Посібник зі штучної нейронної мережі містить базові та розширені концепції ШНМ. Наш підручник зі штучної нейронної мережі розроблено як для початківців, так і для професіоналів.

Термін «штучна нейронна мережа» стосується біологічно натхненної підполя штучного інтелекту, створеного за зразком мозку. Штучна нейронна мережа зазвичай є обчислювальною мережею на основі біологічних нейронних мереж, які створюють структуру людського мозку. Подібно до того, як людський мозок має нейрони, пов’язані один з одним, штучні нейронні мережі також мають нейрони, які пов’язані один з одним на різних рівнях мережі. Ці нейрони відомі як вузли.

підключити базу даних java

Підручник зі штучної нейронної мережі охоплює всі аспекти, пов’язані зі штучною нейронною мережею. У цьому посібнику ми обговоримо ШНМ, теорію адаптивного резонансу, карту самоорганізації Кохонена, будівельні блоки, неконтрольоване навчання, генетичний алгоритм тощо.

Що таке штучна нейронна мережа?

Термін ' Штучна нейронна мережа ' походить від біологічних нейронних мереж, які розвивають структуру людського мозку. Подібно до людського мозку, який має нейрони, пов’язані один з одним, штучні нейронні мережі також мають нейрони, які взаємопов’язані один з одним на різних рівнях мережі. Ці нейрони відомі як вузли.

Наведений малюнок ілюструє типову схему біологічної нейронної мережі.

Типова штучна нейронна мережа виглядає приблизно так, як показано на малюнку.

Дендрити з біологічної нейронної мережі представляють входи в штучних нейронних мережах, ядро ​​клітини представляє вузли, синапс представляє ваги, а аксон представляє вихід.

Зв'язок між біологічною нейронною мережею та штучною нейронною мережею:

Ан Штучна нейронна мережа в області Штучний інтелект де він намагається імітувати мережу нейронів, які утворюють людський мозок, щоб комп’ютери мали можливість розуміти речі та приймати рішення у спосіб, подібний до людини. Штучна нейронна мережа розроблена шляхом програмування комп’ютерів, щоб поводитися просто як взаємопов’язані клітини мозку.

У людському мозку близько 1000 мільярдів нейронів. Кожен нейрон має точку асоціації в діапазоні від 1000 до 100 000. У людському мозку дані зберігаються таким чином, щоб їх розподіляли, і ми можемо витягувати з нашої пам’яті одночасно декілька фрагментів цих даних, коли це необхідно. Можна сказати, що мозок людини складається з неймовірно дивовижних паралельних процесорів.

Ми можемо зрозуміти штучну нейронну мережу на прикладі, розглянемо приклад цифрового логічного вентиля, який приймає вхід і видає вихід. Ворота «АБО», які приймають два входи. Якщо один або обидва входи «Увімкнено», тоді ми отримуємо «Увімкнено» на виході. Якщо обидва входи «вимкнено», тоді ми отримуємо «вимкнено» на виході. Тут вихід залежить від вхідних даних. Наш мозок не виконує те саме завдання. Співвідношення результатів і входів постійно змінюється через нейрони в нашому мозку, які «навчаються».

Архітектура штучної нейронної мережі:

Щоб зрозуміти концепцію архітектури штучної нейронної мережі, ми повинні зрозуміти, з чого складається нейронна мережа. Щоб визначити нейронну мережу, яка складається з великої кількості штучних нейронів, які називаються одиницями, розташованими в послідовності шарів. Давайте розглянемо різні типи шарів, доступних у штучній нейронній мережі.

Штучна нейронна мережа в основному складається з трьох рівнів:

Вхідний шар:

Як випливає з назви, він приймає вхідні дані в кількох різних форматах, наданих програмістом.

Прихований шар:

Прихований шар є проміжним між вхідним і вихідним шарами. Він виконує всі обчислення, щоб знайти приховані функції та закономірності.

Вихідний рівень:

Вхідні дані проходять серію перетворень за допомогою прихованого шару, що в кінцевому підсумку призводить до вихідних даних, які передаються за допомогою цього шару.

Штучна нейронна мережа приймає вхідні дані та обчислює зважену суму вхідних даних і включає зміщення. Це обчислення представлено у вигляді функції передачі.

читати файл excel у java

Він визначає, що зважена сума передається як вхідні дані для функції активації для отримання результату. Функції активації визначають, чи повинен вузол запускатися чи ні. На вихідний шар потрапляють лише звільнені. Доступні відмінні функції активації, які можна застосувати до типу завдань, які ми виконуємо.

Переваги штучної нейронної мережі (ШНМ)

Можливість паралельної обробки:

Штучні нейронні мережі мають числове значення, яке може виконувати більше одного завдання одночасно.

Зберігання даних по всій мережі:

Дані, які використовуються в традиційному програмуванні, зберігаються у всій мережі, а не в базі даних. Зникнення кількох даних в одному місці не заважає мережі працювати.

Здатність працювати з неповними знаннями:

Після навчання ШНМ інформація може давати вихід навіть з неадекватними даними. Втрата продуктивності тут залежить від значущості відсутніх даних.

Маючи розподіл пам'яті:

Щоб мати можливість адаптуватися, важливо визначити приклади та заохочувати мережу відповідно до бажаного результату, демонструючи ці приклади мережі. Послідовність мережі прямо пропорційна вибраним екземплярам, ​​і якщо подія не може відобразитися в мережі в усіх своїх аспектах, це може спричинити помилковий вихід.

