Search results

1

Wykorzystanie sztucznych sieci neuronowych do prognozowania wyników meczów piłkarskich

100%

BARTMAN J., BAJDA K.

Edukacja-Technika-Informatyka

|

2014

|

vol. 5

|

issue 2

425-431

PL

W pracy zaprezentowano koncepcję wykorzystania Sztucznych Sieci Neuronowych do prognozowania wyników meczów. Przedstawiono architekturę sieci oraz skuteczność realizowanych przez nią prognoz. Uzyskane wyniki zestawiono z wynikami otrzymanymi przy wykorzystaniu innych metod.

EN

The paper presents the concept of using Artificial Neural Networks to predict the results of football matches. Autors presents the architecture of the network and the effectiveness of the implementation by the forecasts. The results were compared with results obtained using other methods

2

Hierarchiczne struktury w sztucznych sieciach neuronowych

63%

Płaczek S.

Zeszyty Naukowe Uczelni Vistula

|

2014

|

issue 38/2014 Informatyka

20-37

PL

W wielowarstwowych Sztucznych Sieciach Neuronowych (SSN), nieliniowych w swej strukturze, uczenie sieci polega na poszukiwaniu minimum globalnej funkcji celu. W realizacjach praktycznych – w funkcji celu – występują parametry dwóch lub trzech warstw ukrytych. Strojenie współczynników macierzy w warstwach W1, W2, czy też W3, odbywa się w procesie uczenia, który można traktować jako stan nieustalony SSN. Stany nieustalone w poszczególnych warstwach mają różne przebiegi dynamiczne, czyli zależności amplitudy błędu średniokwadratowego w warstwie od numeru iteracji. W praktycznych realizacjach procesu uczenia szybkość zbieżności procesu do stanu ustalonego, czyli minimum funkcji błędy, jest ważną charakterystyką, dlatego też podział SSN na niezależne poziomy, zdefiniowanie lokalnych funkcji celu dla każdej warstwy, skoordynowanie lokalnych procesów uczenia w celu osiągnięcia globalnego minimum ma praktyczny głęboki sens. W artkule podejmuje się próbę zastosowania ogólnej teorii złożonych systemów do opisu SSN, budowy algorytmów uczących i ich praktycznej realizacji. Tego typu podejście prowadzi do poszukiwania rozwiązań poprzez dekompozycję i koordynację w hierarchicznej strukturze SSN. Ze względu na występujące nieliniowości w poszczególnych warstwach sieci, trudno udowodnić warunki zbieżności dla stosowanych metod. Tym niemniej, praktyka realizacji różnych algorytmów pokazuje przydatność przyjętych rozwiązań.

EN

On multi-layer artificial neural networks (ANN), non-linear in their structure, network teaching consists in seeking for global minimum function of the objective. In practical implementations – in the objective’s function – there are occurring parameters of two or three hidden layers. Tuning matrix coefficients in the layers W1, W2 or W3 takes place in the teaching process which can be treated as an ANN transient state. Transient states in individual layers have different dynamic courses, i.e. dependency of the amplitude of mean squared error in the layer on the number of iteration. In practical implementations of the teaching process, the speed of process convergence to the steady state, i.e. the minimum of the error function, is an important characteristic, hence the division of ANN into independent levels, defining the local functions of the objective for every layer, coordination of the local teaching processes in order to achieve the global minimum is of practical deep sense. In his article, the author made an attempt to apply the general theory of complex systems to describe ANN, to build teaching algorithms and their practical implementation. Such an approach leads to pursuit of solutions through decomposition and coordination in the ANN hierarchical structure. Due to the occurring nonlinearities in individual layers of the network, it is difficult to prove the convergence conditions for the methods applied. Nonetheless, the practice of implementation of various algorithms indicates usefulness of the adopted solutions.

3

Zastosowanie teorii systemów hierarchicznych do analizy sztucznych sieci neuronowych

63%

Płaczek S.

