Bašić, Čupić,
More informationStrojno učenje 7 Linearne metode & SVM. Tomislav Šmuc
Srojno učenje 7 Lnearne meode & Tomslav Šmuc Leraura Lnearne meode The Elemens of Sascal Learnng Hase, Tbshran, Fredman s ed - ch. 4 The Elemens of Sascal Learnng Hase, Tbshran, Fredman s ed - ch. A Tuoral
More informationEKSPERIMENTALNA EVALUACIJA UTJECAJA ODABIRA ZNAČAJKI NA REZULTATE RASPOZNAVANJA PROMETNIH ZNAKOVA
VEUČILIŠE U ZAGREBU FAKULE ELEKROEHIKE I RAČUARVA DIPLOMKI RAD br. 35 EKPERIMEALA EVALUACIJA UJECAJA ODABIRA ZAČAJKI A REZULAE RAPOZAVAJA PROMEIH ZAKOVA Ivana učć Zagreb, lpanj 0. Zahvala Zahvaljuje se
More informationO homomorfizam-homogenim geometrijama ranga 2
UNIVERZITET U NOVOM SADU PRIRODN0-MATEMATIČKI FAKULTET DEPARTMAN ZA MATEMATIKU I INFORMATIKU Eva Jungael O homomorfzam-homogenm geometrjama ranga 2 -završn rad- Nov Sad, oktoar 2009 Predgovor Za strukturu
More informationLIMITATIONS OF RECEPTRON. XOR Problem The failure of the perceptron to successfully simple problem such as XOR (Minsky and Papert).
LIMITATIONS OF RECEPTRON XOR Problem The failure of the ercetron to successfully simle roblem such as XOR (Minsky and Paert). x y z x y z 0 0 0 0 0 0 Fig. 4. The exclusive-or logic symbol and function
More informationEkonometrija 6. Ekonometrija, Osnovne studije. Predavač: Aleksandra Nojković
Ekonometrja 6 Ekonometrja, Osnovne studje Predavač: Aleksandra Nojkovć Struktura predavanja Klasčn všestruk lnearn regreson model-posebne teme: Multkolnearnost - pojam posledce - metod otkrvanja otklanjanja
More information2008/2009. Fakultet prometnih znanosti Sveučilište u Zagrebu ELEKTROTEHNIKA
008/009 Fakultet proetnh znanost Sveučlšte u Zagrebu ZMJENČNE SJE EEKOEHNKA ZMJENČNE SJE zjenčne struje su vreensk projenljve struje koja se pored jakost jenja sjer strujanja naboja. renutna vrjednost
More informationNEURONSKE MREŽE 1. predavanje
NEURONSKE MREŽE 1. predavanje dr Zoran Ševarac sevarac@gmail.com FON, 2014. CILJ PREDAVANJA I VEŽBI IZ NEURONSKIH MREŽA Upoznavanje sa tehnologijom - osnovni pojmovi i modeli NM Mogućnosti i primena NM
More informationRed veze za benzen. Slika 1.
Red veze za benzen Benzen C 6 H 6 je aromatično ciklično jedinjenje. Njegove dve rezonantne forme (ili Kekuléove structure), prema teoriji valentne veze (VB) prikazuju se uobičajeno kao na slici 1 a),
More informationMathcad sa algoritmima
P R I M J E R I P R I M J E R I Mathcad sa algoritmima NAREDBE - elementarne obrade - sekvence Primjer 1 Napraviti algoritam za sabiranje dva broja. NAREDBE - elementarne obrade - sekvence Primjer 1 POČETAK
More informationMetode praćenja planova
Metode praćenja planova Klasična metoda praćenja Suvremene metode praćenja gantogram mrežni dijagram Metoda vrednovanja funkcionalnosti sustava Gantogram VREMENSKO TRAJANJE AKTIVNOSTI A K T I V N O S T
More informationPrimena distribuiranih prostorno-vremenskih kodova u kooperativnim kognitivnim radio mrežama sa Rejlijevim fedingom
INFOTEH-JAHORINA Vol., March 0. Prmena dstrburanh prostorno-vremenskh kodova u kooperatvnm kogntvnm rado mrežama sa Rejljevm edngom Mlena M. Stojnć, Predrag N. Ivanš Katedra za Telekomunkacje Elektrotehnčk
More informationTEORIJA SKUPOVA Zadaci
TEORIJA SKUPOVA Zadai LOGIKA 1 I. godina 1. Zapišite simbolima: ( x nije element skupa S (b) d je član skupa S () F je podskup slupa S (d) Skup S sadrži skup R 2. Neka je S { x;2x 6} = = i neka je b =
More informationPRIPADNOST RJEŠENJA KVADRATNE JEDNAČINE DANOM INTERVALU
