Dirbtiniai neuroniniai tinklai - yra tie, kurie susideda iš vienaskaitos elementų - neuronų.Jie yra matematiniai modeliai biologinių neuronų, t.y. ląstelių, kurios sudaro nervų sistema.
pirmą kartą pradėjo kalbėti apie neuroninius tinklus 1943, bet po Perceptron Rosenblatt išradimą atėjo aukso eros ir tinklai tapo labai populiarus.Tačiau po Minsko paskelbimo 1969, kurioje įrodė mokslininkas iš Perceptron neefektyvumą, esant tam tikroms sąlygoms, šiame sektoriuje palūkanų smarkiai sumažėjo.Bet istorija nesibaigia su dirbtiniais tinkluose.. 1985, George Hopfield pristatė savo studijas ir įrodė, kad neuroninio tinklo - puiki priemonė mašina mokymo.
buvo pasiskolintas iš biologijos keletą koncepcijų ir principų.Neuronas - iš jungiklio rūšis, kuri gauna ir perduoda impulsus (signalai).Jei neuronas gauna pakankamai stiprų pagreitį, manoma, kad ji yra aktyvuota ir perduoda impulsus likusias neuronus, susijusius su juo.Neuronas pats, kad nebuvo aktyvuota, lieka poilsio būsenoje, pulsas neišsiskiria.Neuronas susideda iš kelių pagrindinių komponentų: sinapsių, kad prijungti neuronus viena su kita, ir gauna impulsus, aksonų ataugoms, kurio užduotis yra perduoti impulsus ir Dendrito, kuri gauna signalus iš įvairių šaltinių.Kai neuronas gauna tam tikrą ribą viršijančių impulsą, tai iš karto siunčia signalą į kitą neuronų.
matematinis modelis yra šiek tiek kitoks.Prisijungti matematinį modelį neurono - vektorių, kuris yra sudarytas iš daugelio komponentų.Kiekvienas iš dalies - yra vienas iš impulsų, kurie yra gautas neurono.Modelio išvesties yra vienintelis numeris.Tai yra, modelis įvesties vektorius yra paverčiamas skaliaro, vėliau perkelti į kitas neuronų.
neuroniniai tinklai gali būti mokomi dviem būdais: su ir be mokytojo.Mokymosi procesas susideda iš kelių etapų.Prašome įvesti tinklo tiekiami stimulą iš išorės.Tada, pagal keičiasi laisvuosius parametrus neuroninio tinklo taisyklių, tada tinklo reaguoja į įvesties stimulų turėti skirtingas.Šis procesas turi būti pakartotas tol, kol tinklas neleidžia išspręsti šią problemą.Prižiūrima mokymosi algoritmas yra tai, kad mokantis tinklą jau turi teisingą atsakymą.Šis metodas buvo sėkmingai naudojamas daugelyje programų, tačiau ji dažnai kritikuojama už tai, kad jis yra biologiškai neįmanomas.Neuroniniai tinklai yra apmokyti be mokytoju tuo atveju, kai tik žinomi įvesties signalus.Remiantis tuo, kad tinklas palaipsniui išmoksta duoti geriausią vertę išėjimus.
taikymas neuroninių tinklų yra tikrai įvairi.Dažnai jie naudojami pripažinimo, prognozavimas, kuriant įvairias ekspertines sistemas funkcionalus apytikslio automatizavimas.Su toks tinklas gali atlikti garso aptikimo arba optinis signalas rodikliai prognozuoti mainus, siekiant sukurti sistemą, galinčią savarankiško mokymosi, kuris gali, pavyzdžiui, sintetinti kalbą iš tam tikros teksto arba automobilių stovėjimo.Neuroniniai tinklai naudojami Vakaruose vis dažniau, deja, šalies įmonės dar priėmė šią techniką.
Nepaisant Ann privalumų įprastų skaičiavimus kai kuriose srityse, esamų neuroninių tinklų - ne puikus sprendimas.Kadangi jie gali mokytis, jie gali būti klaidingas.Be to, yra neįmanoma tiksliai užtikrinti, kad neuroninių tinklų yra skirta būti optimalus.Kūrėjas privalo suprasti problemos pobūdį sprendžiama, turi labai daug informacijos, kad apibūdina problemą, gauti duomenis testavimo ir mokymo tinklo, pasirinkti tinkamą metodą mokymo, perdavimo funkcija ir padidinimai funkcija.
