Tutorialul privind rețeaua neuronală artificială oferă concepte de bază și avansate ale ANN-urilor. Tutorialul nostru de rețea neuronală artificială este dezvoltat atât pentru începători, cât și pentru profesii.

Termenul „rețea neuronală artificială” se referă la un subdomeniu inspirat din punct de vedere biologic al inteligenței artificiale, modelat după creier. O rețea neuronală artificială este de obicei o rețea de calcul bazată pe rețele neuronale biologice care construiesc structura creierului uman. La fel ca un creier uman are neuroni interconectați între ei, rețelele neuronale artificiale au, de asemenea, neuroni care sunt legați între ei în diferite straturi ale rețelelor. Acești neuroni sunt cunoscuți ca noduri.

forma completă cdr

Tutorialul rețelei neuronale artificiale acoperă toate aspectele legate de rețeaua neuronală artificială. În acest tutorial, vom discuta despre ANN, teoria rezonanței adaptive, harta de auto-organizare Kohonen, blocuri de construcție, învățare nesupravegheată, algoritm genetic etc.

Ce este rețeaua neuronală artificială?

Termenul ' Retele neuronale artificiale este derivat din rețelele neuronale biologice care dezvoltă structura creierului uman. Similar cu creierul uman care are neuroni interconectați unul cu altul, rețelele neuronale artificiale au și neuroni care sunt interconectați unul cu altul în diferite straturi ale rețelelor. Acești neuroni sunt cunoscuți ca noduri.

Figura dată ilustrează diagrama tipică a rețelei neuronale biologice.

Rețeaua neuronală artificială tipică arată ceva ca figura dată.

Dendritele din Rețeaua Neuronală Biologică reprezintă intrări în Rețelele Neurale Artificiale, nucleul celular reprezintă Nodurile, sinapsa reprezintă Greutăți, iar Axonul reprezintă Ieșirea.

Relația dintre rețeaua neuronală biologică și rețeaua neuronală artificială:

Un Retele neuronale artificiale în domeniul Inteligenţă artificială unde încearcă să imite rețeaua de neuroni alcătuiește un creier uman, astfel încât computerele vor avea opțiunea de a înțelege lucrurile și de a lua decizii într-o manieră asemănătoare omului. Rețeaua neuronală artificială este proiectată prin programarea computerelor pentru a se comporta ca niște celule cerebrale interconectate.

Există aproximativ 1000 de miliarde de neuroni în creierul uman. Fiecare neuron are un punct de asociere undeva în intervalul 1.000 și 100.000. În creierul uman, datele sunt stocate în așa fel încât să fie distribuite și putem extrage mai mult de o parte din aceste date atunci când este necesar din memoria noastră în mod paralel. Putem spune că creierul uman este alcătuit din procesoare paralele incredibil de uimitoare.

Putem înțelege rețeaua neuronală artificială cu un exemplu, luăm în considerare un exemplu de poartă logică digitală care preia o intrare și dă o ieșire. Poarta „SAU”, care are două intrări. Dacă una sau ambele intrări sunt „Pornit”, atunci obținem „Activat” în ieșire. Dacă ambele intrări sunt „Oprit”, atunci obținem „Oprit” în ieșire. Aici ieșirea depinde de intrare. Creierul nostru nu îndeplinește aceeași sarcină. Relația dintre ieșiri și intrări continuă să se schimbe din cauza neuronilor din creierul nostru, care „învață”.

Arhitectura unei rețele neuronale artificiale:

Pentru a înțelege conceptul de arhitectură a unei rețele neuronale artificiale, trebuie să înțelegem în ce constă o rețea neuronală. Pentru a defini o rețea neuronală care constă dintr-un număr mare de neuroni artificiali, care sunt numiți unități aranjate într-o secvență de straturi. Să ne uităm la diferite tipuri de straturi disponibile într-o rețea neuronală artificială.

Rețeaua neuronală artificială constă în principal din trei straturi:

Strat de intrare:

După cum sugerează și numele, acceptă intrări în mai multe formate diferite oferite de programator.