MAT KOL Banja Luka) ISSN 0354 6969 p) ISSN 1986 58 o) Vol. XXI )015) 105 115 http://www.imvibl.org/dmbl/dmbl.htm PRIPADNOST RJEŠENJA KVADRATNE JEDNAČINE DANOM INTERVALU Bernadin Ibrahimpašić 1 Senka Ibrahimpašić
More informationFIZIKALNA KOZMOLOGIJA VII. VRLO RANI SVEMIR & INFLACIJA
FIZIKALNA KOZMOLOGIJA VII. VRLO RANI SVEMIR & INFLACIJA KOZMIČKI SAT ranog svemira Ekstra zračenje u mjerenju CMB Usporedba s rezultatima LEP-a Usporedba CMB i neutrina Vj.: Pozadinsko zračenje neutrina
More informationKLASIFIKACIJA NAIVNI BAJES. NIKOLA MILIKIĆ URL:
KLASIFIKACIJA NAIVNI BAJES NIKOLA MILIKIĆ EMAIL: nikola.milikic@fon.bg.ac.rs URL: http://nikola.milikic.info ŠTA JE KLASIFIKACIJA? Zadatak određivanja klase kojoj neka instanca pripada instanca je opisana
More informationRješavanje simultanih jednadžbi kao ekonometrijskog modela pomoću programskog paketa EViews
Rješavanje smultanh jednadžb kao ekonometrjskog modela pomoću programskog paketa EVews Sažetak - U ovom radu se analzra rješavanje sustava smultanh jednadžb kao ekonometrjskog modela. Između razlčh mogućnost
More informationHeuristika i generalizacija Heronove formule u dva smjera
MAT-KOL (Banja Luka) XXIII ()(07), 49-60 http://www.mvbl.org/dmbl/dmbl.htm DOI: 0.75/МК70049S ISSN 0354-6969 (o) ISSN 986-588 (o) Heurstka generalzacja Heronove formule u dva smjera Petar Svrčevć Zagreb,
More informationSPH SIMULACIJA POISEULLEOVOG STRUJANJA PRI NISKIM REYNOLDSOVIM BROJEVIMA
Vuko, VUKČEVIĆ, Sveučlšte u Zagrebu, Fakultet strojarstva brodogradnje, Zagreb Andreja, WERER, Sveučlšte u Zagrebu, Fakultet strojarstva brodogradnje, Zagreb asta, DEGIULI, Sveučlšte u Zagrebu, Fakultet
More informationAlgoritam za množenje ulančanih matrica. Alen Kosanović Prirodoslovno-matematički fakultet Matematički odsjek
Algoritam za množenje ulančanih matrica Alen Kosanović Prirodoslovno-matematički fakultet Matematički odsjek O problemu (1) Neka je A 1, A 2,, A n niz ulančanih matrica duljine n N, gdje su dimenzije matrice
More informationGeometrijski smisao rješenja sustava od tri linearne jednadžbe s tri nepoznanice
Osječki matematički list 6(2006), 79 84 79 Geometrijski smisao rješenja sustava od tri linearne jednadžbe s tri nepoznanice Zlatko Udovičić Sažetak. Geometrijski smisao rješenja sustava od dvije linearne
More informationUMJETNE NEURONSKE MREŽE
SVEUČILIŠTE U RIJECI FILOZOFSKI FAKULTET U RIJECI Odsjek za politehniku Stella Paris UMJETNE NEURONSKE MREŽE (završni rad) Rijeka, 207. godine SVEUČILIŠTE U RIJECI FILOZOFSKI FAKULTET U RIJECI Studijski
More informationSVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE
SVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE Vuko Vukčevć, Mhael Lobrovć Teorjsko numerčk prstup problemu lamnarnog grančnog sloja oko ravne ploče Zagreb, 2011. Ovaj rad zrađen je na Katedr
More informationMiroslav Josipović. Množenje vektora i struktura 3D euklidskog prostora
Mroslav Jospovć Množenje vektora struktura D eukldskog prostora I naljut se Bog na ljudsk rod dade m da govore razlčtm jezcma da jedn druge ne razumju Vrus Svjetska zdravstvena organzacja je objavla postojanje
More informationUvod u planiranje i analizu pokusa
Uvod u planranje analzu pokusa Uvod u planranje analzu pokusa 1. Uvod u statstčku analzu Statstka - znanost koja daje potporu pr donošenju odluka zaključaka u slučaju kada je prsutna varjablnost. Inženjersk
More informationLINEARNI MODELI STATISTIČKI PRAKTIKUM 2 2. VJEŽBE
LINEARNI MODELI STATISTIČKI PRAKTIKUM 2 2. VJEŽBE Linearni model Promatramo jednodimenzionalni linearni model. Y = β 0 + p β k x k + ε k=1 x 1, x 2,..., x p - varijable poticaja (kontrolirane) ε - sl.
