Kunstige neurale netværk

Kunstige neurale netværk - er dem, der er lavet af særlige celler - neuroner. De er matematiske modeller af biologiske neuroner, dvs., celler, der udgør det menneskelige nervesystem.

For første gang, vi taler om neurale netværk i 1943, og efter opfindelsen af perceptronen Rosenblatt kom den gyldne æra, og netværk er blevet meget populære. Men efter offentliggørelsen af Minsk i 1969, hvor en forsker har bevist den manglende effektivitet i perceptronen, under visse betingelser, er interessen for denne sektor faldt kraftigt. Men historien slutter ikke med kunstige netværk. . I 1985, J. Hopfield præsenterede deres studier og bevist, at det neurale netværk - et fantastisk værktøj til machine learning.

Det blev lånt fra biologi flere begreber og principper. Neuron - en slags kontakt, som modtager og transmitterer derefter de pulser (signaler). Hvis neuronen modtager en tilstrækkelig stærk momentum, antages det, at den aktiveres og overfører impulserne resterende neuroner forbundet med det. Neuron samme som ikke blev aktiveret, forbliver i hvile, det sender ikke puls. Neuron består af flere hovedkomponenter: synapser, der forbinder neuroner til hinanden og modtager impulser, axon, som transmitterer impulser opgave og dendritter, som modtager signaler fra forskellige kilder. Når en neuron modtager en impuls over en vis grænse, er det straks sender et signal til den næste neuron.

Den matematiske model er lidt anderledes. Login matematisk model af en neuron - er en vektor, som er sammensat af et stort antal komponenter. Hver af komponenten - er en af de impulser, der modtages af neuronen. Udgangen af modellen er et enkelt tal. Det er i modellen indgangsvektor omdannes til en skalar, senere overført til andre neuroner.

Neurale netværk kan trænes på to måder: med og uden en lærer. Læreprocessen består af flere trin. Første, på netværket er input udefra stimulus. Så, i overensstemmelse med reglerne varierer de frie parametre for neurale netværk, så netværket reagerer på input stimuli allerede forskelligt. Processen bør gentages, så længe netværket ikke løser problemet. Den læring algoritme med en lærer er, at under træning netværket allerede har det korrekte svar. Denne metode er med succes blevet brugt til mange applikationer, men det er ofte kritiseret for, at det er biologisk usandsynligt. Neurale netværk er uddannet uden læreren i det tilfælde, hvor de eneste kendte indgange. Baseret på dem, netværket gradvist lærer at give de bedste værdi udgange.

Anvendelse af neurale netværk er virkelig forskelligartet. De bruges ofte til at automatisere anerkendelse, prognoser, skabelsen af forskellige ekspertsystemer, tilnærmelse af functionals. Med et sådant netværk kan udføre lyd anerkendelse eller optiske signaler til at forudsige valuta indikatorer skabe systemer, der kan selv-læring, som kan, for eksempel, at syntetisere tale fra en given tekst eller parkeringsplads. Neurale netværk i Vesten bruges mere aktivt, desværre, indenlandske virksomheder endnu ikke havde vedtaget denne metode.

På trods af fordelene ved ANN på konventionelle beregninger i nogle områder, de eksisterende neurale netværk - ikke den ideelle løsning. Da de er i stand til at lære, kan de være forkert. Derudover kan du ikke ligefrem garantere, at den udviklede neurale netværk er optimal. Bygherren skal forstå karakteren af det problem, der behandles, har en masse information, der beskriver problemet, at indhente data til test og uddannelsesnetværk, at vælge den rigtige metode til uddannelse, overførsel funktion og adder funktioner.