TechCodeview

Dirbtinio neuroninio tinklo mokymo programoje pateikiamos pagrindinės ir išplėstinės ANN sąvokos. Mūsų dirbtinio neuroninio tinklo pamoka skirta pradedantiesiems ir profesijų atstovams.

Terminas „Dirbtinis neuroninis tinklas“ reiškia biologiškai įkvėptą dirbtinio intelekto polaukį, sukurtą pagal smegenis. Dirbtinis neuroninis tinklas paprastai yra skaičiavimo tinklas, pagrįstas biologiniais neuroniniais tinklais, kurie sukuria žmogaus smegenų struktūrą. Panašiai kaip žmogaus smegenyse yra tarpusavyje sujungtų neuronų, dirbtiniuose neuroniniuose tinkluose taip pat yra neuronų, kurie yra susieti vienas su kitu įvairiuose tinklų sluoksniuose. Šie neuronai yra žinomi kaip mazgai.

nuskaityti.next java

Dirbtinio neuroninio tinklo pamoka apima visus su dirbtiniu neuroniniu tinklu susijusius aspektus. Šioje pamokoje aptarsime ANN, adaptyvaus rezonanso teoriją, Kohoneno savaime besitvarkantį žemėlapį, blokus, neprižiūrimą mokymąsi, genetinį algoritmą ir kt.

Kas yra dirbtinis neuroninis tinklas?

Terminas ' Dirbtinis neuroninis tinklas “ yra kilęs iš biologinių neuroninių tinklų, kurie vysto žmogaus smegenų struktūrą. Panašiai kaip žmogaus smegenyse, kuriose neuronai yra tarpusavyje sujungti, dirbtiniai neuroniniai tinklai taip pat turi neuronų, kurie yra tarpusavyje sujungti įvairiuose tinklų sluoksniuose. Šie neuronai yra žinomi kaip mazgai.

Pateiktas paveikslas iliustruoja tipinę biologinio neuroninio tinklo diagramą.

Tipiškas dirbtinis neuroninis tinklas atrodo panašiai kaip pateikta figūra.

Dendritai iš biologinio neuroninio tinklo žymi įvestis dirbtiniuose neuroniniuose tinkluose, ląstelės branduolys – mazgus, sinapsė – svorius, o aksonas – išvestį.

Ryšys tarp biologinio neuroninio tinklo ir dirbtinio neuroninio tinklo:

An Dirbtinis neuroninis tinklas srityje Dirbtinis intelektas kai bandoma imituoti neuronų tinklą, sudaro žmogaus smegenis, kad kompiuteriai turėtų galimybę suprasti dalykus ir priimti sprendimus panašiai kaip žmogus. Dirbtinis neuroninis tinklas sukurtas programuojant kompiuterius taip, kad jie elgtųsi tiesiog kaip tarpusavyje sujungtos smegenų ląstelės.

Žmogaus smegenyse yra apie 1000 milijardų neuronų. Kiekvienas neuronas turi asociacijos tašką kažkur nuo 1000 iki 100 000. Žmogaus smegenyse duomenys saugomi taip, kad būtų paskirstyti, ir prireikus iš savo atminties galime lygiagrečiai išgauti daugiau nei vieną šių duomenų dalį. Galima sakyti, kad žmogaus smegenys yra sudarytos iš neįtikėtinai nuostabių lygiagrečių procesorių.

Dirbtinį neuroninį tinklą galime suprasti pateikdami pavyzdį, apsvarstykite skaitmeninių loginių vartų pavyzdį, kuris paima įvestį ir duoda išvestį. „ARBA“ vartai, kuriems reikia dviejų įėjimų. Jei viena arba abi įvestys yra „Įjungtos“, tada išvestyje gauname „Įjungta“. Jei abu įėjimai yra „Išjungti“, tada išvestyje gauname „Išjungta“. Čia išvestis priklauso nuo įvesties. Mūsų smegenys neatlieka tos pačios užduoties. Išvesties ir įvesties santykis nuolat keičiasi dėl mūsų smegenų neuronų, kurie „mokosi“.

Dirbtinio neuroninio tinklo architektūra:

Norėdami suprasti dirbtinio neuroninio tinklo architektūros sąvoką, turime suprasti, iš ko susideda neuroninis tinklas. Siekiant apibrėžti neuronų tinklą, kurį sudaro daugybė dirbtinių neuronų, kurie vadinami vienetais, išdėstytais sluoksnių seka. Leiskite mums pažvelgti į įvairių tipų sluoksnius, prieinamus dirbtiniame neuroniniame tinkle.