More informationNumerički model proračuna širina pukotina betonskih elemenata
UDK 64..4:64.44 Prmljeno. 4. 3. Numerčk model roračuna šrna ukotna betonkh elemenata Jure Radnć, Lada Markota, Alen Haran Ključne rječ betonk element, numerčk model, šrna ukotna, razmak ukotna, rozvoljn
More informationŠime Šuljić. Funkcije. Zadavanje funkcije i područje definicije. š2004š 1
Šime Šuljić Funkcije Zadavanje funkcije i područje definicije š2004š 1 Iz povijesti Dvojica Francuza, Pierre de Fermat i Rene Descartes, posebno su zadužila matematiku unijevši ideju koordinatne metode
More informationZadatci sa ciklusima. Zadatak1: Sastaviti progra koji određuje z ir prvih prirod ih rojeva.
Zadatci sa ciklusima Zadatak1: Sastaviti progra koji određuje z ir prvih prirod ih rojeva. StrToIntDef(tekst,broj) - funkcija kojom se tekst pretvara u ceo broj s tim da je uvedena automatska kontrola
More informationMjerenje snage. Na kraju sata student treba biti u stanju: Spojevi za jednofazno izmjenično mjerenje snage. Ak. god. 2008/2009
Mjerenje snae Ak. od. 008/009 1 Na kraju sata student treba biti u stanju: Opisati i analizirati metode mjerenja snae na niskim i visokim frekvencijama Odabrati optimalnu metodu mjerenja snae Analizirati
More informationUvod u relacione baze podataka
Uvod u relacione baze podataka Ana Spasić 2. čas 1 Mala studentska baza dosije (indeks, ime, prezime, datum rodjenja, mesto rodjenja, datum upisa) predmet (id predmeta, sifra, naziv, bodovi) ispitni rok
More informationNeural Networks (Part 1) Goals for the lecture
Neural Networks (Part ) Mark Craven and David Page Computer Sciences 760 Spring 208 www.biostat.wisc.edu/~craven/cs760/ Some of the slides in these lectures have been adapted/borrowed from materials developed
More informationProjektovanje paralelnih algoritama II
Projektovanje paralelnih algoritama II Primeri paralelnih algoritama, I deo Paralelni algoritmi za množenje matrica 1 Algoritmi za množenje matrica Ovde su data tri paralelna algoritma: Direktan algoritam
More informationPredlog za određivanje promene entropije poluidealnog gasa primenom srednjih vrednosti temperaturnih funkcija
Predlog a određvanje romene entroje oludealnog gasa rmenom srednjh vrednost temeraturnh funkcja Branko B. Pejovć, Vladan M. Mćć, Mtar D. Perušć, Goran S. adć, Ljubca C. Vasljevć, Slavko N. Smljanć ehnološk
More informationTEORIJE IZBORA U UVJETIMA NEIZVJESNOSTI
Perca Vojnć, mag. Asstentca Odjel za ekonomju poslovnu ekonomju Sveučlšte u Dubrovnku E-mal: perca.vojnc@undu.hr TEORIJE IZBORA U UVJETIMA NEIZVJESNOSTI UDK / UDC: 330.131.7 JEL klasfkacja / JEL classfcaton:
More informationCOMP9444 Neural Networks and Deep Learning 2. Perceptrons. COMP9444 c Alan Blair, 2017
COMP9444 Neural Networks and Deep Learning 2. Perceptrons COMP9444 17s2 Perceptrons 1 Outline Neurons Biological and Artificial Perceptron Learning Linear Separability Multi-Layer Networks COMP9444 17s2
More informationHOLOMORFNO PROJEKTIVNA PRESLIKAVANJA GENERALISANIH HIPERBOLIČKIH KELEROVIH PROSTORA I UOPŠTENJA
UNIVEZITET U NIŠU PIODNO-MATEMATIČKI FAKULTET Mloš Z. Petrovć HOLOMOFNO POJEKTIVNA PESLIKAVANJA GENEALISANIH HIPEBOLIČKIH KELEOVIH POSTOA I UOPŠTENJA DOKTOSKA DISETACIJA Nš, 07. UNIVESITY OF NIŠ FACULTY
