Evaluatie van twee typen neurale netwerken in een dynamische omgeving.

Abstract

Deze MSc scriptie geeft verslag van het onderzoek naar de vraag of de leersnelheid van een neuraal netwerk dat stapsgewijs wordt opgebouwd met zowel input, hidden als output neuronen verbetert in vergelijking tot een niet stapsgewijs opgebouwd netwerk. Hiervoor is een nieuw netwerk model ontworpen, het Incremental Neuraal Netwerk (INN), dat wordt vergeleken met een standaard neuraal netwerk, het Sequential Neuraal Netwerk (SNN). Om de netwerken te kunnen evalueren worden ze gebruikt als hersenen van 'creatures' die leven in een dynamische omgeving. Voor dit onderzoek zijn vijf werelden ontworpen. Het leerdoel van de creatures verschilt per wereld en wordt complexer voor opeenvolgende werelden. Het leerproces van de creatures in deze werelden verloopt volgens een evolutionair proces. Uit de onderzoeksresultaten blijkt dat het INN significant minder generaties nodig heeft om het gestelde leerdoel te behalen dan het SNN. Uit het onderzoek blijkt verder dat de grotere leersnelheid van het INN niet wordt veroorzaakt door het verschil in grootte van het netwerk, want ook in de vierde wereld, waar beide netwerken even groot zijn, is het INN sneller. Daarnaast laten de resultaten van de vijfde wereld zien dat er, behalve het verschil in leersnelheid, geen verschil is tussen de functionaliteit van de netwerken. Hieruit kan de conclusie worden getrokken dat het ontwikkelde concept, het stapsgewijze opbouwen van een netwerk met zowel input, hidden en output neuronen, een positief effect heeft op de leersnelheid.