ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΗΛΕΚΤΡΟΝΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ ΔΙΠΛΩΜΑΤΙΚΗ.

Slides:



Advertisements
Παρόμοιες παρουσιάσεις
Προσομοίωση Απλού Μοντέλου Markov σε
Advertisements

Βασικές έννοιες αλγορίθμων
ΑΠΟΤΙΜΗΣΗ ΑΠΟΔΟΣΗΣ ΔΙΚΤΥΩΝ ΠΟΥ ΧΡΗΣΙΜΟΠΟΙΟΥΝ ΑΞΙΟΠΙΣΤΑ ΠΡΩΤΟΚΟΛΛΑ ΜΕΤΑΦΟΡΑΣ ΚΑΙ ΑΞΙΟΠΙΣΤΑ ΠΡΩΤΟΚΟΛΛΑ ΣΥΝΔΕΣΗΣ Ιωάννης Κόμνιος Μεταπτυχιακή Διατριβή Τμήμα.
Μεταπτυχιακή Διατριβή
Ταλαντωσεις – Συνθεση Ταλαντωσεων – Εξαναγκασμενες Ταλαντωσεις
Slide 1 Δίκτυα Τηλεπικοινωνιών ENOTHTA 7 η ΔΙΑΚΙΝΗΣΗ ΤΗΛΕΦΩΝΙΚΩΝ ΚΛΗΣΕΩΝ (ΜΕΡΟΣ Α’) 1. ΘΕΩΡΙΑ ΤΗΣ ΤΗΛΕΠΙΚΟΙΝΩΝΙΑΚΗΣ ΚΙΝΗΣΗΣ  Εκτός από τις τερματικές.
Συνάφεια Κρυφής Μνήμης σε Επεκτάσιμα Μηχανήματα. Συστήματα με Κοινή ή Κατανεμημένη Μνήμη  Σύστημα μοιραζόμενης μνήμης  Σύστημα κατανεμημένης μνήμης.
Ημερομηνία: 13/12/2006 Τμήμα: Πληροφορικής του Ιονίου Πανεπιστημίου
ΓΡΗΓΟΡΟΣ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ FOURIER
Παράσταση αριθμών «κινητής υποδιαστολής» floating point
ΕΙΣΑΓΩΓΗ ΣΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΣΕΡΡΩΝ
Δυναμική συμπεριφορά των λογικών κυκλωμάτων MOS
του TANCIC NENAD (Α.Ε.Μ.: 3800)
Περιβάλλον Προσομοίωσης & Τεχνικές Σχεδίασης
Νευρωνικά Δίκτυα Εργαστήριο Εικόνας, Βίντεο και Πολυμέσων
Χειρισμος αντικειμενου απο δυο ανθρωπομορφα ρομποτικα δαχτυλα
Ανάλυση Συστημάτων Αυτομάτου Ελέγχου:
Εξόρυξη Δεδομένων και Τεχνητά Νευρωνικά Δίκτυα
ΠΡΩΤΟΚΟΛΛΑ ΕΠΙΚΟΙΝΩΝΙΑΣ Παράγραφος 1.7. ΠΡΩΤΟΚΟΛΛΑ ΕΠΙΚΟΙΝΩΝΙΑΣ Είσαι εκεί; Εδώ είμαι Είσαι έτοιμος να λάβεις ένα μήνυμα; Είμαι έτοιμος Πάρε το πρώτο.
HY 120 ΨΗΦΙΑΚΗ ΣΧΕΔΙΑΣΗ Ασυγχρονα ακολουθιακα κυκλωματα.
Πτυχιακή εργασία: «Ανάπτυξη αλγορίθμου Γενετικού Προγραμματισμού (Genetic Programming) με δυνατότητα διαχείρισης δενδροειδών δομών και εφαρμογή του στην.
ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Προσαρμοστικοί Αλγόριθμοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Παραλλαγές.
Ευστάθεια Συστημάτων Αυτομάτου Ελέγχου:
ΑΝΑΛΥΣΗ ΠΡΟΒΛΗΜΑΤΟΣ ΚΕΦΑΛΑΙΟ 1ο ΚΕΦ. 1-ΑΝΑΛΥΣΗ ΠΡΟΒΛΗΜΑΤΟΣ ΑΕΠΠ.
συγχρονων ακολουθιακων κυκλωματων
Ε λληνικό Ι νστιτούτο Μ ετρολογίας Σύγκριση μεταξύ αναλυτικών και αριθμητικών μεθόδων υπολογισμού της αβεβαιότητας μέτρησης Χρήστος Μπαντής, Ph. D. Νοέμβριος,
Σέρρες,Ιούνιος 2009 Τίτλος: Αυτόματος έλεγχος στο Scilab: Ανάπτυξη πακέτου για εύρωστο έλεγχο. Ονοματεπώνυμο Σπουδάστριας: Ευαγγελία Δάπκα Επιβλέπων Καθηγητής.
Παράλληλοι Επιστημονικοί Υπολογισμοί Τομέας Θεωρητικής Πληροφορικής Τμήμα Πληροφορικής και Τηλεπικοινωνιών Εθνικό και Καποδιστριακό Πανεπιστημίο Αθηνών.
ΜΕΛΕΤΗ ΕΠΙΔΟΣΗΣ ΣΥΣΤΗΜΑΤΩΝ ΠΟΛΛΑΠΛΩΝ ΚΕΡΑΙΩΝ ΕΚΠΟΜΠΗΣ ΛΗΨΗΣ ΜΕ ΛΑΝΘΑΣΜΕΝΗ ΕΚΤΙΜΗΣΗ ΚΑΝΑΛΙΟΥ ΣΤΟ ΔΕΚΤΗ Καραΐσκος Σωτήριος Επιβλέπων καθηγητής: Καραγιαννίδης.
Ενεργή επιλογή αλγορίθμου, Active Algorithm Selection, Feilong Chen and Rong Jin Εύα Σιταρίδη.
Πρόβλεψη εύρους σφάλματος μοντέλου T.E.C. με τη βοήθεια των δεικτών Aa, AE με την Μέθοδο Νευρωνικών Δικτύων Αξενόπουλος Απόστολος & Δάνης Πέτρος Θεσσαλονίκη.
ΚΕΦΑΛΑΙΟ 16 ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ
ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Προσαρμοστικοί Αλγόριθμοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Ο αναδρομικός.
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ Τμήμα Ηλεκτρονικών Μηχανικών και Μηχανικών Υπολογιστών Εργαστήριο Τηλεπικοινωνιών και Πληροφορίας & Δικτύων ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ “Χρονοπρογραμματισμός.
Ανάλυση Σ.Α.Ε στο χώρο κατάστασης
ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΑΛΓΟΡΙΘΜΩΝ
ΒΕΣ 06: Προσαρμοστικά Συστήματα στις Τηλεπικοινωνίες © 2007 Nicolas Tsapatsoulis Προσαρμοστικοί Αλγόριθμοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων: Ο αλγόριθμος.
1 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ Ανακάλυψη Γνώσης από Βιολογικές Αλληλουχίες Αλεξανδρίδου Αναστασία.
ÐñïãíùóôéêÜ íåõñùíéêÜ äßêôõá ( Predictive Modular Neural Networks ) êáé åöáñìïãÝò óå ôáîéíüìçóç êáé ðñüãíùóç ÷ñïíïóåéñþí êáé áíáãíþñéóç äõíáìéêïý óõóôçìÜôùí.
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ
ΧΑΡΑΛΑΜΠΙΔΗΣ ΧΑΡΑΛΑΜΠΟΣ ΜΑΘΗΜΑΤΙΚΟΣ
Άρτεμις Κωσταρίγκα Επίβλεψη: Ν. Καραμπετάκης ΙΟΥΝΙΟΣ 2005
Ανάλυση Οριζοντίου Δικτύου
Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Τμήμα Μαθηματικών “Θεωρητική Πληροφορική & Θεωρία Συστημάτων και Ελέγχου” Ανάπτυξη διαδραστικού περιβάλλοντος (GUI)
Ενότητα: Αυτόματος Έλεγχος Συστημάτων Κίνησης
Παρεμβολή συνάρτησης μιας μεταβλητής με την βοήθεια νευρωνικών δικτύων
Ενότητα: Συστήματα Ελέγχου Κίνησης
Ενότητα: Ελεγκτές - Controllers
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ Παράδειγμα εφαρμογής του αλγορίθμου BP σε δίκτυο
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ Παραδείγματα BP.
ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ Ι (Τεχνητά Νευρωνικά Δίκτυα) ΣΠΥΡΟΣ ΛΥΚΟΘΑΝΑΣΗΣ, ΚΑΘΗΓΗΤΗΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ & ΠΛΗΡΟΦΟΡΙΚΗΣ ΕΡΓΑΣΤΗΡΙΟ ΑΝΑΓΝΩΡΙΣΗΣ.
Μεταβατική απόκριση ενός συστήματος δεύτερης τάξης Σχήμα 5.7 σελίδα 370.
Χρονική απόκριση και θέση των ριζών στο μιγαδικό επίπεδο Γενική μορφή συνάρτησης μεταφοράς κλειστού βρόχου Όπου Δ(s)=0 είναι η χαρακτηριστική εξίσωση του.
ΥΝ Ι: ΑΝΑΠΑΡΑΣΤΑΣΗ ΓΝΩΣΗΣ 1 ΥΠΟΛΟΓΙΣΤΙΚΗ ΝΟΗΜΟΣΥΝΗ (Τεχνητά Νευρωνικά Δίκτυα και Γενετικοί Αλγόριθμοι) ΣΠΥΡΟΣ ΛΥΚΟΘΑΝΑΣΗΣ, ΚΑΘΗΓΗΤΗΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ.
ΣΤΑΤΙΣΤΙΚΑ ΜΕΤΡΑ ΔΙΑΣΠΟΡΑΣ - ΑΣΥΜΜΕΤΡΙΑΣ - ΚΥΡΤΩΣΕΩΣ
Προσαρμοστικοί Αλγόριθμοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων:
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗΣ
Ασκήσεις WEKA Νευρωνικά δίκτυα.
Τίτλος Πτυχιακής Εργασίας :
ΣΑΕ κλειστού βρόχου (feedback – closed loop systems)
Πρόγραμμα προπτυχιακών σπουδών Κατευθύνσεις – Ροές
ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ Τ.Ε.
Ψηφιακός Έλεγχος διάλεξη Παρατηρητές Ψηφιακός Έλεγχος.
Ονοματεπώνυμο Σπουδάστριας: Ευαγγελία Δάπκα
Τμήμα Μηχανικών Πληροφορικής Τ.Ε.
ΔΙΠΛΩΜΑΤΙΚΗ ΜΕΤΑΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Γεώργιος Τζούμας (ΑΕΜ:45)  
Μη Γραμμικός Προγραμματισμός
Προσαρμοστικοί Αλγόριθμοι Υλοποίησης Βέλτιστων Ψηφιακών Φίλτρων:
Παρουσίαση 3η: Αρχές εκτίμησης παραμέτρων
Μεταγράφημα παρουσίασης:

ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΗΛΕΚΤΡΟΝΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Βακφάρης Γεώργιος Α.Ε.Μ Επιβλέπων Καθηγητής κ.Θεοχάρης Ιωάννης Θεσσαλονίκη 2003

Περιγραφή του Νευρωνικού Δικτύου Block Diagonal Recurrent Neural Network (χωρίς τους βρόχους ανάδρασης) Full Recurrent Neural Network (χωρίς τους βρόχους ανάδρασης) C ƒαƒα W ƒαƒα W

Περιγραφή του Νευρωνικού Δικτύου FeedForward – Block Diagonal Recurrent Neural Network (FF-BDRNN) BDRNN FF Σ C u

Περιγραφή του Νευρωνικού Δικτύου Stabilizing Feedforward Neural Network (SFNN) SFNN W Neural Networks ( FF-BDRNN ) rsrs rnrn eses enen u

Περιγραφή του Νευρωνικού Δικτύου Επαναπροσδιορισμός του Πίνακα Κατάστασης (Shadows) Υπολογισμός του πίνακα καταστάσεων δυο φορές 1. Forward pass 2. Backward Pass Έλεγχος του σφάλματος ( Shadow Error Function )

Υλοποίηση του Διαγώνιου BDRNN Αρχιτεκτονική της BDRNN Δομής ƒα z -1 x 1 (k+1) x 2 (k+1) s1s1 s2s2 Wx 1 (k) x 2 (k)

