Kunstige neurale netværk - er dem, der består af enkeltstående elementer - neuroner.De er matematiske modeller af biologiske neuroner, dvs. celler, der udgør nervesystemet.
først begyndte at tale om neurale netværk i 1943, men efter opfindelsen af perceptron Rosenblatt kom den gyldne æra, og netværk er blevet meget populære.Men efter offentliggørelsen af Minsk i 1969, hvor en videnskabsmand har vist den manglende effektivitet i perceptron, under visse betingelser, at interessen for denne sektor faldt kraftigt.Men historien slutter ikke med kunstige netværk.. I 1985 George Hopfield præsenterede deres studier, og bevist, at det neurale netværk - et fantastisk værktøj til machine learning.
blev lånt fra biologi flere begreber og principper.Neuron - en slags switch, der modtager og transmitterer impulser (signaler).Hvis neuron modtager en tilstrækkelig stærk momentum, antages det, at den er aktiveret og transmitterer pulser resterende neuroner er forbundet med det.Neuron samme, der ikke blev aktiveret, forbliver i en tilstand af hvile, er pulsen ikke passere.Neuron består af flere hovedkomponenter: synapser, der forbinder neuroner til hinanden og modtager impulser, Axon, hvis opgave er at overføre impulser og dendritceller, som modtager signaler fra forskellige kilder.Når en neuron modtager en impuls over en vis tærskelværdi, er det straks sender et signal til det næste neuroner.
En matematisk model er lidt anderledes.Log matematisk model af neuron - en vektor, der er sammensat af et stort antal komponenter.Hver af komponenten - er en af de impulser, der modtages af neuron.Udgangen af modellen er et enkelt tal.Det er i modelinputtet vektor omdannes til en skalar, senere overført til andre neuroner.
Neurale netværk kan trænes på to måder: med og uden en lærer.Læreprocessen består af flere trin.Skriv venligst netværket tjente et incitament udefra.Derefter, i overensstemmelse med reglerne i at ændre de frie parametre i neurale netværk, så netværket reagerer på input stimuli har forskelligt.Fremgangsmåden bør gentages, så længe netværket ikke løser problemet.Overvåget læring algoritme er, at under træning netværket allerede har det korrekte svar.Denne metode er med succes blevet brugt til mange applikationer, men det er ofte kritiseret for, at han er biologisk usandsynligt.Neurale netværk er uddannet uden en lærer i det tilfælde, hvor de eneste kendte indgangssignaler.På dette grundlag netværket gradvist lærer at give de bedste værdi udgange.
Anvendelse af neurale netværk er virkelig forskelligartet.Ofte de anvendes til automatisering af anerkendelse, prognoser, skabelsen af forskellige ekspertsystemer funktionel tilnærmelse.Med et sådant netværk kan udføre audio indikatorer afsløring eller optisk signal forudsige udveksling, for at skabe et system, der kan selv-læring, som kan, for eksempel til at syntetisere tale fra en given tekst eller parkeringsplads.Neurale netværk, der anvendes i Vesten i stigende grad, desværre, indenlandske virksomheder endnu ikke har vedtaget denne teknik.
trods af fordelene ved ANN på konventionelle beregninger i nogle områder, de eksisterende neurale netværk - ikke en perfekt løsning.Da de er i stand til at lære, kan de være forkert.Desuden er det umuligt nøjagtigt at sikre, at det neurale netværk er designet til at være optimal.Udvikleren er forpligtet til at forstå karakteren af det problem, der løses, har en masse information, der beskriver problemet, at indhente data til test og uddannelsesnetværk, vælge den rigtige metode til uddannelse, overførsel funktion og funktionen af adder.
