model za procenu troškova i vremena izgradnje gradskih ...

More documents

Recommendations

Info

MODEL ZA PROCENU TROŠKOVA I VREMENA IZGRADNJE GRADSKIH SAOBRAĆAJNICA obučavanja u procesu obučavanja mreže. Njegova osnovna uloga je da u toku porcesa ne dođe do „preobučavanja“ mreže jer u tom slučaju ista neće imati dobru moć generalizacije. Sprečavanje „preobučavanja“ se postiže tako što će u slučaju smanjenja greške prilikom obučavanja na podskupu za obučavanje i povećanja greške na test skupu doći do „ranog“ prekida obučavanja (slika 5.2.1.). Slika 5.2.1. Rani prekid obučavanja na osnovu test podskupa Podskup za validaciju se koristi nakon završetka procesa obuke. Formiranoj mreži (broj, neurona, aktivacione funkcije, definisani težinski koeficijenti i sl.) se „prikazuju“ do tada nepoznati podaci i vrši se procena (predikcija) izlaznih vrednosti. Ukoliko između odstupanja procenjenih od očekivanih vrednosti (PE ili APE ili MAPE) iz sva tri podskupa ne postoji velika razlika može se smatrati da je to stvarna moć generalizacije formiranog NNs modela, odnosno da nije došlo do „preobučavanja“ U softverskom paketu Statistica postoji mogućnost definisanja dva tipa NNs modela MLP (Multilayer Perceptreon) i RBF (Radial Basis Function) model. Pomenuta dva tipa NNs su mreže orijentisane unapred, obe su univerzalni aproksimatori i imaju istu upotrebu, odnosno koriste se u istim ili sličnim oblastima. Međutim postoje i određene razlike između njih. MLP NNs modeli mogu da imaju više od jednog skrivenog sloja dok RBF NNs modeli imaju samo jedan skriveni sloj, kod RBF NNs modela svi neuroni moraju da budu međusobno povezani što nije slučaj kod MLP NNs modela i sl. Prema Matignon (2005) oba modela se koriste za probleme klasifikacije, dok se MLP modeli koriste i za regresione probleme, a RBF modeli za tzv. probleme grupisanja (clustering problems). S obzirom da tema istraživanja u okviru disertacije podrazumeva procenu cene i vremena izgradnje, tj. spada u regresione probleme, formirani su samo MLP NNs modeli. Za MLP modele ponuđene mogućnosti aktivacionih funkcija za skrivene i izlazne neurone su prikazane u tabeli 5.2.1. Modeli za procenu 92 Igor Peško
MODEL ZA PROCENU TROŠKOVA I VREMENA IZGRADNJE GRADSKIH SAOBRAĆAJNICA Tebala 5.2.1. Aktivacione funkcije MLP NNs modela Funkcija Izraz Objašnjenje Opseg Identity Aktivacija neurona se direktno prosleđuje kao izlaz. (-∞,+∞) Logistic sigmoid Hyperbolic tangent Ebponential + − + Sine !"( ) “S” kriva (0,1) Sigmoidna kriva slična logistic funkciji, ali ima bolje performanse zbog simetrije koju poseduje. Idelana je za MLB NNs modele, posebno za skrivene neurone. (-1,+1) Negativna eksponencijalna funkcija. (0,+∞) Mogućnost korišćenja za podatke sa radijalnom raspodelom. Aktivaciona funkcija izlaznih neurona ukoliko se radi o regresionim problemima je uglavnom linearna. Kada su u pitanju aktivacione funkcije skrivenih neurona najčešće korišćene funkcije su unipolar logistic i bipolar sigmoidal (najčešće korišćena je tangent hyperbolic). (Kecman, 2001) Prema ovoj preporuci za sve modele će se koristiti aktivacione funkcije za skrivene neurone logistic sigmoid i hyperbolic tangent, a za izlazne neurone aktivaciona funkcija identity (prikazane u tabeli 5.2.1). Pored definisanja broja skrivenih neurona i definisanja aktivacionih funkcija u skrivenom i izlaznom sloju neophodno je definisati koja funkcija će se koristiti za sračunavanje greške procene, ali i koji algoritmi obučavanja će se koristiti. Kao funkcija greške korišćena je suma kvadrata greške (sum of squares error) koja predstavlja kvadrat sume razlika između očekivanih i procenjenjih vrednosti definisanu na celom skupu za obučavanje: # = ∑ $ ( − ) (5.2.1) gde je: N - broj projekata za obučavanje, P i - procenjena cena, S i - stvarna ponuđena cena. Funkcija greške je od osnovnog značaja za evaluaciju performansi NNs modela u toku obučavanja. Jasno je što je veća # perfomanse NNs model su lošije i potrebno je izvršiti određene korekcije (broj skrivenih neurona, trening funkcije, podešavanje težina i sl.). Ponuđeni algoritmi obučavanja i objašnjenja su prikazana u tabeli 5.2.2. Tebala 5.2.2. Algoritmi obučavanja MLP NNs modela [0,1] Algoritam Gradient descent BFGS Conjugate gradient Objašnjenje Algoritam optimizacije prvog reda sa ciljem postepenog pomeranja ka nižim tačkama u prostoru pretrage kako bi se pronašao minimum. Algoritam drugog reda sa brzom konvergencijom. Brz algoritam za obučavanje MLP NNs modela koji se sprovodi kroz niz linija pretraživanja u prostoru greške. Dobar generički algoritam sa brzom konvergencijom. U slučaju sva tri ponuđena algoritma obučavanja neophodno je definisati broj ciklusa obučavanja. U svakom ciklusu svi podaci iz obučavajućeg skupa prolaze kroz mrežu i vrši se izračunavanje greške. Za Gradient descent algoritam obučavanja neophodne je definisati i learning rate i momentum. Modeli za procenu 93 Igor Peško
Page 1:
UNIVERZITET U NOVOM SADU FAKULTET T
Page 5:
UNIVERSITY OF NOVI SAD FACULTY OF
Page 8 and 9:
MODEL ZA PROCENU TROŠKOVA I VREMEN
Page 10 and 11:
Page 12 and 13:
Page 14 and 15:
Page 17:
Page 21 and 22:
Page 23 and 24:
Page 25 and 26:
Page 27 and 28:
Page 29 and 30:
Page 31 and 32:
Page 33 and 34:
Page 35 and 36:
Page 37 and 38:
Page 39 and 40:
Page 41 and 42:
Page 43:
Page 46 and 47:
Page 48 and 49:
Page 50 and 51:
Page 52 and 53:
Page 54 and 55:
Page 56 and 57:
Page 58 and 59:
Page 60 and 61:
Page 62 and 63: MODEL ZA PROCENU TROŠKOVA I VREMEN
Page 162 and 163:
Page 164 and 165:
Page 166 and 167:
Page 169 and 170:
Page 171 and 172:
Page 173:
show all

model za procenu troškova i vremena izgradnje gradskih ...

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?