Υλοποίηση του Διαγώνιου BDRNN Forward Propagation Backward Propagation – Τελεστές Lagrange

Υλοποίηση του Διαγώνιου BDRNN Υπολογισμός της παραγώγου του σφάλματος Update του πίνακα βαρών

Υλοποίηση του Διαγώνιου BDRNN Συνάρτηση Σφάλματος → Στα υπόλοιπα δίκτυα ο Αλγόριθμος Εκπαίδευσης είναι ο συμβατικός Back Propagation

Ανάλυση της Διαδικασίας των Shadows Στάδια Υπολογισμού 1. Forward Pass 2. Backward Pass 3. Shadow Error Function

Ανάλυση της Διαδικασίας των Shadows Στάδια Υπολογισμού 1. Forward Pass Αν τότε και 2. Backward Pass 3. Shadow Error Function

Ανάλυση της Διαδικασίας των Shadows Στάδια Υπολογισμού 1. Forward Pass 2. Backward Pass Αν τότε Αλλιώς 3. Shadow Error Function

Ανάλυση της Διαδικασίας των Shadows Στάδια Υπολογισμού 1. Forward Pass 2. Backward Pass 3. Shadow Error Function

Ανάλυση της Διαδικασίας των Shadows Αντιστροφή της Σιγμοειδούς και του Πίνακα Βαρών

Αλγόριθμοι και Δίκτυα Ευστάθειας Συνθήκες Ευστάθειας Τοπική Ευστάθεια Γενική Ευστάθεια

Αλγόριθμοι και Δίκτυα Ευστάθειας

Συναρτήσεις Ευστάθειας 1. BDRNN με Κλιμακωτούς Ορθογώνιους Υποπίνακες (Scaled Orthogonal Stability) 2. BDRNN με Υποπίνακες Ελεύθερης Μορφής και Γενική Ευστάθεια (Free Form Global Stability) 3. BDRNN με Υποπίνακες Ελεύθερης Μορφής και Τοπική Ευστάθεια (Free Form Local stability)

Αλγόριθμοι και Δίκτυα Ευστάθειας BDRNN με Κλιμακωτούς Ορθογώνιους Υποπίνακες

Αλγόριθμοι και Δίκτυα Ευστάθειας BDRNN με Κλιμακωτούς Ορθογώνιους Υποπίνακες

Αλγόριθμοι και Δίκτυα Ευστάθειας BDRNN με Κλιμακωτούς Ορθογώνιους Υποπίνακες

Αλγόριθμοι και Δίκτυα Ευστάθειας BDRNN με Ελεύθερης Μορφής Υποπίνακες και Γενική Ευστάθεια

Αλγόριθμοι και Δίκτυα Ευστάθειας BDRNN με Ελεύθερης Μορφής Υποπίνακες και Γενική Ευστάθεια

Αλγόριθμοι και Δίκτυα Ευστάθειας BDRNN με Ελεύθερης Μορφής Υποπίνακες και Γενική Ευστάθεια

Αλγόριθμοι και Δίκτυα Ευστάθειας BDRNN με ελεύθερης μορφής υποπίνακες και τοπική ευστάθεια

Αλγόριθμοι και Δίκτυα Ευστάθειας BDRNN με ελεύθερης μορφής υποπίνακες και τοπική ευστάθεια

Αλγόριθμοι και Δίκτυα Ευστάθειας Συνάρτηση ευστάθειας ως Feedforward Δίκτυο Σιγμοειδής Είσοδος 1 1 w n-1,n-1 w n-1,n -α 1 y s n/2

Αλγόριθμοι και Δίκτυα Ευστάθειας Παρατηρήσεις 1. Το SFNN χρησιμοποιεί τον Back Propagation Αλγόριθμο εκμάθησης, 2. Το FF-BDRNN εκπαιδεύεται συγκεντρώνοντας το συνολικό σφάλμα στη διάρκεια ενός epoch,όπου τα βάρη W παραμένουν σταθερά 3. Το SFNN από την άλλη μεριά υπολογίζει το σφάλμα ευστάθειας στα μεσοδιαστήματα μεταξύ των epochs. 4. Τα βάρη W αναβαθμίζονται στο τέλος του κάθε epoch χρησιμοποιώντας τόσο τα gradients του FF-BDRNN όσο και αυτά του SFNN 5. Το SFNN δεν επιδρά στη διαδικασία εκμάθησης,αλλά αυτό που κάνει είναι να οδηγεί τα βάρη σε μια πιο ευσταθέστερη περιοχή τιμών.

