Künstliche neuronale Netze
Künstliche neuronale Netze – sind diejenigen, die aus speziellen Zellen hergestellt werden – Neuronen. Sie sind mathematische Modelle von biologischen Neuronen, dh Zellen, die das menschliche Nervensystem bilden.
Zum ersten Mal sprechen wir über neuronale Netze im Jahr 1943 und nach der Erfindung des Perceptron Rosenblatt kam die goldene Ära und Netzwerke sind sehr populär geworden. Doch nach der Veröffentlichung von Minsk im Jahr 1969, in dem ein Wissenschaftler die Ineffizienz von Perceptron, unter bestimmten Bedingungen bewährt hat, fiel das Interesse an diesem Sektor stark an. Aber die Geschichte endet nicht mit künstlichen Netzwerken. . Im Jahr 1985 präsentierte J. Hopfield ihre Studien und bewies, dass das neuronale Netz – ein großes Werkzeug für maschinelles Lernen.
Es wurde aus der Biologie mehrere Konzepte und Prinzipien entlehnt. Neuron – eine Art Schalter, empfängt und überträgt dann die Impulse (Signale). Wenn das Neuron einen genügend starken Impuls empfängt, wird angenommen, dass es aktiviert wird, und überträgt die Impulse verbleibenden Neuronen mit ihm verbunden ist. Neuron gleichen, die nicht aktiviert wurde, bleibt sie in Ruhe, es nicht Impuls übertragen. Neuron besteht aus mehreren Hauptkomponenten: die Neuronen Synapsen miteinander zu verbinden und zu empfangen Impulse, Axon, die Impulse und Dendriten Aufgabe übertragen, die Signale von verschiedenen Quellen empfängt. Wenn ein Neuron einen Impuls über einem bestimmten Schwellenwert empfängt, sendet sie sofort ein Signal an den nächsten Neurons.
Das mathematische Modell ist ein wenig anders. Login mathematisches Modell eines Neurons – ist ein Vektor, der aus einer großen Anzahl von Komponenten zusammengesetzt ist. Jede der Komponente – ist einer der Impulse, die von dem Neuronen empfangen werden. Die Ausgabe des Modells ist eine einzelne Zahl. Das heißt, in der Modelleingangsvektor in einen Skalar umgewandelt wird, die später zu anderen Neuronen übertragen.
Neuronale Netze können auf zwei Arten ausgebildet werden: mit und ohne Lehrer. Der Lernprozess besteht aus mehreren Schritten. Zuerst wird auf dem Netzwerk von außen eingegeben Stimulus. Dann wird in Übereinstimmung mit den Vorschriften des freien Parameter des neuronalen Netzes variiert, dann antwortet das Netzwerk Eingangsstimuli schon anders. Der Prozess sollte so lange wiederholt werden, wie das Netzwerk das Problem nicht lösen. Der Lernalgorithmus mit einem Lehrer ist, dass das Netzwerk bereits während der Ausbildung die richtige Antwort hat. Dieses Verfahren wurde für viele Anwendungen erfolgreich eingesetzt, aber es wird oft für die Tatsache kritisiert, dass es biologisch nicht plausibel ist. Neuronale Netze werden ohne den Lehrer im Fall trainiert, wo die einzigen bekannten Eingänge. Basierend auf sie lernt das Netzwerk nach und nach den besten Wert Ausgänge zu geben.
Anwendung von neuronalen Netzen ist wirklich vielfältig. Sie werden oft automatisieren die Erkennung, Prognose, die Schaffung von verschiedenen verwendeten Expertensysteme, Angleichung der Funktionalen. Mit einem solchen Netzwerk Geräuscherkennung oder optische Signale durchführen können zum Austausch von Indikatoren vorherzusagen schaffen Systeme, die selbstlernend, das kann beispielsweise, Rede von einem bestimmten Text oder Parkplatz zu synthetisieren. Neuronale Netze im Westen mehr aktiv genutzt, leider einheimische Firmen noch nicht hatten diese Methode angenommen.
Trotz der Vorteile von ANN auf herkömmliche Berechnungen in einigen Bereichen die bestehenden neuronalen Netze – nicht die ideale Lösung. Da sie lernfähig sind, können sie falsch sein. Darüber hinaus können Sie nicht genau garantieren, dass das entwickelte neuronale Netz optimal ist. Der Entwickler muss verstehen, die Art des Problems angegangen, eine Menge an Informationen haben, die das Problem beschreibt, Daten für Test- und Trainingsnetzwerk zu erhalten, die richtige Trainingsmethode, Übertragungsfunktion und Addierer Funktionen zur Auswahl.
