Künstliche neuronale Netze - sind solche, die von singulären Elementen bestehen - Neuronen.Sie sind mathematische Modelle biologischer Neuronen, d.h. Zellen, aus denen das Nervensystem.
ersten kamen ins Gespräch über neuronale Netze im Jahr 1943, aber nach der Erfindung des Perceptron Rosenblatt kam das goldene Zeitalter, und Netzwerke sehr beliebt geworden.Doch nach der Veröffentlichung von Minsk im Jahr 1969, in dem ein Wissenschaftler hat die Ineffizienz der Perceptron bewiesen, unter bestimmten Bedingungen, die Zinsen in diesem Sektor stark gesunken.Aber die Geschichte endet nicht mit künstlichen Netze zu beenden.Im Jahr 1985 stellte George Hopfield ihr Studium und bewiesen, dass das neuronale Netzwerk. - Ein großes Werkzeug für maschinelles Lernen.
wurde aus der Biologie verschiedene Konzepte und Prinzipien ausgeliehen.Neuron - eine Art Schalter, der empfängt und sendet Impulse (Signale).Wenn das Neuron erhält eine ausreichend leistungsstarke Impulse, wird angenommen, dass er aktiviert wird, und überträgt Impulse verbleibenden Neuronen zugeordnet.Neuron gleichen, die nicht aktiviert wurde, bleibt im Ruhezustand, wird der Impuls nicht passieren.Neuron besteht aus mehreren Komponenten: Synapsen, Nervenzellen miteinander zu verbinden und erhalten Impulse, Axon, deren Aufgabe es ist, um Impulse und die Dendriten, die Signale von verschiedenen Quellen empfängt übertragen.Erhält ein Neuron einen Impuls über einem bestimmten Schwellenwert, sendet sie sofort ein Signal an den nächsten Neuronen.
Ein mathematisches Modell ist ein wenig anders.Log mathematisches Modell des Neuronen - ein Vektor, der aus einer großen Anzahl von Komponenten zusammengesetzt ist.Jede der Komponenten - einer der Impulse, die durch das Neuron empfangen werden.Der Ausgang des Modells ist eine einzelne Zahl.Das heißt, in die Modelleingangsvektor in einen Skalar umgewandelt werden, später auf andere Nervenzellen übertragen wird.
Neuronale Netze können auf zwei Arten ausgebildet werden: mit und ohne Lehrer.Der Lernvorgang besteht aus mehreren Schritten.Bitte geben Sie den Netzwerk serviert eine Anregung von außen.Dann wird in Übereinstimmung mit den Regeln der Änderung der freien Parameter des neuronalen Netzwerks, dann das Netz antwortet auf Eingangsstimuli aufweisen unterschiedlich.Das Verfahren soll so lange wiederholt, wie das Netzwerk nicht das Problem zu lösen.Wachten Lernalgorithmus ist, dass während des Trainings das Netzwerk bereits über die richtige Antwort.Dieses Verfahren wurde erfolgreich für viele Anwendungen verwendet, aber es ist häufig für die Tatsache, dass er biologisch unplausibel kritisiert.Neuronale Netze ohne Lehrer in dem Fall, wo die einzigen bekannten Eingangssignalen trainiert.Auf dieser Grundlage und nach lernt das Netzwerk, um die besten Preis-Ausgänge geben.
Anwendung von neuronalen Netzen ist wirklich vielfältig.Oft sind sie für die Automatisierung von Anerkennung, Forecasting, Schaffung verschiedener Expertensysteme funktionelle Approximation verwendet.Mit solch ein Netzwerk durchführen können Audioerkennung oder optisches Signal Indikatoren vorherzusagen Austausch, um ein System in der Lage, selbstlernende, die, zum Beispiel, um Sprache von einem bestimmten Text oder Park synthetisieren kann.Neuronale Netze im Westen verwendet zunehmend leider inländischen Unternehmen haben noch nicht diese Technik eingeführt haben.
Trotz der Vorteile der ANN auf herkömmlichen Berechnungen in einigen Bereichen, die bestehenden neuronalen Netzen - nicht einer perfekten Lösung.Da sie in der Lage sind zu lernen, dass sie falsch sein kann.Darüber hinaus ist es unmöglich, genau zu gewährleisten, dass das neuronale Netzwerk ausgebildet optimal.Der Entwickler ist erforderlich, um zu verstehen, die Art des Problems nicht gelöst, haben eine Vielzahl von Informationen, die das Problem beschreibt, um Daten für Test- und Schulungsnetzwerk die richtige Methode der Ausbildung zu erhalten, wählen Sie die Übertragungsfunktion und die Funktion des Addierers.
