Umjetne neuronske mreže

Umjetne neuronske mreže su one koje se sastoje od posebnih elemenata - neurona. Oni su matematički model bioloških neurona, tj. Stanica koje čine ljudski živčani sustav.

Po prvi put se govori o neuronskim mrežama 1943. godine, a nakon izuma perceptron Rosenblatt dođe zlatno doba, a mreže su postale vrlo popularne. Međutim, nakon objavljivanja rada Minskog 1969. godine, u kojem je znanstvenik dokazao perceptronnu neučinkovitost pod određenim uvjetima, zanimanje za ovu industriju pala je naglo. Ali povijest umjetnih mreža ovdje ne završava. Godine 1985., J. Hopfield je predstavio svoje istraživanje i dokazao da su neuronske mreže izvrstan alat za učenje strojeva.

Od biologije je posuđeno nekoliko koncepata i načela. Neuron je vrsta prekidača koja prima i zatim odašilje impulse (signale). U slučaju da neuron prima dovoljno moćan impuls, smatra se da je aktiviran i prenosi impulse preostalim neuronima povezanim s njom. Neuron, koji je ostao neaktiviran, ostaje u mirovanju, impuls ne prenosi. Neuron se sastoji od nekoliko glavnih sastavnica: sinapsi koje povezuju neurone međusobno i primaju impulse, akson koji impulsa zadatak i dendrita koji prima signale iz različitih izvora. Kada neuron primi impuls iznad određenog praga, odmah odašilje signal sljedećim neuronima.

Matematički model je malo drugačiji. Prijavite se matematički model Neuron je vektor koji se sastoji od velikog broja komponenti. Svaka od njihovih komponenti je jedan od impulsa koje neuron prima. Izlaz modela je jedan broj. To jest, unutar modela, ulazni vektor pretvara se u skalar, koji se kasnije prenosi na druge neurone.

Neuronske mreže mogu se obučiti na dva načina: s učiteljem i bez. Proces učenja sastoji se od nekoliko koraka. Prvo, poticaj se uvodi na ulaz mreža izvana. Zatim, u skladu s pravilima, promjene slobodnih parametara neuronske mreže, nakon čega mreža reagira na ulazne podražaje na drugačiji način. Proces se mora ponoviti sve dok mreža ne odluči zadatak. Učenje algoritma s nastavnikom je da tijekom treninga mreža već ima pravi odgovor. Ova metoda se uspješno koristi za rješavanje mnogih primijenjenih problema, ali se često kritizira zbog biološki nevjerojatnih. Neuronske mreže se poučavaju bez učitelja u slučaju kada su poznati samo ulazni signali. Na temelju njih, mreža postupno uči dati bolje izlazne vrijednosti.

Korištenje neuronskih mreža je stvarno raznolik. Često se koriste za automatizaciju prepoznavanja uzoraka, predviđanja i stvaranja različitih stručnih sustava, aproksimacija funkcija. S takvim mreža može obavljati zvuka priznanje ili optičke signale predvidjeti pokazatelji razmjena stvoriti sustave sposobne za samostalno učenje, koje mogu, na primjer, da se sintetizirati govor od određenog teksta ili parkiralištu. Neuronske mreže na zapadu se aktivnije koriste, nažalost, domaće tvrtke još nisu usvojile ovu tehniku.

Unatoč prednostima ANN-a nad konvencionalnim računalima u nekim područjima, postojeće neuronske mreže nisu idealna rješenja. Budući da su sposobni za učenje, možda su pogrešni. Osim toga, ne možete točno jamčiti da će razvijena neuronska mreža biti optimalna. Programer mora razumjeti prirodu problema rješavaju, imaju puno informacija koja opisuje problem, za dobivanje podataka za testiranje i obuku mreže, odabrati pravi način treninga, prijenosne funkcije i guja funkcije.