Vadnica za umetno nevronsko mrežo ponuja osnovne in napredne koncepte ANN. Naša vadnica za umetno nevronsko mrežo je razvita tako za začetnike kot za poklice.

Izraz 'umetna nevronska mreža' se nanaša na biološko navdahnjeno podpodročje umetne inteligence po vzoru možganov. Umetna nevronska mreža je običajno računalniška mreža, ki temelji na bioloških nevronskih mrežah, ki gradijo strukturo človeških možganov. Podobno kot imajo človeški možgani med seboj povezane nevrone, imajo tudi umetne nevronske mreže nevrone, ki so med seboj povezani v različnih plasteh omrežij. Ti nevroni so znani kot vozlišča.

prednosti in slabosti tehnologije

Vadnica za umetno nevronsko mrežo pokriva vse vidike, povezane z umetno nevronsko mrežo. V tej vadnici bomo razpravljali o ANN, teoriji prilagodljive resonance, Kohonenovem samoorganizirajočem zemljevidu, gradnikih, nenadzorovanem učenju, genetskem algoritmu itd.

Kaj je umetna nevronska mreža?

Izraz ' Umetna nevronska mreža ' izhaja iz bioloških nevronskih mrež, ki razvijajo strukturo človeških možganov. Podobno kot človeški možgani, ki imajo medsebojno povezane nevrone, imajo tudi umetne nevronske mreže nevrone, ki so med seboj povezani v različnih plasteh omrežij. Ti nevroni so znani kot vozlišča.

Podana slika ponazarja tipičen diagram biološke nevronske mreže.

Tipična umetna nevronska mreža je videti nekako tako kot dana slika.

Dendriti iz biološke nevronske mreže predstavljajo vhode v umetnih nevronskih mrežah, celično jedro predstavlja vozlišča, sinapsa predstavlja uteži in akson predstavlja izhod.

Razmerje med biološko in umetno nevronsko mrežo:

An Umetna nevronska mreža na področju Umetna inteligenca kjer poskuša posnemati mrežo nevronov, ki sestavljajo človeške možgane, tako da bodo imeli računalniki možnost razumeti stvari in sprejemati odločitve na človeški način. Umetna nevronska mreža je zasnovana s programiranjem računalnikov, da se obnašajo preprosto kot med seboj povezane možganske celice.

V človeških možganih je približno 1000 milijard nevronov. Vsak nevron ima asociacijsko točko nekje v območju od 1.000 do 100.000. V človeških možganih so podatki shranjeni tako, da se porazdelijo in po potrebi lahko vzporedno iz spomina izvlečemo več kot en del teh podatkov. Lahko rečemo, da so človeški možgani sestavljeni iz neverjetno neverjetnih vzporednih procesorjev.

Umetno nevronsko mrežo lahko razumemo s primerom, razmislimo o primeru digitalnih logičnih vrat, ki sprejmejo vhod in dajo izhod. Vrata 'ALI', ki sprejmejo dva vhoda. Če sta eden ali oba vhoda 'Vklopljena', dobimo 'Vklopljeno' na izhodu. Če sta oba vhoda 'Izklopljena', dobimo 'Izklopljeno' na izhodu. Tukaj je rezultat odvisen od vnosa. Naši možgani ne opravljajo iste naloge. Razmerje med rezultati in vhodi se nenehno spreminja zaradi nevronov v naših možganih, ki se 'učijo'.

Arhitektura umetne nevronske mreže:

Da bi razumeli koncept arhitekture umetne nevronske mreže, moramo razumeti, iz česa sestoji nevronska mreža. Da bi definirali nevronsko mrežo, ki je sestavljena iz velikega števila umetnih nevronov, ki jih imenujemo enote, razporejene v zaporedju plasti. Oglejmo si različne vrste plasti, ki so na voljo v umetni nevronski mreži.

Umetna nevronska mreža je sestavljena predvsem iz treh plasti:

Vhodna plast:

Kot že ime pove, sprejema vnose v več različnih formatih, ki jih zagotovi programer.

