Metrika članka

  • citati u SCindeksu: [1]
  • citati u Google Scholaru:[=>]
  • posete u prethodnih 30 dana:19
  • preuzimanja u prethodnih 30 dana:19
članak: 1 od 1  
Tehnika
2014, vol. 69, br. 4, str. 613-620
jezik rada: srpski
vrsta rada: izvorni naučni članak
doi:10.5937/tehnika1404613V


Mašinsko učenje veštačke neuronske mreže sa radijalnim aktivacionim funkcijama gausovog tipa na bazi Kalmanovog filtra - teorijske osnove
Univerzitet u Beogradu, Mašinski fakultet

Projekat

Inovativni pristup u primeni inteligentnih tehnoloških sistema za proizvodnju delova od lima zasnovan na ekološkim principima (MPNTR - 35004)

Sažetak

U ovom radu se analizira problem mašinskog učenja veštačke neuronske mreže sa radijalnim aktivacionim funkcijama Gausovog tipa na bazi Kalmanovog filtra. Prikazana su tri nova sekvencijalna algoritma mašinskog učenja: prvi algoritam direktno primenjuje linearizovani Kalmanov filtar kao algoritam mašinskog učenja, drugi algoritam primenjuje dual Kalmanovom filtru pod nazivom linearizovani informacioni filtar, dok treći algoritam na poseban način aproksimira prvi i drugi moment Gausove raspodele. U radu se naglašavaju osnovne prednosti koje pomenuti algoritmi imaju u poređenju sa konvencionalnim vidovima mašinskog učenja. Za sva tri algoritma razvijen je odgovarajući matematički model veštačke neuronske mreže sa radijalnim aktivacionim funkcijama Gausovog tipa. Analizirane su osnovne postavke izvedenih algoritama u cilju njihove primene na složene probleme u inženjerskoj praksi.

Ključne reči

Reference

Bortman, M., Aladjem, M. (2009) A Growing and Pruning Method for Radial Basis Function Networks. IEEE Transactions on Neural Networks, 20(6): 1039-1045
Han, H., Chen, Q., Qiao, J. (2011) An efficient self-organizing RBF neural network for water quality prediction. Neural networks, 24(7): 717-25
Huang, G.B., Saratchandran, P., Sundararajan, N. (2005) A Generalized Growing and Pruning RBF (GGAP-RBF) Neural Network for Function Approximation. IEEE Transactions on Neural Networks, 16(1): 57-67
Karayiannis, N.B. (1999) Reformulated radial basis neural networks trained by gradient descent. IEEE transactions on neural networks, 10(3): 657-71
Lázaro, M., Santamarı́a, I., Pantaleón, C. (2003) A new EM-based training algorithm for RBF networks. Neural Networks, 16(1): 69-77
Miljković, Z. (2003) Sistemi veštačkih neuronskih mreža u proizvodnim tehnologijama. u: Serija Inteligentni tehnološki sistemi - Knjiga 8, Beograd: Mašinski fakultet
Miljković, Z., Aleksendrić, D. (2009) Veštačke neuronske mreže - zbirka rešenih zadataka sa izvodima iz teorije. Beograd: Mašinski fakultet
Schwenker, F., Kestler, H.A., Palm, G. (2001) Three learning phases for radial-basis-function networks. Neural Networks, 14(4-5): 439-458
Simon, D. (2002) Training radial basis neural networks with the extended Kalman filter. Neurocomputing, 48(1-4): 455-475
Vuković, N. (2012) Razvoj mašinskog učenja inteligentnog mobilnog robota baziran na sistemu veštačkih neuronskih mreža. Beograd: Univerzitet u Beogradu - Mašinski fakultet, doktorska disertacija
Vuković, N., Miljković, Z., Babić, B., Čović, N. (2011) Towards implementation of intelligent mobile robots in a manufacturing environment. u: The 4th International Conference on Manufacturing Engineering (ICMEN 2011), Thessaloniki, Greece, Proceedings of, pp 367-376
Vuković, N., Miljković, Z., Babić, B., Bojović, B. (2011) Training of radial basis function networks with H∞ filter-initial simulation results. u: The 6th International Working Conference Total Quality Management: Advanced and Intelligent Approaches, Belgrade, Serbia, Proceedings of, pp. 163-168
Vuković, N., Miljković, Z. (2013) A growing and pruning sequential learning algorithm of hyper basis function neural network for function approximation. Neural Networks, 46: 210-226