Umetne nevronske mreže

Umetne nevronske mreže so tiste, ki jih sestavljajo posebni elementi - nevroni. So matematični model bioloških nevronov, to je celic, ki tvorijo človeški živčni sistem.

Prvič govorimo o nevronskih mrež leta 1943, in po iznajdbi perceptrona Rosenblatt prišel v zlato dobo, in omrežja so postala zelo priljubljena. Vendar pa je po objavi Minsku leta 1969, v katerem je znanstvenik izkazala neučinkovitost perceptrona, pod določenimi pogoji, je zanimanje za ta sektor močno padla. Toda zgodovina umetnih mrež se tukaj ne konča. Leta 1985 je J. Hopfield predstavil svojo raziskavo in dokazal, da so nevronske mreže odlično orodje za strojno učenje.

Iz biologije so bili izposojeni številni koncepti in načela. Nevron je vrsta stikala, ki sprejema in nato prenaša impulze (signale). Če nevron prejme dovolj močan zagon, je verjel, da se aktivira in pošilja impulze preostale nevronov, povezanih z njim. Nevron, ki je ostal nespremenjen, ostane v mirovanju, impulz ne prenaša. Nevron je sestavljen iz več glavnih sestavin: sinaps, ki povezujejo nevrone med seboj in sprejemanje impulzov, akson, ki oddajajo impulze nalogo in dendriti, ki sprejema signale iz različnih virov. Ko nevron prejme impulz nad določenim pragom, takoj pošlje signal na naslednje nevrone.

Matematični model je nekoliko drugačen. Prijavite se matematični model Nevron je vektor, ki ga sestavlja veliko število komponent. Vsaka od njihovih komponent je eden od impulzov, ki jih nevron dobiva. Rezultat modela je ena številka. V notranjosti modela se vektorski vektor pretvori v skalar, ki se pozneje prenese na druge nevrone.

Neuralne mreže se lahko izobražujejo na dva načina: z učiteljem in brez nje. Učni proces je sestavljen iz več korakov. Prvič, spodbuda se vnese v omrežje od zunaj. Nato se v skladu s pravili spreminjajo prosti parametri nevronske mreže, po katerih se mreža na drugačen način odziva na vhodne dražljaje. Postopek je treba ponoviti, dokler omrežje ne odloči o nalogi. Učni algoritem z učiteljem je, da mreža že med usposabljanjem ima pravi odgovor. Ta metoda se uspešno uporablja za reševanje številnih uporabljenih problemov, vendar je pogosto kritizirana zaradi biološke neuspešnosti. Neuralne mreže se poučujejo brez učitelja v primeru, ko so znani le vhodni signali. Na podlagi tega se omrežje postopno uči, da bi dalo boljše proizvodne vrednosti.

Uporaba nevronskih mrež je resnično raznolika. Pogosto se uporabljajo za avtomatizacijo prepoznavanja vzorcev, napovedovanja in ustvarjanja različnih strokovni sistemi, približevanje funkcij. Z lahko takšna omrežja izvesti zvočno priznanje ali optične signale napovedati kazalniki izmenjavo ustvariti sistem, ki lahko samostojno učenje, ki lahko, na primer, da se sintetizira govor iz danega besedila ali parkirišča. Neuronske mreže na zahodu se aktivneje uporabljajo, žal pa domača podjetja še niso sprejela te tehnike.

Kljub prednostim ANN nad konvencionalnimi izračuni na nekaterih področjih obstoječa nevronska omrežja niso idealne rešitve. Ker so zmožni učiti, so morda narobe. Poleg tega ne morete natančno zagotoviti, da bo razvita nevronska mreža optimalna. Razvijalec je dolžan razumeti naravo rešitve problema, imeti veliko informacij, ki označujejo problem, pridobijo podatke za testiranje in učenje omrežja, pravilno izberejo način usposabljanja, funkcijo prenosa in funkcije samega.