Abstract | U radu je dan kratki prikaz ideje umjetnih neuronskih mreža, od definicije neuronskih mreža, preko prikaza analogije umjetnog i biološkog neurona, do podjele, uporabe i nacina ucenja istih. dan je i kratki pregled najcešce korištenih aktivacijskih funkcija neurona. pokazano j delta pravilo koje se koristi kod ucenja mreže sa povratnim rasprostiranjem pogreške. dan je prikaz modela višeslojne staticke neuronske mreže, kao i shematski prikaz ucenja iste. nadalje, izveden je matematicki model staticke neuronske mreže, gdje je pokazano kako se mijenjaju parametri ucenja sakrivenog i izlaznog sloja, za unaprijednu i povratnu fazu ucenja mreže. kao dodatak napravljena je i modificirana staticka neuronska mreža (modifikacija u obliku povratne veze) za ucenje ponašanja dinamickog clana prvog reda (PT1). naposljetku je nacinjen niz ucenja i testiranja mreža, cija su rješenja, uz graficki prikaz promjene pogreške ucenja, dana numericki. tako su, prvo ucenjem po uzorku, a zatim i ucenjem po skupu, mreže morale nauciti ekskluzivni ILI problem, kvadriranje brojeva do 10, te zbrajanje, oduzimanje i dijeljenje. osim standardnog ucenja, sva ucenja i testiranja nacinjena su i sa modifikacijom mreže, pri cemu su se težine izlaznog sloja mijenjale direktno, pseudoinverzijom matrice izlaza sakrivenog sloja. sve mreže ucene su i testirane sa i bez momentuma, uz, u trenutnom ucenju doduše konstantne, promjenjive ostale parametre. za kraj je napravljeno ucenje i testiranje staticke neuronske mreže sa povratnom vezom, koja je morala nauciti ponašanje dinamickog clana prvog reda, i to tako da je najprije izlaz prethodnog koraka uzimala iz modela, a zatim iz same mreže. uvodjđenje pseudoinverzije, kao nacina promjene parametara ucenja izlaznog sloja, nije se pokazalo kao ocekivano ubrzanje. |