Samouczek dotyczący sztucznych sieci neuronowych zawiera podstawowe i zaawansowane koncepcje sieci SSN. Nasz samouczek poświęcony sztucznej sieci neuronowej jest przeznaczony zarówno dla początkujących, jak i profesjonalistów.

Termin „sztuczna sieć neuronowa” odnosi się do inspirowanej biologicznie poddziedziny sztucznej inteligencji wzorowanej na mózgu. Sztuczna sieć neuronowa to zazwyczaj sieć obliczeniowa oparta na biologicznych sieciach neuronowych, które konstruują strukturę ludzkiego mózgu. Podobnie jak ludzki mózg ma neurony połączone ze sobą, sztuczne sieci neuronowe również mają neurony połączone ze sobą w różnych warstwach sieci. Neurony te nazywane są węzłami.

Pełna forma iskconu

Poradnik dotyczący sztucznej sieci neuronowej obejmuje wszystkie aspekty związane ze sztuczną siecią neuronową. W tym samouczku omówimy sieci ANN, teorię rezonansu adaptacyjnego, samoorganizującą się mapę Kohonena, elementy składowe, uczenie się bez nadzoru, algorytm genetyczny itp.

Co to jest sztuczna sieć neuronowa?

Termin ' Sztuczna sieć neuronowa ' wywodzi się z biologicznych sieci neuronowych, które rozwijają strukturę ludzkiego mózgu. Podobnie jak w ludzkim mózgu, w którym neurony są ze sobą połączone, sztuczne sieci neuronowe również mają neurony, które są ze sobą połączone w różnych warstwach sieci. Neurony te nazywane są węzłami.

Podany rysunek ilustruje typowy schemat biologicznej sieci neuronowej.

Typowa sztuczna sieć neuronowa wygląda mniej więcej tak, jak na podanym rysunku.

Dendryty z biologicznej sieci neuronowej reprezentują dane wejściowe w sztucznych sieciach neuronowych, jądro komórkowe reprezentuje węzły, synapsa reprezentuje wagi, a akson reprezentuje wyjście.

Związek między biologiczną siecią neuronową a sztuczną siecią neuronową:

Jakiś Sztuczna sieć neuronowa w dziedzinie Sztuczna inteligencja gdzie próbuje naśladować sieć neuronów, tworzy ludzki mózg, dzięki czemu komputery będą miały możliwość rozumienia rzeczy i podejmowania decyzji w sposób podobny do ludzkiego. Sztuczną sieć neuronową projektuje się poprzez programowanie komputerów tak, aby zachowywały się jak wzajemnie połączone komórki mózgowe.

W ludzkim mózgu znajduje się około 1000 miliardów neuronów. Każdy neuron ma punkt asocjacji mieszczący się w przedziale od 1000 do 100 000. W ludzkim mózgu dane są przechowywane w sposób pozwalający na ich dystrybucję, a w razie potrzeby możemy równolegle wyodrębnić z naszej pamięci więcej niż jedną część tych danych. Można powiedzieć, że ludzki mózg składa się z niesamowicie niesamowitych procesorów równoległych.

Możemy zrozumieć sztuczną sieć neuronową na przykładzie, rozważmy przykład cyfrowej bramki logicznej, która pobiera wejście i daje wyjście. Bramka „OR”, która przyjmuje dwa wejścia. Jeśli jedno lub oba wejścia są włączone, na wyjściu otrzymamy stan włączony. Jeśli oba wejścia są wyłączone, na wyjściu otrzymamy wartość wyłączoną. Tutaj wynik zależy od danych wejściowych. Nasz mózg nie wykonuje tego samego zadania. Relacja między sygnałami wyjściowymi i wejściowymi ciągle się zmienia ze względu na neurony w naszym mózgu, które „uczą się”.

Architektura sztucznej sieci neuronowej:

Aby zrozumieć koncepcję architektury sztucznej sieci neuronowej, musimy zrozumieć, z czego składa się sieć neuronowa. Aby zdefiniować sieć neuronową składającą się z dużej liczby sztucznych neuronów, które nazywane są jednostkami ułożonymi w sekwencję warstw. Przyjrzyjmy się różnym rodzajom warstw dostępnych w sztucznej sieci neuronowej.

Sztuczna sieć neuronowa składa się głównie z trzech warstw:

Warstwa wejściowa:

if else instrukcje Java

Jak sama nazwa wskazuje, akceptuje dane wejściowe w kilku różnych formatach dostarczonych przez programistę.

