Урокът за изкуствена невронна мрежа предоставя основни и разширени концепции за ANN. Нашият урок за изкуствена невронна мрежа е разработен както за начинаещи, така и за професионалисти.

Терминът „изкуствена невронна мрежа“ се отнася до биологично вдъхновено подполе на изкуствения интелект, моделирано след мозъка. Изкуствената невронна мрежа обикновено е изчислителна мрежа, базирана на биологични невронни мрежи, които изграждат структурата на човешкия мозък. Подобно на човешкия мозък, който има неврони, свързани помежду си, изкуствените невронни мрежи също имат неврони, които са свързани помежду си в различни слоеве на мрежите. Тези неврони са известни като възли.

размери на шрифта в латекс

Урокът за изкуствена невронна мрежа обхваща всички аспекти, свързани с изкуствената невронна мрежа. В този урок ще обсъдим ANN, теория на адаптивния резонанс, самоорганизираща се карта на Кохонен, градивни елементи, обучение без надзор, генетичен алгоритъм и др.

Какво е изкуствена невронна мрежа?

Терминът ' Изкуствена невронна мрежа “ произлиза от биологични невронни мрежи, които развиват структурата на човешкия мозък. Подобно на човешкия мозък, който има неврони, свързани помежду си, изкуствените невронни мрежи също имат неврони, които са свързани помежду си в различни слоеве на мрежите. Тези неврони са известни като възли.

Дадената фигура илюстрира типичната диаграма на биологичната невронна мрежа.

Типичната изкуствена невронна мрежа изглежда приблизително като дадената фигура.

Дендритите от биологичната невронна мрежа представляват входове в изкуствените невронни мрежи, клетъчното ядро ​​представлява възлите, синапсът представлява теглата, а аксонът представлява изхода.

Връзка между биологична невронна мрежа и изкуствена невронна мрежа:

Ан Изкуствена невронна мрежа в областта на Изкуствен интелект където се опитва да имитира мрежата от неврони, изграждаща човешкия мозък, така че компютрите да имат възможност да разбират нещата и да вземат решения по човешки начин. Изкуствената невронна мрежа е проектирана чрез програмиране на компютри да се държат просто като взаимосвързани мозъчни клетки.

В човешкия мозък има около 1000 милиарда неврони. Всеки неврон има точка на асоцииране някъде в диапазона от 1000 до 100 000. В човешкия мозък данните се съхраняват по такъв начин, че да бъдат разпределени и ние можем да извлечем повече от една част от тези данни, когато е необходимо, от нашата памет паралелно. Можем да кажем, че човешкият мозък е изграден от невероятно удивителни паралелни процесори.

Можем да разберем изкуствената невронна мрежа с пример, разгледайте пример за цифрова логическа врата, която приема вход и дава изход. Портал „ИЛИ“, който приема два входа. Ако единият или и двата входа са „Включени“, тогава получаваме „Включено“ на изхода. Ако и двата входа са „Изключени“, тогава получаваме „Изключено“ в изхода. Тук изходът зависи от входа. Нашият мозък не изпълнява същата задача. Връзката изход към вход продължава да се променя поради невроните в мозъка ни, които „учат“.

Архитектурата на изкуствена невронна мрежа:

За да разберем концепцията за архитектурата на изкуствена невронна мрежа, трябва да разберем от какво се състои невронната мрежа. За да се дефинира невронна мрежа, която се състои от голям брой изкуствени неврони, които се наричат ​​единици, подредени в последователност от слоеве. Нека разгледаме различни типове слоеве, налични в изкуствена невронна мрежа.

Изкуствената невронна мрежа се състои основно от три слоя:

Входен слой:

Както подсказва името, той приема входове в няколко различни формата, предоставени от програмиста.

Скрит слой:

Скритият слой представлява междинен слой между входния и изходния слой. Той извършва всички изчисления, за да намери скрити функции и модели.

Изходен слой:

Входът преминава през поредица от трансформации с помощта на скрития слой, което накрая води до изход, който се предава с помощта на този слой.

Изкуствената невронна мрежа приема входни данни и изчислява претеглената сума на входовете и включва отклонение. Това изчисление е представено под формата на трансферна функция.

Той определя, че претеглената обща сума се предава като вход към функция за активиране, за да се произведе изходът. Функциите за активиране избират дали даден възел да се задейства или не. Само тези, които са уволнени, стигат до изходния слой. Налични са отличителни функции за активиране, които могат да бъдат приложени към типа задача, която изпълняваме.

Предимства на изкуствената невронна мрежа (ANN)

Възможност за паралелна обработка:

Изкуствените невронни мрежи имат числена стойност, която може да изпълнява повече от една задача едновременно.

Съхраняване на данни в цялата мрежа:

Данните, които се използват в традиционното програмиране, се съхраняват в цялата мрежа, а не в база данни. Изчезването на няколко данни на едно място не пречи на мрежата да работи.

подравняване на изображение в css

Способност за работа с непълни знания:

След обучение на ANN, информацията може да доведе до резултат дори с неадекватни данни. Загубата на производителност тук зависи от значението на липсващите данни.

java печат

Разпределение на паметта:

За да може ANN да се адаптира, е важно да се определят примерите и да се насърчи мрежата според желания резултат, като се демонстрират тези примери на мрежата. Последователността на мрежата е право пропорционална на избраните случаи и ако събитието не може да се появи в мрежата във всичките си аспекти, то може да доведе до грешен резултат.

