Primjena umjetnih neuronskih mreža za predviđanje brzine vjetra

završni rad

• Naslov (engleski): Application of artificial neural networks for wind speed prediction
• Autor: Fran Medved
• Mentor: Krešimir Trontl (mentor)
• Član povjerenstva: Mario Matijević (član povjerenstva)
• Član povjerenstva: Siniša Šadek (član povjerenstva)
• Član povjerenstva: Krešimir Trontl (predsjednik povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2023-09-13, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

U ovom radu radi se pregled i istražuje se rad s umjetnim neuronskim mrežama, od toga kako je napravljen umjetni neuron do kompleksnih neuronskih mreža. Napravljen je pregled različitih vrsta neurona, objašnjena je uloga prijenosne funkcije te su navedene prednosti i mane različitih arhitektura neuronskih mreža
Nadalje je pokazano kako neuronska mreža uči te je objašnjen algoritam propagacije pogreške unazad.
Drugi dio rada se bavi programskom implementacijom modela, koristeći LSTM arhitekturu. Napravljena je podjela ulaznih podataka na setove za treniranje, provjeru i testiranje te je implementirano učenje modela na temelju tih podataka. Na kraju su uspoređeni razni izlazi modela.

Sažetak (engleski)

This paper provides an overview and explores the working principles of artificial neural networks, ranging from the creation of artificial neurons to complex neural network architectures. Various types of neurons are reviewed, emphasizing the role of activation functions, and the advantages and limitations of different neural network architectures are discussed.
Furthermore, the learning process of neural networks is demonstrated, with a detailed explanation of the backpropagation algorithm.
The second part of the paper focuses on the implementation of a model using the LSTM architecture. The input data is divided into training, validation, and testing sets, and the model is trained based on these datasets. Finally, a comparison of different model outputs is presented.

• Ključne riječi: neuron; neuronska mreža; prijenosna funkcija; gradijent; gradijentni spust; funkcija pogreške; stopa učenja; propagacija pogreške unazad; LSTM neuronska mreža; pretreniranost; generalizacija
• Ključne riječi (engleski): neuron; neural network; activation function; gradient; gradient descent; error function; learning rate; backpropagation; LSTM neural network; overfitting; generalization
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:452856
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: preddiplomski; Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-10-11 09:47:40