Kunstmatige neurale netwerken - zijn degenen die bestaan uit enkelvoudige elementen - neuronen.Ze zijn wiskundige modellen van biologische neuronen, dat wil zeggen cellen die deel uitmaken van het zenuwstelsel.
eerst begon te praten over neurale netwerken in 1943, maar na de uitvinding van Perceptron Rosenblatt kwam het gouden tijdperk, en netwerken zijn zeer populair geworden.Echter, na de publicatie van Minsk in 1969, waarbij een wetenschapper de inefficiëntie van Perceptron heeft bewezen, onder bepaalde voorwaarden, de belangstelling voor deze sector sterk gedaald.Maar het verhaal eindigt niet met kunstmatige netwerken.. In 1985, George Hopfield presenteerden hun studie en bewees dat het neurale netwerk - een geweldig hulpmiddel voor machine learning.
werd geleend van de biologie verschillende concepten en principes.Neuron - een soort schakelaar die ontvangt en zendt impulsen (signalen).Als het neuron ontvangt een voldoende krachtige impuls wordt aangenomen dat het wordt geactiveerd en zendt pulsen overblijvende neuronen gekoppeld.Neuron dezelfde die niet is geactiveerd, blijft een rusttoestand, heeft de puls niet passeren.Neuron bestaat uit een aantal hoofdonderdelen: synapsen die neuronen met elkaar te verbinden en peulvruchten, axon, die tot taak heeft om impulsen en de dendriet, die signalen uit verschillende bronnen ontvangt uitzenden ontvangen.Als een neuron ontvangt een impuls boven een bepaalde drempel, stuurt direct een signaal naar de volgende neuronen.
Een wiskundig model is een beetje anders.Log wiskundig model van neuron - een vector die bestaat uit een groot aantal componenten.Elke component - is een van de pulsen die door de neuron ontvangen.De output van het model is een enkel getal.Dat is, in het model ingangsvector wordt omgezet in een scalair, later overgebracht naar andere neuronen.
neurale netwerken kunnen worden getraind op twee manieren: met en zonder een leraar.Het leerproces bestaat uit verschillende stappen.Voer de netwerk diende een stimulans van buitenaf.Dan, volgens de regels van het veranderen van de vrije parameters van het neurale netwerk en het netwerk reageert op invoer stimuli anders.Het proces moet zolang het netwerk niet het probleem herhaald.Bewaakte leren algoritme is dat tijdens de training van het netwerk heeft al het juiste antwoord.Deze werkwijze is met succes gebruikt voor vele toepassingen, maar het is vaak bekritiseerd vanwege het feit dat hij biologisch plausibel.Neurale netwerken worden getraind zonder leraar in het geval waarin de enige bekende ingangssignalen.Op deze basis, het netwerk geleidelijk leert de beste waarde uitgangen geven.
toepassing van neurale netwerken is heel divers.Vaak worden ze gebruikt voor de automatisering van erkenning, forecasting, creatie van diverse expertsystemen functionele benadering.Met een dergelijk netwerk kan uitvoeren audiodetectie of optisch signaal indicatoren voorspellen uitwisseling, een systeem dat zelflerend die bijvoorbeeld om spraak synthetiseren van een bepaalde tekst of parkeerplaats creëren.Neurale netwerken die worden gebruikt in het Westen steeds, helaas, binnenlandse bedrijven nog niet hebben deze techniek goedgekeurd.
Ondanks de voordelen van ANN conventionele berekeningen in sommige gebieden, de bestaande neurale netwerken - niet een perfecte oplossing.Omdat ze kunnen leren, kunnen ze verkeerd zijn.Bovendien onmogelijk nauwkeurig is te waarborgen dat het neurale netwerk is ontworpen optimaal zijn.De ontwikkelaar moet begrijpen van de aard van het probleem worden opgelost, hebben veel informatie die het probleem beschrijft data voor het testen en trainingsnetwerk verkrijgen van de juiste methode van training kiezen, de overdrachtsfunctie en de functie van de opteller.
