Вештачке неуронске мреже

Вештачке неуронске мреже - су они који се састоје од посебних ћелија - неурона. Они су математички модели биолошких неурона, односно ћелије које чине људски нервни систем.

По први пут говоримо о неуронске мреже у 1943., а након проналаска Перцептрон Розенблату је златну еру, а мреже су постале веома популарне. Међутим, након објављивања Минску 1969. године, у којој је научник је доказао да је неефикасност Перцептрон, под одређеним условима, интересовање за овај сектор нагло пала. Али прича се не завршава са вештачким мрежама. . Године 1985., Ј Хопфиелд-ова представили су своје студије и доказао да неуронске мреже - одлично средство за машинско учење.

То је позајмљена из биологије неколико концепата и принципа. Неурон - нека врста прекидача који прима а затим преноси импулсе (сигнала). Ако неурон добија довољно снажан замах, верује се да је активирана и преноси импулсе преостале неурона у вези са њим. Неурон исти који није активиран, остаје у мировању, не преноси пулс. Неурон се састоји од неколико основних компоненти: синапсе које повезују неурона међусобно и примају импулсе, Акон, који преносе импулсе задатак и дендритима, који прима сигнале из различитих извора. Када неурон добије импулс изнад одређеног прага, одмах шаље сигнал до следећег неурона.

Математички модел је мало другачија. Пријава математички модел неурона - је вектор који се састоји од великог броја компоненти. Сваки од компоненте - једна је од импулса, који су примљени од стране неурона. Излаз из модела је један број. То јест, у улазни модел вектор се претвара у скалар, касније пребачен у другим неуронима.

Неуронске мреже могу бити обучени на два начина: са и без учитеља. Процес учења се састоји од неколико корака. Прво, на мрежи улази из спољашњег подстицаја. Затим, у складу са прописима варирају слободне параметре неуронске мреже, а затим мрежа реагује на унос стимуланса већ другачије. Процес би требало да се понавља све док мрежа не решава проблем. Алгоритам учења са наставником је да током тренинга мрежу већ има тачан одговор. Овај метод је успешно коришћен за многе апликације, али се често критикована због чињенице да је биолошки невероватно. Неуронске мреже су обучени без учитеља у случају када је само познати улаза. На основу њих, мрежа постепено учи да дају најбоље резултате вредности.

Примена неуронских мрежа је заиста разноврсна. Они се често користе за аутоматизацију признање, предвиђање, стварање различитих стручних система, приближавања функционалов. Са таква мрежа могу обављати звука признање или оптичке сигнале да предвиди листа индикатора стварају системе који су способни да самостално учење, које могу, на пример, да синтетизују говор из датог текста или паркиралишту. Неуронске мреже на Западу користе активније, нажалост, домаће фирме још нису усвојени су ову методу.

Упркос предностима АНН о конвенционалним калкулација у неким областима, постојећи неуронске мреже - не идеално решење. С обзиром да су у стању да учења, могу бити погрешно. Осим тога, не могу тачно да гарантује да је развијена неуронске мреже је оптимална. Инвеститор мора да разуме природу проблема који се обратио, има доста информација које описује проблем, да прибави податке за тестирање и мреже за обуку, да изабере одговарајући метод тренинга, преносне функције и гуја функције.