Tutorial voor kunstmatige neurale netwerken biedt basis- en geavanceerde concepten van ANN's. Onze kunstmatige neurale netwerk-tutorial is ontwikkeld voor zowel beginners als professionals.

De term 'kunstmatig neuraal netwerk' verwijst naar een biologisch geïnspireerd deelgebied van kunstmatige intelligentie, gemodelleerd naar de hersenen. Een kunstmatig neuraal netwerk is meestal een computernetwerk gebaseerd op biologische neurale netwerken die de structuur van het menselijk brein construeren. Net zoals in het menselijk brein neuronen met elkaar verbonden zijn, hebben kunstmatige neurale netwerken ook neuronen die in verschillende lagen van de netwerken met elkaar verbonden zijn. Deze neuronen staan ​​bekend als knooppunten.

netwerktopologieën

De tutorial voor kunstmatige neurale netwerken behandelt alle aspecten die verband houden met het kunstmatige neurale netwerk. In deze tutorial bespreken we ANN's, adaptieve resonantietheorie, zelforganiserende kaart van Kohonen, bouwstenen, leren zonder toezicht, genetisch algoritme, enz.

Wat is een kunstmatig neuraal netwerk?

De voorwaarde ' Kunstmatig neuraal netwerk ' is afgeleid van biologische neurale netwerken die de structuur van een menselijk brein ontwikkelen. Net als het menselijk brein, dat neuronen heeft die met elkaar verbonden zijn, hebben kunstmatige neurale netwerken ook neuronen die in verschillende lagen van de netwerken met elkaar verbonden zijn. Deze neuronen staan ​​bekend als knooppunten.

De gegeven figuur illustreert het typische diagram van het biologische neurale netwerk.

Het typische kunstmatige neurale netwerk lijkt ongeveer op de gegeven figuur.

Dendrieten van het biologische neurale netwerk vertegenwoordigen inputs in kunstmatige neurale netwerken, celkern vertegenwoordigt knooppunten, synaps vertegenwoordigt gewichten en Axon vertegenwoordigt output.

Relatie tussen biologisch neuraal netwerk en kunstmatig neuraal netwerk:

Een Kunstmatig neuraal netwerk op het gebied van Kunstmatige intelligentie waar het probeert het netwerk van neuronen na te bootsen, vormt het menselijk brein, zodat computers de mogelijkheid hebben om dingen te begrijpen en beslissingen te nemen op een mensachtige manier. Het kunstmatige neurale netwerk is ontworpen door computers zo te programmeren dat ze zich eenvoudig gedragen als onderling verbonden hersencellen.

Er zijn ongeveer 1000 miljard neuronen in het menselijk brein. Elk neuron heeft een associatiepunt ergens tussen de 1.000 en 100.000. In het menselijk brein worden gegevens op een zodanige manier opgeslagen dat ze worden gedistribueerd, en we kunnen indien nodig meer dan één deel van deze gegevens parallel uit ons geheugen halen. We kunnen zeggen dat het menselijk brein bestaat uit ongelooflijk verbazingwekkende parallelle processors.

We kunnen het kunstmatige neurale netwerk begrijpen met een voorbeeld. Bekijk een voorbeeld van een digitale logische poort die invoer ontvangt en uitvoer geeft. 'OR'-poort, die twee ingangen nodig heeft. Als een of beide ingangen 'Aan' zijn, krijgen we 'Aan' in de uitvoer. Als beide ingangen 'Uit' zijn, krijgen we 'Uit' in de uitvoer. Hier is de output afhankelijk van de input. Onze hersenen voeren niet dezelfde taak uit. De relatie tussen output en input blijft veranderen vanwege de neuronen in onze hersenen, die 'leren'.

De architectuur van een kunstmatig neuraal netwerk:

Om het concept van de architectuur van een kunstmatig neuraal netwerk te begrijpen, moeten we begrijpen waaruit een neuraal netwerk bestaat. Om een ​​neuraal netwerk te definiëren dat bestaat uit een groot aantal kunstmatige neuronen, die eenheden worden genoemd die in een reeks lagen zijn gerangschikt. Laten we eens kijken naar verschillende soorten lagen die beschikbaar zijn in een kunstmatig neuraal netwerk.

Kunstmatig neuraal netwerk bestaat voornamelijk uit drie lagen:

Invoerlaag:

Zoals de naam al doet vermoeden, accepteert het invoer in verschillende formaten die door de programmeur worden aangeboden.

