Sztuczne sieci neuronowe - są takie, które składają się z pojedynczych elementów - neuronami.Są one modele matematyczne neuronów biologiczną, to komórki, które tworzą układ nerwowy.
pierwszy zaczął mówić o sieci neuronowych w 1943 roku, ale po wynalezieniu perceptron Rosenblatt był złotą erę, a sieci stały się bardzo popularne.Jednak po opublikowaniu Mińsku w 1969 roku, w którym naukowiec okazał nieskuteczność perceptronu, pod pewnymi warunkami, interes w tym sektorze spadły.Ale historia nie kończy się na sztucznych sieciach.. W 1985 roku George Hopfielda przedstawił swoje badania i okazało się, że w sieci neuronowych - doskonałe narzędzie do uczenia maszynowego.
została zapożyczona z biologii kilku pojęć i zasad.Neuron - rodzaj przełącznika, który odbiera i wysyła impulsy (sygnały).Jeśli neuron otrzymuje wystarczająco silną dynamikę, uważa się, że jest on aktywowany i wysyła impulsy pozostałych neuronów związanych z nim.Neuron same, który nie został włączony, pozostaje w stanie spoczynku, impuls nie przechodzi.Neuron składa się z kilku komponentów: synaps, które łączą ze sobą neuronów i odbierania impulsów, aksonów, której zadaniem jest przekazywanie impulsów i dendrytów, które odbiera sygnały z różnych źródeł.Gdy neuron odbiera impuls powyżej pewnego progu, natychmiast wysyła sygnał do kolejnych neuronów.
Model matematyczny jest nieco inna.Log matematycznego modelu neuronu - wektor, który składa się z dużej liczby elementów.Każdego składnika - jeden z impulsów, które są odbierane przez neurony.Wyjście modelu jest jeden numer.Oznacza to, że w wektorze model wejściowy przekształca się skalarną, później przenoszone do innych neuronów.Sieci
neuronowe mogą być przeszkoleni na dwa sposoby: z lub bez nauczyciela.Proces uczenia się składa się z kilku etapów.Proszę wpisać sieci serwowane bodziec z zewnątrz.Następnie, zgodnie z zasadami zmianę wolnych parametrów sieci neuronowych, to sieć odpowiada na impulsy wejściowe mają różny sposób.Proces ten należy powtarzać tak długo, ponieważ sieć nie rozwiązuje problemu.Algorytm uczenia nadzorowany jest to, że w trakcie szkolenia sieć ma już poprawną odpowiedź.Sposób ten był stosowany z powodzeniem w wielu zastosowaniach, ale często jest to krytykowane na fakt, że jest on biologicznie nieprawdopodobne.Sieci neuronowe są szkoleni bez nauczyciela w przypadku, gdy tylko znane sygnałów wejściowych.Na tej podstawie, sieć stopniowo uczy się dawać wyjścia najlepsze wartości.
Zastosowanie sieci neuronowych jest bardzo zróżnicowana.Często są one używane do automatyzacji rozpoznawania, prognozowania, tworzenia różnych systemów ekspertowych aproksymacji funkcjonalne.Dzięki takiej sieci może wykonywać wskaźniki detekcji lub sygnału optycznego audio przewidzieć wymiany, w celu stworzenia układu zdolnego adaptacyjnym, który może, na przykład, syntezy mowy z danego tekstu lub parkingu.Sieci neuronowe stosowane na Zachodzie coraz częściej, niestety, krajowe firmy jeszcze nie przyjęły tę technikę.
Pomimo zalet SSN na tradycyjnych obliczeń w niektórych obszarach, istniejących sieci neuronowych - nie jest to idealne rozwiązanie.Ponieważ są one w stanie się uczyć, mogą się mylić.Ponadto, nie jest możliwe dokładne, aby zapewnić, że sieć neuronowa ma być optymalne.Deweloper jest zobowiązany do zrozumienia charakteru rozwiązywanego problemu, dużo informacji, które opisuje problem, w celu uzyskania danych dla badań i szkoleń w sieci, wybierz odpowiednią metodę szkolenia, funkcja przenoszenia i funkcją sumatora.
