Mākslīgie neironu tīkli

Mākslīgie neironu tīkli - ir tie, kas ir izgatavoti no īpašas šūnas - neironi. Tie ir matemātiskie modeļi bioloģisko neironu, ti, šūnas, kas veido cilvēka nervu sistēmu.

Pirmo reizi mēs runājam par neironu tīklu 1943.gadā, un pēc izgudrošanas perceptron Rosenblatt nāca zelta laikmetu, un tīkli ir kļuvuši ļoti populāri. Tomēr pēc publicēšanas Minskas 1969.gadā, kurā zinātnieks ir pierādījusi neefektivitāti Perceptron, noteiktos apstākļos, procentu šajā nozarē strauji samazinājās. Bet stāsts nebeidzas ar mākslīgo tīkliem. . 1985. gadā J. Hopfield prezentēja savas studijas, un izrādījās, ka neironu tīkls - lielisks līdzeklis mašīna mācīties.

Tas bija aizgūts no bioloģijas vairākiem jēdzieniem un principiem. Neirons - sava veida slēdzi, kas saņem un pēc tam pārraida impulsus (signāli). Ja neirons saņem pietiekami spēcīgu impulsu, tiek uzskatīts, ka tā ir aktivizēta un pārraida impulsus atlikušos neironus, kas saistītas ar to. Neirons pats kas nav aktivizēts, tas paliek pie miera, tas nepārraida pulsu. Neirons sastāv no vairākām galvenajām sastāvdaļām: sinapsēs, kas savieno neironus ar otru un saņem impulsus, Axon, kas pārraida impulsus uzdevumu un dendrites, kas saņem signālus no dažādiem avotiem. Kad neirons saņem impulsu pārsniedz noteiktu slieksni, tā nekavējoties nosūta signālu uz nākamo neironu.

Matemātiskais modelis ir nedaudz atšķirīgs. Ieeja matemātiskais modelis no neirona - ir vektors, kas sastāv no liela skaita komponentiem. Katrs komponents - ir viens no impulsiem, kas tiek saņemti no neironu. Modeļa produkcija ir viens numurs. Tas ir, modelis ieejas vektors tiek pārvērsts skalārā, vēlāk nodoti citiem neironiem.

Neironu tīkli var apmācīt divos veidos: ar un bez skolotāja. Mācību process sastāv no vairākiem posmiem. Pirmkārt, par tīklu ir ieejas no ārpuses stimulu. Tad, saskaņā ar noteikumiem, mainīt bezmaksas parametrus neironu tīklu, tad tīkls reaģē uz ieejas stimuliem jau savādāk. Šis process ir jāatkārto, ja vien tīkls neatrisina problēmu. Mācīšanās algoritms ar skolotāju, ka tīkla mācību laikā jau pareizo atbildi. Šī metode tika veiksmīgi izmantota daudziem lietojumiem, bet tas bieži kritizēta par to, ka tā ir bioloģiski neticams. Neironu tīkli ir apmācīti, bez skolotāja gadījumā, ja vienīgais zināmais ieejām. Pamatojoties uz tiem, tīkls pamazām mācās sniegt vislabāko vērtību izejas.

Piemērošana neironu tīklu ir ļoti daudzveidīga. Tos bieži izmanto, lai automatizētu atpazīšanas, prognozēšanu, veidošanu dažādu ekspertu sistēmu, tuvinot functionals. Ar šādu tīklu var veikt skaņu atzīšanu vai optiskos signālus, lai prognozētu valūtas rādītāji izveidot sistēmas, kas spēj pašmācībā, kas var, piemēram, sintezēt runu no konkrētā teksta vai autostāvvietā. Neironu tīkli Rietumos tiek izmantoti aktīvāk, diemžēl vietējie uzņēmumi vēl nav pieņēmusi šo metodi.

Neskatoties uz priekšrocībām ANN par parasto aprēķiniem dažās jomās, esošie Neironu tīkli - ne ideāls risinājums. Tā kā viņi spēj mācīties, tie var būt nepareizi. Turklāt, jūs nevarat tieši garantēt, ka attīstīta neironu tīkls ir optimāls. Attīstītājs ir jāsaprot, ka problēmas būtība ir jārisina, ir daudz informācijas, kas apraksta problēmu, lai iegūtu datus par testēšanas un apmācības tīklu, lai izvēlēties pareizo metodi apmācību nodošanas funkciju un papildinātājiem funkcijas.