Παραδείγματα Προσομοίωσης Παράδειγμα 1 : Πρόβλεψη ενός βήματος (one step prediction) Παράδειγμα 2 : BDRNN με full recurrent πίνακα βαρών Παράδειγμα 3 : Διαφορική εξίσωση MacKey - Glass

Παραδείγματα Προσομοίωσης 4 Block Diagonals Single input – single output (SISO) Κλιμακωτός Ορθογώνιος Σταθεροποιητής (Scaled Orthogonal Stabilizer) Feedforward Δίκτυο με ένα κρυφό στρώμα και 10 νευρώνες Παράδειγμα 1 : Πρόβλεψη ενός βήματος (one step prediction)

Παραδείγματα Προσομοίωσης Εκπαίδευση χωρίς τη διαδικασία Ευστάθειας Παράμετροι Εκπαίδευσης lr BDRNN = lr SFNN = - Αριθμός Block Diagonals=4 Epochsize=50 Epochs to Converge=40000

Παραδείγματα Προσομοίωσης Η ευσταθής περιοχή βρίσκεται στο μεσοδιάστημα Εκπαίδευση χωρίς τη διαδικασία Ευστάθειας

Παραδείγματα Προσομοίωσης Προσθήκη Σταθεροποιητικού SFNN Παράμετροι Εκπαίδευσης lr BDRNN = lr SFNN = Αριθμός Block Diagonals=4 Epochsize=100 Epochs to Converge=40000

Παραδείγματα Προσομοίωσης Προσθήκη Σταθεροποιητικού SFNN

Παραδείγματα Προσομοίωσης Προσθήκη Σταθεροποιητικού SFNN

Παραδείγματα Προσομοίωσης Παρατηρήσεις – Επιλογή των Learning Rates Τα learning rates πρέπει να κρατούνται σε χαμηλές τιμές διότι Αν αυξηθούν τότε κάθε δίκτυο ασκεί εντονότερη επίδραση στα βάρη Υπάρχει κίνδυνος να οδηγηθούμε σε αστάθεια και το σύστημα να ταλαντώνει σε μια περιοχή τιμών Προσθήκη Σταθεροποιητικού SFNN

Παραδείγματα Προσομοίωσης Επίδραση των παραμέτρων εκπαίδευσης Παράμετροι Εκπαίδευσης lr BDRNN = lr SFNN =0.001 Αριθμός Block Diagonals=4 Epochsize=50 Epochs to Converge=40000

Παραδείγματα Προσομοίωσης Επίδραση των παραμέτρων εκπαίδευσης

Παραδείγματα Προσομοίωσης Επίδραση των παραμέτρων εκπαίδευσης Είναι εμφανής η απόκλιση από την ευσταθή περιοχή

Παραδείγματα Προσομοίωσης Τροποποίηση της συνάρτησης ευστάθειας

Παραδείγματα Προσομοίωσης Τροποποίηση της συνάρτησης ευστάθειας Παράμετροι Εκπαίδευσης lr BDRNN = lr SFNN = Αριθμός Block Diagonals=4 Epochsize=100 Epochs to Converge=40000

Παραδείγματα Προσομοίωσης Τροποποίηση της συνάρτησης ευστάθειας

Παραδείγματα Προσομοίωσης Τροποποίηση της συνάρτησης ευστάθειας Σχόλια Ομαλή κίνηση των ιδιοτιμών, χωρίς spikes Καλύτερη τοποθέτηση, ψηλότερα από τη μηδενική περιοχή

Παραδείγματα Προσομοίωσης Επαναπροσδιορισμός του πίνακα κατάστασης (Shadows) Παράμετροι Εκπαίδευσης lr BDRNN = lr SFNN = Αριθμός Block Diagonals=4 Epochsize=100 Epochs to Converge=40000

Παραδείγματα Προσομοίωσης Επαναπροσδιορισμός του πίνακα κατάστασης (Shadows)