Verborgen laag:

De verborgen laag bevindt zich tussen de invoer- en uitvoerlagen. Het voert alle berekeningen uit om verborgen kenmerken en patronen te vinden.

Uitvoerlaag:

De invoer doorloopt een reeks transformaties met behulp van de verborgen laag, wat uiteindelijk resulteert in uitvoer die via deze laag wordt overgebracht.

lezen vanuit csv-java

Het kunstmatige neurale netwerk neemt input en berekent de gewogen som van de input en omvat een bias. Deze berekening wordt weergegeven in de vorm van een overdrachtsfunctie.

Het bepaalt dat het gewogen totaal wordt doorgegeven als invoer voor een activeringsfunctie om de uitvoer te produceren. Activeringsfuncties bepalen of een knooppunt wel of niet moet vuren. Alleen degenen die worden ontslagen, bereiken de uitvoerlaag. Er zijn onderscheidende activeringsfuncties beschikbaar die kunnen worden toegepast op het soort taak dat we uitvoeren.

Voordelen van een kunstmatig neuraal netwerk (ANN)

Parallelle verwerkingscapaciteit:

Kunstmatige neurale netwerken hebben een numerieke waarde die meer dan één taak tegelijk kunnen uitvoeren.

Gegevens opslaan over het gehele netwerk:

Gegevens die bij traditioneel programmeren worden gebruikt, worden op het hele netwerk opgeslagen, niet in een database. Het verdwijnen van een paar stukjes data op één plek verhindert niet dat het netwerk werkt.

Vermogen om te werken met onvolledige kennis:

Na een ANN-training kan de informatie zelfs met onvoldoende gegevens resultaat opleveren. Het prestatieverlies hangt hier af van de betekenis van ontbrekende gegevens.

Een geheugendistributie hebben:

Voor het kunnen aanpassen van ANN is het belangrijk om de voorbeelden te bepalen en het netwerk te stimuleren op basis van de gewenste output door deze voorbeelden aan het netwerk te demonstreren. De opeenvolging van het netwerk is recht evenredig met de gekozen instanties, en als de gebeurtenis niet in al zijn aspecten voor het netwerk kan verschijnen, kan deze valse uitvoer produceren.

Fouttolerantie hebben:

Afpersing van een of meer cellen van ANN verhindert niet dat het output genereert, en deze functie zorgt ervoor dat het netwerk fouttolerant is.

Nadelen van een kunstmatig neuraal netwerk:

Verzekering van een goede netwerkstructuur:

Er bestaat geen specifieke richtlijn voor het bepalen van de structuur van kunstmatige neurale netwerken. De juiste netwerkstructuur wordt tot stand gebracht door ervaring, vallen en opstaan.

Niet-herkend gedrag van het netwerk:

wat is 10 van de 60

Het is de belangrijkste kwestie van ANN. Wanneer ANN een testoplossing maakt, geeft deze geen inzicht in het waarom en hoe. Het vermindert het vertrouwen in het netwerk.

Hardware-afhankelijkheid:

Kunstmatige neurale netwerken hebben processors nodig met parallelle verwerkingskracht, afhankelijk van hun structuur. Daarom is de realisatie van de apparatuur afhankelijk.

Moeilijkheid om het probleem aan het netwerk te tonen:

ANN's kunnen werken met numerieke gegevens. Problemen moeten worden omgezet in numerieke waarden voordat ze bij ANN worden geïntroduceerd. Het presentatiemechanisme dat hier moet worden opgelost, heeft een directe invloed op de prestaties van het netwerk. Het is afhankelijk van de capaciteiten van de gebruiker.

De duur van het netwerk is onbekend:

Het netwerk wordt teruggebracht tot een specifieke waarde van de fout, en deze waarde levert ons geen optimale resultaten op.

Wetenschappelijk kunstmatige neurale netwerken die halverwege de jaren twintig de wereld zijn binnengedrongen^eeeuw ontwikkelen zich exponentieel. In de huidige tijd hebben we de voordelen van kunstmatige neurale netwerken onderzocht en de problemen die we tegenkwamen tijdens het gebruik ervan. We mogen niet over het hoofd zien dat de nadelen van ANN-netwerken, die een bloeiende wetenschapstak vormen, individueel worden geëlimineerd, en dat hun voordelen met de dag toenemen. Het betekent dat kunstmatige neurale netwerken een onvervangbaar onderdeel van ons leven zullen worden en steeds belangrijker zullen worden.