More informationFajl koji je korišćen može se naći na
Machine learning Tumačenje matrice konfuzije i podataka Fajl koji je korišćen može se naći na http://www.technologyforge.net/datasets/. Fajl se odnosi na pečurke (Edible mushrooms). Svaka instanca je definisana
More informationSlika 1. Slika 2. Da ne bismo stalno izbacivali elemente iz skupa, mi ćemo napraviti još jedan niz markirano, gde će
Permutacije Zadatak. U vreći se nalazi n loptica različitih boja. Iz vreće izvlačimo redom jednu po jednu lopticu i stavljamo jednu pored druge. Koliko različitih redosleda boja možemo da dobijemo? Primer
More informationKVADRATNE INTERPOLACIJSKE METODE ZA JEDNODIMENZIONALNU BEZUVJETNU LOKALNU OPTIMIZACIJU 1
MAT KOL (Banja Luka) ISSN 0354 6969 (p), ISSN 1986 5228 (o) Vol. XXII (1)(2016), 5 19 http://www.imvibl.org/dmbl/dmbl.htm KVADRATNE INTERPOLACIJSKE METODE ZA JEDNODIMENZIONALNU BEZUVJETNU LOKALNU OPTIMIZACIJU
More informationNAPREDNI FIZIČKI PRAKTIKUM II studij Geofizika POLARIZACIJA SVJETLOSTI
NAPREDNI FIZIČKI PRAKTIKUM II studij Geofizika POLARIZACIJA SVJETLOSTI studij Geofizika NFP II 1 ZADACI 1. Izmjerite ovisnost intenziteta linearno polarizirane svjetlosti o kutu jednog analizatora. Na
More informationPrimjena Fuzzy ARTMAP neuronske mreže za indeksiranje i klasifikaciju dokumenata
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA DIPLOMSKI RAD br. 568 Primjena Fuzzy ARTMAP neuronske mreže za indeksiranje i klasifikaciju dokumenata Stjepan Buljat Zagreb, studeni 2005. ...mojoj
More informationDecepcijski i teški optimizacijski problemi za genetske algoritme
Decepcjsk tešk optmzacjsk problem za genetske algortme Stjepan Pcek Rng Datacom d.o.o. Trg J. J. Strossmayera 5, Zagreb 10000 stjepan@rng.hr Sažetak Genetsk algortm (GA) predstavljaju robusnu adaptvnu
More informationMetode izračunavanja determinanti matrica n-tog reda
Osječki matematički list 10(2010), 31 42 31 STUDENTSKA RUBRIKA Metode izračunavanja determinanti matrica n-tog reda Damira Keček Sažetak U članku su opisane metode izračunavanja determinanti matrica n-tog
More informationPart 8: Neural Networks
METU Informatics Institute Min720 Pattern Classification ith Bio-Medical Applications Part 8: Neural Netors - INTRODUCTION: BIOLOGICAL VS. ARTIFICIAL Biological Neural Netors A Neuron: - A nerve cell as
More informationP a g e 5 1 of R e p o r t P B 4 / 0 9
P a g e 5 1 of R e p o r t P B 4 / 0 9 J A R T a l s o c o n c l u d e d t h a t a l t h o u g h t h e i n t e n t o f N e l s o n s r e h a b i l i t a t i o n p l a n i s t o e n h a n c e c o n n e
More informationUNIFORM PLASMA OSCILLATIONS IN ELLIPSOID OF CONDUCTIVE MATERIAL UDC Yuri Kornyushin
FACTA UNIVERSITATIS Series: Physics, Chemistry and Technology Vol. 3, N o 1, 2004, pp. 35-39 UNIFORM PLASMA OSCILLATIONS IN ELLIPSOID OF CONDUCTIVE MATERIAL UDC 533.92 Yuri Kornyushin Maître Jean Brunschvig
More informationANALYTICAL AND NUMERICAL PREDICTION OF SPRINGBACK IN SHEET METAL BENDING
ANALYTICAL AND NUMERICAL PREDICTION OF SPRINGBACK IN SHEET METAL BENDING Slota Ján, Jurčišin Miroslav Department of Technologies and Materials, Faculty of Mechanical Engineering, Technical University of
