model za procenu troškova i vremena izgradnje gradskih ...

More documents

Recommendations

Info

MODEL ZA PROCENU TROŠKOVA I VREMENA IZGRADNJE GRADSKIH SAOBRAĆAJNICA procesiranjem koje se izvodi u samim čvorovima mreže, tj. elementima za procesiranjeinformacija.“ (DARPA, 1988) „Veštačke neuronske mreže su fizički celularni sistemi koji mogu da uče, memorišu i koriste eksperimentalno znanje.“ (Zura, 1992) „Veštačke neuronske mreže predstavljaju sisteme koji se sastoje od velikog broja jednostavnih elemenata za procesiranje čiji je princip rada inspirisan radom prirodnih neurona. Svaki neuron operiše asinhrono i procesira samo lokalne informacije.“ (Nigrin, 1993) „Veštačke neuronske mreže predstavljaju jednu vrstu računarskog multiprocesorskog sistema sa sledećim karakteristikama: mnoštvo jednostavnih elemenata za procesiranje, visok stepen međusobne povezanosti elemenata, jednostavne skalarne informacije i adaptivne interakcije između elemenata.“ (Fauset, 1994) 3.1.1 Podela NNs Podela NNs se može izvršiti na osnovu strukture mreže, zatim na osnovu smera prostiranja signala između neurona, i na kraju na osnovu pristupa obučavanju. Podelu NNs, imajući u vidu njihovu strukturu,, moguće je izvršiti na jednoslojne (one layer) i višeslojne (multy layer). Jednoslojne NNs imaju samo jedan sloj neurona, i to izlazni sloj (output layer, OL). Broj neurna u njemu zavisi od broja izlaza, što je definisano samom postavkom problema koji se rešava. Višeslojne NNs se još nazivaju i “prave” NNs. One imaju najmanje dva sloja neurona i to skriveni sloj (hidden layer, HL) i izlazni sloj (output layer, OL). Neophodno je da skriveni slojevi imaju nelinearnu ili diferencijabilnu aktivacionu funkciju. U ulaznom sloju NNs se ne vrši obrada podataka, pa prema tome iako izgleda kao sloj neurona on to nije! Neuroni u izlaznom sloju mogu imati linearnu aktivacionu funkciju za slučaj rešavanja regresionih problema ili sigmoidal aktivacionu funkciju u slučaju recimo vršenja klasifikacije. (Kecman, 2001) Podela NNs na osnovu smera prostiranja signala između neurona je izvrešna na mreže orijentisane unapred (feed-forward) i mreže orijentisane unazad (feed-back ili recurrent). Slika 3.1.1.1. Jednoslojna i višeslojna NN orijentisana unapred (Kecman, 2001) Veštačka inteligencija 28 Igor Peško
MODEL ZA PROCENU TROŠKOVA I VREMENA IZGRADNJE GRADSKIH SAOBRAĆAJNICA Kombinacijom broja slojeva i broja neurona u njima, kao i definisanjem smera prenosa informacija između neurona pruža se mogućnost beskonačnog kombinovanja dok se ne definiše zadovoljavajuća struktura neuralne mreže za konkretan problem. Na slici 3.1.1.1. je dat shematski prikaz jednoslojne i višeslojne NN orijentisane unapred (feed-forward). Sa slike je jasno uočljivo da protok informacija teče u jednom smeru, od ulaza ka izlazima. Ukoliko je bar jedan od izlaza orijentisan unazad, odnosno predstavlja ulaz u čvor iz istog ili prethodnog sloja dobijamo mrežu sa orijentacijom unazad (feed-back). Kod takvih mreža signal putuje u oba smera. Najčešće se koriste za rešavanje dinamičkih problema i imaju veliku sposobnost adaptilnosti, ali su vrlo komplikovane i iziskuju mnogo vremena za podešavanje. Podela NNs sa stanovišta obučavanje je na mreže u kojima se vrši obučavanje težina, tzv. parametarsko obučavanje, i na mreže u kojima se vrši obučavanje strukture. Obučavanje težina (parametarsko obučavanje) podrazumeva definisanje vrednosti težinskih koeficijenata na osnovu podataka korišćenih za obučavanje mreže (set ulaznih i izlaznih podataka). Nakon definisanja težinskih koeficijenata mreža se smatra obučenom i pruža mogućnost predikcije izlaznih vrednosti na osnovu novih ulaznih podataka. Obučavanje strukture se odnosi na prilagođavanje strukture mreže promenom broja neurona i/ili promenu tipa veza između njih. Navedena dva načina obučavanje mreže se mogu sprovoditi ili nezavisno jedan od drugog ili simultano. Na osnovu prethodno iznetog veštačke neuronske mreže možemo podeliti na: adaptivne NNs i fiksne NNs. Adaptivne NNs imaju mogućnost promene vrednosti težinskih koeficijenata prilikom obučavanja, dok su kod fiksnih NNs vrednosti težinskih koeficijenata unapred definisane, tj. ne menjaju se, dok je struktura mreže promenljiva. Za obučavanje adaptivnih NNs najčeće korišćeni pristupi obučavanju su obučavanje sa supervizorom (supervised learning) i obučavanje bez supervizora (unsupervised learning). Obučavanje sa supervizorom zahteva dovoljno veliki reprezentativni skup ulaznih i njima pridruženih izlaznih podataka. Modifikacijom težinskih koeficijenata se postiže smanjenje greške, tj. odstupanja, između sračunatih i zadatih izlaznih vrednosti. Kao što se može videti iz samog naziva obučavanja neophodan je nadzor prilikom obučavanja mreže, sve dok se pomenuto odstupanje ne svede u prihvatljive granice. Najčešće primenjivan algoritam za ovaj tip obučavanje mreže je prikazan na Slici 3.1.1.2., a najpoznatiji metod je metod najmanjih kvadrata. Obučavanje bez supervizora je zanosvano na samoorganizaciji mreže s obzirom da ne postoji spoljašnji korektor. Mreži se prikazuju stimulativni ulazi i njen zadatak je da sama otkrije regularnosti, korelacije ili kategorije u ulaznim podacima i da ih kodira u izlazu. Izlaze je neophodno ispitati i proveniti da li postoji korisnost rezultata. Najčešće primenjivan algoritam za ovaj tip obučavanje mreže je prikazan takođe na Slici 3.1.1.2. Veštačka inteligencija 29 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 17: MODEL ZA PROCENU TROŠKOVA I VREMEN
Page 43: MODEL ZA PROCENU TROŠKOVA I VREMEN
Page 98 and 99:
MODEL ZA PROCENU TROŠKOVA I VREMEN
Page 100 and 101:
Page 102 and 103:
Page 104 and 105:
Page 106 and 107:
Page 108 and 109:
Page 110 and 111:
Page 112 and 113:
Page 114 and 115:
Page 116 and 117:
Page 118 and 119:
Page 120 and 121:
Page 122 and 123:
Page 124 and 125:
Page 126 and 127:
Page 128 and 129:
Page 130 and 131:
Page 132 and 133:
Page 134 and 135:
Page 136 and 137:
Page 138 and 139:
Page 140 and 141:
Page 142 and 143:
Page 144 and 145:
Page 146 and 147:
Page 148 and 149:
Page 150 and 151:
Page 152 and 153:
Page 154 and 155:
Page 156 and 157:
Page 158 and 159:
Page 160 and 161:
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?