Vodič za umjetne neuronske mreže pruža osnovne i napredne koncepte ANN-ova. Naš vodič za umjetnu neuronsku mrežu razvijen je za početnike, kao i za profesionalce.
Izraz 'umjetna neuronska mreža' odnosi se na biološki inspirirano potpodručje umjetne inteligencije po uzoru na mozak. Umjetna neuronska mreža obično je računalna mreža temeljena na biološkim neuronskim mrežama koje grade strukturu ljudskog mozga. Slično kao što ljudski mozak ima neurone međusobno povezane, umjetne neuronske mreže također imaju neurone koji su međusobno povezani u različitim slojevima mreže. Ovi neuroni su poznati kao čvorovi.
cdr puni oblik
Vodič za umjetne neuronske mreže pokriva sve aspekte povezane s umjetnom neuronskom mrežom. U ovom vodiču raspravljat ćemo o ANN-ovima, teoriji adaptivne rezonancije, Kohonenovoj samoorganizirajućoj mapi, blokovima za izgradnju, učenju bez nadzora, genetskom algoritmu itd.
Što je umjetna neuronska mreža?
Uvjet ' Umjetna neuronska mreža ' proizlazi iz bioloških neuronskih mreža koje razvijaju strukturu ljudskog mozga. Slično ljudskom mozgu koji ima neurone međusobno povezane, umjetne neuronske mreže također imaju neurone koji su međusobno povezani u različitim slojevima mreže. Ovi neuroni su poznati kao čvorovi.
Dana slika ilustrira tipični dijagram biološke neuronske mreže.
Tipična umjetna neuronska mreža izgleda otprilike poput dane slike.
Dendriti iz biološke neuronske mreže predstavljaju ulaze u umjetnim neuronskim mrežama, stanična jezgra predstavlja čvorove, sinapsa predstavlja težinu, a akson predstavlja izlaz.
Odnos između biološke neuronske mreže i umjetne neuronske mreže:
Biološka neuronska mreža | Umjetna neuronska mreža |
---|---|
Dendriti | Unosi |
Stanična jezgra | Čvorovi |
Sinapsa | Utezi |
Akson | Izlaz |
An Umjetna neuronska mreža u polju Umjetna inteligencija gdje pokušava oponašati mrežu neurona koja čini ljudski mozak tako da računala imaju mogućnost razumjeti stvari i donositi odluke na ljudski način. Umjetna neuronska mreža dizajnirana je programiranjem računala da se ponašaju jednostavno poput međusobno povezanih moždanih stanica.
U ljudskom mozgu postoji oko 1000 milijardi neurona. Svaki neuron ima asocijacijsku točku negdje u rasponu od 1.000 do 100.000. U ljudskom mozgu podaci su pohranjeni na takav način da se distribuiraju, a mi možemo izdvojiti više od jednog dijela tih podataka kada je to potrebno iz naše memorije paralelno. Možemo reći da se ljudski mozak sastoji od nevjerojatno nevjerojatnih paralelnih procesora.
Umjetnu neuronsku mrežu možemo razumjeti na primjeru, razmotrimo primjer digitalnih logičkih vrata koja primaju ulaz i daju izlaz. Vrata 'ILI', koja primaju dva ulaza. Ako su jedan ili oba ulaza 'Uključeno', tada dobivamo 'Uključeno' na izlazu. Ako su oba ulaza 'Isključena', tada dobivamo 'Isključeno' na izlazu. Ovdje izlaz ovisi o ulazu. Naš mozak ne obavlja isti zadatak. Odnos izlaza i ulaza stalno se mijenja zbog neurona u našem mozgu koji 'uče'.
Arhitektura umjetne neuronske mreže:
Da bismo razumjeli koncept arhitekture umjetne neuronske mreže, moramo razumjeti od čega se neuronska mreža sastoji. Kako bi se definirala neuronska mreža koja se sastoji od velikog broja umjetnih neurona, koji se nazivaju jedinicama raspoređenim u nizu slojeva. Pogledajmo različite vrste slojeva dostupnih u umjetnoj neuronskoj mreži.
Umjetna neuronska mreža prvenstveno se sastoji od tri sloja:
Ulazni sloj:
Kao što naziv sugerira, prihvaća unose u nekoliko različitih formata koje nudi programer.
