TechCodeview

Výukový program umelej neurónovej siete poskytuje základné a pokročilé koncepty ANN. Náš tutoriál o umelej neurónovej sieti je vyvinutý pre začiatočníkov aj pre profesie.

Pojem „umelá neurónová sieť“ sa vzťahuje na biologicky inšpirovanú podoblasť umelej inteligencie modelovanej podľa mozgu. Umelá neurónová sieť je zvyčajne výpočtová sieť založená na biologických neurónových sieťach, ktoré vytvárajú štruktúru ľudského mozgu. Podobne ako ľudský mozog má neuróny navzájom prepojené, aj umelé neurónové siete majú neuróny, ktoré sú navzájom prepojené v rôznych vrstvách sietí. Tieto neuróny sú známe ako uzly.

plná forma i d e

Návod na umelú neurónovú sieť pokrýva všetky aspekty súvisiace s umelou neurónovou sieťou. V tomto návode budeme diskutovať o ANN, teórii adaptívnej rezonancie, Kohonenovej samoorganizujúcej sa mape, stavebných blokoch, učení bez dozoru, genetickom algoritme atď.

Čo je umelá neurónová sieť?

Termín ' Umelá neurónová sieť “ je odvodený od biologických neurónových sietí, ktoré rozvíjajú štruktúru ľudského mozgu. Podobne ako ľudský mozog, ktorý má neuróny navzájom prepojené, aj umelé neurónové siete majú neuróny, ktoré sú navzájom prepojené v rôznych vrstvách sietí. Tieto neuróny sú známe ako uzly.

Uvedený obrázok ilustruje typický diagram biologickej neurónovej siete.

Typická umelá neurónová sieť vyzerá približne ako daný obrázok.

Dendrity z biologickej neurónovej siete predstavujú vstupy v umelých neurónových sieťach, bunkové jadro predstavuje uzly, synapsia predstavuje váhy a axón predstavuje výstup.

Vzťah medzi biologickou neurónovou sieťou a umelou neurónovou sieťou:

An Umelá neurónová sieť v oblasti Umela inteligencia kde sa pokúša napodobniť sieť neurónov tvoriacich ľudský mozog, takže počítače budú mať možnosť porozumieť veciam a rozhodovať sa ľudským spôsobom. Umelá neurónová sieť je navrhnutá naprogramovaním počítačov tak, aby sa správali jednoducho ako prepojené mozgové bunky.

V ľudskom mozgu je asi 1000 miliárd neurónov. Každý neurón má asociačný bod niekde v rozsahu 1 000 až 100 000. V ľudskom mozgu sú dáta uložené takým spôsobom, aby boli distribuované, a v prípade potreby môžeme z našej pamäte paralelne extrahovať viac ako jeden kus týchto dát. Môžeme povedať, že ľudský mozog sa skladá z neuveriteľne úžasných paralelných procesorov.

Umelé neurónové siete môžeme pochopiť na príklade, uvažujme o príklade digitálnej logickej brány, ktorá prijíma vstup a dáva výstup. Brána ALEBO, ktorá má dva vstupy. Ak je jeden alebo oba vstupy „zapnuté“, potom na výstupe dostaneme „zapnuté“. Ak sú oba vstupy „Vypnuté“, potom na výstupe dostaneme „Vypnuté“. Tu výstup závisí od vstupu. Náš mozog nevykonáva rovnakú úlohu. Vzťah medzi výstupmi a vstupmi sa neustále mení kvôli neurónom v našom mozgu, ktoré sa „učia“.

Architektúra umelej neurónovej siete:

Aby sme pochopili koncepciu architektúry umelej neurónovej siete, musíme pochopiť, z čoho sa neurónová sieť skladá. S cieľom definovať neurónovú sieť, ktorá pozostáva z veľkého počtu umelých neurónov, ktoré sa nazývajú jednotky usporiadané v postupnosti vrstiev. Pozrime sa na rôzne typy vrstiev dostupných v umelej neurónovej sieti.

Umelá neurónová sieť pozostáva predovšetkým z troch vrstiev:

Vstupná vrstva:

Ako už názov napovedá, prijíma vstupy v niekoľkých rôznych formátoch poskytnutých programátorom.