Παραδείγματα Προσομοίωσης Επαναπροσδιορισμός του πίνακα κατάστασης (Shadows) Ποσοστό Αποθήκευσης50%20%10%3,30%2% Αριθμός Ασταθειών16,7626,4428,0631,2733,01

Παραδείγματα Προσομοίωσης Παράδειγμα 2 : BDRNN με full recurrent πίνακα βαρών

Παραδείγματα Προσομοίωσης Παράμετροι Εκπαίδευσης lr BDRNN =0.032 lr SFNN = Αριθμός Block Diagonals=2 Epochsize=48 Epochs to Converge=7000 Ορθογώνιος Stabilizer

Παραδείγματα Προσομοίωσης Ορθογώνιος Stabilizer

Παραδείγματα Προσομοίωσης Ορθογώνιος Stabilizer Παρατήρηση Στο Σχήμα παρατηρούμε ότι οι ιδιοτιμές του ένός block diagonal κινήθηκαν προς τα κάτω και σαν εξισορρόπηση στην αντίδραση αυτήν,οι ιδιοτιμές του άλλου κινήθηκαν σε υψηλότερες τιμές..Αυτό μας κάνει να δείχνει ότι το σφάλμα ευστάθειας δεν έχει να κάνει με το κάθε block ξεχωριστά αλλά κατανέμεται εξίσου μεταξύ τους.Έτσι,μπορεί να υπολογίζεται τοπικά,αλλά το Δίκτυο βλέπει τη συνάρτηση Pp ενιαία.

Παραδείγματα Προσομοίωσης Ελεύθερη Μορφή και Γενική Ευστάθεια Παράμετροι Εκπαίδευσης lr BDRNN =0.032 lr SFNN = Αριθμός Block Diagonals=2 Epochsize=48 Epochs to Converge=7000

Παραδείγματα Προσομοίωσης Ελεύθερη Μορφή και Γενική Ευστάθεια

Παραδείγματα Προσομοίωσης Ελεύθερη Μορφή και Γενική Ευστάθεια

Παραδείγματα Προσομοίωσης Ελεύθερη Μορφή και Τοπική Ευστάθεια Παράμετροι Εκπαίδευσης lr BDRNN =0.032 lr SFNN = Αριθμός Block Diagonals=2 Epochsize=48 Epochs to Converge=7000

Παραδείγματα Προσομοίωσης Ελεύθερη Μορφή και Τοπική Ευστάθεια

Παραδείγματα Προσομοίωσης Ελεύθερη Μορφή και Τοπική Ευστάθεια

Παραδείγματα Προσομοίωσης Σύγκριση των Stabilizers  η απόδοσή τους είναι περίπου ίδια όσον αφορά τη σύγκλιση του αλγόρίθμου,αλλά είναι πολύ διαφορετική όσον αφορά τη σύγκλιση στην ευσταθή περιοχή. Καλύτερη ευστάθεια προσφέρει ο Ορθογώνιος,και μετά οι Ελεύθερης Μορφής τοπικός και γενικός αντίστοιχα..

Παραδείγματα Προσομοίωσης Ορθογώνιος Stabilizer Παράμετροι Εκπαίδευσης lr BDRNN =0.032 lr SFNN = Αριθμός Block Diagonals=2 Epochsize=48 Epochs to Converge=7000

Παραδείγματα Προσομοίωσης Ορθογώνιος Stabilizer

Παραδείγματα Προσομοίωσης Ορθογώνιος Stabilizer Ποσοστό Αποθήκευσης50%20%10%3,30%2% Αριθμός Ασταθειών11,1715,3619,6722,1224,68

Παραδείγματα Προσομοίωσης Ελεύθερη Μορφή και Γενική Ευστάθεια Παράμετροι Εκπαίδευσης lr BDRNN =0.032 lr SFNN = Αριθμός Block Diagonals=2 Epochsize=48 Epochs to Converge=7000

Παραδείγματα Προσομοίωσης Ελεύθερη Μορφή και Γενική Ευστάθεια

Παραδείγματα Προσομοίωσης Ελεύθερη Μορφή και Γενική Ευστάθεια

Παραδείγματα Προσομοίωσης Ελεύθερη Μορφή και Τοπική Ευστάθεια Παράμετροι Εκπαίδευσης lr BDRNN =0.032 lr SFNN = Αριθμός Block Diagonals=2 Epochsize=48 Epochs to Converge=7000