More informationIntroduction to Neural Networks
Introduction to Neural Networks What are (Artificial) Neural Networks? Models of the brain and nervous system Highly parallel Process information much more like the brain than a serial computer Learning
More informationNeural Networks. Fundamentals of Neural Networks : Architectures, Algorithms and Applications. L, Fausett, 1994
Neural Networks Neural Networks Fundamentals of Neural Networks : Architectures, Algorithms and Applications. L, Fausett, 1994 An Introduction to Neural Networks (nd Ed). Morton, IM, 1995 Neural Networks
More informationConditional stability of Larkin methods with non-uniform grids
Theoret. Appl. Mech., Vol.37, No., pp.139-159, Belgrade 010 Conditional stability of Larkin methods with non-uniform grids Kazuhiro Fukuyo Abstract Stability analysis based on the von Neumann method showed
More informationFibonaccijev brojevni sustav
Fibonaccijev brojevni sustav Ljerka Jukić asistentica Odjela za matematiku Sveučilišta u Osijeku, ljukic@mathos.hr Helena Velić studentica Odjela za matematiku Sveučilišta u Osijeku, hvelic@mathos.hr Sažetak
More informationPellova jednadžba. Pell s equation
Osječki matematički list 8(2008), 29 36 29 STUDENTSKA RUBRIKA Pellova jednadžba Ivona Mandić Ivan Soldo Sažetak. Članak sadrži riješene primjere i probleme koji se svode na analizu skupa rješenja Pellove
More informationFRAKTALNA KARAKTERIZACIJA 3D VIDEO FORMATA
XXXIV Smozjum o novm tehnologjama u oštanskom telekomunkaconom saobraćaju PosTel 06, Beograd, 9. 30. novembar 06. FRAKTALNA KARAKTERIZACIJA 3D VIDEO FORMATA Amela Zekovć,, Irn Reljn Unverztet u Beogradu
More informationECE 471/571 - Lecture 17. Types of NN. History. Back Propagation. Recurrent (feedback during operation) Feedforward
ECE 47/57 - Lecture 7 Back Propagation Types of NN Recurrent (feedback during operation) n Hopfield n Kohonen n Associative memory Feedforward n No feedback during operation or testing (only during determination
More informationZANIMLJIV NAČIN IZRAČUNAVANJA NEKIH GRANIČNIH VRIJEDNOSTI FUNKCIJA. Šefket Arslanagić, Sarajevo, BiH
MAT-KOL (Banja Luka) XXIII ()(7), -7 http://wwwimviblorg/dmbl/dmblhtm DOI: 75/МК7A ISSN 5-6969 (o) ISSN 986-588 (o) ZANIMLJIV NAČIN IZRAČUNAVANJA NEKIH GRANIČNIH VRIJEDNOSTI FUNKCIJA Šefket Arslanagić,
More informationP a g e 3 6 of R e p o r t P B 4 / 0 9
P a g e 3 6 of R e p o r t P B 4 / 0 9 p r o t e c t h um a n h e a l t h a n d p r o p e r t y fr om t h e d a n g e rs i n h e r e n t i n m i n i n g o p e r a t i o n s s u c h a s a q u a r r y. J
More informationATOMSKA APSORP SORPCIJSKA TROSKOP
ATOMSKA APSORP SORPCIJSKA SPEKTROS TROSKOP OPIJA Written by Bette Kreuz Produced by Ruth Dusenbery University of Michigan-Dearborn 2000 Apsorpcija i emisija svjetlosti Fizika svjetlosti Spectroskopija
More informationKontrolni uređaji s vremenskom odgodom za rasvjetu i klimu
KOTROI SKOPOVI ZA RASVJETU I KIMA UREĐAJE Kontrolni i s vremenskom odgodom za rasvjetu i klimu Modularni dizajn, slobodna izmjena konfiguracije Sigurno. iski napon V Efikasno čuvanje energije Sigurnost.
