Neuronske mreže

Umjetne neuronske mreže - su one koje se sastoje od posebnog ćelija - neurona. Oni su matematički modeli bioloških neurona, odnosno, ćelije koje čine ljudski nervni sistem.

Po prvi put govorimo o neuronske mreže u 1943., a nakon pronalaska Perceptron Rosenblatt je zlatno doba, a mreže su postale vrlo popularne. Međutim, nakon objavljivanja u Minsku 1969. godine, u kojoj je naučnik dokazao neefikasnost Perceptron, pod određenim uslovima, interes u ovom sektoru pao oštro. No, priča ne završava s umjetnim mrežama. . 1985., J. Hopfildove predstavili svoje studije i dokazao da je neuronska mreža - odličan alat za mašinsko učenje.

To je pozajmljen iz biologije nekoliko koncepata i principa. Neuron - neka vrsta prekidač koji prima, a zatim prenosi impulse (signale). Ako je neuron dobije dovoljno snažan zamah, smatra se da se aktivira i prenosi impulse preostalih neurona u vezi sa njim. Neuron isti koji nije bio aktiviran, ostaje u mirovanju, ne prenosi puls. Neuron se sastoji od nekoliko glavnih komponenti: sinapsi koje povezuju neurone međusobno i primaju impulse, aksona, koji prenose impulse zadatak i dendrita, koji prima signale iz različitih izvora. Kada neuron dobije impuls iznad određenog praga, odmah šalje signal na sljedeći neurona.

Matematički model je malo drugačiji. Prijava matematički model neurona - je vektor, koji se sastoji od velikog broja komponenti. Svaka od komponenti - jedan je od impulsa, koji su primljeni od strane neurona. Izlaz modela je jedan broj. To je, u ulazni model vektor se pretvara u skalar, kasnije prebačen u drugim neuronima.

Neuronske mreže mogu biti obučeni na dva načina: sa i bez učitelja. Proces učenja sastoji se od nekoliko koraka. Prvo, na mreži je ulaz izvana stimulansa. Zatim, u skladu sa propisima variraju slobodnog parametara neuronske mreže, a zatim mreža odgovara za unos podražaja već drugačije. Proces treba ponavljati sve dok mreža ne rješava problem. Algoritam učenja sa nastavnikom je da tokom treninga mreža već ima ispravan odgovor. Ova metoda se uspješno koristi za mnoge aplikacije, ali se često kritikovan zbog činjenice da je to biološki nemoguće. Neuronske mreže su obučeni bez nastavnika u slučaju kada je jedina poznata ulaza. Na osnovu njih, mreža postepeno uči da daju najbolje vrijednosti izlaza.

Primjena neuronskih mreža je stvarno raznolika. Često se koriste za automatizaciju priznanje, predviđanje, stvaranje različitih ekspertnih sistema, aproksimacija funkcionali. Uz takva mreža može obavljati zvuk priznanje ili optičke signale da se predvidi razmjena pokazatelji stvaraju sisteme sposoban za samostalno učenje, koje mogu, na primjer, sintetizirati govor iz datog teksta ili vozni park. Neuronske mreže na Zapadu koriste se aktivnije, nažalost, domaće firme još nisu usvojila ove metode.

Unatoč prednosti ANN na konvencionalnim proračuna u nekim područjima, postojeće neuronske mreže - nije idealno rješenje. S obzirom da su sposobni za učenje, oni mogu biti u pravu. Osim toga, ne može da garantuje upravo to razvijene neuronske mreže je optimalno. Programer mora razumjeti prirodu problema koji se obratio, imaju puno informacija koje opisuju problem, za dobivanje podataka za testiranje i obuku mreže, odabrati pravi način treninga, funkcija prijenosa i funkcije guja.