Παραδείγματα Προσομοίωσης Ελεύθερη Μορφή και Τοπική Ευστάθεια

Παραδείγματα Προσομοίωσης Ελεύθερη Μορφή και Τοπική Ευστάθεια

Παράδειγμα 3 : Διαφορική Εξίσωση MacKey - Glass Παραδείγματα Προσομοίωσης τ=30 Είσοδος : Έξοδος : Είσοδος στο FeedForward Δίκτυο :

Παραδείγματα Προσομοίωσης Ορθογώνιος Stabilizer, χωρίς παράλληλο FF Παράμετροι Εκπαίδευσης lr BDRNN =0.128 lr SFNN = Αριθμός Block Diagonals=2 Epochsize=100 Epochs to Converge=20000

Παραδείγματα Προσομοίωσης Ορθογώνιος Stabilizer, με παράλληλο FF Παράμετροι Εκπαίδευσης lr BDRNN =0.128 lr SFNN = Αριθμός Block Diagonals=2 Epochsize=100 Epochs to Converge=20000

Παραδείγματα Προσομοίωσης Ορθογώνιος Stabilizer με παράλληλο FF

Παραδείγματα Προσομοίωσης Ορθογώνιος Stabilizer με παράλληλο FF τα learning rates κρατήθηκαν αρκετά χαμηλά το BDRNN συνέκλινε πολύ γρήγορα και έτσι δεν επηρέασε την έπειτα προσπάθεια σταθεροποίησης των βαρών Ποσοστό Αποθήκευσης50%20%10%3,30%2% Αριθμός Ασταθειών8,329,0612,1114,716,16

Παραδείγματα Προσομοίωσης Ευστάθεια Ελεύθερης Μορφής, με Global Stabilizer Παράμετροι Εκπαίδευσης lr BDRNN =0.128 lr SFNN = Αριθμός Block Diagonals=2 Epochsize=100 Epochs to Converge=20000

Παραδείγματα Προσομοίωσης Ευστάθεια Ελεύθερης Μορφής, με Global Stabilizer

Παραδείγματα Προσομοίωσης Ευστάθεια Ελεύθερης Μορφής, με Global Stabilizer

Παραδείγματα Προσομοίωσης Ευστάθεια Ελεύθερης Μορφής, με Local Stabilizer Παράμετροι Εκπαίδευσης lr BDRNN =0.128 lr SFNN = Αριθμός Block Diagonals=2 Epochsize=100 Epochs to Converge=20000

Παραδείγματα Προσομοίωσης Ευστάθεια Ελεύθερης Μορφής, με Local Stabilizer

Παραδείγματα Προσομοίωσης Ευστάθεια Ελεύθερης Μορφής, με Local Stabilizer

Επίλογος - Συμπεράσματα Ιδιαίτερα ο ορθογώνιος stabilizer και ο Free Form local stabilizer παρείχαν ικανοποιητική ευστάθεια στο δίκτυό μας. Ο Free Form global stabilizer,λόγω της μεγαλύτερης ελευθερίας που παρέχει λειτούργησε λιγότερο αποτελεσματικά από τους άλλους δυο.

Επίλογος - Συμπεράσματα Στα δίκτυα που εξομοιώσαμε χρησιμοποιήσαμε μικρό αριθμό νευρώνων,συνήθως δύο η τέσσερα blocks. Αντίθετα για την ευσταθή σύγκλιση των αντίστοιχων δομών με πλήρης πίνακα βαρών απαιτούνται πολλοί περισσότεροι νευρώνες. Ο BPTT αλγόριθμος που παρουσιάστηκε στην παρούσα εργασία στηρίχθηκε στον υπολογισμό των gradients τοπικά,σε κάθε block diagonal.

Stabilizing feedforward neural network (SFNN) Stabilization alogorithm ysys -r s eses W z -1 CB x(k) D1D1 D2D2 D L-1 Σ BDRNN learning algorithm Back Propagation Algorithm -r n (k) e n (k) y n (k) u(k) sigmoid unit Επίλογος - Συμπεράσματα

ΤΕΛΟΣ