More informationINTRODUCTION TO LOW FREQUENCY LOCAL PLASMONS IN BULK EXTRINSIC SEMICONDUCTORS UDC 538.9; Yuri Kornyushin
FACTA UNIVERSITATIS Series: Physics, Chemistry and Technology Vol. 2, N o 5, 2003, pp. 253-258 INTRODUCTION TO LOW FREQUENCY LOCAL PLASMONS IN BULK EXTRINSIC SEMICONDUCTORS UDC 538.9; 621.315.5 Yuri Kornyushin
More informationTina Drašinac. Cramerovo pravilo. Završni rad
Sveučilište JJStrossmayera u Osijeku Odjel za matematiku Preddiplomski studij matematike Tina Drašinac Cramerovo pravilo Završni rad U Osijeku, 19 listopada 2010 Sveučilište JJStrossmayera u Osijeku Odjel
More informationNeural Networks: Algorithms and Special Architectures
Internatonal Journal of Electrcal Engneerng. ISSN 974-258 Volume 3, Number 3 (2),. 75--88 Internatonal Research Publcaton House htt://www.rhouse.com Neural Networks: Algorthms and Secal Archtectures Bharat
More informationArtificial Neural Networks
Artificial Neural Networks 鮑興國 Ph.D. National Taiwan University of Science and Technology Outline Perceptrons Gradient descent Multi-layer networks Backpropagation Hidden layer representations Examples
More informationFACTS KOMPENZACIJA JALOVE SNAGE VJETROELEKTRANE
Dr. sc. Njaz Dzdarevć, dpl. ng. Dr. sc. Matslav Majstrovć, dpl. ng. Dr. sc. Srđan Žutobradć, dpl. ng. Energetsk nsttut ''Hrvoje Požar'' Zagreb, Hrvatska FACTS KOMPENZACIJA JALOVE SNAE VJETROELEKTRANE SAŽETAK
More informationANALYSIS OF THE RELIABILITY OF THE "ALTERNATOR- ALTERNATOR BELT" SYSTEM
I. Mavrin, D. Kovacevic, B. Makovic: Analysis of the Reliability of the "Alternator- Alternator Belt" System IVAN MAVRIN, D.Sc. DRAZEN KOVACEVIC, B.Eng. BRANKO MAKOVIC, B.Eng. Fakultet prometnih znanosti,
More informationTermodinamika. FIZIKA PSS-GRAD 29. studenog Copyright 2015 John Wiley & Sons, Inc. All rights reserved.
Termodinamika FIZIKA PSS-GRAD 29. studenog 2017. 15.1 Thermodynamic Systems and Their Surroundings Thermodynamics is the branch of physics that is built upon the fundamental laws that heat and work obey.
More informationSafet Penjić, mr sc Filozofski fakultet u Zenici
Safe Penjć, mr sc Flozofs faule u Zenc Uloga speralnh projeora u rješavanju ssema homogenh dferencjalnh jednačna sa onsannm oefcjenma jedna zanmljva prmjena u bologj Sažea Za podprosore, prosora ažemo
More informationAdmin NEURAL NETWORKS. Perceptron learning algorithm. Our Nervous System 10/25/16. Assignment 7. Class 11/22. Schedule for the rest of the semester
0/25/6 Admn Assgnment 7 Class /22 Schedule for the rest of the semester NEURAL NETWORKS Davd Kauchak CS58 Fall 206 Perceptron learnng algorthm Our Nervous System repeat untl convergence (or for some #
More informationAPPROPRIATENESS OF GENETIC ALGORITHM USE FOR DISASSEMBLY SEQUENCE OPTIMIZATION
JPE (2015) Vol.18 (2) Šebo, J. Original Scientific Paper APPROPRIATENESS OF GENETIC ALGORITHM USE FOR DISASSEMBLY SEQUENCE OPTIMIZATION Received: 17 July 2015 / Accepted: 25 Septembre 2015 Abstract: One
More informationDeni Vlašić Numerički alat za preliminarni projekt brodskog vijka
SVEUČILIŠTE U ZAGREBU FAKULTET STROJARSTVA I BRODOGRADNJE Den Vlašć Numerčk alat za prelmnarn projekt brodskog vjka Zagreb, 2017. Ovaj rad zrađen je na Zavodu za brodogradnju pomorsku tehnku na Fakultetu
More informationModified Zagreb M 2 Index Comparison with the Randi} Connectivity Index for Benzenoid Systems
CROATICA CHEMICA ACTA CCACAA 7 (2) 83 87 (2003) ISSN-00-3 CCA-2870 Note Modified Zagreb M 2 Index Comparison with the Randi} Connectivity Index for Benzenoid Systems Damir Vuki~evi} a, * and Nenad Trinajsti}
More informationIn the Name of God. Lecture 9: ANN Architectures
In the Name of God Lecture 9: ANN Architectures Biological Neuron Organization of Levels in Brains Central Nervous sys Interregional circuits Local circuits Neurons Dendrite tree map into cerebral cortex,
