A mesterséges neurális hálózatok oktatóanyaga az ANN-ok alapvető és haladó fogalmait tartalmazza. Mesterséges neurális hálózat oktatóanyagunk kezdők és szakmák számára készült.
A „mesterséges neurális hálózat” kifejezés a mesterséges intelligencia biológiailag ihletett részterületére utal, amelyet az agy mintájára alakítottak ki. A mesterséges neurális hálózat általában egy számítási hálózat, amely az emberi agy szerkezetét felépítő biológiai neurális hálózatokon alapul. Az emberi agyhoz hasonlóan a mesterséges neurális hálózatokban is vannak neuronok, amelyek a hálózatok különböző rétegeiben kapcsolódnak egymáshoz. Ezeket a neuronokat csomópontoknak nevezzük.
hány millió van egy milliárdban
A mesterséges neurális hálózat oktatóanyaga a mesterséges neurális hálózattal kapcsolatos összes szempontot lefedi. Ebben az oktatóanyagban az ANN-okról, az adaptív rezonancia elméletről, a Kohonen önszerveződő térképről, az építőelemekről, a felügyelet nélküli tanulásról, a genetikai algoritmusról stb. lesz szó.
Mi az a mesterséges neurális hálózat?
A kifejezés Mesterséges neurális hálózat Az emberi agy szerkezetét fejlesztő biológiai neurális hálózatokból származik. Az emberi agyhoz hasonlóan, amelyben neuronok kapcsolódnak egymáshoz, a mesterséges neurális hálózatokban is vannak olyan neuronok, amelyek a hálózatok különböző rétegeiben kapcsolódnak egymáshoz. Ezeket a neuronokat csomópontoknak nevezzük.
Az alábbi ábra a Biológiai Neurális Hálózat tipikus diagramját szemlélteti.
A tipikus mesterséges neurális hálózat úgy néz ki, mint az adott ábra.
A biológiai neurális hálózatból származó dendritek a mesterséges neurális hálózatok bemeneteit jelentik, a sejtmag a csomópontokat, a szinapszis a súlyokat, az Axon pedig a kimenetet.
A biológiai neurális hálózat és a mesterséges neurális hálózat kapcsolata:
Biológiai Neurális Hálózat | Mesterséges neurális hálózat |
---|---|
Dendritek | Bemenetek |
Sejtmag | Csomópontok |
Szinapszis | Súlyok |
Axon | Kimenet |
An Mesterséges neurális hálózat területén Mesterséges intelligencia ahol megpróbálja utánozni a neuronok hálózatát, amely az emberi agyat alkotja, így a számítógépek lehetőséget kapnak a dolgok megértésére és a döntések emberhez hasonló meghozatalára. A mesterséges neurális hálózatot úgy tervezték meg, hogy a számítógépeket úgy programozzák, hogy egyszerűen egymással összekapcsolt agysejtekként viselkedjenek.
Az emberi agyban körülbelül 1000 milliárd neuron található. Minden neuronnak van egy asszociációs pontja, valahol 1000 és 100 000 tartományban. Az emberi agyban az adatok olyan módon tárolódnak, hogy eloszlanak, és ezekből az adatokból szükség esetén egynél több darabot is ki tudunk kinyerni a memóriánkból párhuzamosan. Elmondhatjuk, hogy az emberi agy hihetetlenül csodálatos párhuzamos processzorokból áll.
Megérthetjük a mesterséges neurális hálózatot egy példával, tekintsünk egy példát egy digitális logikai kapura, amely bemenetet vesz és kimenetet ad. 'OR' kapu, amely két bemenetet vesz igénybe. Ha az egyik vagy mindkét bemenet 'On', akkor a kimenetben az 'On' értéket kapjuk. Ha mindkét bemenet 'Ki', akkor a kimenetben 'Ki' értéket kapunk. Itt a kimenet a bemenettől függ. Az agyunk nem ugyanazt a feladatot látja el. A kimenetek és a bemenetek közötti kapcsolat folyamatosan változik az agyunkban lévő neuronok miatt, amelyek „tanulnak”.
A mesterséges neurális hálózat architektúrája:
Ahhoz, hogy megértsük a mesterséges neurális hálózat felépítésének fogalmát, meg kell értenünk, miből áll a neurális hálózat. Annak érdekében, hogy meghatározzunk egy neurális hálózatot, amely nagyszámú mesterséges neuronból áll, amelyeket rétegsorba rendezett egységeknek nevezünk. Nézzük meg a mesterséges neurális hálózatokban elérhető különféle rétegeket.
A mesterséges neurális hálózat alapvetően három rétegből áll:
Bemeneti réteg:
Ahogy a neve is sugallja, többféle, a programozó által biztosított formátumban fogad bemeneteket.