Skriveni sloj:
Skriveni sloj nalazi se između ulaznog i izlaznog sloja. Izvodi sve izračune kako bi pronašao skrivene značajke i uzorke.
Izlazni sloj:
kako pretvoriti niz u cijeli broj
Ulaz prolazi kroz niz transformacija pomoću skrivenog sloja, što konačno rezultira izlazom koji se prenosi pomoću ovog sloja.
Umjetna neuronska mreža uzima ulazne podatke i izračunava ponderirani zbroj ulaznih podataka te uključuje pristranost. Ovaj izračun je predstavljen u obliku prijenosne funkcije.
Određuje ponderirani ukupni iznos koji se prosljeđuje kao ulaz u aktivacijsku funkciju za proizvodnju izlaza. Aktivacijske funkcije biraju hoće li se čvor aktivirati ili ne. Samo oni koji su otpušteni stignu do izlaznog sloja. Dostupne su različite funkcije aktivacije koje se mogu primijeniti na vrstu zadatka koji obavljamo.
Prednosti umjetne neuronske mreže (ANN)
Mogućnost paralelne obrade:
Umjetne neuronske mreže imaju brojčanu vrijednost koja može obavljati više od jednog zadatka istovremeno.
Pohranjivanje podataka na cijeloj mreži:
Podaci koji se koriste u tradicionalnom programiranju pohranjuju se na cijeloj mreži, a ne u bazi podataka. Nestanak nekoliko podataka na jednom mjestu ne sprječava rad mreže.
Sposobnost za rad s nepotpunim znanjem:
Nakon obuke ANN-a, informacije mogu proizvesti rezultate čak i s neadekvatnim podacima. Gubitak performansi ovdje se oslanja na važnost podataka koji nedostaju.
Imati distribuciju memorije:
Kako bi se ANN mogao prilagoditi, važno je odrediti primjere i potaknuti mrežu prema željenom rezultatu demonstracijom tih primjera mreži. Sukcesija mreže izravno je proporcionalna odabranim instancama, a ako se događaj ne može prikazati mreži u svim svojim aspektima, može proizvesti lažne rezultate.
Imati toleranciju na greške:
Iznuđivanje jedne ili više ćelija ANN-a ne zabranjuje mu generiranje izlaza, a ova značajka čini mrežu otpornom na greške.
Nedostaci umjetne neuronske mreže:
Osiguranje ispravne strukture mreže:
Ne postoji posebna smjernica za određivanje strukture umjetnih neuronskih mreža. Odgovarajuća struktura mreže postiže se iskustvom, pokušajima i pogreškama.
uključiti java
Neprepoznato ponašanje mreže:
To je najznačajniji broj ANN-a. Kada ANN proizvodi rješenje za testiranje, ono ne daje uvid u to zašto i kako. Smanjuje povjerenje u mrežu.
Ovisnost o hardveru:
Umjetne neuronske mreže trebaju procesore s paralelnom procesorskom snagom, prema njihovoj strukturi. Stoga je realizacija opreme ovisna.
Poteškoće u prikazivanju problema mreži:
ANN-ovi mogu raditi s numeričkim podacima. Problemi se moraju pretvoriti u numeričke vrijednosti prije uvođenja u ANN. Mehanizam prezentacije koji ovdje treba riješiti izravno će utjecati na performanse mreže. Oslanja se na sposobnosti korisnika.
Trajanje mreže nije poznato:
Mreža je svedena na određenu vrijednost pogreške, a ta nam vrijednost ne daje optimalne rezultate.
java valjani identifikatori
Znanstvene umjetne neuronske mreže koje su ušle u svijet sredinom 20thstoljeća eksponencijalno se razvijaju. U sadašnjem smo vremenu istražili prednosti umjetnih neuronskih mreža i probleme s kojima smo se susreli tijekom njihove uporabe. Ne treba zanemariti da se nedostaci ANN mreža, koje su cvjetajuća znanstvena grana, otklanjaju pojedinačno, a prednosti su iz dana u dan sve veće. To znači da će se umjetne neuronske mreže pretvoriti u nezamjenjivi dio naših života koji će biti sve važniji.
Kako rade umjetne neuronske mreže?