More informationPMR5406 Redes Neurais e Lógica Fuzzy Aula 3 Single Layer Percetron
PMR5406 Redes Neurais e Aula 3 Single Layer Percetron Baseado em: Neural Networks, Simon Haykin, Prentice-Hall, 2 nd edition Slides do curso por Elena Marchiori, Vrije Unviersity Architecture We consider
More informationMaterijali za kolegij Kvantitativne metode u menadžmentu za poslijediplomski studij
Materal za koleg Kvanttatvne metode u menadžmentu za osledlomsk stud Nostel kolega: Pro.dr.sc. Thomr Hunak SADRŽAJ 1. Uvod u odlučvane 3 2. Rešavane roblema odlučvane 6 3. Problem odlučvana 8 3.1. Dobro
More informationAnaliza prijema SC makrodiverziti sistema sa tri grane u prisustvu Gama senke i Rajsovog fedinga
INFOTEH-JAHOINA Vol., March. Analza prjema SC makrodverzt sstema sa tr rane u prsustvu Gama senke ajsovo fedna Nkola Smć, Marja Veljkovć, Mlan akć Katedra za telekomunkacje Elektronsk fakultet Nš, epublka
More informationComputational Intelligence
Plan for Today Single-Layer Perceptron Computational Intelligence Winter Term 00/ Prof. Dr. Günter Rudolph Lehrstuhl für Algorithm Engineering (LS ) Fakultät für Informatik TU Dortmund Accelerated Learning
More informationShear Modulus and Shear Strength Evaluation of Solid Wood by a Modified ISO Square-Plate Twist Method
Hiroshi Yoshihara 1 Shear Modulus and Shear Strength Evaluation of Solid Wood by a Modified ISO 1531 Square-late Twist Method rocjena smicajnog modula i smicajne čvrstoće cjelovitog drva modificiranom
More informationSummary Modeling of nonlinear reactive electronic circuits using artificial neural networks
Summary Modeling of nonlinear reactive electronic circuits using artificial neural networks The problem of modeling of electronic components and circuits has been interesting since the first component
More informationAIR CURTAINS VAZDU[NE ZAVESE V H
AIR CURTAINS V 15.000 H 21.000 KLIMA Co. 2 KLIMA Co. Flow and system stress should be known factors in air flow. The flow is gas quantity flowing through the system during given time unit and is measured
More informationNetworks of McCulloch-Pitts Neurons
s Lecture 4 Netorks of McCulloch-Pitts Neurons The McCulloch and Pitts (M_P) Neuron x x sgn x n Netorks of M-P Neurons One neuron can t do much on its on, but a net of these neurons x i x i i sgn i ij
More informationEXPERIMENTAL ANALYSIS OF THE STRENGTH OF A POLYMER PRODUCED FROM RECYCLED MATERIAL
A. Jurić et al. EXPERIMENTAL ANALYSIS OF THE STRENGTH OF A POLYMER PRODUCED FROM RECYCLED MATERIAL Aleksandar Jurić, Tihomir Štefić, Zlatko Arbanas ISSN 10-651 UDC/UDK 60.17.1/.:678.74..017 Preliminary
More informationMEĐIMURSKO VELEUČILIŠTE U ČAKOVCU STRUČNI STUDIJ RAČUNARSTVO KRISTIJAN FIŠTREK MODEL NEURO-FUZZY SUSTAVA ZA PROCJENU ZAPOSLJIVOSTI STUDENATA MEV-A
MEĐIMURSKO VELEUČILIŠTE U ČAKOVCU STRUČNI STUDIJ RAČUNARSTVO KRISTIJAN FIŠTREK MODEL NEURO-FUZZY SUSTAVA ZA PROCJENU ZAPOSLJIVOSTI STUDENATA MEV-A ZAVRŠNI RAD ČAKOVEC, 2017. MEĐIMURSKO VELEUČILIŠTE U ČAKOVCU
More informationTeorijska i praktična znanja programiranja i modeliranja
Računarstvo Programsko inženjerstvo i informacijski sustavi Programsko inženjerstvo Software engineering... the application of engineering gto software..., IEEE Std 610.12 1990, pp.67 Teorijska i praktična
More informationPrsten cijelih brojeva
SVEUČILIŠTE JOSIPA JURJA STROSSMAYERA U OSIJEKU ODJEL ZA MATEMATIKU Marijana Pravdić Prsten cijelih brojeva Diplomski rad Osijek, 2017. SVEUČILIŠTE JOSIPA JURJA STROSSMAYERA U OSIJEKU ODJEL ZA MATEMATIKU
More informationA L A BA M A L A W R E V IE W
A L A BA M A L A W R E V IE W Volume 52 Fall 2000 Number 1 B E F O R E D I S A B I L I T Y C I V I L R I G HT S : C I V I L W A R P E N S I O N S A N D TH E P O L I T I C S O F D I S A B I L I T Y I N
More informationFormule za udaljenost točke do pravca u ravnini, u smislu lp - udaljenosti math.e Vol 28.
