Τεχνητά νευρωνικά δίκτυα

Τεχνητά νευρωνικά δίκτυα - είναι αυτά που αποτελούνται από ειδικά κύτταρα - νευρώνες. Είναι μαθηματικά μοντέλα βιολογικών νευρώνων, δηλαδή, τα κύτταρα που απαρτίζουν το ανθρώπινο νευρικό σύστημα.

Για πρώτη φορά, μιλάμε για νευρωνικά δίκτυα το 1943, και μετά την εφεύρεση του Perceptron Rosenblatt ήρθε η χρυσή εποχή, και τα δίκτυα έχουν γίνει πολύ δημοφιλή. Ωστόσο, μετά τη δημοσίευση του Μινσκ το 1969, κατά την οποία ένας επιστήμονας έχει αποδείξει την αναποτελεσματικότητα του Perceptron, υπό ορισμένες προϋποθέσεις, το ενδιαφέρον στον τομέα αυτό μειώθηκε απότομα. Αλλά η ιστορία δεν τελειώνει με τεχνητά δίκτυα. . Το 1985, J. Hopfield παρουσίασε τις σπουδές τους και να αποδείξει ότι το νευρωνικό δίκτυο - ένα μεγάλο εργαλείο για την εκμάθηση της μηχανής.

Ήταν δανείστηκε από τη βιολογία διάφορες έννοιες και αρχές. Neuron - ένα είδος διακόπτη που δέχεται και κατόπιν μεταδίδει τους παλμούς (σήματα). Εάν ο νευρώνας λαμβάνει ένα επαρκώς ισχυρό ορμή, πιστεύεται ότι ενεργοποιείται και μεταδίδει τους παλμούς εναπομένοντες νευρώνες που συνδέονται με αυτό. Neuron ίδιο οποίο δεν ενεργοποιήθηκε, παραμένει σε κατάσταση ηρεμίας, αυτό δεν μεταδίδει παλμό. Neuron αποτελείται από διάφορα κύρια μέρη: συνάψεις που συνδέουν νευρώνες μεταξύ τους και να λάβουν παλμούς, νευράξονας, τα οποία μεταδίδουν ερεθίσματα καθήκον και δενδριτών, η οποία λαμβάνει σήματα από διάφορες πηγές. Όταν ένας νευρώνας δέχεται κατά ώθηση πάνω από ένα ορισμένο όριο, στέλνει αμέσως ένα σήμα στον επόμενο νευρώνα.

Το μαθηματικό μοντέλο είναι λίγο διαφορετική. Σύνδεση μαθηματικό μοντέλο ενός νευρώνα - είναι ένας φορέας, ο οποίος αποτελείται από ένα μεγάλο αριθμό συστατικών. Κάθε του συστατικού - είναι μία από τις παλμών, τα οποία λαμβάνονται από το νευρώνα. Η έξοδος του μοντέλου είναι ένα ενιαίο αριθμό. Αυτό είναι, στην το διάνυσμα εισόδου μοντέλο μετατρέπεται σε μια μονοδιάστατη, αργότερα μεταφέρονται σε άλλες νευρώνες.

Νευρωνικά δίκτυα μπορούν να εκπαιδευτούν με δύο τρόπους: με και χωρίς δάσκαλο. Η μαθησιακή διαδικασία αποτελείται από διάφορα στάδια. Κατ 'αρχάς, στο δίκτυο εισάγεται από το εξωτερικό ερέθισμα. Στη συνέχεια, σύμφωνα με τους κανονισμούς ποικίλλουν τις ελεύθερες παραμέτρους του νευρωνικού δικτύου, τότε το δίκτυο ανταποκρίνεται στα ερεθίσματα εισόδου ήδη με διαφορετικό τρόπο. Η διαδικασία θα πρέπει να επαναληφθεί για όσο διάστημα το δίκτυο δεν λύνει το πρόβλημα. Ο αλγόριθμος μάθησης με ένα δάσκαλο είναι ότι κατά τη διάρκεια της κατάρτισης του δικτύου έχει ήδη τη σωστή απάντηση. Αυτή η μέθοδος έχει χρησιμοποιηθεί με επιτυχία για πολλές εφαρμογές, αλλά επικρίνεται συχνά για το γεγονός ότι είναι βιολογικά αβάσιμη. Τα νευρωνικά δίκτυα εκπαιδεύονται χωρίς τον δάσκαλο στην περίπτωση που οι μόνες γνωστές εισόδους. Με βάση αυτά, το δίκτυο μαθαίνει σταδιακά να δώσει τα καλύτερα αποτελέσματα αξία.

Εφαρμογή των νευρωνικών δικτύων είναι πολύ διαφορετικές. Χρησιμοποιούνται συχνά για την αυτοματοποίηση της αναγνώρισης, πρόβλεψης, η δημιουργία των διαφόρων συστημάτων εμπειρογνωμόνων, προσέγγιση των λειτουργοί. Με ένα τέτοιο δίκτυο μπορεί να εκτελέσει ήχο αναγνώρισης ή οπτικά σήματα για να προβλέψει δείκτες ανταλλαγή δημιουργήσουν συστήματα ικανά να αυτο-μάθησης, η οποία μπορεί, για παράδειγμα, για τη σύνθεση ομιλίας από ένα συγκεκριμένο κείμενο ή χώρο στάθμευσης αυτοκινήτων. Νευρωνικά δίκτυα στη Δύση χρησιμοποιούνται πιο ενεργά, δυστυχώς, οι εγχώριες επιχειρήσεις δεν έχουν ακόμη είχε υιοθετήσει αυτή τη μέθοδο.

Παρά τα πλεονεκτήματα των ΤΝΔ τις συμβατικές τους υπολογισμούς σε ορισμένες περιοχές, τα υπάρχοντα νευρικά δίκτυα - δεν είναι η ιδανική λύση. Δεδομένου ότι είναι σε θέση να της μάθησης, μπορεί να είναι λάθος. Επιπλέον, δεν μπορείτε ακριβώς να εγγυηθεί ότι το νευρωνικό δίκτυο που αναπτύχθηκε είναι η βέλτιστη. Ο κύριος του έργου πρέπει να κατανοήσουν τη φύση του προβλήματος που αντιμετωπίζεται, έχουν πολλές πληροφορίες που περιγράφει το πρόβλημα, να συγκεντρωθούν στοιχεία για τον έλεγχο και την κατάρτιση του δικτύου, να επιλέξετε τη σωστή μέθοδο της εκπαίδευσης, η λειτουργία μεταφοράς και τις λειτουργίες αθροιστή.