Изкуствени невронни мрежи

click fraud protection

Изкуствени невронни мрежи - са тези, които се състоят от единични елементи - неврони.Те са математически модели на биологични неврони, т.е. клетките, които съставляват нервна система.

първа започна да говори за невронни мрежи през 1943 г., но след изобретяването на перцептрон Rosenblatt дойде златната ера, и мрежи са станали много популярни.Въпреки това, след публикуването на Минск през 1969 г., в която един учен доказа неефективността на перцептрон, при определени условия, интересът към този сектор спадна рязко.Но историята не свършва с изкуствени мрежи.. През 1985 г. Джордж Hopfield представиха своите изследвания и се оказа, че невронната мрежа - много добро средство за машинно обучение.

е заимствана от биология няколко понятия и принципи.Neuron - един вид ключ, който приема и предава импулси (сигнали).Ако неврона получава достатъчно мощен импулс, се смята, че се активира и предава импулси останалите неврони, свързани с него.Neuron същата, която не е била активирана, остава в състояние на покой, пулсът не минава.Neuron се състои от няколко основни компонента: синапси неврони, които се свързват помежду си и получават импулси, Axon, чиято задача е да предава импулси и дендрита, който получава сигнали от различни източници.Когато един неврон получава импулс над определен праг, той незабавно изпраща сигнал до следващите неврони.

A математически модел е малко по-различна.Вход математически модел на невронна - вектор, който се състои от голям брой компоненти.Всяка от компонента - е един от импулси, които се получават от неврона.Изходът на този модел е един номер.Това означава, че в модел входния вектор се превръща в скаларна, по-късно се прехвърля към други неврони.

невронни мрежи могат да се обучават по два начина: с и без учител.Процесът на обучение се състои от няколко стъпки.Моля, въведете мрежата сервира стимул отвън.След това, в съответствие с правилата на промяна на свободни параметри на невронната мрежа, след това мрежата в отговор на въвеждане на стимули имат различно.Процесът трябва да се повтаря дотогава, докато мрежата не реши проблема.Наблюдавана алгоритъм за обучение е, че по време на обучението в мрежата вече има правилния отговор.Този метод се използва успешно за много приложения, но това често е критикуван за това, че той е биологично неправдоподобно.Невронни мрежи се обучават без учител в случая, когато единствените известни входните сигнали.Въз основа на това, мрежата постепенно се научава да даде най-добри резултати стойност.

Приложение на невронни мрежи е наистина разнообразна.Често те се използват за автоматизиране на признаване, прогнозиране, създаване на различни експертни системи функционално сближаване.С такава мрежа може да изпълнява аудио показатели за откриване или оптичен сигнал прогнозират обмен, да се създаде система, способна самостоятелно учене, които могат, например, да синтезира речта от даден текст или паркинг.Невронни мрежи, използвани на Запад все, за съжаление, местните фирми все още не са приели тази техника.

Въпреки предимствата на ANN върху конвенционалните изчисления в някои области, съществуващите невронни мрежи - не е идеалното решение.Тъй като те са в състояние да учат, те могат да бъдат погрешно.В допълнение, не е възможно точно да се гарантира, че невронната мрежа е проектиран да бъде оптимално.Разработчикът е необходимо да се разбере същността на проблема е решен, има много информация, която описва проблема, за да се получат данни за мрежа тестване и обучение, изберете правилния метод на обучение, предавателната функция и функцията на ехидна.