Mašinsko učenje veštačke neuronske mreže sa radijalnim aktivacionim funkcijama gausovog tipa na bazi Kalmanovog filtra - teorijske osnove

Abstract

U ovom radu se analizira problem mašinskog učenja veštačke neuronske mreže sa radijalnim aktivacionim funkcijama Gausovog tipa na bazi Kalmanovog filtra. Prikazana su tri nova sekvencijalna algoritma mašinskog učenja: prvi algoritam direktno primenjuje linearizovani Kalmanov filtar kao algoritam mašinskog učenja, drugi algoritam primenjuje dual Kalmanovom filtru pod nazivom linearizovani informacioni filtar, dok treći algoritam na poseban način aproksimira prvi i drugi moment Gausove raspodele. U radu se naglašavaju osnovne prednosti koje pomenuti algoritmi imaju u poređenju sa konvencionalnim vidovima mašinskog učenja. Za sva tri algoritma razvijen je odgovarajući matematički model veštačke neuronske mreže sa radijalnim aktivacionim funkcijama Gausovog tipa. Analizirane su osnovne postavke izvedenih algoritama u cilju njihove primene na složene probleme u inženjerskoj praksi.

This paper analyzes machine learning of radial basis function neural network based on Kalman filtering. Three algorithms are derived: linearized Kalman filter, linearized information filter and unscented Kalman filter. We emphasize basic properties of these estimation algorithms, demonstrate how their advantages can be used for optimization of network parameters, derive mathematical models and show how they can be applied to model problems in engineering practice.