Rejtett réteg:
A rejtett réteg a bemeneti és kimeneti rétegek között jelenik meg. Elvégzi az összes számítást, hogy megtalálja a rejtett funkciókat és mintákat.
Java konvenciók elnevezése
Kimeneti réteg:
A bemenet egy sor átalakításon megy keresztül a rejtett réteg használatával, ami végül ennek a rétegnek a használatával továbbított kimenetet eredményez.
A mesterséges neurális hálózat bemenetet vesz, és kiszámítja a bemenetek súlyozott összegét, és tartalmaz egy torzítást. Ezt a számítást átviteli függvény formájában ábrázoljuk.
Meghatározza, hogy a súlyozott összérték bemenetként kerül átadásra egy aktiváló függvénynek a kimenet előállításához. Az aktiválási függvények döntik el, hogy egy csomópont aktiválódjon-e vagy sem. Csak azok jutnak a kimeneti rétegbe, akiket kirúgtak. Különleges aktiválási funkciók állnak rendelkezésre, amelyeket az általunk elvégzett feladatra lehet alkalmazni.
A mesterséges neurális hálózat (ANN) előnyei
Párhuzamos feldolgozási képesség:
A mesterséges neurális hálózatok olyan számértékkel rendelkeznek, amely egyszerre több feladatot is képes végrehajtani.
Adatok tárolása a teljes hálózaton:
A hagyományos programozásban használt adatok a teljes hálózaton tárolódnak, nem egy adatbázisban. Néhány adat eltűnése egy helyen nem akadályozza meg a hálózat működését.
Képesség hiányos tudással dolgozni:
Az ANN betanítás után az információ még nem megfelelő adatok esetén is eredményezhet kimenetet. A teljesítményvesztés itt a hiányzó adatok jelentőségén múlik.
Memóriaelosztással rendelkezik:
Ahhoz, hogy az ANN alkalmazkodni tudjon, fontos meghatározni a példákat, és a hálózatot a kívánt kimenetnek megfelelően ösztönözni, bemutatva ezeket a példákat a hálózatnak. A hálózat egymásutánisága egyenesen arányos a kiválasztott példányokkal, és ha az esemény nem jelenik meg minden szempontból a hálózat számára, akkor hamis kimenetet produkálhat.
Hibatűrő képességgel rendelkezik:
Az ANN egy vagy több cellájának zsarolása nem tiltja meg, hogy kimenetet generáljon, és ez a szolgáltatás hibatűrővé teszi a hálózatot.
A mesterséges neurális hálózat hátrányai:
A megfelelő hálózati struktúra biztosítása:
formázza meg a dátumot java-ban
A mesterséges neurális hálózatok szerkezetének meghatározására nincs különösebb iránymutatás. A megfelelő hálózati struktúra tapasztalatok, próbálkozások és tévedések révén valósul meg.
A hálózat fel nem ismert viselkedése:
Ez az ANN legjelentősebb kérdése. Amikor az ANN tesztelési megoldást készít, nem ad betekintést a miértek és a hogyanok kérdésébe. Csökkenti a hálózatba vetett bizalmat.
Hardverfüggőség:
A mesterséges neurális hálózatokhoz struktúrájuknak megfelelően párhuzamos feldolgozási teljesítménnyel rendelkező processzorokra van szükség. Ezért a berendezés megvalósítása függ.
A probléma hálózaton való megjelenítésének nehézségei:
Az ANN-ok numerikus adatokkal dolgozhatnak. A problémákat számértékekké kell konvertálni, mielőtt bevezetnénk az ANN-ba. Az itt megoldandó megjelenítési mechanizmus közvetlenül befolyásolja a hálózat teljesítményét. A felhasználó képességeitől függ.
A hálózat időtartama ismeretlen:
java8 funkciók
A hálózat a hiba meghatározott értékére redukálódik, és ez az érték nem ad optimális eredményt.
A tudomány mesterséges neurális hálózatok, amelyek a 20-as évek közepén ivódtak be a világbathszázadban exponenciálisan fejlődnek. Jelen időben a mesterséges neurális hálózatok előnyeit és az alkalmazásuk során felmerülő problémákat vizsgáltuk. Nem szabad figyelmen kívül hagyni, hogy a virágzó tudományágnak számító ANN hálózatok hátrányait egyenként szüntetik meg, és az előnyeik napról napra nőnek. Ez azt jelenti, hogy a mesterséges neurális hálózatok életünk pótolhatatlan részévé válnak, és fokozatosan fontosak lesznek.
Hogyan működnek a mesterséges neurális hálózatok?