Hoe werken kunstmatige neurale netwerken?

Kunstmatig neuraal netwerk kan het beste worden weergegeven als een gewogen gerichte grafiek, waarbij de kunstmatige neuronen de knooppunten vormen. De associatie tussen de neuronenuitgangen en neuroningangen kan worden gezien als de gerichte randen met gewichten. Het kunstmatige neurale netwerk ontvangt het ingangssignaal van de externe bron in de vorm van een patroon en een afbeelding in de vorm van een vector. Deze ingangen worden vervolgens wiskundig toegewezen door de notaties x(n) voor elk n aantal ingangen.

lente en lente mvc

Daarna wordt elk van de invoer vermenigvuldigd met de overeenkomstige gewichten (deze gewichten zijn de details die door de kunstmatige neurale netwerken worden gebruikt om een ​​specifiek probleem op te lossen). In algemene termen vertegenwoordigen deze gewichten normaal gesproken de sterkte van de onderlinge verbinding tussen neuronen binnen het kunstmatige neurale netwerk. Alle gewogen invoer wordt samengevat in de rekeneenheid.

Als de gewogen som gelijk is aan nul, wordt er bias toegevoegd om de uitvoer niet nul te maken, of iets anders om op te schalen naar de respons van het systeem. Bias heeft dezelfde invoer en het gewicht is gelijk aan 1. Hier kan het totaal van de gewogen invoer in het bereik van 0 tot positief oneindig liggen. Om de respons binnen de grenzen van de gewenste waarde te houden, wordt hier een bepaalde maximale waarde gebenchmarkt, en wordt het totaal aan gewogen inputs door de activeringsfunctie gevoerd.

De activeringsfunctie verwijst naar de reeks overdrachtsfuncties die worden gebruikt om de gewenste output te bereiken. Er is een ander soort activeringsfunctie, maar voornamelijk lineaire of niet-lineaire sets functies. Enkele van de veelgebruikte sets activeringsfuncties zijn de binaire, lineaire en Tan hyperbolische sigmoïdale activeringsfuncties. Laten we ze allemaal in detail bekijken:

Binair:

Bij de binaire activeringsfunctie is de uitvoer een één of een 0. Om dit te bereiken is er een drempelwaarde ingesteld. Als de netto gewogen invoer van neuronen groter is dan 1, wordt de uiteindelijke uitvoer van de activeringsfunctie geretourneerd als één, anders wordt de uitvoer geretourneerd als 0.

Sigmoïdale hyperbolisch:

De sigmoïdale hyperboolfunctie wordt algemeen gezien als een ' S 'vormige bocht. Hier wordt de tan-hyperbolische functie gebruikt om de output te benaderen op basis van de werkelijke netto-input. De functie is gedefinieerd als:

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

Waar ???? wordt beschouwd als de parameter Steilheid.

Soorten kunstmatige neurale netwerken:

Er zijn verschillende soorten kunstmatige neurale netwerken (ANN), afhankelijk van de neuron- en netwerkfuncties van het menselijk brein. Een kunstmatig neuraal netwerk voert op vergelijkbare wijze taken uit. Het merendeel van de kunstmatige neurale netwerken zal enige gelijkenis vertonen met een complexere biologische partner en is zeer effectief in de verwachte taken. Bijvoorbeeld segmentatie of classificatie.

Feedback ANN:

Bij dit type ANN keert de output terug naar het netwerk om intern de best ontwikkelde resultaten te bereiken. Volgens de Universiteit van Massachusetts , Lowell Centrum voor Atmosferisch Onderzoek. De feedbacknetwerken koppelen informatie terug aan zichzelf en zijn zeer geschikt om optimalisatievraagstukken op te lossen. De interne systeemfoutcorrecties maken gebruik van feedback-ANN's.

Feed-Forward ANN:

Voorwaarde

Er is geen specifieke expertise vereist voordat u met deze tutorial begint.

Publiek

Onze kunstmatige neurale netwerk-tutorial is ontwikkeld voor zowel beginners als professionals, om hen te helpen het basisconcept van ANN's te begrijpen.

Problemen

Wij verzekeren u dat u geen enkel probleem zult vinden in deze tutorial over het kunstmatige neurale netwerk. Maar als er een probleem of fout is, plaats dan het probleem in het contactformulier, zodat we het verder kunnen verbeteren.