Metrika članka

  • citati u SCindeksu: [1]
  • citati u Google Scholaru:[=>]
  • posete u prethodnih 30 dana:12
  • preuzimanja u prethodnih 30 dana:12
članak: 1 od 1  
Tehnika
2014, vol. 69, br. 4, str. 621-628
jezik rada: srpski
vrsta rada: izvorni naučni članak
doi:10.5937/tehnika1404621V


Mašinsko učenje veštačke neuronske mreže sa radijalnim aktivacionim funkcijama Gausovog tipa na bazi Kalmanovog filtra - rezultati primene
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 su prikazani eksperimentalni rezultati primene tri nova sekvencijalna algoritma mašinskog učenja u cilju optimizacije parametara veštačke neuronske mreže sa radijalnim aktivacionim funkcijama Gausovog tipa na bazi Kalmanovog filtra. Uvedena su tri nova sekvencijalna algoritma mašinskog učenja: linearizovani Kalmanov filtar, linearizovani informacioni filtar, algoritam specifične aproksimacije momenata Gausove raspodele. Nakon prikaza odgovarajućih matematičkih modela datih u prvom delu ovog rada, u ovom delu razvijeni algoritmi su testirani u MATLAB® programskom okruženju razvojem odgovarajućeg softverskog koda i primenom test skupova podataka. Iako svi izabrani test skupovi podataka predstavljaju realne probleme, razvijeni algoritmi su testirani i na realnom inženjerskom problemu modeliranja izgleda segmenta obrađene površine. Sva tri algoritma su prilikom modeliranja ovih problema pokazala visok stepen tačnosti.

Ključne reči

Reference

Bache, K., Lichman, M. (2013) UCI machine learning repository. http://archive.ics.uci.edu/ml]
Bortman, M., Aladjem, M. (2009) A growing and pruning method for radial basis function networks. IEEE transactions on neural networks, 20(6): 1039-45
Fisher, R.A. (1936) The use of multiple measurements in taxonomic problems. Annals of Eugenics, 7(2): 179-188
Huang, G., 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
Irvine, C.A. University of California, poslednji datum pristupa: 21 maj 2014. godine
Lázaro, M., Santamaría, I., Pantaleón, C. (2003) A new EM-based training algorithm for RBF networks. Neural networks, 16(1): 69-77
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., 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. (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., 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