Skrytá vrstva:

Skrytá vrstva predstavuje vstupnú a výstupnú vrstvu. Vykonáva všetky výpočty, aby našiel skryté funkcie a vzory.

Výstupná vrstva:

Vstup prechádza sériou transformácií pomocou skrytej vrstvy, čo nakoniec vedie k výstupu, ktorý je prenášaný pomocou tejto vrstvy.

Umelá neurónová sieť berie vstup a vypočítava vážený súčet vstupov a zahŕňa odchýlku. Tento výpočet je reprezentovaný vo forme prenosovej funkcie.

Určuje, že vážený súčet sa odovzdá ako vstup do aktivačnej funkcie na vytvorenie výstupu. Aktivačné funkcie vyberajú, či sa má uzol spustiť alebo nie. Do výstupnej vrstvy sa dostanú len tí, ktorí sú vyhodení. K dispozícii sú charakteristické aktivačné funkcie, ktoré možno použiť pri druhu úlohy, ktorú vykonávame.

Výhody umelej neurónovej siete (ANN)

Možnosť paralelného spracovania:

Umelé neurónové siete majú číselnú hodnotu, ktorá môže vykonávať viac ako jednu úlohu súčasne.

Ukladanie údajov v celej sieti:

Údaje, ktoré sa používajú v tradičnom programovaní, sú uložené v celej sieti, nie v databáze. Zmiznutie niekoľkých údajov na jednom mieste nebráni fungovaniu siete.

Schopnosť pracovať s neúplnými znalosťami:

java počítadlo

Po tréningu ANN môžu informácie produkovať výstup aj s neadekvátnymi údajmi. Strata výkonu tu závisí od dôležitosti chýbajúcich údajov.

S distribúciou pamäte:

príkaz grep v linuxe

Aby sa ANN dokázala prispôsobiť, je dôležité určiť príklady a podporiť sieť podľa požadovaného výstupu demonštrovaním týchto príkladov sieti. Následnosť siete je priamo úmerná vybraným inštanciám a ak sa udalosť nemôže zobraziť sieti vo všetkých jej aspektoch, môže produkovať falošný výstup.

S odolnosťou voči chybám:

Vydieranie jednej alebo viacerých buniek ANN mu nezakazuje generovať výstup a táto vlastnosť robí sieť odolnosťou voči poruchám.

Nevýhody umelej neurónovej siete:

Zabezpečenie správnej štruktúry siete:

Neexistuje žiadny konkrétny návod na určenie štruktúry umelých neurónových sietí. Príslušná štruktúra siete je dosiahnutá prostredníctvom skúseností, pokusov a omylov.

Nerozpoznané správanie siete:

Je to najvýznamnejšia otázka ANN. Keď ANN vytvára testovacie riešenie, neposkytuje prehľad o tom, prečo a ako. Znižuje dôveru v sieť.

Hardvérová závislosť:

Umelé neurónové siete potrebujú procesory s paralelným výpočtovým výkonom podľa ich štruktúry. Preto je realizácia zariadenia závislá.

Ťažkosti so zobrazením problému v sieti:

ANN môžu pracovať s číselnými údajmi. Problémy sa musia pred zavedením do ANN previesť na číselné hodnoty. Prezentačný mechanizmus, ktorý tu treba vyriešiť, bude mať priamy vplyv na výkon siete. Spolieha sa na schopnosti používateľa.

Trvanie siete nie je známe:

Sieť je redukovaná na konkrétnu hodnotu chyby a táto hodnota nám neposkytuje optimálne výsledky.

Veda umelé neurónové siete, ktoré prenikli do sveta v polovici 20^thstoročia sa exponenciálne rozvíjajú. V súčasnosti sme skúmali klady umelých neurónových sietí a problémy, s ktorými sa stretávame pri ich využívaní. Netreba prehliadnuť, že nevýhody sietí ANN, ktoré sú prekvitajúcim vedným odvetvím, sa eliminujú individuálne a ich plusy sa každým dňom zvyšujú. Znamená to, že umelé neurónové siete sa postupne stanú nenahraditeľnou súčasťou nášho života.

