TechCodeview

Handledning för artificiella neurala nätverk ger grundläggande och avancerade koncept för ANN. Vår handledning för artificiella neurala nätverk är utvecklad för nybörjare såväl som yrken.

Termen 'Artificiellt neuralt nätverk' hänvisar till ett biologiskt inspirerat delområde av artificiell intelligens som är modellerat efter hjärnan. Ett artificiellt neuralt nätverk är vanligtvis ett beräkningsnätverk baserat på biologiska neurala nätverk som konstruerar strukturen i den mänskliga hjärnan. I likhet med en mänsklig hjärna har neuroner sammankopplade med varandra, artificiella neurala nätverk har också neuroner som är kopplade till varandra i olika lager av nätverken. Dessa neuroner är kända som noder.

exempel på java-kod

Handledning för artificiella neurala nätverk täcker alla aspekter relaterade till det artificiella neurala nätverket. I den här handledningen kommer vi att diskutera ANN, adaptiv resonansteori, Kohonen självorganiserande karta, byggstenar, oövervakad inlärning, genetisk algoritm, etc.

Vad är artificiella neurala nätverk?

Termen ' Artificiellt neuralt nätverk ' härrör från biologiska neurala nätverk som utvecklar strukturen hos en mänsklig hjärna. I likhet med den mänskliga hjärnan som har neuroner sammankopplade med varandra, har artificiella neurala nätverk också neuroner som är sammankopplade med varandra i olika lager av nätverken. Dessa neuroner är kända som noder.

Den givna figuren illustrerar det typiska diagrammet för biologiska neurala nätverk.

Det typiska artificiella neurala nätverket ser ungefär ut som den givna figuren.

Dendriter från Biological Neural Network representerar input i artificiella neurala nätverk, cellkärna representerar noder, synaps representerar vikter och Axon representerar output.

Förhållandet mellan biologiskt neuralt nätverk och artificiellt neuralt nätverk:

En Artificiellt neuralt nätverk inom området för Artificiell intelligens där den försöker efterlikna nätverket av neuroner utgör en mänsklig hjärna så att datorer har en möjlighet att förstå saker och fatta beslut på ett mänskligt sätt. Det artificiella neurala nätverket är designat genom att programmera datorer så att de helt enkelt beter sig som sammankopplade hjärnceller.

Det finns omkring 1000 miljarder neuroner i den mänskliga hjärnan. Varje neuron har en associationspunkt någonstans i intervallet 1 000 och 100 000. I den mänskliga hjärnan lagras data på ett sådant sätt att de distribueras, och vi kan extrahera mer än en del av denna data vid behov från vårt minne parallellt. Vi kan säga att den mänskliga hjärnan består av otroligt fantastiska parallella processorer.

Vi kan förstå det artificiella neurala nätverket med ett exempel, betrakta ett exempel på en digital logisk grind som tar en ingång och ger en utgång. 'ELLER'-grind, som tar två ingångar. Om en eller båda ingångarna är 'På' får vi 'På' i utgången. Om båda ingångarna är 'Av' får vi 'Av' i utgången. Här beror utgången på ingång. Vår hjärna utför inte samma uppgift. Utgångarna till ingångsförhållandet förändras hela tiden på grund av nervcellerna i vår hjärna, som 'lär sig'.

Arkitekturen för ett artificiellt neuralt nätverk:

För att förstå konceptet med arkitekturen för ett artificiellt neuralt nätverk måste vi förstå vad ett neuralt nätverk består av. För att definiera ett neuralt nätverk som består av ett stort antal artificiella neuroner, som kallas enheter ordnade i en sekvens av lager. Låt oss titta på olika typer av lager tillgängliga i ett artificiellt neuralt nätverk.

Artificiellt neuralt nätverk består huvudsakligen av tre lager:

Indatalager:

Som namnet antyder accepterar den ingångar i flera olika format som tillhandahålls av programmeraren.

Dolt lager:

Det dolda lagret presenterar mellan in- och utdatalager. Den utför alla beräkningar för att hitta dolda funktioner och mönster.

Utdatalager:

Ingången går igenom en serie transformationer med hjälp av det dolda lagret, vilket slutligen resulterar i utdata som förmedlas med detta lager.

Det artificiella neurala nätverket tar indata och beräknar den viktade summan av ingångarna och inkluderar en bias. Denna beräkning representeras i form av en överföringsfunktion.

Den bestämmer att den viktade summan skickas som en ingång till en aktiveringsfunktion för att producera utdata. Aktiveringsfunktioner väljer om en nod ska aktiveras eller inte. Endast de som får sparken tar sig till utlagret. Det finns distinkta aktiveringsfunktioner tillgängliga som kan användas på den typ av uppgift vi utför.

Fördelar med artificiellt neuralt nätverk (ANN)

Parallell bearbetningsförmåga:

Artificiella neurala nätverk har ett numeriskt värde som kan utföra mer än en uppgift samtidigt.

Lagra data i hela nätverket:

Data som används i traditionell programmering lagras i hela nätverket, inte i en databas. Försvinnandet av ett par databitar på ett ställe hindrar inte nätverket från att fungera.

Förmåga att arbeta med ofullständig kunskap:

gimp sparas som jpeg

Efter ANN-utbildning kan informationen producera utdata även med otillräckliga data. Förlusten av prestanda här beror på betydelsen av saknade data.

Att ha en minnesfördelning:

kommando chown

För att ANN ska kunna anpassa sig är det viktigt att bestämma exemplen och att uppmuntra nätverket enligt önskad produktion genom att demonstrera dessa exempel för nätverket. Nätverkets följd är direkt proportionell mot de valda instanserna, och om händelsen inte kan visas för nätverket i alla dess aspekter, kan den producera falska utdata.