Umjetna neuronska mreža može se najbolje prikazati kao težinski usmjereni graf, gdje umjetni neuroni tvore čvorove. Povezanost između neuronskih izlaza i neuronskih ulaza može se promatrati kao usmjereni rubovi s težinama. Umjetna neuronska mreža prima ulazni signal iz vanjskog izvora u obliku uzorka i slike u obliku vektora. Ovi ulazi se zatim matematički dodjeljuju oznakama x(n) za svaki n broj ulaza.
Nakon toga, svaki ulaz se množi sa svojim odgovarajućim težinama (ove težine su detalji koje koriste umjetne neuronske mreže za rješavanje određenog problema). Općenito govoreći, ove težine obično predstavljaju snagu međupovezanosti između neurona unutar umjetne neuronske mreže. Svi ponderirani ulazi sažeti su unutar računske jedinice.
Ako je ponderirani zbroj jednak nuli, tada se dodaje pristranost kako bi izlaz bio različit od nule ili nešto drugo kako bi se povećalo na odgovor sustava. Bias ima isti ulaz, a težina je jednaka 1. Ovdje zbroj ponderiranih inputa može biti u rasponu od 0 do pozitivne beskonačnosti. Ovdje se, kako bi se odgovor zadržao u granicama željene vrijednosti, određena maksimalna vrijednost uspoređuje, a ukupni ponderirani unos prolazi kroz aktivacijsku funkciju.
Aktivacijska funkcija odnosi se na skup prijenosnih funkcija koje se koriste za postizanje željenog učinka. Postoji različita vrsta aktivacijske funkcije, ali primarno linearni ili nelinearni skupovi funkcija. Neki od najčešće korištenih skupova aktivacijskih funkcija su binarne, linearne i Tan hiperbolične sigmoidalne aktivacijske funkcije. Pogledajmo svaki od njih u detalje:
Binarni:
U funkciji binarne aktivacije, izlaz je ili jedan ili 0. Ovdje je postavljena vrijednost praga da bi se to postiglo. Ako je neto ponderirani unos neurona veći od 1, tada se konačni izlaz aktivacijske funkcije vraća kao jedan ili se izlaz vraća kao 0.
Sigmoidna hiperbolika:
Funkcija sigmoidalne hiperbole općenito se vidi kao ' S ' oblikovana krivulja. Ovdje se tan hiperbolička funkcija koristi za aproksimaciju izlaza iz stvarnog neto inputa. Funkcija je definirana kao:
F(x) = (1/1 + exp(-????x))
Gdje ???? se smatra parametrom strmosti.
Vrste umjetne neuronske mreže:
Postoje različite vrste umjetnih neuronskih mreža (ANN) ovisno o funkcijama neurona ljudskog mozga i mreže, umjetna neuronska mreža na sličan način obavlja zadatke. Većina umjetnih neuronskih mreža imat će neke sličnosti sa složenijim biološkim partnerom i vrlo su učinkovite u svojim očekivanim zadacima. Na primjer, segmentacija ili klasifikacija.
Povratne informacije ANN:
U ovoj vrsti ANN-a, izlaz se vraća u mrežu kako bi se interno postigli najbolje razvijeni rezultati. Prema Sveučilište Massachusetts , Lowell centar za istraživanje atmosfere. Mreže povratnih informacija vraćaju informacije u sebe i dobro su prikladne za rješavanje problema optimizacije. Ispravci internih grešaka sustava koriste povratne ANN-ove.
Feed-Forward ANN:
Feed-forward mreža je osnovna neuronska mreža koja se sastoji od ulaznog sloja, izlaznog sloja i najmanje jednog sloja neurona. Kroz procjenu izlaza pregledom ulaza, intenzitet mreže može se uočiti na temelju grupnog ponašanja povezanih neurona i odlučuje se o izlazu. Primarna prednost ove mreže je da otkriva kako procijeniti i prepoznati uzorke unosa.Preduvjet
Nije potrebna posebna stručnost kao preduvjet prije pokretanja ovog vodiča.
Publika
Naš vodič za umjetnu neuronsku mrežu razvijen je za početnike kao i za profesionalce, kako bi im pomogao razumjeti osnovni koncept ANN-ova.
Problemi
Uvjeravamo vas da nećete pronaći nikakav problem u ovom vodiču za umjetnu neuronsku mrežu. Ali ako postoji bilo kakav problem ili pogreška, molimo vas da problem objavite u obrascu za kontakt kako bismo ga mogli dodatno poboljšati.