Dirbtinis neuroninis tinklas daugiausia susideda iš trijų sluoksnių:

Įvesties sluoksnis:

Kaip rodo pavadinimas, jis priima įvestis keliais skirtingais formatais, kuriuos pateikia programuotojas.

Paslėptas sluoksnis:

Paslėptas sluoksnis yra tarp įvesties ir išvesties sluoksnių. Jis atlieka visus skaičiavimus, kad surastų paslėptas funkcijas ir modelius.

Išvesties sluoksnis:

Įvestis atlieka daugybę transformacijų naudojant paslėptą sluoksnį, o tai galiausiai sukuria išvestį, kuri perduodama naudojant šį sluoksnį.

Dirbtinis neuroninis tinklas priima įvestį ir apskaičiuoja svertinę įvesties sumą ir apima poslinkį. Šis skaičiavimas pateikiamas perdavimo funkcijos forma.

Jis nustato, kad svertinė suma perduodama kaip įvestis į aktyvinimo funkciją, kad būtų sukurta išvestis. Aktyvinimo funkcijos pasirenka, ar mazgas turi įsijungti, ar ne. Į išvesties sluoksnį patenka tik tie, kurie yra atleisti. Yra išskirtinių aktyvinimo funkcijų, kurias galima pritaikyti mūsų atliekamai užduočiai.

Dirbtinio neuroninio tinklo (ANN) pranašumai

Lygiagretaus apdorojimo galimybė:

Dirbtiniai neuroniniai tinklai turi skaitinę reikšmę, kuri vienu metu gali atlikti daugiau nei vieną užduotį.

Duomenų saugojimas visame tinkle:

Duomenys, naudojami tradiciniame programavime, yra saugomi visame tinkle, o ne duomenų bazėje. Vienoje vietoje dingus kelios duomenų dalys netrukdo tinklui veikti.

java perdavė char į eilutę

Gebėjimas dirbti turint nepilnų žinių:

Po ANN mokymo informacija gali būti išvestis net ir esant netinkamiems duomenims. Veikimo praradimas čia priklauso nuo trūkstamų duomenų svarbos.

101 mln

Atminties paskirstymas:

Kad ANN galėtų prisitaikyti, svarbu nustatyti pavyzdžius ir skatinti tinklą pagal norimą išvestį, demonstruojant šiuos pavyzdžius tinklui. Tinklo eiliškumas yra tiesiogiai proporcingas pasirinktiems egzemplioriams, ir jei įvykis negali pasirodyti tinklui visais aspektais, jis gali sukelti klaidingą išvestį.

Gedimų tolerancija:

Vienos ar kelių ANN langelių prievartavimas nedraudžia generuoti išvesties, o ši funkcija užtikrina tinklo atsparumą gedimams.

Dirbtinio neuroninio tinklo trūkumai:

Tinkamos tinklo struktūros užtikrinimas:

Nėra specialių dirbtinių neuroninių tinklų struktūros nustatymo gairių. Tinkama tinklo struktūra pasiekiama naudojant patirtį, bandymus ir klaidas.

Neatpažintas tinklo elgesys:

Tai svarbiausias ANN klausimas. Kai ANN sukuria testavimo sprendimą, jis nepateikia supratimo, kodėl ir kaip. Tai sumažina pasitikėjimą tinklu.

Priklausomybė nuo aparatinės įrangos:

Dirbtiniams neuroniniams tinklams reikia procesorių, turinčių lygiagrečią apdorojimo galią, atsižvelgiant į jų struktūrą. Todėl įrangos realizavimas priklauso.

Sunku parodyti problemą tinklui:

ANN gali dirbti su skaitmeniniais duomenimis. Prieš įtraukiant į ANN problemas, jos turi būti konvertuojamos į skaitines reikšmes. Pateikimo mechanizmas, kurį reikia išspręsti čia, turės tiesioginės įtakos tinklo veikimui. Tai priklauso nuo vartotojo galimybių.

Tinklo trukmė nežinoma:

Tinklas sumažinamas iki konkrečios klaidos vertės ir ši vertė neduoda mums optimalių rezultatų.

Mokslas apie dirbtinius neuroninius tinklus, kurie į pasaulį įsiveržė XX amžiaus viduryje^thamžiuje vystosi eksponentiškai. Šiuo metu mes ištyrėme dirbtinių neuroninių tinklų privalumus ir problemas, su kuriomis susiduriama juos naudojant. Nereikėtų pamiršti, kad ANN tinklų, kurie yra klesti mokslo šaka, trūkumai šalinami individualiai, o jų pliusų kasdien daugėja. Tai reiškia, kad dirbtiniai neuroniniai tinklai palaipsniui taps nepakeičiama mūsų gyvenimo dalimi.