Відмовостійкість:

Вимагання однієї чи кількох комірок ШНМ не забороняє їй генерувати вихідні дані, і ця функція робить мережу відмовостійкою.

Недоліки штучної нейронної мережі:

Забезпечення належної структури мережі:

Немає особливих вказівок щодо визначення структури штучних нейронних мереж. Відповідна структура мережі досягається шляхом досвіду, проб і помилок.

Нерозпізнана поведінка мережі:

Це найважливіше питання ANN. Коли ANN створює рішення для тестування, воно не дає розуміння того, чому і як. Це знижує довіру до мережі.

алгоритм kruskal

Апаратна залежність:

Штучні нейронні мережі потребують процесорів з паралельною обчислювальною потужністю відповідно до їх структури. Тому реалізація обладнання є залежною.

Складність показу проблеми в мережі:

ШНМ можуть працювати з числовими даними. Проблеми повинні бути перетворені в числові значення перед введенням у ШНМ. Механізм представлення, який тут потрібно вирішити, безпосередньо впливатиме на продуктивність мережі. Це залежить від здібностей користувача.

Тривалість мережі невідома:

Мережа зменшується до певного значення помилки, і це значення не дає нам оптимальних результатів.

Наукові штучні нейронні мережі, які з’явилися у світі в середині 20-х років^тисстоліття розвиваються експоненціально. В даний час ми дослідили переваги штучних нейронних мереж і проблеми, які виникають під час їх використання. Не слід забувати про те, що недоліки мереж ШНМ, які є процвітаючою галуззю науки, усуваються окремо, а їхні плюси зростають з кожним днем. Це означає, що штучні нейронні мережі стануть незамінною частиною нашого життя, яка стає все більш важливою.

Як працюють штучні нейронні мережі?

Штучну нейронну мережу найкраще можна представити як зважений орієнтований граф, де штучні нейрони утворюють вузли. Зв’язок між виходами нейронів і входами нейронів можна розглядати як спрямовані ребра з вагами. Штучна нейронна мережа отримує вхідний сигнал від зовнішнього джерела у вигляді шаблону та зображення у вигляді вектора. Потім ці входи математично призначаються за допомогою нотацій x(n) для кожного n числа входів.

Після цього кожен вхід множиться на відповідні вагові коефіцієнти (ці вагові коефіцієнти є деталями, які використовуються штучними нейронними мережами для вирішення конкретної проблеми). Загалом, ці ваги зазвичай представляють силу взаємозв’язку між нейронами всередині штучної нейронної мережі. Усі зважені вхідні дані підсумовуються всередині обчислювального блоку.

миша та види миші

Якщо зважена сума дорівнює нулю, тоді додається зсув, щоб зробити вихід ненульовим або щось інше для масштабування відповіді системи. Зміщення має той самий вхід, а вага дорівнює 1. Тут загальна сума зважених вхідних даних може бути в діапазоні від 0 до позитивної нескінченності. Тут, щоб зберегти відгук у межах бажаного значення, певне максимальне значення порівнюється, а загальна кількість зважених вхідних даних передається через функцію активації.

Функція активації відноситься до набору функцій передачі, які використовуються для досягнення бажаного результату. Існує інший тип функції активації, але переважно лінійні або нелінійні набори функцій. Деякі з найпоширеніших наборів функцій активації — двійкова, лінійна та гіперболічна сигмоїдальні функції активації Тан. Розглянемо кожен з них докладніше:

двійковий:

У двійковій функції активації результатом є або одиниця, або 0. Тут, щоб досягти цього, встановлюється порогове значення. Якщо чистий зважений вхід нейронів більше ніж 1, то остаточний вихід функції активації повертається як одиниця, інакше вихід повертається як 0.

Сигмоподібна гіперболіка:

Функція сигмоїдальної гіперболи зазвичай розглядається як С ' фігурна крива. Тут гіперболічна функція tan використовується для наближення виходу від фактичного чистого входу. Функція визначається як:

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

де???? вважається параметром крутизни.

Типи штучної нейронної мережі:

Існують різні типи штучних нейронних мереж (ШНН) залежно від нейрона людського мозку та мережевих функцій, штучна нейронна мережа виконує завдання аналогічно. Більшість штучних нейронних мереж матимуть певну схожість із більш складним біологічним партнером і дуже ефективні у виконанні очікуваних завдань. Наприклад, сегментація або класифікація.

Зворотній зв'язок ANN:

У цьому типі ШНМ вихідні дані повертаються в мережу для досягнення найкращих внутрішніх результатів. Відповідно до Массачусетський університет , Центр атмосферних досліджень Лоуелла. Мережі зворотного зв’язку повертають інформацію в себе і добре підходять для вирішення проблем оптимізації. Для корекції внутрішніх системних помилок використовуються зворотні зв’язки ANN.

Прямий ANN:

Передумова

Перед початком цього підручника не потрібні спеціальні знання як передумова.

Аудиторія

Наш навчальний посібник із штучної нейронної мережі розроблено як для початківців, так і для професіоналів, щоб допомогти їм зрозуміти основну концепцію ШНМ.

Проблеми

Ми запевняємо вас, що ви не знайдете жодних проблем у цьому посібнику зі штучної нейронної мережі. Але якщо виникне будь-яка проблема чи помилка, опублікуйте її в контактній формі, щоб ми могли її вдосконалити.