Keunstmjittich neural netwurken

Keunstmjittich neural netwurken - binne dyjingen dy't út spesjale sellen - neuroanen. Se binne wiskundige modellen fan biologyske neuroanen, dat wol sizze, sellen dy't meiïnoar de minsklike senuwstelsel.

Foar de earste kear hawwe wy it oer neural netwurken yn 1943, en nei de útfining fan Perceptron Rosenblatt kaam de gouden tiid, en netwurken hawwe wurden hiel populêr. Lykwols, nei de publikaasje fan Minsk, yn 1969, wêrby't in wittenskipper hat bliken dien it inefficiency fan Perceptron, ûnder beskate betingsten, de belangstelling foar dizze sektor foel skerp. Mar it ferhaal net einigje mei keunstmjittige netwurken. . Yn 1985, J. Hopfield presintearre harren stúdzje en bewiisde dat de neural netwurk - een geweldige helpmiddel foar masine learen.

It waard ûntliend biology ferskate konsepten en prinsipes. Neuron - in soarte fan switch dy't ûntfangt en dan stjoert de pulses (sinjalen). As de neuron kriget in foldwaande machtich feart, dan wurdt dat it is aktivearre is en stjoert de pulses oerbleaune neuroanen ferbûn is. Neuron itselde dat wie net aktivearre, it bliuwt by rêst, it der net zenden Pulse. Neuron bestiet út ferskate wichtichste ûnderdielen: synapses dy't ferbine neuroanen oan elkoar en krije pulses, axon, dy't zenden driuwfearren taak en dendrites, dy't krijt sinjalen út ferskate boarnen. Wannear't in neuron krijt in driuwfear boppe in bepaalde drompel, dan fuortendaliks stjoert in sinjaal nei de folgjende neuron.

De wiskundige model is in bytsje oars. Login wiskundich model fan in neuron - is in vector, dat bestiet út in grut tal komponinten. Elk fan it komponint - is ien fan 'e pulses, dy't wurde ûntfongen troch de neuron. De útfier fan it model is ien nûmer. Dat is, yn it model ynfier vector wurdt omset yn in scalar, letter oerbrocht nei oare neuroanen.

Neural netwurken kinne wurde oplieden yn twa manieren: mei en sûnder in learaar. It learen proses bestiet út ferskate stappen. Earst, op it netwurk is ynput út 'e bûten stimulus. Dan, yn oerienstimming mei it reglemint fariearje de frije parameters fan de neural netwurk, dan it netwurk reagearret op ynfier prikels al oars. It proses moat wurde werhelle sa lang as it netwurk net oplosse it probleem. It learen algoritme mei in dosint is dat tidens de trening bywurke it netwurk al hat it goede antwurd. Dizze metoade is mei sukses brûkt foar in soad tapassings, mar it is faak bekritisearre foar it feit dat it Biologysk implausible. Neural netwurken wurde oplaat sûnder de learaar yn it gefal dêr't de ienige bekende yngongen. Op grûn fan harren, it netwurk stadichoan leart te jaan de bêste wearde útgongen.

Tapassing fan neural netwurken is echt ferskaat. Se wurde faak brûkt om automate de erkenning, forecasting, ta stân kommen fan ferskate saakkundige systemen, ûnderlinge oanpassing fan functionals. Mei sa'n netwurk kin útfiere lûd erkenning of optyske sinjalen te foarsizzen útwikseling yndikatoaren meitsje systemen steat fan jinsels-learning, dat kin, bygelyks, oan de gearfoeging spraak fan in opjûne tekst of auto park. Neural netwurken yn it Westen wurde brûkt mear aktyf, spitigernôch, binnenlandse bedrijven noch net hie oannommen dizze metoade.

Nettsjinsteande de foardielen fan ANN op konvinsjonele berekkeningen yn guon gebieten, de besteande neural netwurken - net de ideale oplossing. Sûnt se by steat fan learen, se kin mis. Dêrneist kinne jo net krekt garandearje dat de ûntwikkele neural netwurk is optimaal. De projektûntwikkelder moat begripe it aard fan it probleem wurdt oanpakt, ha in soad ynformaasje dy't beskriuwt it probleem, te krijen gegevens foar testen en training netwurk, om te kiezen it rjocht metoade fan de oplieding, oerdracht funksje en njirre funksjes.