El tutorial sobre xarxes neuronals artificials ofereix conceptes bàsics i avançats de les ANN. El nostre tutorial de xarxa neuronal artificial està desenvolupat per a principiants i professionals.
El terme 'xarxa neuronal artificial' es refereix a un subcamp d'intel·ligència artificial inspirat biològicament i modelat després del cervell. Una xarxa neuronal artificial sol ser una xarxa computacional basada en xarxes neuronals biològiques que construeixen l'estructura del cervell humà. De la mateixa manera que un cervell humà té neurones interconnectades entre si, les xarxes neuronals artificials també tenen neurones que estan enllaçades entre si en diverses capes de les xarxes. Aquestes neurones es coneixen com a nodes.
llegiu el fitxer csv en java
El tutorial sobre xarxes neuronals artificials cobreix tots els aspectes relacionats amb la xarxa neuronal artificial. En aquest tutorial, parlarem de les ANN, la teoria de la ressonància adaptativa, el mapa d'autoorganització de Kohonen, els blocs de construcció, l'aprenentatge no supervisat, l'algorisme genètic, etc.
Què és la xarxa neuronal artificial?
El terme ' Xarxa neuronal artificial ' es deriva de les xarxes neuronals biològiques que desenvolupen l'estructura d'un cervell humà. De manera similar al cervell humà que té neurones interconnectades entre si, les xarxes neuronals artificials també tenen neurones que estan interconnectades entre si en diverses capes de les xarxes. Aquestes neurones es coneixen com a nodes.
La figura mostrada il·lustra el diagrama típic de la xarxa neuronal biològica.
La típica xarxa neuronal artificial s'assembla a la figura donada.
Les dendrites de la xarxa neuronal biològica representen entrades a les xarxes neuronals artificials, el nucli cel·lular representa els nodes, la sinapsi representa els pesos i l'axó representa la sortida.
Relació entre la xarxa neuronal biològica i la xarxa neuronal artificial:
| Xarxa Neural Biològica | Xarxa neuronal artificial |
|---|---|
| Dendrites | Entrades |
| Nucli cel·lular | Nodes |
| Sinapsi | Peses |
| Axó | Sortida |
An Xarxa neuronal artificial en el camp de Intel · ligència artificial on intenta imitar la xarxa de neurones que constitueix un cervell humà perquè els ordinadors tinguin l'opció d'entendre les coses i prendre decisions d'una manera semblant a l'home. La xarxa neuronal artificial està dissenyada programant ordinadors perquè es comportin simplement com cèl·lules cerebrals interconnectades.
Hi ha al voltant de 1.000 mil milions de neurones al cervell humà. Cada neurona té un punt d'associació entre 1.000 i 100.000. Al cervell humà, les dades s'emmagatzemen de manera que es distribueixen, i podem extreure més d'una peça d'aquestes dades quan sigui necessari de la nostra memòria de manera paral·lela. Podem dir que el cervell humà està format per processadors paral·lels increïblement sorprenents.
Podem entendre la xarxa neuronal artificial amb un exemple, considerem un exemple de porta lògica digital que pren una entrada i dóna una sortida. Porta 'OR', que pren dues entrades. Si una o ambdues entrades són 'On', obtenim 'On' a la sortida. Si ambdues entrades estan 'Desactivades', obtenim 'Desactivada' a la sortida. Aquí la sortida depèn de l'entrada. El nostre cervell no realitza la mateixa tasca. La relació entre les sortides i les entrades segueix canviant a causa de les neurones del nostre cervell, que estan 'aprenent'.
L'arquitectura d'una xarxa neuronal artificial:
Per entendre el concepte d'arquitectura d'una xarxa neuronal artificial, hem d'entendre en què consisteix una xarxa neuronal. Per tal de definir una xarxa neuronal que consta d'un gran nombre de neurones artificials, que s'anomenen unitats disposades en una seqüència de capes. Anem a veure diversos tipus de capes disponibles en una xarxa neuronal artificial.
La xarxa neuronal artificial consta principalment de tres capes:
Capa d'entrada:
memòria de registre
Com el seu nom indica, accepta entrades en diversos formats diferents proporcionats pel programador.
