Nevralt nettverk

Nevralt nettverk - er de som er laget av spesielle celler - nevroner. De er matematiske modeller av biologiske nevroner, dvs. celler som utgjør den menneskelige nervesystemet.

For første gang snakker vi om nevrale nettverk i 1943, og etter oppfinnelsen av Perceptron Rosenblatt kom den gylne æra, og nettverk har blitt svært populære. Men etter publiseringen av Minsk i 1969, der en forsker har vist ineffektiviteten i Perceptron, under visse vilkår, interessen for denne sektoren falt kraftig. Men historien slutter ikke med kunstige nettverk. . I 1985, J. Hopfield presenterte studier og vist at det neurale nettverk - et stort verktøy for maskinlæring.

Det ble lånt fra biologi flere konsepter og prinsipper. Neuron - en form for bryter som mottar og overfører deretter de pulser (signaler). Dersom neuron mottar en tilstrekkelig kraftig fart, er det antatt at den blir aktivert og sender pulsene resterende nevroner i forbindelse med den. Neuron samme som ikke er blitt aktivert, forblir det i ro, er det ikke sendepuls. Neuron består av flere hovedkomponenter: synapser som kobler neuroner til hverandre og mottar pulser, axon, som overfører impulser oppgave og dendritter, som mottar signaler fra forskjellige kilder. Når et nevron mottar en impuls over en viss terskel, sender den straks et signal til den neste neuron.

Den matematiske modellen er litt annerledes. Innlogging matematisk modell av et nevron - er en vektor, som er sammensatt av et stort antall komponenter. Hver av komponenten - er en av de pulser som mottas av neuron. Utgangen fra modellen er et enkelt tall. Det vil si, i modellen inngangsvektoren omdannes til en skalar, senere overføres til andre nerveceller.

Nevrale nettverk kan trenes på to måter: med og uten lærer. Læreprosessen består av flere trinn. Først på nettverket blir innmatet fra utsiden stimulus. Så, i samsvar med regelverket variere frie parametrene av nettverk, deretter nettverket reagerer på inngangs stimuli allerede annerledes. Prosessen skal gjentas så lenge nettverket ikke løse problemet. Lærings algoritmen med en lærer er at under trening nettverket har allerede det riktige svaret. Denne metoden har blitt brukt for mange programmer, men det er ofte kritisert for det faktum at det er biologisk plausibel. Nevrale nettverk er trent uten at læreren i saken der den eneste kjente innganger. Basert på dem, nettverket gradvis lærer å gi best verdi utganger.

Bruk av nevrale nettverk er virkelig mangfoldig. De brukes ofte til å automatisere anerkjennelse, prognoser, etablering av ulike ekspertsystemer, tilnærming av functionals. Med et slikt nettverk kan utføre lyd anerkjennelse eller optiske signaler for å forutsi utvekslings indikatorer lage systemer som kan selvlærende, som kan, for eksempel, for å syntetisere tale fra en gitt tekst- eller parkeringsplass. Nevrale nettverk i Vesten brukes mer aktivt, dessverre, innenlandske bedrifter har ennå ikke hadde tatt i bruk denne metoden.

Til tross for fordelene av ANN på vanlige beregninger i enkelte områder, eksisterende nevrale nettverk - ikke den ideelle løsningen. Siden de er i stand til å lære, kan de være galt. I tillegg kan du ikke akkurat garantere at de utviklede nettverk er optimal. Utbygger må forstå innholdet av problemet blir adressert, har mye informasjon som beskriver problemet, for å få data for testing og trening nettverk, for å velge riktig metode for opplæring, overføring funksjon og huggorm funksjoner.