Artificiella neurala nätverk

Artificiella neurala nätverk - är de som består av speciella celler - nervceller. De är matematiska modeller av biologiska neuron, dvs celler som utgör det mänskliga nervsystemet.

För första gången vi talar om neurala nätverk 1943, och efter uppfinningen av Perceptron Rosenblatt kom den gyllene eran och nätverk har blivit mycket populära. Men efter offentliggörandet av Minsk 1969, där en forskare har visat ineffektivitet Perceptron, under vissa förutsättningar, intresset för denna sektor föll kraftigt. Men historien slutar inte med artificiella nätverk. . År 1985, J. Hopfield presenterade sina studier och visat att det neurala nätverket - ett utmärkt verktyg för maskininlärning.

Det lånades från biologi flera begrepp och principer. Neuron - ett slags omkopplare som mottager och sänder sedan pulserna (signaler). Om neuronen mottar en tillräckligt kraftig drivkraft, antas det att den är aktiverad och sänder pulserna återstående neuroner associerade med den. Neuron samma som inte aktiverades, förblir det i vila, det sänder inte puls. Neuron består av flera huvudkomponenter: synapser som ansluter neuroner till varandra och tar emot pulser, axon, som överför impulser uppgift och dendriter, som tar emot signaler från olika källor. När en neuron erhåller en impuls över en viss tröskel, sänder den omedelbart en signal till nästa neuron.

Den matematiska modellen är lite annorlunda. Login matematisk modell av en neuron - är en vektor, som är sammansatt av ett stort antal komponenter. Varje av komponenten - är en av pulserna, som tas emot av neuronen. Utmatningen av modellen är ett enda nummer. Det är, i modellen ingångsvektorn omvandlas till en skalär, senare överföras till andra neuroner.

Neurala nätverk kan tränas på två sätt: med och utan en lärare. Inlärningsprocessen består av flera steg. Först på nätverket matas utifrån stimulans. Därefter, i enlighet med reglerna varierar de fria parametrarna för det neurala nätverket, då nätverket svarar på ingångs stimuli redan annorlunda. Processen bör upprepas så länge som nätverket inte lösa problemet. Inlärningsalgoritm med en lärare är att redan under träningen nätverket har det rätta svaret. Denna metod har använts framgångsrikt för många tillämpningar, men det är ofta kritiserats för att det är biologiskt osannolikt. Neurala nätverk är utbildade utan läraren i fallet där de enda kända ingångarna. Baserat på dem, så småningom lär sig nätverket för att ge de mest prisvärda utgångar.

Tillämpning av neurala nätverk är verkligen olika. De används ofta för att automatisera erkännande, prognostisering, skapande av olika expertsystem, tillnärmning av functionals. Med ett sådant nätverk kan utföra ljud erkännande eller optiska signaler att förutsäga utbytesindikatorer skapa system som kan självstudier, som kan, till exempel, för att syntetisera tal från en given text eller parkeringsplats. Neurala nätverk i västvärlden används mer aktivt tyvärr inhemska företag har ännu inte hade antagit denna metod.

Trots fördelarna med ANN på konventionella beräkningar i vissa områden, de befintliga neurala nätverk - inte den idealiska lösningen. Eftersom de är i stånd att lära, kan de vara fel. Dessutom kan man inte exakt garantera att den utvecklade neurala nätverket är optimal. Utvecklaren måste förstå vilken typ av problem som behandlas, har en hel del information som beskriver problemet att få fram data för att testa och utbildningsnätverk, att välja rätt metod för utbildning, överföringsfunktion och huggorm funktioner.