Strat ascuns:

Stratul ascuns prezintă straturile de intrare și de ieșire. Efectuează toate calculele pentru a găsi caracteristici și modele ascunse.

Strat de ieșire:

Intrarea trece printr-o serie de transformări folosind stratul ascuns, care în final are ca rezultat o ieșire care este transmisă folosind acest strat.

Rețeaua neuronală artificială preia intrare și calculează suma ponderată a intrărilor și include o părtinire. Acest calcul este reprezentat sub forma unei funcții de transfer.

Determină că totalul ponderat este transmis ca intrare la o funcție de activare pentru a produce ieșirea. Funcțiile de activare aleg dacă un nod ar trebui să se declanșeze sau nu. Doar cei care sunt concediați ajung la stratul de ieșire. Există funcții de activare distincte disponibile care pot fi aplicate tipului de sarcină pe care o realizăm.

Avantajele rețelei neuronale artificiale (ANN)

Capacitate de procesare paralelă:

Rețelele neuronale artificiale au o valoare numerică care poate îndeplini mai multe sarcini simultan.

Stocarea datelor pe întreaga rețea:

negație discretă de matematică

Datele care sunt utilizate în programarea tradițională sunt stocate în întreaga rețea, nu într-o bază de date. Dispariția câtorva date într-un singur loc nu împiedică rețeaua să funcționeze.

Capacitatea de a lucra cu cunoștințe incomplete:

După instruirea ANN, informațiile pot produce rezultate chiar și cu date inadecvate. Pierderea performanței aici se bazează pe semnificația datelor lipsă.

Avand o distributie de memorie:

Pentru că ANN este să se poată adapta, este important să se determine exemplele și să încurajeze rețeaua în funcție de rezultatul dorit, demonstrând aceste exemple rețelei. Succesiunea rețelei este direct proporțională cu instanțele alese, iar dacă evenimentul nu poate apărea rețelei în toate aspectele sale, poate produce o ieșire falsă.

Avand toleranta la erori:

Extorcarea uneia sau mai multor celule ale ANN nu îi interzice să genereze rezultate, iar această caracteristică face ca rețeaua să fie tolerantă la erori.

Dezavantajele rețelei neuronale artificiale:

Asigurarea structurii corecte a rețelei:

Nu există un ghid special pentru determinarea structurii rețelelor neuronale artificiale. Structura adecvată a rețelei este realizată prin experiență, încercări și erori.

Comportamentul nerecunoscut al rețelei:

Este cea mai importantă problemă a ANN. Când ANN produce o soluție de testare, nu oferă informații despre de ce și cum. Scade încrederea în rețea.

Dependenta de hardware:

Rețelele neuronale artificiale au nevoie de procesoare cu putere de procesare paralelă, conform structurii lor. Prin urmare, realizarea echipamentului este dependentă.

Dificultatea de a arăta problema în rețea:

ANN-urile pot lucra cu date numerice. Problemele trebuie convertite în valori numerice înainte de a fi introduse în ANN. Mecanismul de prezentare care urmează să fie rezolvat aici va avea un impact direct asupra performanței rețelei. Se bazează pe abilitățile utilizatorului.

rotița de derulare nu funcționează

Durata rețelei este necunoscută:

Rețeaua este redusă la o anumită valoare a erorii, iar această valoare nu ne oferă rezultate optime.

Rețele neuronale artificiale științifice care au pătruns în lume la mijlocul anilor 20^thsecolului se dezvoltă exponențial. În prezent, am investigat avantajele rețelelor neuronale artificiale și problemele întâlnite în cursul utilizării lor. Nu trebuie trecut cu vederea faptul că dezavantajele rețelelor ANN, care sunt o ramură a științei înfloritoare, sunt eliminate individual, iar avantajele lor cresc pe zi ce trece. Înseamnă că rețelele neuronale artificiale se vor transforma într-o parte de neînlocuit a vieții noastre, din ce în ce mai importante.

Cum funcționează rețelele neuronale artificiale?

