Sunum yükleniyor. Lütfen bekleyiniz

Sunum yükleniyor. Lütfen bekleyiniz

F(.) y[n+1] Giriş Vektörü Giriş-Çıkış Eşleme Fonksiyonu Çıkış Mahmut Meral, Lisans Bitirme Ödevi, 2003 Giriş – Çıkış Modeline göre Dinamik Sistem Tanıma.

Benzer bir sunumlar


... konulu sunumlar: "F(.) y[n+1] Giriş Vektörü Giriş-Çıkış Eşleme Fonksiyonu Çıkış Mahmut Meral, Lisans Bitirme Ödevi, 2003 Giriş – Çıkış Modeline göre Dinamik Sistem Tanıma."— Sunum transkripti:

1 F(.) y[n+1] Giriş Vektörü Giriş-Çıkış Eşleme Fonksiyonu Çıkış Mahmut Meral, Lisans Bitirme Ödevi, 2003 Giriş – Çıkış Modeline göre Dinamik Sistem Tanıma NARX (nonlinear autoregressive with exogenous inputs) modeli

2 Çok Katmanlı Ağ F(.) z -1 Giriş u(n) Çıkış y(n+1) u(n-1) u(n-m) y(n) y(n-1) y(n-k) Mahmut Meral, Lisans Bitirme Ödevi, 2003

3 Nonlineer Sistem F(.) z -1 Çok Katmanlı Ağ z -1 + + y(n+1) ŷ(n+1) e(n)=y(n+1)- ŷ(n+1) Giriş u(n) z -1 Mahmut Meral, Lisans Bitirme Ödevi, 2003

4 Billings sistemi test sonuçları o- gerçek değer *- ağın çıkışı Mahmut Meral, Lisans Bitirme Ödevi, 2003

5 Feigenhoum sistemi için bir adım sonrasının öngörümü o- gerçek değer *- ağın çıkışı Mahmut Meral, Lisans Bitirme Ödevi, 2003

6 Feigenhoum sisteminin otonom davranışı o- gerçek değer *- ağın çıkışı Mahmut Meral, Lisans Bitirme Ödevi, 2003

7 Çok katmanlı ağın çekicisi Gerçek sistemin çekicisi Mahmut Meral, Lisans Bitirme Ödevi, 2003

8

9 Eğiticisiz Öğrenme Amaç: Veri kümesinin belirli özelliklerini, özniteliklerini sadece veri kümesinden yararlanarak belirlemek Öbekleme Vektör Kuantalama Veri Tanımlama gaos.org/~schleif/lvq_schema.png http://perception.csl.illinois.edu/gpca/introduction/clustering2.gif

10 Yarışmalı Öğrenme (Competitive Learning) Amaç: Verilen örüntüleri öbekleme Verilenler: n boyutlu p tane vektör Ağ Yapısı: Nasıl bir yapı? Öğrenme Kuralı: Öğrenme kuralı amaca göre değişiyor; ancak kural nasıl konulursa konulsun yapılan iş: Kazananı bul Ağırlığını değiştir nöronlara ilişkin ağırlıklar Kazananı belirlemek için eğitim kümesindeki tüm veriler için hesaplanmalı

11 Kazanan nöron’a ilişkin ağırlık Ağırlıkları Güncelleme: diğerleri Bir uygulama Vektör Kuantalama: Özdenetimli öznitelik belirleyici Vektör Kuantalama Eğitici Sınıflar Amaç: Sınıflandırma için belirlenen bölgelerin düzenlenmesi http://www.dma.fi.upm.es/mabellanas/tfcs/fvd/images/voronoi.gif

12 Verilenler: Voroni vektörleri, giriş vektörleri Voroni vektörü ‘ye ilişkin sınıf girişinin ait olduğu sınıf Kazananı bul Öğrenme Kuralı: Ağırlıkları güncelle Ağırlıkları Güncelleme: ve ‘ye en yakın Voroni vektörü ise ve ‘ye en yakın Voroni vektörü ise Diğer Voroni vektörleri aynı kalıyor

13 Örnek 1: Kazananı bul kim kime benziyor onu belirlemek gerek Adım 1: Birinci örüntü için Yarışmalı Öğrenme nöronların ağırlıkları

14 Öğrenme hızının etkisi Yavaş ama salınım az Hızlı ama salınım çok Yakınsamıyor Metrik seçimi sonuçları değiştiriyor Taksi şöförü metriği seçilse idi: 2. örnek için 1. nöron yerine 2. nöron değişecekti İlk koşulların seçimi de sonuçları değiştiriyor 1. nöron kazanıyor 2. ve 3. nöron kazanamıyor 3 öbek değil 1 öbek oluşuyor 1. nöron 2,3,4 ve 5 2. nöron 1 3. nöron 6 örüntüleri için öbek oluşturuyor Ne zaman durdurulacak? Öbek merkezlerinde değişim olmamaya başladığında

15 Örnek 2: Vektör Kuantalama S1S1 S2S2 Adım 1: Birinci örüntü için 3. nöron kazanıyor 1. örüntü birinci sınıfa ait, kazanan 3. nöron ise ikinci sınıfı temsil ediyor 3. nöronun ağırlıklarını güncelle ve ‘ye en yakın Voroni vektörü ise


"F(.) y[n+1] Giriş Vektörü Giriş-Çıkış Eşleme Fonksiyonu Çıkış Mahmut Meral, Lisans Bitirme Ödevi, 2003 Giriş – Çıkış Modeline göre Dinamik Sistem Tanıma." indir ppt

Benzer bir sunumlar


Google Reklamları