Rangkaian saraf buatan

Rangkaian saraf buatan adalah mereka yang terdiri daripada elemen khas - neuron. Mereka adalah model matematik neuron biologi, iaitu sel-sel yang membentuk sistem saraf manusia.

Untuk pertama kalinya, rangkaian neural dibincangkan pada tahun 1943, dan selepas penciptaan perceptron Rosenblatt, zaman keemasan datang, dan rangkaian menjadi sangat popular. Walau bagaimanapun, selepas penerbitan karya Minsk pada tahun 1969, di mana saintis membuktikan ketidakseimbangan perceptron dalam keadaan tertentu, minat dalam industri ini jatuh dengan ketara. Tetapi sejarah rangkaian tiruan tidak berakhir di sini. Pada tahun 1985, J. Hopfield menyampaikan penyelidikannya dan membuktikan bahawa rangkaian saraf adalah alat yang sangat baik untuk pembelajaran mesin.

Dari biologi, beberapa konsep dan prinsip dipinjam. Neuron adalah sejenis suis yang menerima dan kemudian menghantar impuls (isyarat). Sekiranya neuron menerima dorongan yang cukup kuat, ia dianggap bahawa ia diaktifkan dan menghantar impuls kepada selebihnya neuron yang berkaitan dengannya. Neuron, yang masih tidak aktif, kekal rehat, impuls tidak dihantar. Neuron terdiri daripada beberapa komponen utama: sinaps yang menghubungkan neurons antara satu sama lain dan menerima impuls, akson yang tugasnya untuk menghantar impuls, dan dendrit yang menerima isyarat daripada sumber yang berbeza. Apabila neuron menerima nadi di atas ambang tertentu, ia segera menghantar isyarat kepada neuron seterusnya.

Model matematik sedikit berbeza. Input dari model matematik neuron adalah vektor yang terdiri daripada sebilangan besar komponen. Setiap komponennya adalah salah satu impuls yang diterima oleh neuron. Output model adalah satu nombor. Iaitu, di dalam model vektor masukan diubah menjadi skalar, yang kemudian dipindahkan ke neuron lain.

Rangkaian saraf boleh diajar dengan dua cara: dengan guru dan tanpa. Proses pembelajaran terdiri daripada beberapa langkah. Pertama, rangsangan luar digunakan untuk input rangkaian. Kemudian, mengikut peraturan, parameter bebas perubahan rangkaian saraf, selepas itu rangkaian bertindak balas terhadap rangsangan input dengan cara yang berbeza. Proses ini mesti diulang sehingga rangkaian memutuskan tugas. Algoritma pembelajaran dengan guru ialah semasa latihan rangkaian sudah mempunyai jawapan yang tepat. Kaedah ini telah berjaya digunakan untuk menyelesaikan banyak masalah yang diterapkan, tetapi sering dikritik kerana tidak dapat difikirkan secara biologi. Rangkaian saraf diajar tanpa guru dalam kes apabila hanya isyarat masukan yang diketahui. Pada asasnya, rangkaian secara beransur-ansur belajar untuk memberikan nilai keluaran yang lebih baik.

Penggunaan rangkaian saraf memang berbeza. Selalunya mereka digunakan untuk mengotomatikkan pengiktirafan corak, meramalkan, mewujudkan pelbagai sistem pakar, dan fungsi yang lebih hampir. Dengan bantuan rangkaian sedemikian, adalah mungkin untuk mengenali isyarat bunyi atau optik, untuk meramalkan penunjuk pertukaran, untuk mewujudkan sistem yang mampu belajar sendiri, yang boleh, sebagai contoh, menyatukan ucapan mengikut teks tertentu atau meletak kereta. Rangkaian saraf di barat digunakan lebih aktif, malangnya, firma domestik belum menggunakan teknik ini.

Walaupun kelebihan ANN berbanding perhitungan konvensional di sesetengah kawasan, rangkaian saraf yang ada tidak menjadi penyelesaian ideal. Oleh kerana mereka mampu belajar, mereka mungkin salah. Di samping itu, anda tidak boleh menjamin bahawa rangkaian saraf yang maju akan optimum. Pemaju wajib memahami sifat masalah yang telah dipecahkan, mempunyai banyak maklumat yang mencirikan masalah, untuk mendapatkan data untuk menguji dan mempelajari rangkaian, dengan betul memilih kaedah latihan, fungsi pemindahan dan fungsi penambah.