Har feltolerans:

Utpressning av en eller flera celler av ANN hindrar inte den från att generera utdata, och denna funktion gör nätverket feltolerant.

Nackdelar med artificiella neurala nätverk:

Säkerställande av korrekt nätverksstruktur:

Det finns ingen särskild riktlinje för att bestämma strukturen hos artificiella neurala nätverk. Den lämpliga nätverksstrukturen uppnås genom erfarenhet, försök och misstag.

Okänt beteende hos nätverket:

Det är det viktigaste numret av ANN. När ANN tar fram en testlösning ger den ingen insikt om varför och hur. Det minskar förtroendet för nätverket.

Hårdvaruberoende:

Artificiella neurala nätverk behöver processorer med parallell processorkraft, enligt deras struktur. Därför är förverkligandet av utrustningen beroende.

Svårigheter att visa problemet för nätverket:

ANN:er kan arbeta med numeriska data. Problem måste omvandlas till numeriska värden innan de introduceras till ANN. Presentationsmekanismen som ska lösas här kommer att direkt påverka nätverkets prestanda. Det är beroende av användarens förmågor.

Nätverkets varaktighet är okänd:

Nätverket reduceras till ett specifikt värde för felet, och detta värde ger oss inte optimala resultat.

Vetenskapliga artificiella neurala nätverk som har strömmat in i världen i mitten av 20-talet^thårhundradet utvecklas exponentiellt. För närvarande har vi undersökt fördelarna med artificiella neurala nätverk och de problem som uppstår under deras användning. Det bör inte förbises att nackdelarna med ANN-nätverk, som är en blomstrande vetenskapsgren, elimineras individuellt och deras fördelar ökar dag för dag. Det betyder att artificiella neurala nätverk kommer att förvandlas till en oersättlig del av våra liv som blir allt viktigare.

Hur fungerar artificiella neurala nätverk?

Artificiellt neuralt nätverk kan bäst representeras som en vägd riktad graf, där de artificiella neuronerna bildar noderna. Sambandet mellan neuronutgångarna och neuroningångar kan ses som de riktade kanterna med vikter. Det artificiella neurala nätverket tar emot insignalen från den externa källan i form av ett mönster och bild i form av en vektor. Dessa ingångar tilldelas sedan matematiskt av beteckningarna x(n) för varje n antal ingångar.

Efteråt multipliceras var och en av indata med dess motsvarande vikter (dessa vikter är detaljerna som används av de artificiella neurala nätverken för att lösa ett specifikt problem). I allmänna termer representerar dessa vikter normalt styrkan i sammankopplingen mellan neuroner inuti det artificiella neurala nätverket. Alla viktade indata är sammanfattade i beräkningsenheten.

Om den viktade summan är lika med noll, läggs bias till för att göra utdatan icke-noll eller något annat för att skala upp till systemets svar. Bias har samma ingång, och vikten är lika med 1. Här kan summan av viktade indata vara i intervallet 0 till positiv oändlighet. Här, för att hålla svaret inom gränserna för det önskade värdet, benchmarkas ett visst maxvärde, och summan av viktade ingångar skickas genom aktiveringsfunktionen.

Aktiveringsfunktionen hänvisar till den uppsättning överföringsfunktioner som används för att uppnå önskad effekt. Det finns en annan typ av aktiveringsfunktion, men i första hand antingen linjära eller icke-linjära uppsättningar av funktioner. Några av de vanligen använda uppsättningarna av aktiveringsfunktioner är de binära, linjära och Tan hyperboliska sigmoidala aktiveringsfunktionerna. Låt oss ta en titt på var och en av dem i detalj:

Binär:

I binär aktiveringsfunktion är utgången antingen en etta eller en 0. Här, för att åstadkomma detta, finns ett tröskelvärde inställt. Om den nettoviktade inmatningen av neuroner är mer än 1, returneras den slutliga utsignalen från aktiveringsfunktionen som en eller så returneras utsignalen som 0.

Sigmoidal hyperbolisk:

Sigmoidal Hyperbola-funktionen ses i allmänhet som en S ' formad kurva. Här används tan hyperbolisk funktion för att approximera utdata från den faktiska nettoinmatningen. Funktionen definieras som:

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

Var ???? anses vara branthetsparametern.

unix vs windows

Typer av konstgjorda neurala nätverk:

Det finns olika typer av artificiella neurala nätverk (ANN) beroende på den mänskliga hjärnans neuron och nätverksfunktioner, ett artificiellt neuralt nätverk utför på liknande sätt uppgifter. Majoriteten av de artificiella neurala nätverken kommer att ha vissa likheter med en mer komplex biologisk partner och är mycket effektiva i sina förväntade uppgifter. Till exempel segmentering eller klassificering.

Feedback ANN:

I denna typ av ANN återgår utsignalen till nätverket för att uppnå de bäst utvecklade resultaten internt. Enligt University of Massachusetts , Lowell Center for Atmospheric Research. Feedbacknätverken matar tillbaka information till sig själv och är väl lämpade för att lösa optimeringsproblem. De interna systemfelkorrigeringarna använder återkopplings-ANN.

Mata vidare ANN:

Nödvändig förutsättning

Ingen specifik expertis behövs som en förutsättning innan du startar den här handledningen.

Publik

Vår handledning för artificiella neurala nätverk är utvecklad för nybörjare såväl som proffs, för att hjälpa dem att förstå grundkonceptet för ANN.

Problem

Vi försäkrar dig att du inte kommer att hitta några problem i denna handledning för artificiella neurala nätverk. Men om det finns något problem eller misstag, vänligen posta problemet i kontaktformuläret så att vi kan förbättra det ytterligare.