Kunstmatige neurale netwerken

Kunstmatige neurale netwerken - zijn die zijn opgebouwd uit speciale cellen - neuronen. Ze zijn wiskundige modellen van biologische neuronen, dat wil zeggen, de cellen die deel uitmaken van het menselijk zenuwstelsel.

Voor de eerste keer hebben we het over neurale netwerken in 1943, en na de uitvinding van Perceptron Rosenblatt kwam het gouden tijdperk, en netwerken zijn zeer populair geworden. Echter, na de publicatie van Minsk in 1969, waarin 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, J. Hopfield presenteerden hun studies en bewezen dat het neurale netwerk - een geweldig hulpmiddel voor machine learning.

Het is ontleend aan de biologie verschillende concepten en principes. Neuron - een soort schakelaar die ontvangt en verzendt de impulsen (signalen). Als het neuron een voldoende krachtige impuls ontvangt, wordt aangenomen dat het wordt geactiveerd en zendt de pulsen overblijvende neuronen gekoppeld. Neuron hiervan, die niet is geactiveerd, blijft in rust, het geen puls uitzenden. Neuron bestaat uit een aantal hoofdcomponenten: synapsen die neuronen met elkaar verbinden en peulvruchten, axon, die impulsen taak en dendrieten, die signalen ontvangt van verschillende bronnen zenden ontvangen. Wanneer een neuron een impuls boven een bepaalde drempel ontvangt, stuurt direct een signaal naar de volgende neuron.

Het wiskundige model is een beetje anders. Inloggen wiskundig model van een neuron - is een vector, die is samengesteld uit een groot aantal onderdelen. Alle samenstellende - is een van de pulsen, die door de neuron ontvangen. De output van het model is een enkel getal. Dat wil zeggen in het model ingangsvector wordt omgezet in een scalair, later overgebracht naar andere neuronen.

Neurale netwerken kunnen getraind worden op twee manieren: met en zonder een leraar. Het leerproces bestaat uit verschillende stappen. Eerst, op het netwerk van buitenaf opneemt stimulus. Dan, in overeenstemming met de voorschriften variëren de vrije parameters van het neurale netwerk, dan is het netwerk reageert op invoerstimuli al anders. Het proces moet worden herhaald, zolang het netwerk niet het probleem oplossen. De lerende algoritme met een leraar is dat tijdens het trainen van het netwerk al het juiste antwoord. Deze methode is met succes gebruikt voor vele toepassingen, maar het is vaak bekritiseerd vanwege het feit dat het is biologisch plausibel. Neurale netwerken worden getraind zonder dat de leraar in het geval dat de enige bekende ingangen. Op basis van hen, het netwerk leert geleidelijk aan de beste prijs-uitgangen geven.

De toepassing van neurale netwerken is erg divers. Ze worden vaak gebruikt om de erkenning, forecasting, creatie van verschillende automatiseren expertsystemen, aanpassing van de functionalen. Met een dergelijk netwerk kan geluidherkenningssysteem of optische signalen uitvoert voorspellen uitwisseling indicatoren te creëren die in staat van zelflerende, die bijvoorbeeld om spraak te synthetiseren uit een bepaalde tekst of parkeerplaats. Neurale netwerken in het Westen worden gebruikt actiever, helaas, binnenlandse bedrijven nog niet had deze methode overgenomen.

Ondanks de voordelen van ANN op conventionele berekeningen in sommige gebieden, de bestaande neurale netwerken - niet de ideale oplossing. Omdat ze in staat zijn te leren zijn, kunnen zij verkeerd zijn. Bovendien kun je niet precies garanderen dat de ontwikkelde neuraal netwerk optimaal is. De ontwikkelaar moet begrijpen van de aard van het probleem worden aangepakt, hebben veel van de informatie die de beschrijving van het probleem, om gegevens voor het testen en training netwerk op wil halen, om de juiste methode van de opleiding, overdracht van de functie en de adder functies te kiezen.