Umjetne neuronske mreže

Umjetne neuronske mreže - su oni koji su sastavljena od posebnih stanica - neurona. Oni su matematički modeli bioloških neurona, odnosno stanice 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 Minsku 1969. godine, u kojoj je znanstvenik je dokazao neefikasnost perceptron, pod određenim uvjetima, interes u ovom sektoru oštro pale. No, priča ne završava s umjetnim mrežama. . 1985. J. Hopfield predstavili su svoje studije i dokazao da je neuronska mreža - odličan alat za strojno učenje.

To je posuđena iz biologije nekoliko koncepata i principa. Neuron - vrsta prekidača koji prima, a zatim prenosi impulse (signale). Ako je neuron prima dovoljno snažan zamah, vjeruje se da se aktivira i šalje impulse preostale neurone povezane s njom. Neuron isti koji nije bio aktiviran, ona ostaje u mirovanju, ne prenosi puls. 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 prima impuls iznad određenog praga, odmah šalje signal sljedećeg neurona.

Matematički model je malo drugačiji. Prijava matematički model neurona - vektor, koji se sastoji od velikog broja komponenti. Svaka od komponenti - jedan je od mahunarki, koje su primili od strane neurona. Izlaz modela je jedan broj. To je, u model ulazni vektor pretvara u skalar, kasnije prebačen na drugim neuronima.

Neuronske mreže mogu biti osposobljeni na dva načina: sa i bez učitelja. Proces učenja se sastoji od nekoliko koraka. Prvo, na mreži je ulaz iz vanjskog podražaja. Zatim, u skladu s propisima razlikuju slobodnih parametara neuronske mreže, a zatim mreža reagira na ulazne podražaje već drugačije. Proces treba ponoviti sve dok se mreža ne riješi problem. Algoritam učenja s učiteljem je da tijekom vježbanja mrežu već ima točan odgovor. Ova metoda se uspješno koristi za mnoge primjene, ali je često kritiziran zbog činjenice da je biološki nevjerojatan. Neuronska mreža uči bez učitelja, u slučaju gdje je jedini poznati ulaza. Na temelju njih, mreža postupno uči dati najbolju vrijednost izlaza.

Primjena neuronskih mreža je stvarno raznolika. Oni se često koriste za automatizaciju prepoznavanje, predviđanja, stvaranje različitih ekspertnih sustava, usklađivanju funkcionala. 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 su koristili aktivnije, na žalost, domaće tvrtke nisu još donio ovu metodu.

Unatoč prednostima ANN na konvencionalnim izračuna u nekim područjima, postojeće neuronske mreže - ne idealno rješenje. Budući da su sposobni za učenje, oni mogu biti u krivu. Osim toga, ne mogu točno jamčiti da je razvio neuronska mreža je optimalno. 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.