Analiza uporabe umetnih nevronskih mrež za potrebe klasifikacij v deformacijski analizi

Klemen Kregar (2009) Analiza uporabe umetnih nevronskih mrež za potrebe klasifikacij v deformacijski analizi. Diplomska naloga.

Predogled

PDF Prenos (1599Kb)

Povzetek

V diplomski nalogi želim preizkusiti sposobnost umetne nevronske mreže za grozdenje (angl.: clustering) vektorjev. Naloga je praktičen poskus grozdenja vektorjev hitrosti geodinamičnih premikov, vendar pa rezultati niso namenjeni uporabi za potrebe geodinamičnih raziskav, ampak nam služijo le za ugotavljanje, kako umetna nevronska mreža deluje oziroma kaj zmore. Grozdenje je postopek povezovanja objektov, ki so med seboj podobni, v skupine. V nalogi te objekte predstavljajo vektorji. Nevronska mreža, ki smo jo uporabljali, je okrnjena različica Kohonenove samoorganizirajoče se mreže. Uporabili smo le en sloj nevronov s Kohonenovim tekmovalnim učilnim pravilom. Nevroni topološko urejeno niso organizirani. Učenje je postopek, ko mreži v ponavljajočih se korakih predstavimo vhodne podatke. V vsakem koraku se nevronom spremenijo lastnosti. Pri tekmovalnem učenju vsi nevroni hkrati sprejmejo vhodni vektor, uteži pa se posodobijo le tistemu nevronu, ki mu je ta vektor najbolj podoben. Nevron se posodobi tako, da bo v prihodnje še bolj ustrezal vektorjem, podobnim njemu. Računanje sem opravil s pomočjo Matlabove orodjarne Neural network toolbox, v kateri so določeni tipi mrež in učilni algoritmi že vgrajeni. Za predstavitev rezultatov grozdenja sem uporabljal program AutoCAD 2005. Postopek sem preizkusil v štirih nalogah. Za prve tri sem podatke izdelal sam, za četrto pa sem uporabil dejanske vektorje hitrosti geodinamičnih premikov iz Kalifornije. Ugotovil sem, da je nevronska mreža zelo zanimiv način grozdenja, ker pri njej, za razliko od klasičnih grozdilnih metod, ne moremo predvideti, kako bo delovala. Prav zaradi tega se mi zdi za naloge, pri katerih morajo biti odgovori točni in zanesljivi, neuporabna.

Akcije (potrebna je prijava)