Artipisyal neural networks

Artipisyal neural network - ay ang mga ay binubuo ng mga espesyal na mga cell - neurons. Ang mga ito ay mathematical modelo ng biological neurons, ibig sabihin, mga cell na bumubuo sa tao nervous system.

Sa unang pagkakataon namin ang pinag-uusapan neural network sa 1943, at pagkatapos ng pag-imbento ng perceptron Rosenblatt ay dumating sa mga ginintuang panahon, at mga network ay may maging tunay popular. Gayunpaman, pagkatapos ng publication ng Minsk noong 1969, kung saan ang isang siyentipiko ay di-napatutunayang sa kawalan ng kaalaman perceptron, sa ilalim ng ilang mga kundisyon, ang interes sa sektor na ito ay nahulog nang masakit. Ngunit ang kuwento ay hindi nagtatapos sa mga artipisyal na mga network. . Sa 1985, J. Hopfield iniharap ang kanilang pag-aaral at pinatunayan na ang neural network - isang mahusay na tool para sa machine pag-aaral.

Ito ay hiniram sa biology ilang mga concepts at mga prinsipyo. Neuron - isang uri ng switch na kung saan ay tumatanggap at pagkatapos ay nagpapadala ng pulses (signal). Kung ang neuron ay tumatanggap ng sapat na malakas na momentum, ito ay pinaniniwalaan na ito ay aktibo at nagpapadala ng pulses natitirang neurons na nauugnay dito. Neuron parehong na kung saan ay hindi aktibo, nananatili itong nagpapahinga, ito ay hindi magpadala ng pulso. Neuron ay binubuo ng ilang mga pangunahing mga bahagi: synapses na kumonekta neurons sa bawat isa at tumanggap ng mga pulses, axon, na magpadala impulses gawain at dendrites, na natatanggap ng signal mula sa iba't ibang pinagmulan. Kapag ang isang neuron na natatanggap ng isang salpok sa itaas ng isang tiyak na threshold, ito ay agad-agad nagpapadala ng isang senyas sa susunod na neuron.

Ang mathematical modelo ay isang maliit na naiiba. Login ng matematikal na modelo ng isang neuron - ay isang vector, na kung saan ay binubuo ng isang malaking bilang ng mga bahagi. Ang bawat isa sa mga bahagi - ay isa sa mga pulses, na kung saan ay natanggap sa pamamagitan ng mga neuron. Ang output ng modelo ay isang solong numero. Iyon ay, sa modelo ng pag-input vector ay na-convert sa isang skeilar, mamaya inilipat sa iba pang mga neurons.

Neural networks maaaring sanayin sa dalawang paraan: may at walang isang guro. Ang proseso ng pag-aaral ay binubuo ng ilang mga hakbang. Una, sa network ay input mula sa labas pampasigla. Pagkatapos, alinsunod sa mga regulasyon ay nag-iiba sa libreng mga parameter ng neural network, pagkatapos ay ang network ay tumugon sa input stimuli na sa ibang paraan. Ang proseso ay dapat na paulit-ulit hangga't ang network ay hindi malutas ang problema. Ang pag-aaral ng algorithm na may isang guro ay na sa panahon ng pagsasanay sa network ay umabot na sa tamang sagot. Ang pamamaraan na ito ay matagumpay na ginagamit para sa maraming mga application, ngunit ito ay madalas criticized para sa mga katotohanan na ito ay biologically implausible. Neural network ay sinanay nang walang guro sa kaso kung saan ang tanging kilala inputs. Batay sa mga ito, ang network ay unti-unting natututo upang bigyan ang pinakamahusay na halaga outputs.

Ang paglalapat ng neural networks ay talagang magkakaibang. Ang mga ito ay madalas na ginagamit upang automate ang pagkilala, forecasting, paggawa ng iba't-ibang mga sistema ng dalubhasa, na pagtatantiya ng functionals. Sa tulad ng isang network ay maaaring magsagawa ng tunog pagkilala o optical signal upang mahulaan exchange tagapagpabatid lumikha ng mga sistema na may kakayahang self-pag-aaral, na kung saan ay maaaring, halimbawa, upang synthesize na pananalita mula sa isang ibinigay na teksto o car park. Neural networks sa West ay ginagamit mas aktibong, sa kasamaang palad, domestic firms hindi pa had pinagtibay ang pamamaraan na ito.

Sa kabila ng mga pakinabang ng ANN sa maginoo kalkulasyon sa ilang mga lugar, ang mga umiiral na mga neural network - hindi ang ideal na solusyon. Dahil ang mga ito ay may kakayahang pag-aaral, maaaring sila ay mali. Bilang karagdagan, hindi eksakto ka maaaring garantiya na ang binuo neural network ay pinakamainam. developer ay dapat na maunawaan ang mga likas na katangian ng problema na hinarap, magkaroon ng isang pulutong ng mga impormasyon na naglalarawan ng problema, upang makuha ang data para sa pagsubok at pagsasanay ng network, sa pagpili ng tamang pamamaraan ng pagsasanay, transfer function na at ang ulupong function.