Имате толерантност към грешки:

Изнудването на една или повече клетки от ANN не му забранява генерирането на изход и тази функция прави мрежата толерантна към грешки.

Недостатъци на изкуствената невронна мрежа:

Осигуряване на правилна мрежова структура:

Няма конкретно ръководство за определяне на структурата на изкуствените невронни мрежи. Подходящата мрежова структура се постига чрез опит, проби и грешки.

Неразпознато поведение на мрежата:

Това е най-значимият брой на ANN. Когато ANN създава решение за тестване, то не дава представа защо и как. Това намалява доверието в мрежата.

Хардуерна зависимост:

Изкуствените невронни мрежи се нуждаят от процесори с мощност за паралелна обработка, според тяхната структура. Следователно реализацията на оборудването е зависима.

Трудност при показване на проблема в мрежата:

ANN могат да работят с цифрови данни. Проблемите трябва да бъдат преобразувани в числени стойности, преди да бъдат въведени в ANN. Механизмът за представяне, който трябва да бъде разрешен тук, ще повлияе пряко на производителността на мрежата. Разчита се на способностите на потребителя.

Продължителността на мрежата е неизвестна:

Мрежата е намалена до определена стойност на грешката и тази стойност не ни дава оптимални резултати.

Научните изкуствени невронни мрежи, които навлязоха в света в средата на 20-те години^thвек се развиват експоненциално. В момента проучихме предимствата на изкуствените невронни мрежи и проблемите, възникнали при тяхното използване. Не трябва да се пренебрегва, че минусите на ANN мрежите, които са процъфтяващ научен клон, се елиминират индивидуално, а плюсовете им нарастват с всеки изминал ден. Това означава, че изкуствените невронни мрежи ще се превърнат в незаменима част от живота ни, която става все по-важна.

Как работят изкуствените невронни мрежи?

Изкуствената невронна мрежа може да бъде представена най-добре като претеглена насочена графика, където изкуствените неврони образуват възлите. Връзката между невронните изходи и невронните входове може да се разглежда като насочени ръбове с тежести. Изкуствената невронна мрежа получава входния сигнал от външния източник под формата на модел и изображение под формата на вектор. След това тези входове се присвояват математически чрез обозначенията x(n) за всеки n брой входове.

След това всеки вход се умножава по съответните му тегла (тези тегла са детайлите, използвани от изкуствените невронни мрежи за решаване на конкретен проблем). Най-общо казано, тези тегла обикновено представляват силата на взаимовръзката между невроните в изкуствената невронна мрежа. Всички претеглени входове се обобщават в изчислителната единица.

Ако претеглената сума е равна на нула, тогава се добавя отклонение, за да направи изхода различен от нула или нещо друго, за да се мащабира до реакцията на системата. Пристрастието има същия вход и теглото е равно на 1. Тук сборът на претеглените входове може да бъде в диапазона от 0 до положителна безкрайност. Тук, за да се поддържа реакцията в границите на желаната стойност, определена максимална стойност се сравнява и общият брой претеглени входове се предава през функцията за активиране.

Функцията за активиране се отнася до набор от трансферни функции, използвани за постигане на желания резултат. Има различен вид функция за активиране, но предимно линейни или нелинейни набори от функции. Някои от често използваните набори от функции за активиране са двоичните, линейните и тан хиперболичните сигмоидални функции за активиране. Нека разгледаме подробно всеки от тях:

двоичен:

Във функцията за двоично активиране изходът е или единица, или 0. Тук, за да се постигне това, има зададена прагова стойност. Ако нетно претегленият вход на невроните е повече от 1, тогава крайният изход на функцията за активиране се връща като единица или в противен случай изходът се връща като 0.

Сигмоидална хипербола:

Функцията на сигмоидалната хипербола обикновено се разглежда като С ' оформена крива. Тук хиперболичната функция на тен се използва за приближаване на изхода от действителния нетен вход. Функцията се дефинира като:

F(x) = (1/1 + exp(-????x))

powershell по-малко или равно на

Където ???? се счита за параметър на стръмност.

Видове изкуствена невронна мрежа:

Съществуват различни видове изкуствени невронни мрежи (ANN) в зависимост от човешкия мозъчен неврон и мрежовите функции, изкуствената невронна мрежа изпълнява задачи по подобен начин. По-голямата част от изкуствените невронни мрежи ще имат някои прилики с по-сложен биологичен партньор и са много ефективни при очакваните задачи. Например сегментация или класификация.

Обратна връзка ANN:

В този тип ANN, изходът се връща в мрежата, за да постигне най-добрите вътрешно развити резултати. Според Университет на Масачузетс , Център за атмосферни изследвания Лоуел. Мрежите за обратна връзка връщат информация обратно в себе си и са много подходящи за решаване на проблеми с оптимизацията. Вътрешните системни корекции на грешки използват ANN за обратна връзка.

Препращаща ANN:

Предпоставка

Не са необходими специфични експертни познания като предпоставка преди започване на този урок.

Публика

Нашият урок за изкуствена невронна мрежа е разработен както за начинаещи, така и за професионалисти, за да им помогне да разберат основната концепция на ANN.

проблеми

Уверяваме ви, че няма да намерите никакъв проблем в този урок за изкуствена невронна мрежа. Но ако има някакъв проблем или грешка, моля, публикувайте проблема във формата за контакт, за да можем да го подобрим допълнително.