Ako fungujú umelé neurónové siete?

Umelá neurónová sieť môže byť najlepšie znázornená ako vážený orientovaný graf, kde umelé neuróny tvoria uzly. Asociáciu medzi výstupmi neurónov a vstupmi neurónov možno považovať za smerované hrany s váhami. Umelá neurónová sieť prijíma vstupný signál z externého zdroja vo forme vzoru a obrazu vo forme vektora. Tieto vstupy sú potom matematicky priradené notáciami x(n) pre každých n počtu vstupov.

Potom sa každý zo vstupov vynásobí príslušnými váhami (tieto váhy sú detaily využívané umelými neurónovými sieťami na riešenie konkrétneho problému). Vo všeobecnosti tieto váhy normálne predstavujú silu prepojenia medzi neurónmi vo vnútri umelej neurónovej siete. Všetky vážené vstupy sú zhrnuté vo výpočtovej jednotke.

Ak sa vážený súčet rovná nule, potom sa pripočíta odchýlka, aby bol výstup nenulový, alebo niečo iné na prispôsobenie odozve systému. Skreslenie má rovnaký vstup a váha sa rovná 1. Tu môže byť súčet vážených vstupov v rozsahu od 0 do kladného nekonečna. Tu, aby sa odozva udržala v medziach požadovanej hodnoty, je stanovená určitá maximálna hodnota a súčet vážených vstupov prechádza cez aktivačnú funkciu.

Aktivačná funkcia sa týka súboru prenosových funkcií používaných na dosiahnutie požadovaného výstupu. Existuje iný druh aktivačnej funkcie, ale primárne buď lineárne alebo nelineárne množiny funkcií. Niektoré z bežne používaných súborov aktivačných funkcií sú binárne, lineárne a tan hyperbolické sigmoidálne aktivačné funkcie. Pozrime sa na každú z nich podrobne:

binárne:

Pri binárnej aktivačnej funkcii je výstup buď jedna alebo 0. Tu, aby sa to dosiahlo, je nastavená prahová hodnota. Ak je čistý vážený vstup neurónov väčší ako 1, potom sa konečný výstup aktivačnej funkcie vráti ako jedna alebo sa výstup vráti ako 0.

Sigmoidálna hyperbolická:

Funkcia sigmoidálnej hyperboly sa vo všeobecnosti považuje za „ S krivka v tvare '. Tu sa hyperbolická funkcia tan používa na aproximáciu výstupu zo skutočného čistého vstupu. Funkcia je definovaná ako:

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

Kde ???? sa považuje za parameter strmosti.

linuxové klávesové skratky

Typy umelej neurónovej siete:

Existujú rôzne typy umelých neurónových sietí (ANN) v závislosti od neurónu ľudského mozgu a sieťových funkcií, umelá neurónová sieť podobne vykonáva úlohy. Väčšina umelých neurónových sietí bude mať určité podobnosti so zložitejším biologickým partnerom a sú veľmi účinné pri svojich očakávaných úlohách. Napríklad segmentácia alebo klasifikácia.

Spätná väzba ANN:

Pri tomto type ANN sa výstup vracia do siete, aby sa interne dosiahli najlepšie vyvinuté výsledky. Podľa University of Massachusetts , Lowellovo centrum pre výskum atmosféry. Siete spätnej väzby do seba vkladajú informácie a sú vhodné na riešenie problémov s optimalizáciou. Opravy interných chýb systému využívajú ANN spätnej väzby.

Feed-Forward ANN:

Predpoklad

Pred začatím tohto tutoriálu nie sú potrebné žiadne špecifické odborné znalosti.

publikum

Náš návod na umelú neurónovú sieť je vyvinutý pre začiatočníkov aj profesionálov, aby im pomohol pochopiť základný koncept ANN.

Problémy

Uisťujeme vás, že v tomto návode na umelú neurónovú sieť nenájdete žiadny problém. Ak sa však vyskytne nejaký problém alebo chyba, napíšte problém do kontaktného formulára, aby sme ho mohli ďalej zlepšovať.