Artificial Neural Network Tutorial gir grunnleggende og avanserte konsepter for ANN-er. Vår veiledning for kunstig nevrale nettverk er utviklet for nybegynnere så vel som yrker.

Begrepet 'kunstig nevrale nettverk' refererer til et biologisk inspirert underfelt av kunstig intelligens modellert etter hjernen. Et kunstig nevrale nettverk er vanligvis et beregningsnettverk basert på biologiske nevrale nettverk som konstruerer strukturen til den menneskelige hjernen. I likhet med en menneskelig hjerne har nevroner sammenkoblet med hverandre, kunstige nevrale nettverk har også nevroner som er knyttet til hverandre i forskjellige lag av nettverkene. Disse nevronene er kjent som noder.

generisitet i java

Opplæringen i kunstig nevrale nettverk dekker alle aspekter knyttet til det kunstige nevrale nettverket. I denne opplæringen vil vi diskutere ANN-er, adaptiv resonansteori, Kohonen selvorganiserende kart, byggesteiner, uovervåket læring, genetisk algoritme, etc.

Hva er kunstig nevrale nettverk?

Begrepet ' Kunstig nevrale nettverk ' er avledet fra biologiske nevrale nettverk som utvikler strukturen til en menneskelig hjerne. I likhet med den menneskelige hjernen som har nevroner koblet til hverandre, har kunstige nevrale nettverk også nevroner som er koblet til hverandre i forskjellige lag av nettverkene. Disse nevronene er kjent som noder.

Den gitte figuren illustrerer det typiske diagrammet for biologiske nevrale nettverk.

Det typiske kunstige nevrale nettverket ser omtrent ut som den gitte figuren.

Dendritter fra Biological Neural Network representerer innganger i kunstige nevrale nettverk, cellekjerne representerer noder, synapse representerer vekter og Axon representerer Output.

Forholdet mellom biologisk nevrale nettverk og kunstige nevrale nettverk:

An Kunstig nevrale nettverk innen Kunstig intelligens hvor den forsøker å etterligne nettverket av nevroner utgjør en menneskelig hjerne, slik at datamaskiner vil ha muligheten til å forstå ting og ta avgjørelser på en menneskelignende måte. Det kunstige nevrale nettverket er designet ved å programmere datamaskiner til å oppføre seg rett og slett som sammenkoblede hjerneceller.

Det er rundt 1000 milliarder nevroner i den menneskelige hjernen. Hvert nevron har et assosiasjonspunkt et sted i området 1 000 og 100 000. I den menneskelige hjernen lagres data på en slik måte at de distribueres, og vi kan trekke ut mer enn én del av disse dataene når det er nødvendig fra minnet vårt parallelt. Vi kan si at den menneskelige hjernen består av utrolig fantastiske parallelle prosessorer.

Vi kan forstå det kunstige nevrale nettverket med et eksempel, tenk på et eksempel på en digital logisk port som tar en inngang og gir en utgang. 'ELLER'-port, som tar to innganger. Hvis en eller begge inngangene er 'På', får vi 'På' i utgangen. Hvis begge inngangene er 'Av', får vi 'Av' i utgangen. Her avhenger utgangen av input. Hjernen vår utfører ikke den samme oppgaven. Utdataene til inngangsforholdet fortsetter å endre seg på grunn av nevronene i hjernen vår, som 'lærer'.

Arkitekturen til et kunstig nevralt nettverk:

For å forstå konseptet med arkitekturen til et kunstig nevralt nettverk, må vi forstå hva et nevralt nettverk består av. For å definere et nevralt nettverk som består av et stort antall kunstige nevroner, som kalles enheter arrangert i en sekvens av lag. La oss se på ulike typer lag tilgjengelig i et kunstig nevralt nettverk.

Artificial Neural Network består primært av tre lag:

Inndatalag:

verilog alltid

Som navnet antyder, aksepterer den innganger i flere forskjellige formater levert av programmereren.

Skjult lag:

Det skjulte laget presenterer mellom input- og outputlag. Den utfører alle beregningene for å finne skjulte funksjoner og mønstre.

Utdatalag:

Inndataene går gjennom en rekke transformasjoner ved hjelp av det skjulte laget, som til slutt resulterer i utdata som formidles ved hjelp av dette laget.

Det kunstige nevrale nettverket tar input og beregner den vektede summen av inngangene og inkluderer en skjevhet. Denne beregningen er representert i form av en overføringsfunksjon.

Den bestemmer at vektet total sendes som en inngang til en aktiveringsfunksjon for å produsere utdata. Aktiveringsfunksjoner velger om en node skal utløses eller ikke. Bare de som får sparken kommer til utgangslaget. Det er distinkte aktiveringsfunksjoner tilgjengelig som kan brukes på den typen oppgave vi utfører.

Fordeler med kunstig nevrale nettverk (ANN)

Parallell prosesseringsevne:

Kunstige nevrale nettverk har en numerisk verdi som kan utføre mer enn én oppgave samtidig.

