Menu Content/Inhalt
TriloByte Home arrow QC-Expert
Neuronová síť Tisk E-mail
< Předch.   Další >
Neuronová síť (Artificial Neural Network, ANN, resp. NN) je výkonná metoda, která se používá k modelování vztahu mezi vícerozměrnou vstupní proměnnou x a vícerozměrnou výstupní proměnnou y.  Inspirací pro neuronové sítě byla struktura mozkové tkáně vyšších živočichů, kde je neuron propojen tzv. synapsemi s několika jinými neurony. Umělou neuronovou síť lze obecně považovat za nelineární regresní model, který lze vyjádřit síťovou strukturou. Neuronové sítě řeší problémy a úkoly nejen v technologické praxi, ale také ve výzkumu, marketingových analýzách, Data Mining, KDD a podobně.

PDF Neuronová síť - manuál ve formátu Pdf

Aplikace neuronových sítí v technologii a řízení kvality jsou značně široké. Zahrnují řízené zlepšování kvality, plánování kvality, vyhodnocení vlivů na kvalitu, analýzy risku, předpovídání vývoje technologických parametrů a parametrů jakosti. NN nabízí modelování a optimalizaci responsních povrchů, data mining, predikční modelování například za účelem minimalizace rizik, identifikaci negativních vlivů a podobně.

Neuronová síť
Schéma biologického neuronu a jeho umělé alternativy
Schéma návrhu jednovrstvé umělé neuronové sítě 

Principy učení neuronové sítě a následné použití naučené sítě pro predikci 

Neuronová síť
Proces učení (trénování) neuronové sítě
Neuronová síť
Predikce pomocí natrénované neuronové sítě

Ukázky různých architektur neuronových sítí s různým počtem vrstev, neuronů vstupních a výstupních proměnných. 
Neuronová síť
Matematické podrobnosti metody NN jsou v uživatelském manuálu.

Dialogová okna pro zadání a výpočet sítě.

Okno pro zadání dat
Okno pro definice neuronové sítě
Okno pro učení - optimalizaci neuronové sítě
Neuronová síť


Výstupy:
Protokol:
  • Nezávisle proměnné
  • Závisle proměnné
  • Typ transformace
  • Vrstvy neuronů
  • Strmost sigmoidy
  • Moment
  • Rychlost učení
  • Terminační kritéria
  • Procent dat pro učení (%)
  • Podmínky ukončení optimalizace
  • Výpočet, Validace
  • Počet iterací
  • Maximální chyba pro učící data
  • Střední chyba pro učící data
  • Maximální chyba pro testovací data
  • Střední chyba pro testovací data
  • Váhy - vypočtené synapse
  • Tabulka predikce
Grafy:
  • Graf Y-Predikce
  • Grafické vyjádření architektury sítě
  • Grafická indikace informačního toku
  • Graf učicího procesu
Typická vstupní data obsahují několik měřených veličin z jedné a druhé skupiny, například vstupní a výstupní, apod.

Řešení menšího problému - Model pro předpověď rizika výskytu poruch, problému, zmetku. 
Neuronová síť

Řešení rozsáhlého problému, s velkým množstvím dat a desítkami proměnných, modelování závislosti kvality produktu na parametrech suroviny a procesů.
Neuronová síť

Grafické výstupy a regresní dignostika dat a modelu

Základní zobrazení sítě a diagnostika predikce.
Neuronová síť
Neuronová síť

Ukázka modelu responsního povrchu, výpočet rizika za různých podmínek, 3D-mapa.
Neuronová síť

Tloušťka čar v neuronové síti indikuje intenzitu informačního toku, umožňuje tak diagnostiku jak vhodnosti určité sítěm tak i významnost jednotlivých vstupních proměnných.
Neuronová síť 

Interaktivní graf umožňuje identifikovat problematická data až na úrovni jednotlivých měření.
Neuronová síť 

 
< Předch.   Další >

Přihlášení

Konference, Kurzy

Zobrazit vše

E-Shop

Odborná literatura Sborníky Software
Obsah objednávky
Vaše objednávka neobsahuje žádné položky

Anketa

O jaké kurzy a texty byste měli zájem?
powered by www.trilobyte.cz