Generalizacijsko svojstvo unaprijedne neuronske mreže
| Autor: | Markučič, Joško |
|---|---|
| Přispěvatelé: | Majetić, Dubravko |
| Jazyk: | chorvatština |
| Rok vydání: | 2016 |
| Předmět: |
povratno rasprostiranje pogreške
artificial network testing učenje neuronske mreže first order momentum artificial neuron neural network weights zamah prvog reda težinski faktori generalizacijsko svojstvo neural networks artificial intelligence umjetni neuron error back-propagation testiranje neuronske mreže generalisation property TEHNIČKE ZNANOSTI. Strojarstvo artificial network learning umjetna inteligencija dinamički član prvog reda second order momentum neuronske mreže umjetna inteligencija umjetni neuron ucenje neuronske mreže testiranje neuronske mreže težinski faktori zamah prvog reda zamah drugog reda povratno rasprostiranje pogreške generalizacijsko svojstvo dinamicki clan prvog reda neuronske mreže zamah drugog reda TECHNICAL SCIENCES. Mechanical Engineering first order dynamic term |
| Popis: | U ovom radu prikazan je postupak učenja umjetne neuronske mreže s povratnim rasprostiranjem pogreške u zadatku prikaza generalizacijskog svojstva neuronske mreže na primjeru ponašanja nelinearnog i linearnog dinamičkog člana prvog reda. Glavna značajka umjetnih neuronskih mreža je mogućnost estimacije funkcija koje ovise o velikom broju ulaza koji nisu općenito poznati. Uz sam postupak učenja u ovom radu je prikazano i testiranje mreže koje se provodi nakon samog postupka učenja. Programska podrška kojom je implementirana opisana umjetna neuronska mreža i postupak učenja u cijelosti je izrađena u programskom paketu MATLAB. Opis, učenje i glavne značajke umjetnih neuronskih mreža prikazane su i detaljno upisane u uvodu, a zatim je u nastavku prikazan način učenja i rada zadane mreže. This paper shows the feed forward neural networks with error back-propagation generalisation property of nonlinear and linear first order dynamic. The main attribute of artificial neural networks is the ability to estimate or approximate functions that can depend on a large number of inputs that are generally unkown. Aside from the learning process, this paper also shows the neural network testing process which comes right after the learning stage. The program implementing the described artificial network and learning process has been entirely made in MATLAB. Description, main attributes and learning of artificial neural networks are shown and described in the introduction, after which the learning process is shown. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|