Sztuczne sieci neuronowe – to te, które są wykonane ze specjalnych komórek – neuronów. Są to modele matematyczne neuronów biologicznych, czyli komórek, które składają się na układ nerwowy człowieka.
Po raz pierwszy mówimy o sieciach neuronowych w 1943 roku, a po wynalezieniu perceptron Rosenblatt przyszedł złotej ery, a sieci stały się bardzo popularne. Jednak po opublikowaniu Mińsku w 1969 roku, w którym naukowiec okazał nieefektywności perceptron, pod pewnymi warunkami, interes w tym sektorze spadły. Ale historia nie kończy się na sztucznych sieciach. . W 1985 roku J. Hopfielda przedstawił swoje badania i okazało się, że sieć neuronowa – doskonałym narzędziem do nauki maszynie.
Został wypożyczony z biologii kilku pojęć i zasad. Neuron – rodzaj przełącznika, który odbiera i przesyła impulsy (sygnały). Jeśli neuron otrzymuje wystarczająco silną dynamikę, uważa się, że jest on aktywowany i wysyła impulsy pozostałych neuronów związanych z nim. Neuron samo, co nie został aktywowany, to pozostaje w stanie spoczynku, to nie przenosi impuls. Neuron składa się z kilku komponentów: synaps neuronów, które łączą ze sobą i odbierania impulsów, aksonu, które przekazują zadanie i dendrytów impulsów, który otrzymuje sygnały z różnych źródeł. Gdy neuron odbiera impuls powyżej pewnego progu, to natychmiast wysyła sygnał do następnego neuronu.
Model matematyczny jest trochę inna. Zaloguj się model matematyczny neuronu – jest wektorem, który składa się z wielu elementów. Każdy z komponentu – jest jednym z impulsów, które są odbierane przez neuron. Wyjście modelu jest jeden numer. Oznacza to, że w modelu wektor 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. Po pierwsze, w sieci jest wejście z zewnątrz bodźca. Następnie, zgodnie z przepisami zmieniać wolnych parametrów sieci neuronowej, a następnie sieć reaguje na bodźce wejściowych już inaczej. Proces ten należy powtarzać tak długo, jak sieć nie rozwiąże problemu. Algorytm uczenia z nauczycielem jest to, że podczas treningu sieć ma już poprawną odpowiedź. Metoda ta została z powodzeniem stosowane w wielu zastosowaniach, ale często jest krytykowana za to, że jest biologicznie nieprawdopodobne. Sieci neuronowe są szkoleni bez nauczyciela w przypadku, gdy tylko znane wejść. Opierając się na nich, sieć stopniowo uczy się dać wyjść Best Value.
Zastosowanie sieci neuronowych jest bardzo zróżnicowana. Są one często wykorzystywane do automatyzacji rozpoznawania, prognozowania, tworzenia różnych systemów eksperckich, zbliżenia funkcjonałów. Dzięki takiej sieci może wykonywać dźwięku uznania lub sygnałów optycznych przewidzieć wskaźniki wymiany tworzenie systemów zdolnych do samodzielnego uczenia się, które mogą, na przykład, do syntezy mowy z danego tekstu lub parkingu. Sieci neuronowe na Zachodzie są wykorzystywane bardziej aktywnie, niestety, krajowe firmy jeszcze nie przyjęła tej metody.
Pomimo zalet SSN na tradycyjnych obliczeń w niektórych obszarach, istniejące sieci neuronowe – nie idealnym rozwiązaniem. Ponieważ są one zdolne do uczenia się, mogą być błędne. Ponadto, nie można zagwarantować, że dokładnie rozwinięta sieć neuronowa jest optymalna. Programista musi zrozumieć naturę problemu jest skierowana, mają dużo informacji, które opisuje problem, aby uzyskać dane dotyczące testów i sieci szkoleniowej, aby wybrać właściwą metodę szkolenia, funkcji transferu i funkcji Adder.
Latest posts