Rețeaua neuronală artificială poate fi reprezentată cel mai bine ca un grafic direcționat ponderat, unde neuronii artificiali formează nodurile. Asocierea dintre ieșirile neuronilor și intrările neuronilor poate fi văzută ca marginile direcționate cu greutăți. Rețeaua neuronală artificială primește semnalul de intrare de la sursa externă sub forma unui model și imagine sub formă de vector. Aceste intrări sunt apoi atribuite matematic prin notațiile x(n) pentru fiecare n număr de intrări.

După aceea, fiecare intrare este înmulțită cu ponderile sale corespunzătoare (aceste ponderi sunt detaliile utilizate de rețelele neuronale artificiale pentru a rezolva o problemă specifică). În termeni generali, aceste greutăți reprezintă în mod normal puterea interconexiunii dintre neuroni din interiorul rețelei neuronale artificiale. Toate intrările ponderate sunt rezumate în interiorul unității de calcul.

Dacă suma ponderată este egală cu zero, atunci se adaugă părtinire pentru a face ca rezultatul să fie diferit de zero sau altceva pentru a crește la răspunsul sistemului. Bias are aceeași intrare, iar greutatea este egală cu 1. Aici totalul intrărilor ponderate poate fi în intervalul de la 0 la infinitul pozitiv. Aici, pentru a menține răspunsul în limitele valorii dorite, o anumită valoare maximă este comparată, iar totalul intrărilor ponderate este trecut prin funcția de activare.

Funcția de activare se referă la setul de funcții de transfer utilizate pentru a obține rezultatul dorit. Există un fel diferit de funcție de activare, dar în primul rând seturi de funcții fie liniare, fie neliniare. Unele dintre seturile de funcții de activare utilizate în mod obișnuit sunt funcțiile de activare sigmoidală binară, liniară și Tan hiperbolică. Să aruncăm o privire asupra fiecăruia dintre ele în detaliu:

Binar:

În funcția de activare binară, ieșirea este fie una, fie un 0. Aici, pentru a realiza acest lucru, există o valoare de prag configurată. Dacă intrarea netă ponderată a neuronilor este mai mare de 1, atunci ieșirea finală a funcției de activare este returnată ca unul sau altfel ieșirea este returnată ca 0.

Sigmoid hiperbolic:

Funcția Hiperbola Sigmoidală este în general văzută ca un „ S ' curbă în formă. Aici funcția hiperbolică bronz este utilizată pentru a aproxima ieșirea din intrarea netă reală. Funcția este definită ca:

java end for bucla

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

Unde ???? este considerat parametrul de abruptie.

Tipuri de rețele neuronale artificiale:

Există diferite tipuri de rețele neuronale artificiale (ANN), în funcție de neuronul creierului uman și de funcțiile rețelei, o rețea neuronală artificială îndeplinește în mod similar sarcini. Majoritatea rețelelor neuronale artificiale vor avea unele asemănări cu un partener biologic mai complex și sunt foarte eficiente în sarcinile așteptate. De exemplu, segmentarea sau clasificarea.

Feedback ANN:

În acest tip de ANN, ieșirea revine în rețea pentru a obține cele mai bune rezultate la nivel intern. Conform Universitatea din Massachusetts , Lowell Center for Atmospheric Research. Rețelele de feedback furnizează informații înapoi în sine și sunt potrivite pentru a rezolva problemele de optimizare. Corecțiile de erori interne ale sistemului utilizează ANN-uri de feedback.

Feed-forward ANN:

Condiție prealabilă

Nu este necesară nicio expertiză specifică ca o condiție prealabilă înainte de a începe acest tutorial.

Public

Tutorialul nostru de rețea neuronală artificială este dezvoltat atât pentru începători, cât și pentru profesioniști, pentru a-i ajuta să înțeleagă conceptul de bază al ANN-urilor.

Probleme

Vă asigurăm că nu veți găsi nicio problemă în acest tutorial de rețea neuronală artificială. Dar dacă există vreo problemă sau greșeală, vă rugăm să postați problema în formularul de contact, astfel încât să o putem îmbunătăți în continuare.