Ukryta warstwa:

Warstwa ukryta przedstawia warstwę pośrednią pomiędzy warstwą wejściową i wyjściową. Wykonuje wszystkie obliczenia, aby znaleźć ukryte funkcje i wzorce.

Warstwa wyjściowa:

Dane wejściowe przechodzą szereg transformacji przy użyciu warstwy ukrytej, co ostatecznie daje wynik, który jest przekazywany za pomocą tej warstwy.

Sztuczna sieć neuronowa pobiera dane wejściowe i oblicza ważoną sumę danych wejściowych, uwzględniając odchylenie. Obliczenie to przedstawiono w postaci funkcji przenoszenia.

Określa, że ​​suma ważona jest przekazywana jako sygnał wejściowy do funkcji aktywacji w celu wygenerowania wyniku. Funkcje aktywacji decydują, czy węzeł powinien zostać uruchomiony, czy nie. Do warstwy wyjściowej trafiają tylko zwolnieni. Dostępne są różne funkcje aktywacji, które można zastosować w zależności od rodzaju wykonywanego zadania.

Zalety sztucznej sieci neuronowej (ANN)

Możliwość przetwarzania równoległego:

Sztuczne sieci neuronowe mają wartość liczbową, która może wykonywać więcej niż jedno zadanie jednocześnie.

Przechowywanie danych w całej sieci:

Dane wykorzystywane w tradycyjnym programowaniu przechowywane są w całej sieci, a nie w bazie danych. Zniknięcie kilku danych w jednym miejscu nie przeszkadza w działaniu sieci.

Możliwość pracy z niepełną wiedzą:

Po przeszkoleniu SSN informacje mogą dawać wyniki nawet przy nieodpowiednich danych. Utrata wydajności zależy tutaj od znaczenia brakujących danych.

Posiadanie dystrybucji pamięci:

Aby SNN mogła się dostosować, ważne jest określenie przykładów i zachęcanie sieci do osiągnięcia pożądanych wyników poprzez pokazanie tych przykładów sieci. Kolejność sieci jest wprost proporcjonalna do wybranych instancji i jeśli zdarzenie nie może pojawić się w sieci we wszystkich aspektach, może generować fałszywe wyniki.

interfejs użytkownika C++

Posiadanie tolerancji na błędy:

Wymuszenie jednej lub większej liczby komórek SSN nie uniemożliwia jej generowania sygnału wyjściowego, a ta cecha sprawia, że ​​sieć jest odporna na awarie.

Wady sztucznych sieci neuronowych:

Zapewnienie właściwej struktury sieci:

Nie ma szczególnych wytycznych dotyczących określania struktury sztucznych sieci neuronowych. Odpowiednią strukturę sieci można osiągnąć poprzez doświadczenie, próby i błędy.

Nierozpoznane zachowanie sieci:

To najważniejsza kwestia SSN. Kiedy ANN tworzy rozwiązanie testowe, nie zapewnia wglądu w to, dlaczego i jak. Zmniejsza zaufanie do sieci.

Zależność sprzętowa:

Sztuczne sieci neuronowe wymagają procesorów o mocy przetwarzania równoległego, zgodnie ze swoją strukturą. Dlatego realizacja sprzętu jest zależna.

Trudność pokazania problemu w sieci:

SSN mogą pracować z danymi liczbowymi. Przed wprowadzeniem problemów do SSN należy je przekształcić w wartości liczbowe. Mechanizm prezentacji, który należy tutaj rozwiązać, będzie miał bezpośredni wpływ na wydajność sieci. Zależy to od umiejętności użytkownika.

Czas trwania sieci jest nieznany:

Sieć sprowadzana jest do określonej wartości błędu, która nie daje nam optymalnych wyników.

Nauka o sztucznych sieciach neuronowych, które zadomowiły się na świecie w połowie lat 20^twieku rozwijają się wykładniczo. W chwili obecnej badaliśmy zalety sztucznych sieci neuronowych i problemy napotykane w trakcie ich wykorzystania. Nie należy zapominać, że wady sieci ANN, które są kwitnącą gałęzią nauki, są eliminowane indywidualnie, a ich zalety rosną z dnia na dzień. Oznacza to, że sztuczne sieci neuronowe staną się niezastąpioną częścią naszego życia, która będzie nabierać coraz większego znaczenia.

Jak działają sztuczne sieci neuronowe?