Skriti sloj:

Skrita plast je vmesna plast med vhodno in izhodno plastjo. Izvaja vse izračune za iskanje skritih funkcij in vzorcev.

kakšna zbirka v javi

Izhodna plast:

Vnos gre skozi niz transformacij z uporabo skrite plasti, kar na koncu povzroči izhod, ki se posreduje s to plastjo.

Umetna nevronska mreža sprejme vhodne podatke in izračuna tehtano vsoto vhodnih podatkov ter vključi pristranskost. Ta izračun je predstavljen v obliki prenosne funkcije.

Določa, da se utežena vsota posreduje kot vhod v aktivacijsko funkcijo za izdelavo izhoda. Aktivacijske funkcije izberejo, ali naj se vozlišče sproži ali ne. Samo tisti, ki so odpuščeni, pridejo do izhodne plasti. Na voljo so posebne aktivacijske funkcije, ki jih lahko uporabimo glede na vrsto naloge, ki jo izvajamo.

Prednosti umetne nevronske mreže (ANN)

Zmogljivost vzporedne obdelave:

Umetne nevronske mreže imajo številčno vrednost, ki lahko opravlja več kot eno nalogo hkrati.

Shranjevanje podatkov v celotnem omrežju:

Podatki, ki se uporabljajo v tradicionalnem programiranju, so shranjeni v celotnem omrežju, ne v bazi podatkov. Izginotje nekaj podatkov na enem mestu ne prepreči delovanja omrežja.

Sposobnost za delo z nepopolnim znanjem:

Po usposabljanju ANN lahko informacije proizvedejo rezultate tudi z neustreznimi podatki. Izguba zmogljivosti je tukaj odvisna od pomembnosti manjkajočih podatkov.

Imeti distribucijo pomnilnika:

Da se lahko ANN prilagodi, je pomembno določiti primere in spodbuditi omrežje glede na želeni rezultat tako, da te primere predstavi omrežju. Zaporedje omrežja je neposredno sorazmerno z izbranimi primerki in če se dogodek ne more prikazati v omrežju v vseh njegovih vidikih, lahko povzroči napačen izhod.

Odporen na napake:

Izsiljevanje ene ali več celic ANN ne prepoveduje generiranja izhoda, in ta funkcija naredi omrežje tolerantno na napake.

Slabosti umetne nevronske mreže:

Zagotavljanje pravilne strukture omrežja:

kaj je grozdenje

Posebnih smernic za določanje strukture umetnih nevronskih mrež ni. Ustrezno mrežno strukturo dosežemo z izkušnjami, poskusi in napakami.

Neprepoznano vedenje omrežja:

Je najpomembnejša številka ANN. Ko ANN ustvari rešitev za testiranje, ne zagotovi vpogleda v to, zakaj in kako. Zmanjša zaupanje v omrežje.

Odvisnost od strojne opreme:

Umetne nevronske mreže glede na svojo strukturo potrebujejo procesorje z vzporedno procesorsko močjo. Zato je realizacija opreme odvisna.

Težava pri prikazovanju težave v omrežju:

ANN lahko delujejo s številskimi podatki. Težave je treba pretvoriti v številske vrednosti, preden jih uvedemo v ANN. Predstavitveni mehanizem, ki ga je treba rešiti tukaj, bo neposredno vplival na delovanje omrežja. Odvisno je od uporabnikovih sposobnosti.

Trajanje mreže ni znano:

kdaj se začne q2

Omrežje je zmanjšano na določeno vrednost napake, ta vrednost pa nam ne daje optimalnih rezultatov.

Znanstvene umetne nevronske mreže, ki so se v svetu pojavile sredi 20^thstoletja se eksponentno razvijajo. V tem času smo raziskali prednosti umetnih nevronskih mrež in težave, s katerimi se srečujemo pri njihovi uporabi. Ne gre spregledati, da se slabosti omrežij ANN, ki so cvetoča veja znanosti, odpravljajo posamično, njihovih prednosti pa je iz dneva v dan več. To pomeni, da bodo umetne nevronske mreže postale nenadomestljiv del našega življenja, ki bo vse bolj pomembno.

