인공 신경망

인공 신경 네트워크 - 신경 - 특별한 세포들로 구성되는 것들이다. 그들은 인간의 신경계를 구성하는 생물학적 뉴런, 즉, 세포의 수학적 모델입니다.

처음으로 우리는 1943 년에 신경 네트워크에 대해 이야기하고, 퍼셉트론 로젠의 발명 이후 황금 시대를오고, 네트워크는 매우 인기를 끌고있다. 그러나, 과학자 퍼셉트론의 비 효율성을 증명하는 1969 년 민스크의 출판 후, 특정 조건 하에서,이 분야에 대한 관심이 급격히 떨어졌다. 그러나 이야기는 인공 네트워크로 끝나지 않습니다. . 1985 년, J 홉필드 자신의 연구 결과를 발표하고 신경망 것을 증명 - 기계위한 훌륭한 도구가 학습.

그것은 생물학 여러 개념과 원리에서 차용되었다. 신경 - 후 수신 스위치의 종류는 펄스 (신호)를 송신한다. 뉴런이 충분히 강력한 운동량을 수신하면,이 작동되고있는 것으로 추정하고 그와 연관된 신경 나머지 펄스를 송신한다. 활성화되지 않은 같은 신경 세포는, 그것이 펄스를 전송하지 않습니다, 나머지에 남아있다. 서로 뉴런 연결 다양한 소스로부터 신호를 수신 임펄스 작업과 수상 돌기를 송신 펄스 축삭을 수신 시냅스 : 신경은 여러 가지 주요 구성 요소로 구성된다. 신경 세포가 특정 임계치 이상의 임펄스를 수신하면 즉시 다음 뉴런에 신호를 보낸다.

수학적 모델은 조금 다르다. 로그인 수학적 모델 신경 세포의은 - 구성 요소의 큰 숫자로 구성된 벡터이다. 컴포넌트는 각각 - 뉴런에 의해 수신 된 펄스들 중 하나이다. 모델의 출력은 하나의 번호입니다. 모델의 입력 벡터는 스칼라로 변환된다에서 즉, 나중에 다른 신경 전달된다.

신경 네트워크는 두 가지 방법으로 훈련을 할 수 있습니다와 교사없이. 학습 과정은 여러 단계로 구성되어 있습니다. 먼저, 네트워크에서 외부 자극으로부터 입력된다. 규정에 따라이 신경망의 무료 매개 변수를 변화에서 그런 다음, 네트워크는 이미 다른 입력 자극에 응답합니다. 이 과정은 네트워크 문제가 해결되지 않는 한 반복해야합니다. 교사와 함께 학습 알고리즘은 네트워크를 훈련하는 동안 이미 정답을 가지고 있다는 것입니다. 이 방법은 성공적으로 많은 응용 프로그램에 사용되었지만, 그것은 종종 생물학적으로 믿기 어려운 사실에 대해 비판한다. 신경 네트워크는 경우 유일하게 알려진 입력에 교사없이 교육을받습니다. 이들에 기초하여, 네트워크가 서서히 최고 값 출력을 제공 배운다.

신경망의 적용은 정말 다양합니다. 그들은 종종 여러 가지의 인식, 예측, 생성 자동화하는 데 사용되는 전문가 시스템, 함수 (Functionals)의 근사치를. 이러한 네트워크는 예측 음성 인식 또는 광 신호들을 수행하여 교환 지표, 예를 들어, 소정의 텍스트 또는 주차장으로부터 음성을 합성 할 수있는 자기 학습 할 수있는 시스템을 구축. 서구의 신경 네트워크는보다 적극적으로, 불행하게도, 국내 기업은 아직이 방법을 채택했다하지 않은 사용된다.

하지 이상적인 솔루션 - 일부 지역에서 기존의 계산, 기존의 신경 네트워크에 ANN의 장점에도 불구하고. 그들이 학습 할 수 있기 때문에, 그들은 잘못 될 수있다. 또한, 당신은 정확하게 개발 신경망이 최적임을 보장 할 수 없습니다. 개발자는 테스트 및 교육 네트워크에 대한 데이터를 얻기 위해, 문제를 설명하는 정보를 많이 가지고, 문제의 본질이 해결되고 이해해야합니다 교육, 전달 함수 및 가산기 기능의 올바른 방법을 선택.