Mašinsko učenje veštačke neuronske mreže sa radijalnim aktivacionim funkcijama Gausovog tipa na bazi Kalmanovog filtra - rezultati primene

Abstract

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.

In this paper we test three new sequential machine learning algorithms for radial basis function (RBF) neural network based on Kalman filter theory. Three new algorithms are derived: linearized Kalman filter, linearized information filter and unscented Kalman filter. Having introduced and derived mathematical model of each algorithm in the previous part of the paper, in this part we test and assess their performance using standard test sets from machine learning community. RBF neural network and three developed algorithms are implemented in MATLAB® programming environment. Experimental results obtained on real data sets as well as on real engineering problem show that developed algorithms result in more accurate models of the problem being investigated based on radial basis function neural network.