Sztuczną sieć neuronową można najlepiej przedstawić w postaci ważonego grafu skierowanego, na którym sztuczne neurony tworzą węzły. Powiązanie między wyjściami i wejściami neuronów można postrzegać jako skierowane krawędzie z wagami. Sztuczna Sieć Neuronowa odbiera sygnał wejściowy ze źródła zewnętrznego w postaci wzoru oraz obraz w postaci wektora. Wejścia te są następnie przypisywane matematycznie za pomocą zapisów x(n) dla każdej n liczby wejść.

Następnie każdy z danych wejściowych jest mnożony przez odpowiadające mu wagi (te wagi to szczegóły wykorzystywane przez sztuczne sieci neuronowe do rozwiązania konkretnego problemu). Ogólnie rzecz biorąc, wagi te zwykle reprezentują siłę połączeń między neuronami w sztucznej sieci neuronowej. Wszystkie ważone dane wejściowe są sumowane w jednostce obliczeniowej.

Jeżeli suma ważona jest równa zeru, wówczas dodawane jest odchylenie, aby sygnał wyjściowy był niezerowy lub był uwzględniany w inny sposób, aby zwiększyć skalę odpowiedzi systemu. Odchylenie ma takie same dane wejściowe, a waga jest równa 1. Tutaj suma ważonych danych wejściowych może mieścić się w zakresie od 0 do dodatniej nieskończoności. Tutaj, aby utrzymać odpowiedź w granicach pożądanej wartości, sprawdzana jest pewna wartość maksymalna, a suma ważonych wejść jest przepuszczana przez funkcję aktywacji.

Funkcja aktywacji odnosi się do zestawu funkcji przenoszenia wykorzystywanych do osiągnięcia pożądanej mocy wyjściowej. Istnieje inny rodzaj funkcji aktywacji, ale przede wszystkim liniowe lub nieliniowe zbiory funkcji. Niektóre z powszechnie używanych zestawów funkcji aktywacji to binarne, liniowe i hiperboliczne sigmoidalne funkcje aktywacji. Przyjrzyjmy się szczegółowo każdemu z nich:

Dwójkowy:

W przypadku funkcji aktywacji binarnej wyjście ma wartość jedynki lub 0. Aby to osiągnąć, ustawiana jest wartość progowa. Jeśli ważony wkład netto neuronów jest większy niż 1, wówczas końcowy wynik funkcji aktywacji jest zwracany jako jeden lub wynik jest zwracany jako 0.

Sigmoidalny hiperboliczny:

Funkcja hiperboli sigmoidalnej jest ogólnie postrzegana jako „ S krzywa w kształcie. Tutaj funkcja hiperboliczna tan jest używana do przybliżenia wyniku na podstawie rzeczywistego wejścia netto. Funkcja jest zdefiniowana jako:

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

Gdzie ???? jest uważany za parametr stromości.

Rodzaje sztucznych sieci neuronowych:

Istnieją różne typy sztucznych sieci neuronowych (ANN), w zależności od neuronu ludzkiego mózgu i funkcji sieci. Sztuczna sieć neuronowa wykonuje podobne zadania. Większość sztucznych sieci neuronowych będzie miała pewne podobieństwa do bardziej złożonego partnera biologicznego i będzie bardzo skuteczna w wykonywaniu swoich oczekiwanych zadań. Na przykład segmentacja lub klasyfikacja.

równa się Javie

Odpowiedź ANN:

W tego typu SSN dane wyjściowe wracają do sieci, aby wewnętrznie osiągnąć najlepsze wyniki. Zgodnie z Uniwersytet Massachusetts , Lowell Centrum Badań Atmosfery. Sieci sprzężenia zwrotnego zasilają informacje z powrotem w siebie i dobrze nadają się do rozwiązywania problemów optymalizacyjnych. Wewnętrzne korekty błędów systemu wykorzystują sieci SNN ze sprzężeniem zwrotnym.

ANN ze sprzężeniem zwrotnym:

Warunek wstępny

Przed rozpoczęciem tego samouczka nie jest wymagana żadna specjalistyczna wiedza.

Publiczność

Nasz samouczek dotyczący sztucznych sieci neuronowych został opracowany zarówno dla początkujących, jak i profesjonalistów, aby pomóc im zrozumieć podstawową koncepcję sieci SSN.

Problemy

Zapewniamy, że w tym samouczku poświęconym sztucznej sieci neuronowej nie znajdziesz żadnego problemu. Jeśli jednak wystąpi jakiś problem lub błąd, prosimy o przesłanie problemu w formularzu kontaktowym, abyśmy mogli go dalej udoskonalać.