1 math.e Hrvatski matematički elektronički časopis Formule za udaljenost točke do pravca u ravnini, u smislu lp - udaljenosti Banachovi prostori Funkcija udaljenosti obrada podataka optimizacija Aleksandra
More informationArtificial Neural Network
Artificial Neural Network Eung Je Woo Department of Biomedical Engineering Impedance Imaging Research Center (IIRC) Kyung Hee University Korea ejwoo@khu.ac.kr Neuron and Neuron Model McCulloch and Pitts
More informationZlatko Mihalić MOLEKULARNO MODELIRANJE (2+1, 0+0)
Zlatko Mihalić MOLEKULARNO MODELIRANJE (2+1, 0+0) Asistenti doc. dr. sc. Ivan Kodrin dr. sc. Igor Rončević Literatura A. R. Leach, Molecular Modelling, Principles and Applications, 2. izdanje, Longman,
More informationOracle Spatial Koordinatni sustavi, projekcije i transformacije. Dalibor Kušić, mag. ing. listopad 2010.
Oracle Spatial Koordinatni sustavi, projekcije i transformacije Dalibor Kušić, mag. ing. listopad 2010. Pregled Uvod Koordinatni sustavi Transformacije Projekcije Modeliranje 00:25 Oracle Spatial 2 Uvod
More informationPRILOG O PROŠIRIVANJU I UOPŠTAVANJU ZADATAKA IZ GEOMETRIJE TROUGLA
MAT-KOL (Banja Luka) XX(3)(2014) 145--151 http://wwwmvblorg/dmbl/dmblhtm ISSN 0354-6969 (o) ISSN 1986-5828 (o) PRILOG O PROŠIRIVANJU I UOPŠTAVANJU ZADATAKA IZ GEOMETRIJE TROUGLA (Some attachment on the
More informationMultilayer Perceptron (MLP)
Multlayer Perceptron (MLP) Seungjn Cho Department of Computer Scence and Engneerng Pohang Unversty of Scence and Technology 77 Cheongam-ro, Nam-gu, Pohang 37673, Korea seungjn@postech.ac.kr 1 / 20 Outlne
More informationNeural Turing Machine. Author: Alex Graves, Greg Wayne, Ivo Danihelka Presented By: Tinghui Wang (Steve)
Neural Turing Machine Author: Alex Graves, Greg Wayne, Ivo Danihelka Presented By: Tinghui Wang (Steve) Introduction Neural Turning Machine: Couple a Neural Network with external memory resources The combined
More information2- AUTOASSOCIATIVE NET - The feedforward autoassociative net considered in this section is a special case of the heteroassociative net.
2- AUTOASSOCIATIVE NET - The feedforward autoassociative net considered in this section is a special case of the heteroassociative net. - For an autoassociative net, the training input and target output
More informationNumeričko modeliranje elektromagnetskih pojava
Slavko Vjevć Nmerčko modelranje elektromagnetskh pojava Zagreb, 3. ožjka 07. Sadržaj predavanja: Osnovna lema varjacjskog račna. Aproksmacja fnkcja. Lokalzacja baza - tehnka konačnh elemenata. Rješavanje
More informationRaspoznavanje objekata dubokim neuronskim mrežama
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA DIPLOMSKI RAD br. 696 Raspoznavanje objekata dubokim neuronskim mrežama Vedran Vukotić Zagreb, lipanj 2014. Zahvala Zahvaljujem se svom mentoru,
More information