Capa oculta:
La capa oculta presenta capes intermèdies d'entrada i de sortida. Realitza tots els càlculs per trobar característiques i patrons ocults.
Capa de sortida:
L'entrada passa per una sèrie de transformacions utilitzant la capa oculta, que finalment resulta en una sortida que es transmet mitjançant aquesta capa.
La xarxa neuronal artificial pren entrada i calcula la suma ponderada de les entrades i inclou un biaix. Aquest càlcul es representa en forma de funció de transferència.
Determina que el total ponderat es passa com a entrada a una funció d'activació per produir la sortida. Les funcions d'activació escullen si un node s'ha d'activar o no. Només els que són acomiadats arriben a la capa de sortida. Hi ha funcions d'activació diferents disponibles que es poden aplicar al tipus de tasca que estem realitzant.
Avantatges de la xarxa neuronal artificial (ANN)
Capacitat de processament paral·lel:
Les xarxes neuronals artificials tenen un valor numèric que pot realitzar més d'una tasca simultàniament.
Emmagatzematge de dades a tota la xarxa:
Les dades que s'utilitzen en la programació tradicional s'emmagatzemen a tota la xarxa, no a una base de dades. La desaparició d'un parell de dades en un sol lloc no impedeix que la xarxa funcioni.
Capacitat de treballar amb coneixements incomplets:
Després de l'entrenament ANN, la informació pot produir resultats fins i tot amb dades inadequades. La pèrdua de rendiment aquí depèn de la importància de les dades que falten.
Tenir una distribució de memòria:
Perquè ANN és poder adaptar-se, és important determinar els exemples i fomentar la xarxa segons la sortida desitjada demostrant aquests exemples a la xarxa. La successió de la xarxa és directament proporcional a les instàncies escollides, i si l'esdeveniment no pot aparèixer a la xarxa en tots els seus aspectes, pot produir una sortida falsa.
java len de matriu
Tenir tolerància a errors:
L'extorsió d'una o més cel·les d'ANN no li prohibeix generar sortida, i aquesta característica fa que la xarxa sigui tolerant a errors.
Desavantatges de la xarxa neuronal artificial:
Garantia de l'estructura adequada de la xarxa:
No hi ha cap directriu particular per determinar l'estructura de les xarxes neuronals artificials. L'estructura de xarxa adequada s'aconsegueix mitjançant l'experiència, la prova i l'error.
Comportament no reconegut de la xarxa:
És el tema més important de l'ANN. Quan ANN produeix una solució de prova, no proporciona informació sobre per què i com. Disminueix la confiança en la xarxa.
Dependència del maquinari:
Les xarxes neuronals artificials necessiten processadors amb potència de processament paral·lel, segons la seva estructura. Per tant, la realització de l'equip depèn.
Dificultat per mostrar el problema a la xarxa:
Les ANN poden treballar amb dades numèriques. Els problemes s'han de convertir en valors numèrics abans d'introduir-los a l'ANN. El mecanisme de presentació que s'ha de resoldre aquí afectarà directament el rendiment de la xarxa. Es basa en les habilitats de l'usuari.
Es desconeix la durada de la xarxa:
La xarxa es redueix a un valor específic de l'error, i aquest valor no ens dóna resultats òptims.
Xarxes neuronals artificials de ciència que s'han impregnat al món a mitjans dels anys 20thsegle es desenvolupen de manera exponencial. En l'actualitat, hem investigat els avantatges de les xarxes neuronals artificials i els problemes trobats en el curs de la seva utilització. No s'ha de passar per alt que els inconvenients de les xarxes ANN, que són una branca de la ciència florent, s'eliminen individualment i els seus pros augmenten dia a dia. Vol dir que les xarxes neuronals artificials es convertiran en una part insubstituïble de les nostres vides progressivament important.
Com funcionen les xarxes neuronals artificials?
