Grafičko sučelje u prikazu generalizacijskog svojstva unaprijedne neuronske mreže

Špoljarić, Andreja (2016) Grafičko sučelje u prikazu generalizacijskog svojstva unaprijedne neuronske mreže. = Neural network graphical interface in demonstration of feed forward neural network generalisation property. Master's thesis (Bologna) , Sveučilište u Zagrebu, Fakultet strojarstva i brodogradnje, UNSPECIFIED. Mentor: Majetić, Dubravko.

Preview

Text Špoljarić_2016_diplomski.pdf - Published Version Jezik dokumenta:Croatian Download (4MB) | Preview

Abstract (Croatian)

U ovom diplomskom radu detaljno je prikazan rad jednoslojne neuronske mreže sa povratnim rasprostiranjem pogreške. Prilikom učenja neuronske mreže korisnik može izabrati između četiri aktivacijske funkcije i dva momentuma. Također, korisnik ima mogućnost upisa željenog broja neurona skrivenog sloja, iznosa brzine učenja, iznosa NRMS-a te broja koraka učenja. Broj ulaznih i izlaznih neurona definirani su samim zadatkom učenja. Rezultat učenja korisnik dobiva u tabličnom obliku te pomoću grafičkog prikaza. Korisniku je omogućeno testiranje neuronske mreže u kojem korisnik osim zadanih brojeva može testirati i svoje vrijednosti brojeva koji nisu definirani u procesu učenja. Rad mreže korisnik može provjeriti izborom strukture s dva ulaza i s jednim, tri ili četiri izlaza. Ulazi u proces učenja su brojevi od jedan do pet te njihove kombinacije korisnik odabire na samom početku rada mreže prije odabira parametara učenja. Izlazi iz neuronske mreže su rezultati različitih matematičkih operacija za zadane ulazne kombinacije brojeva. Princip rada i učenja neuronske mreže prikazan je u prvom dijelu diplomskog rada, dok su primjeri rada i testiranje mreže prikazani u drugom dijelu rada. Na kraju rada prikazan je i objašnjen rad dvoslojne neuronske mreže sa povratnim rasprostiranjem pogreške, također sa dva ulazna neurona te jednim i četiri izlazna neurona. Grafičko sučelje za svaki primjer izrađeno je u programskom paketu MATLAB.

Abstract

In this thesis is in detail explained work with one-layer neural network with backpropagation. During the neural network learning process user can choose between four activation functions and two momentums. Also, user have the opportunity to write the wanted number of hidden layer neurons, the amount of learning speed, the amount of NRMS and number of learning steps. The number of input and output neurons are defined by single task learning. The learning results user can get in a tabular format or with graphic display. The user can test the neural networks with given numbers and with numbers that are not defined in the learning process. User can check neural networks operations if he use structure with two inputs and one, three or four outputs. Inputs in the learning process are numbers between one and five, and their combinations user selects on the start, and after that user can select neural network learning parameters. Outputs from neural network are results of different mathematical operations for the default input combinations of numbers. Work principle and neural network learning process is explained in the first part of this thesis, while examples of work and testing of the neural networks are shown in the second part. At the end of paper is shown and explained the work of two-layer neural network with backpropagation, also with two inputs and with one and four outputs. The graphical interface for each example is made in MATLAB.

Item Type:	Thesis (Master's thesis (Bologna))
Uncontrolled Keywords:	neuronska mreža;aktivacijska funkcija;neuroni skrivenog sloja;momentum;brzina učenja;NRMS;koraci učenja;grafičko sučelje
Keywords (Croatian):	neural network;activation function;hidden layer neurons;momentum;speed of learning;NRMS;steps learning;GUI
Subjects:	TECHNICAL SCIENCE > Mechanical Engineering
Divisions:	900 Department of Robotics and Production System Automation > 910 Chair of Engineering Automation
Date Deposited:	12 Jul 2016 08:18
Last Modified:	27 Mar 2020 12:17
URI:	http://repozitorij.fsb.hr/id/eprint/6264

Actions (login required)

View Item