Արհեստական նյարդային ցանցերը

Արհեստական նյարդային ցանցերը են նրանք, որոնք կազմված են հատուկ բջիջների - neurons. Նրանք են մաթեմատիկական մոդելների կենսաբանական neurons, այսինքն, բջիջները, որոնք կազմում են մարդկային նյարդային համակարգը:

Է առաջին անգամ մենք խոսում նեյրոնային ցանցերի 1943 թ., Եւ գյուտից հետո perceptron Ռոզենբլատի եկավ ոսկե դարաշրջան, եւ ցանցերը դարձել են շատ սիրված. Սակայն, հրապարակումից հետո Մինսկում 1969 թ, որի մի գիտնական ապացուցել է անարդյունավետությունը perceptron, որոշակի պայմաններում, հետաքրքրությունը այս ոլորտի ընկել կտրուկ. Բայց պատմությունը չի ավարտվում արհեստական ցանցերում. Ի 1985, Ջ. Hopfield ներկայացրել են իրենց ուսումը եւ հիմնավորվել է, որ նեյրոնային ցանցի մի հոյակապ գործիք է մեքենայի սովորում:

Այն էր, պարտք է կենսաբանության մի քանի հասկացությունների եւ սկզբունքների. Neuron - մի տեսակ switch որը ստանում եւ ապա փոխանցում է իմպուլսներ (ազդանշանները): Եթե Neuron ստանում բավականաչափ հզոր թափ, ենթադրվում է, որ այն ակտիվացված է եւ փոխանցում իմպուլսներ մնացած նեյրոնների հետ կապված: Neuron նույնը, որը չի ակտիվացված է, որ շարունակում է մնալ հանգստի, դա չի փոխանցի Pulse. Neuron կազմված է մի քանի հիմնական բաղադրիչներից `synapses որը կապելու neurons են միմյանց եւ ստանալ իմպուլսներ, Axon, որը տարածում է խթան առաջադրանքը եւ dendrites, որը ստանում ազդանշաններ տարբեր աղբյուրներից: Երբ neuron է ստանում խթան վերոնշյալ որոշակի շեմին, դա անմիջապես ուղարկում է ազդանշան է հաջորդ neuron.

The մաթեմատիկական մոդելը, մի քիչ այլ է: Մուտք մաթեմատիկական մոդելը մի neuron - ը վեկտորը, որը բաղկացած է մի մեծ շարք բաղադրիչների. Յուրաքանչյուր բաղադրիչը մեկն իմպուլսներ, որոնք ստացել են neuron: The արտադրանքը մոդելի մի շարք: Որ է, որ մոդելը մուտքային վեկտորը վերածվում է scalar, հետագայում տեղափոխվել է այլ neurons.

Նյարդային ցանցերը կարող են վերապատրաստվել է երկու տարբերակով `ինչպես եւ առանց ուսուցչի: Ուսման գործընթացը բաղկացած է մի քանի քայլերի. Նախ, ցանցի ներդրում է արտաքին խթան: Այնուհետեւ, համաձայն կանոնակարգի տարբեր լինել ազատ պարամետրերի նեյրոնային ցանցի, ապա ցանցը արձագանքում է մուտքային stimuli արդեն այլ կերպ. Այդ գործընթացը պետք է կրկնվել, քանի դեռ ցանցը չի լուծի խնդիրը: Որ սովորում ալգորիթմ մի ուսուցիչ, որ մարզումների ժամանակ ցանցը արդեն ունի ճիշտ պատասխանը: Այս մեթոդը արդեն հաջողությամբ կիրառվում է բազմաթիվ դիմումների, սակայն դա հաճախ քննադատվում է նրանով, որ դա կենսաբանորեն անհավանական. Նյարդային ցանցերը, որոնք վերապատրաստվել են առանց ուսուցչի այն դեպքում, երբ միայն հայտնի միջոցները: Դրանց հիման վրա, ցանցը աստիճանաբար սովորում է տալ լավագույն արժեքը արդյունքները:

Կիրառումը նեյրոնային ցանցերի, իրոք բազմազան. Նրանք հաճախ օգտագործվում է ավտոմատ ճանաչման, կանխատեսման, ստեղծումը տարբեր փորձագիտական համակարգերի, մոտարկման functionals: Նման ցանցը կարող է կատարել ձայնային ճանաչման կամ օպտիկական ազդակներ է կանխատեսել փոխանակման ցուցանիշները ստեղծել համակարգեր, որոնք ընդունակ են ինքնորոշման ուսուցման, որը կարող է, օրինակ, համադրել ելույթը տվյալ տեքստային կամ ՆՎԳ. Նյարդային ցանցերը Արեւմուտքի օգտագործվում են ավելի ակտիվորեն, ցավոք սրտի, հայրենական ընկերությունները դեռ չեն ընդունել էր այս մեթոդը:

Չնայած առավելությունների ANN սովորական հաշվարկների որոշ վայրերում, գոյություն ունեցող նեյրոնային ցանցերի չէ, որ իդեալական լուծում. Քանի որ նրանք ընդունակ են ուսուցման, նրանք կարող են լինել սխալ. Բացի այդ, դուք կարող եք ոչ թե հենց երաշխավորել, որ զարգացած նեյրոնային ցանցի օպտիմալ. Ծրագրավորողը պետք է հասկանա, բնույթը խնդրի հասցեագրված, ունեն շատ տեղեկատվություն, որը նկարագրում է խնդիրը, ստանալ տվյալներ, փորձարկման եւ վերապատրաստման ցանցի, ընտրել ճիշտ մեթոդը ուսուցման, փոխանցման ֆունկցիան եւ լորտու գործառույթների.