La xarxa neuronal artificial es pot representar millor com un gràfic dirigit ponderat, on les neurones artificials formen els nodes. L'associació entre les sortides de les neurones i les entrades de les neurones es pot veure com les vores dirigides amb pesos. La xarxa neuronal artificial rep el senyal d'entrada de la font externa en forma de patró i imatge en forma de vector. Aquestes entrades s'assignen matemàticament mitjançant les notacions x(n) per a cada n nombre d'entrades.
Després, cadascuna de les entrades es multiplica pels seus pesos corresponents (aquests pesos són els detalls utilitzats per les xarxes neuronals artificials per resoldre un problema específic). En termes generals, aquests pesos normalment representen la força de la interconnexió entre les neurones dins de la xarxa neuronal artificial. Totes les entrades ponderades es resumeixen dins de la unitat de càlcul.
Si la suma ponderada és igual a zero, s'afegeix biaix per fer que la sortida sigui diferent de zero o una altra cosa per augmentar la resposta del sistema. El biaix té la mateixa entrada i el pes és igual a 1. Aquí el total d'entrades ponderades pot estar en el rang de 0 a infinit positiu. Aquí, per mantenir la resposta en els límits del valor desitjat, es compara un determinat valor màxim i el total d'entrades ponderades es passa a través de la funció d'activació.
La funció d'activació fa referència al conjunt de funcions de transferència utilitzades per aconseguir la sortida desitjada. Hi ha un tipus diferent de funció d'activació, però principalment conjunts de funcions lineals o no lineals. Alguns dels conjunts de funcions d'activació que s'utilitzen habitualment són les funcions d'activació sigmoïdal hiperbòlica binària, lineal i Tan. Fem una ullada a cadascun d'ells amb detall:
binari:
En la funció d'activació binària, la sortida és un o un 0. Aquí, per aconseguir-ho, hi ha un valor llindar configurat. Si l'entrada ponderada neta de les neurones és superior a 1, aleshores la sortida final de la funció d'activació es retorna com una o, en cas contrari, la sortida es retorna com a 0.
Hiperbòlica sigmoïdal:
La funció d'hipèrbola sigmoïdal es considera generalment com un ' S 'corba en forma. Aquí la funció hiperbòlica tan s'utilitza per aproximar la sortida de l'entrada neta real. La funció es defineix com:
F(x) = (1/1 + exp(-????x))
On???? es considera el paràmetre de la inclinació.
Tipus de xarxes neuronals artificials:
Hi ha diversos tipus de xarxes neuronals artificials (ANN) depenent de la neurona del cervell humà i les funcions de la xarxa, una xarxa neuronal artificial realitza tasques de manera similar. La majoria de les xarxes neuronals artificials tindran algunes similituds amb un soci biològic més complex i són molt efectives en les seves tasques esperades. Per exemple, segmentació o classificació.
stlc
Comentaris ANN:
En aquest tipus d'ANN, la sortida torna a la xarxa per aconseguir els resultats més evolucionats internament. Segons el Universitat de Massachusetts , Lowell Center for Atmospheric Research. Les xarxes de retroalimentació retornen la informació a elles mateixes i són molt adequades per resoldre problemes d'optimització. Les correccions d'errors del sistema intern utilitzen ANN de retroalimentació.
Feed-Forward ANN:
Una xarxa d'alimentació anticipada és una xarxa neuronal bàsica que consta d'una capa d'entrada, una capa de sortida i almenys una capa d'una neurona. Mitjançant l'avaluació de la seva sortida mitjançant la revisió de la seva entrada, es pot notar la intensitat de la xarxa en funció del comportament del grup de les neurones associades i es decideix la sortida. L'avantatge principal d'aquesta xarxa és que esbrina com avaluar i reconèixer els patrons d'entrada.Requisit previ
No es necessita cap experiència específica com a requisit previ abans de començar aquest tutorial.
Públic
El nostre tutorial de xarxes neuronals artificials està desenvolupat per a principiants i professionals, per ajudar-los a entendre el concepte bàsic de les ANN.
Problemes
Us assegurem que no trobareu cap problema en aquest tutorial de Xarxa Neural Artificial. Però si hi ha algun problema o error, si us plau, publiqueu el problema al formulari de contacte perquè puguem millorar-lo encara més.