Kako delujejo umetne nevronske mreže?

Umetno nevronsko mrežo lahko najbolje predstavimo kot utežen usmerjen graf, kjer umetni nevroni tvorijo vozlišča. Povezavo med nevronskimi izhodi in nevronskimi vhodi je mogoče videti kot usmerjene robove z utežmi. Umetna nevronska mreža sprejema vhodni signal iz zunanjega vira v obliki vzorca in slike v obliki vektorja. Ti vhodi so nato matematično dodeljeni z oznakami x(n) za vsakih n vhodov.

Nato se vsak vnos pomnoži z ustreznimi utežmi (te uteži so podrobnosti, ki jih uporabljajo umetne nevronske mreže za rešitev določenega problema). Na splošno te uteži običajno predstavljajo moč medsebojne povezave med nevroni znotraj umetne nevronske mreže. Vsi ponderirani vnosi so povzeti znotraj računalniške enote.

Če je utežena vsota enaka nič, se doda pristranskost, da je izhod različen od nič ali kaj drugega, da se prilagodi odzivu sistema. Pristranskost ima enak vhod, utež pa je enaka 1. Tukaj je lahko skupna vrednost uteženih vnosov v območju od 0 do pozitivne neskončnosti. Tukaj se za ohranitev odziva v mejah želene vrednosti primerja določena najvišja vrednost, skupni uteženi vhodi pa se prenesejo skozi aktivacijsko funkcijo.

Aktivacijska funkcija se nanaša na niz prenosnih funkcij, ki se uporabljajo za doseganje želenega rezultata. Obstajajo različne vrste aktivacijskih funkcij, vendar predvsem linearni ali nelinearni nizi funkcij. Nekateri izmed pogosto uporabljenih nizov aktivacijskih funkcij so binarne, linearne in Tan hiperbolične sigmoidne aktivacijske funkcije. Oglejmo si vsakega od njih podrobneje:

Binarno:

Pri binarni aktivacijski funkciji je izhod ena ali 0. Tu je za dosego tega nastavljena vrednost praga. Če je neto uteženi vnos nevronov večji od 1, se končni izhod aktivacijske funkcije vrne kot ena ali pa se izhod vrne kot 0.

Sigmoidna hiperbolika:

Funkcija sigmoidne hiperbole se na splošno obravnava kot ' S ' oblikovana krivulja. Tukaj se hiperbolična funkcija tan uporablja za približek izhoda iz dejanskega neto vložka. Funkcija je definirana kot:

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

Kje ???? se šteje za parameter strmine.

Vrste umetne nevronske mreže:

Obstajajo različne vrste umetnih nevronskih mrež (ANN), odvisno od človeških možganskih nevronov in funkcij omrežja, umetna nevronska mreža podobno opravlja naloge. Večina umetnih nevronskih mrež bo imela nekaj podobnosti s kompleksnejšim biološkim partnerjem in so zelo učinkovite pri svojih pričakovanih nalogah. Na primer segmentacija ali klasifikacija.

Povratne informacije ANN:

Pri tej vrsti ANN se izhodni podatki vrnejo v omrežje, da se interno dosežejo najboljši razviti rezultati. Glede na Univerza v Massachusettsu , Lowell Center za raziskave atmosfere. Omrežja s povratnimi informacijami vrnejo informacije sama vase in so zelo primerna za reševanje težav z optimizacijo. Notranji sistemski popravki napak uporabljajo povratne informacije ANN.

Naprej ANN:

Predpogoj

Pred začetkom te vadnice kot predpogoj ni potrebno posebno strokovno znanje.

Občinstvo

Naša vadnica za umetno nevronsko mrežo je razvita tako za začetnike kot za profesionalce, da jim pomaga razumeti osnovni koncept ANN.

Težave

Zagotavljamo vam, da v tej vadnici za umetno nevronsko mrežo ne boste našli nobene težave. Če pa se pojavi kakršna koli težava ali napaka, jo objavite v kontaktnem obrazcu, da jo lahko še izboljšamo.