Dirbtinių neuronų tinklai

Dirbtiniai neuroniniai tinklai - yra tie, kurie yra pagaminti iš specialių ląstelių - neuronų. Jie yra matematiniai modeliai biologinių neuronų, ty ląstelių, kurios sudaro žmogaus nervų sistemą.

Pirmą kartą mes kalbame apie neuroninius tinklus 1943, ir po Perceptron Rosenblattas išradimą atėjo aukso erą ir tinklai tapo labai populiarus. Tačiau po Minsko paskelbimo 1969, kurioje mokslininkas įrodė, Perceptron neefektyvumą, esant tam tikroms sąlygoms, šiame sektoriuje palūkanų smarkiai sumažėjo. Bet istorija nesibaigia su dirbtiniais tinkluose. . 1985 m, J. Hopfield pateikti savo tyrimus ir įrodyta, kad neuroninių tinklų - puiki priemonė mašina mokymosi.

Jis buvo pasiskolintas iš biologijos keletą koncepcijų ir principų. Neuronas - iš jutikliu, kuris gauna ir tada rūšies perduoda impulsus (signalus). Jei neuronas gauna pakankamai galingą pagreitį, manoma, kad jis yra aktyvuotas ir perduoda impulsus likusius neuronus, susijusias su juo. Neuronas pats kuris nebuvo įjungtas, jis lieka ramybės būsenoje, jis neperduoda impulso. Neuronas susideda iš kelių pagrindinių dalių: sinapsių, kad prijungti neuronus tarpusavyje bendrauti ir gauti impulsus, aksono, kurie perduoda impulsus užduotį ir dendritų, kuri gauna signalus iš įvairių šaltinių. Kai neuronas gauna virš tam tikros ribos impulsą, jis iš karto siunčia signalą į kitą neuroną.

Matematinis modelis yra šiek tiek kitoks. Vartotojas matematinis modelis iš neurono - yra vektorius, kuris yra sudarytas iš daugelio komponentų. Kiekviena komponento - yra vienas iš impulsų, kurie gautus neurono. Šio modelio produkcija yra vienas skaičius. Tai reiškia, kad modelis įvesties vektorius yra konvertuojamos į Skaliarinė, vėliau perkelti į kitus neuronų.

Neuroniniai tinklai gali būti mokomi dviem būdais: su ir be mokytojo. Mokymosi procesas susideda iš kelių etapų. Pirma, nuo tinklo yra įvesties nuo išorinio stimulo. Tada, laikantis taisyklių skirtis laisvuosius parametrus neuroninio tinklo, tada tinklo reaguoja į įvesties dirgiklių jau skirtingai. Šis procesas turi būti kartojamas tol, kol tinklo neišsprendžia problemos. Mokymosi algoritmas su mokytoju yra tai, kad mokymo tinklą per 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 mokomi be mokytoju tuo atveju, kai tik žinomi įėjimai. Remiantis jais, tinklas palaipsniui išmoksta duoti geriausią vertę išėjimus.

Taikymas neuroninių tinklų yra tikrai įvairi. Jie dažnai naudojami automatizuoti atpažinimo, prognozavimą, kuriant įvairias ekspertines sistemas, suderinimo su functionals. Su toks tinklas gali atlikti garso pripažinimo ar optinius signalus prognozuoti keitimo rodikliai sukurti sistemas, galinčias savarankiško mokymosi, kuris gali, pavyzdžiui, sintetinti kalbą iš tam tikro teksto ar automobilių stovėjimo aikštelė. Neuroniniai tinklai Vakaruose dar aktyviau panaudoti, deja, šalies įmonės dar priėmė šį metodą.

Nepaisant Ann privalumų įprastinių skaičiavimus kai kuriose srityse, esami neuroniniai tinklai - ne idealus sprendimas. Kadangi jie sugeba mokytis, jie gali būti negerai. Be to, jūs negalite tiksliai garantuoti, kad sukūrė neuroninis tinklas yra optimalus. Kūrėjas turi suprasti sprendžiamos problemos pobūdį, turi labai daug informacijos, kad apibūdina problemą, gauti duomenys testavimo ir mokymo tinklo, pasirinkti tinkamą metodą mokymo, perdavimo funkcija ir gyvatę funkcijų.