Kaip veikia dirbtiniai neuroniniai tinklai?

Dirbtinis neuroninis tinklas geriausiai gali būti pavaizduotas kaip svertinis nukreiptas grafikas, kuriame dirbtiniai neuronai sudaro mazgus. Ryšys tarp neuronų išėjimų ir neuronų įėjimų gali būti vertinamas kaip nukreiptos briaunos su svoriais. Dirbtinis neuroninis tinklas gauna įvesties signalą iš išorinio šaltinio modelio ir vaizdo vektoriaus pavidalu. Tada šie įėjimai matematiškai priskiriami žymėjimui x(n) kiekvienam n įėjimų skaičiui.

Vėliau kiekviena įvestis padauginama iš atitinkamų svorių (šie svoriai yra detalės, kurias naudoja dirbtiniai neuroniniai tinklai sprendžiant konkrečią problemą). Apskritai šie svoriai paprastai parodo neuronų tarpusavio ryšio stiprumą dirbtinio neuroninio tinklo viduje. Visi svertiniai įėjimai yra apibendrinami skaičiavimo vienete.

Jei svertinė suma lygi nuliui, pridedamas poslinkis, kad išvestis būtų ne nulis, arba kažkas kita, kad būtų padidintas sistemos atsakas. Poslinkio įvestis yra tokia pati, o svoris lygus 1. Čia bendra svertinių įėjimų suma gali būti nuo 0 iki teigiamos begalybės. Čia, norint išlaikyti atsaką norimos reikšmės ribose, nustatoma tam tikra maksimali vertė, o bendra svertinių įėjimų suma perduodama per aktyvinimo funkciją.

Aktyvinimo funkcija reiškia perdavimo funkcijų rinkinį, naudojamą norimam išėjimui pasiekti. Yra kitokio tipo aktyvinimo funkcija, bet pirmiausia linijiniai arba nelinijiniai funkcijų rinkiniai. Kai kurie dažniausiai naudojami aktyvinimo funkcijų rinkiniai yra dvejetainės, linijinės ir Tan hiperbolinės sigmoidinės aktyvinimo funkcijos. Pažvelkime į kiekvieną iš jų išsamiai:

Dvejetainis:

Dvejetainėje aktyvinimo funkcijoje išvestis yra arba vienetas, arba 0. Tam, kad tai būtų atlikta, yra nustatyta slenkstinė reikšmė. Jei grynoji neuronų svertinė įvestis yra didesnė nei 1, tada galutinė aktyvinimo funkcijos išvestis grąžinama kaip viena arba išvestis grąžinama kaip 0.

Sigmoidinė hiperbolė:

Sigmoidinės hiperbolės funkcija paprastai laikoma „ S ' formos kreivė. Čia įdegio hiperbolinė funkcija naudojama apytiksliai apskaičiuoti išvestį iš tikrosios grynosios įvesties. Funkcija apibrėžiama taip:

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

dvejetainis medis užsakymo paštu perkėlimas

Kur???? yra laikomas statumo parametru.

Dirbtinio neuroninio tinklo tipai:

Yra įvairių tipų dirbtinių neuronų tinklų (ANN), priklausomai nuo žmogaus smegenų neurono ir tinklo funkcijų, dirbtinis neuroninis tinklas panašiai atlieka užduotis. Dauguma dirbtinių neuroninių tinklų turės tam tikrų panašumų su sudėtingesniu biologiniu partneriu ir yra labai veiksmingi atliekant numatomas užduotis. Pavyzdžiui, segmentavimas arba klasifikavimas.

Atsiliepimai ANN:

Šio tipo ANN išvestis grįžta į tinklą, kad viduje būtų pasiekti geriausi rezultatai. Pagal Masačusetso universitetas , Lowell atmosferos tyrimų centras. Grįžtamojo ryšio tinklai perduoda informaciją atgal į save ir puikiai tinka optimizavimo problemoms spręsti. Vidinės sistemos klaidų taisymui naudojami grįžtamojo ryšio ANN.

Persiųsti ANN:

Būtina sąlyga

Prieš pradedant šią mokymo programą, nereikia turėti specialių žinių.

Publika

Mūsų dirbtinio neuroninio tinklo mokymo programa skirta pradedantiesiems ir profesionalams, kad padėtų jiems suprasti pagrindinę ANN sąvoką.

Problemos

Užtikriname, kad šioje Dirbtinio neuroninio tinklo pamokoje nerasite jokių problemų. Bet jei yra kokių nors problemų ar klaidų, paskelbkite problemą kontaktinėje formoje, kad galėtume toliau ją patobulinti.