A mesterséges neurális hálózat legjobban súlyozott irányított gráfként ábrázolható, ahol a mesterséges neuronok alkotják a csomópontokat. A neuron kimenetek és a neuron bemenetek közötti összefüggést súlyokkal irányított élekként tekinthetjük. A Mesterséges Neurális Hálózat a külső forrás bemeneti jelét minta, illetve vektor formájában kapja. Ezeket a bemeneteket azután minden n számú bemenethez az x(n) jelölések matematikailag hozzárendelik.
Ezután minden bemenetet megszoroznak a megfelelő súlyokkal (ezek a súlyok a mesterséges neurális hálózatok által egy adott probléma megoldására használt részletek). Általánosságban elmondható, hogy ezek a súlyok általában a mesterséges neurális hálózaton belüli neuronok közötti kapcsolat erősségét jelentik. Az összes súlyozott bemenet összege a számítási egységben található.
Ha a súlyozott összeg egyenlő nullával, akkor a rendszer torzítást ad hozzá, hogy a kimenet ne legyen nulla, vagy valami más, ami a rendszer válaszához igazodik. A torzítás ugyanazzal a bemenettel rendelkezik, és a súly egyenlő 1-gyel. Itt a súlyozott bemenetek összessége 0 és pozitív végtelen közötti tartományban lehet. Itt annak érdekében, hogy a válasz a kívánt érték határain belül maradjon, egy bizonyos maximális értéket benchmarkolnak, és a súlyozott bemenetek összessége átkerül az aktiváló funkción.
Az aktiválási funkció a kívánt kimenet eléréséhez használt átviteli függvények halmazára vonatkozik. Létezik másfajta aktiválási függvény is, de elsősorban lineáris vagy nemlineáris függvénykészletek. Az aktiválási függvények általánosan használt készletei a bináris, lineáris és tan hiperbolikus szigmoid aktiválási függvények. Nézzük meg mindegyiket részletesen:
Bináris:
A bináris aktiválási funkcióban a kimenet egy vagy egy 0. Itt ennek megvalósítására egy küszöbértéket állítunk be. Ha a neuronok nettó súlyozott bemenete nagyobb, mint 1, akkor az aktiváló függvény végső kimenete egyként, vagy a kimenet 0-ként kerül visszaadásra.
Szigmoid hiperbolikus:
A szigmoid hiperbola függvényt általában ' S ' alakú görbe. Itt a tan hiperbolikus függvény a tényleges nettó bemenet kimenetének közelítésére szolgál. A függvény meghatározása a következő:
F(x) = (1/1 + exp(-????x))
Ahol ???? Meredekség paraméternek tekintendő.
A mesterséges neurális hálózat típusai:
Különféle típusú mesterséges neurális hálózatok (ANN) léteznek az emberi agy idegsejtjétől és a hálózati funkcióktól függően, a mesterséges neurális hálózat hasonlóan lát el feladatokat. A mesterséges neurális hálózatok többsége hasonlóságot mutat egy bonyolultabb biológiai partnerrel, és nagyon hatékonyan teljesíti a várt feladatokat. Például szegmentálás vagy osztályozás.
Visszajelzés ANN:
Az ilyen típusú ANN-ok esetében a kimenet visszatér a hálózatba, hogy a legjobban kifejlesztett eredményeket belsőleg érje el. Mint a Massachusettsi Egyetem , Lowell Légkörkutatási Központ. A visszacsatoló hálózatok visszacsatolják az információkat önmagukban, és kiválóan alkalmasak az optimalizálási problémák megoldására. A belső rendszer hibajavításai visszacsatoló ANN-okat használnak.
Feed-Forward ANN:
Az előrecsatolt hálózat egy alapvető neurális hálózat, amely egy bemeneti rétegből, egy kimeneti rétegből és egy neuron legalább egy rétegéből áll. Kimenetének értékelése révén, a bemenet áttekintésével, a hálózat intenzitása észlelhető a kapcsolódó neuronok csoportviselkedése alapján, és eldönthető a kimenet. Ennek a hálózatnak az elsődleges előnye, hogy kitalálja, hogyan kell kiértékelni és felismerni a bemeneti mintákat.Előfeltétel
Ennek az oktatóanyagnak a megkezdése előtt nincs szükség speciális szakértelemre.
Közönség
Mesterséges neurális hálózat oktatóanyagunk kezdőknek és profiknak készült, hogy segítsen nekik megérteni az ANN-ok alapfogalmát.
Problémák
Biztosítjuk Önt, hogy ebben a Mesterséges neurális hálózat oktatóanyagában semmilyen problémát nem talál. De ha bármilyen probléma vagy hiba van, kérjük, írja be a problémát a kapcsolatfelvételi űrlapon, hogy tovább tudjuk javítani.