Kwartalnik Naukowy Uczelni Vistula

|

2015

|

issue 2(44)

102-116

PL

Sztuczne Sieci Neuronowe (SSN) okazały się wygodnym narzędziem, przydatnym przy realizacji bardzo wielu różnych praktycznych zadań inżynierskich, ekonomicznych finansowych, medycznych i innych. SSN mogą być zastosowane tame, gdzie pojawiają się problemy z przetwarzaniem i analizą danych, prognozą, klasyfikacją czy sterowaniem. Sukces spowodowany jest tym, że w tych zastosowaniach SSN pełni rolę uniwersalnego aproksymatora nieliniowej, wektorowej funkcji wielu zmiennych. Podstawowym problemem jest efektywne uczenie złożonej konfiguracji sieci, jaką niewątpliwie jest struktura wielowarstwowej sieci neuronowej o wielu wejściach i wyjściach. Uczenie polega na poszukiwaniu minimum globalnej funkcji celu, którą najczęściej definiujemy jako błąd średniokwadratowy wyjścia sieci i warto-ści zadanej. Zadanie nie jest trywialne i ze względu na wielowymiarowość wektorów wejścia i wyjścia oraz wielowarstwowość sieci. Z tego też względu szuka się rozwiązań w sieciach o strukturze z jedną warstwą ukrytą. W celu wykorzystania możliwości sieci wielowarstwowych, do analizy złożonych struktur zastosowano metody i techniki opracowane dla wielowarstwowych, hierarchicznych struktur technicznych. Systemy hierarchiczne występują nie tylko w przyrodzie, lecz również w organizacjach ludzi. Tego typy struktury są bardzo efektywne z punktu widzenia zarządzania i kierowania organizacjami. Z systemami hierarchicznymi związane są zagadnienia dekompozycji dużego, podstawowego systemu na podsystemy oraz umiejętne skoordynowanie rozwiązań cząstkowych, w celu otrzymania rozwiązania optymalnego dla całego systemu. W artykule przedstawiono próbę zastosowania dekompozycji oraz koordynacji w stosunku do SSN o złożonej, wielowarstwowej strukturze. Dekomponując strukturę sieci oraz algorytm uczenia na podzadania, analizuje się wymagania, które musi spełnić algorytm w celu efektywnej koordynacji rozwiązań cząstkowych. Tak więc problem koordynacji jest problemem centralnym w analizie i konstrukcji algorytmu uczenia SSN. Artykuł ma charakter koncepcyjny.

EN

Artificial neural networks (ANN) have appeared to be a convenient tool, useful for implementation of very many practical engineering, economic, financial, medical, and other tasks. ANN may be applied where the problems with data processing and analysis, forecast, classification or steering appear. The success is caused by the fact that in these applications ANN plays the role of universal approximator of the non-linear, vectored function of many variables. The basic problem is an effective teaching of the complex configuration of the network which, no doubt, the structure of multilayer neural network with many inputs and outputs is. Teaching consists in seeking for the minimum global function of the purpose, which is most oft en defined as a mean squared error of the network input and the set-point. The task is not trivial also due to the multidimensionality of vectors of input and output as well as due to the multilayer nature of the network. Also having this in mind, there are attempts to fi nd solutions in networks with the structure with one hidden layer. In order to make use of the possibilities of multilayer networks, the author applied for the analysis of complex structures the methods and techniques developed for multilayer, hierarchical technical structures. Hierarchical systems take place not only in the nature but also in human organisations. Such structures are very effective from the point of view of organisation management and direction. The hierarchical systems are combined with the issues of decomposition of a big, basic system into subsystems and a skilful coordination of partial solutions in order to obtain a solution optimal for the entire system. In his article, the author presented an attempt to apply decomposition and coordination in relation to ANN with a complex, multilayer structure. Decomposing the network structure and the algorithm of teaching into subtasks, he analyses the requirements to be met by the algorithm for the purpose of effective coordination of partial solutions. Thus, the problem of coordination is the central problem in the analysis and construction of the ANN algorithm of teaching. The article is of the conceptual nature.

Refine search results

1 Edukacja-Technika-Informatyka

1 Kwartalnik Naukowy Uczelni Vistula

1 Zeszyty Naukowe Uczelni Vistula

1 2015

2 2014

2 Płaczek S.

1 BAJDA K.

1 BARTMAN J.

Wykorzystanie sztucznych sieci neuronowych do prognozowania wyników meczów piłkarskich

Hierarchiczne struktury w sztucznych sieciach neuronowych

Zastosowanie teorii systemów hierarchicznych do analizy sztucznych sieci neuronowych