Lagre data på hele nettverket:

Data som brukes i tradisjonell programmering lagres på hele nettverket, ikke i en database. Forsvinningen av et par datastykker på ett sted hindrer ikke nettverket i å fungere.

Evne til å arbeide med ufullstendig kunnskap:

Etter ANN-trening kan informasjonen produsere utdata selv med utilstrekkelige data. Tapet av ytelse her er avhengig av betydningen av manglende data.

Å ha en minnedistribusjon:

For at ANN skal kunne tilpasse seg, er det viktig å bestemme eksemplene og å oppmuntre nettverket i henhold til ønsket output ved å demonstrere disse eksemplene for nettverket. Rekkefølgen til nettverket er direkte proporsjonal med de valgte forekomstene, og hvis hendelsen ikke kan vises for nettverket i alle aspekter, kan den produsere falske utdata.

rekursjon java

Har feiltoleranse:

Utpressing av en eller flere celler av ANN hindrer den ikke i å generere utdata, og denne funksjonen gjør nettverket feiltoleranse.

Ulemper med kunstig nevrale nettverk:

Sikring av riktig nettverksstruktur:

Det er ingen spesiell retningslinje for å bestemme strukturen til kunstige nevrale nettverk. Den riktige nettverksstrukturen oppnås gjennom erfaring, prøving og feiling.

Ukjent oppførsel av nettverket:

Det er den viktigste saken til ANN. Når ANN produserer en testløsning, gir den ikke innsikt om hvorfor og hvordan. Det reduserer tilliten til nettverket.

Maskinvareavhengighet:

Kunstige nevrale nettverk trenger prosessorer med parallell prosessorkraft, i henhold til deres struktur. Derfor er realiseringen av utstyret avhengig.

Vanskeligheter med å vise problemet til nettverket:

ANN-er kan arbeide med numeriske data. Oppgaver må konverteres til numeriske verdier før de introduseres til ANN. Presentasjonsmekanismen som skal løses her vil direkte påvirke ytelsen til nettverket. Den er avhengig av brukerens evner.

Varigheten av nettverket er ukjent:

Nettverket reduseres til en bestemt verdi av feilen, og denne verdien gir oss ikke optimale resultater.

Vitenskapelige kunstige nevrale nettverk som har steilt inn i verden på midten av 20-tallet^thårhundre utvikler seg eksponentielt. I den nåværende tiden har vi undersøkt fordelene med kunstige nevrale nettverk og problemene som oppstår i løpet av deres bruk. Det bør ikke overses at ulempene med ANN-nettverk, som er en blomstrende vitenskapsgren, elimineres individuelt, og fordelene deres øker dag for dag. Det betyr at kunstige nevrale nettverk vil bli en uerstattelig del av livene våre som blir stadig viktigere.

Hvordan fungerer kunstige nevrale nettverk?

Artificial Neural Network kan best representeres som en vektet rettet graf, der de kunstige nevronene danner nodene. Assosiasjonen mellom nevronutgangene og nevroninngangene kan sees på som de rettede kantene med vekter. Det kunstige nevrale nettverket mottar inngangssignalet fra den eksterne kilden i form av et mønster og bilde i form av en vektor. Disse inngangene blir deretter matematisk tilordnet av notasjonene x(n) for hvert n antall innganger.

Etterpå multipliseres hver av inngangene med dens tilsvarende vekter (disse vektene er detaljene som brukes av de kunstige nevrale nettverkene for å løse et spesifikt problem). Generelt sett representerer disse vektene normalt styrken til sammenkoblingen mellom nevroner inne i det kunstige nevrale nettverket. Alle de vektede inngangene er oppsummert inne i dataenheten.

Hvis den vektede summen er lik null, legges bias til for å gjøre utgangen ikke-null eller noe annet for å skalere opp til systemets respons. Bias har samme inngang, og vekt er lik 1. Her kan summen av vektede innganger ligge i området 0 til positiv uendelig. Her, for å holde responsen innenfor grensene for ønsket verdi, benchmarkes en viss maksimalverdi, og summen av vektede innganger sendes gjennom aktiveringsfunksjonen.

Aktiveringsfunksjonen refererer til settet med overføringsfunksjoner som brukes for å oppnå ønsket utgang. Det er en annen type aktiveringsfunksjon, men primært enten lineære eller ikke-lineære sett med funksjoner. Noen av de ofte brukte settene med aktiveringsfunksjoner er binære, lineære og Tan hyperbolske sigmoide aktiveringsfunksjoner. La oss ta en titt på hver av dem i detalj:

Binær:

I binær aktiveringsfunksjon er utgangen enten en eller 0. Her er det satt opp en terskelverdi for å oppnå dette. Hvis den netto vektede inngangen til nevroner er mer enn 1, returneres den endelige utgangen av aktiveringsfunksjonen som én, ellers returneres utgangen som 0.

Sigmoidal hyperbolsk:

Sigmoidal hyperbelfunksjonen blir generelt sett på som en S 'formet kurve. Her brukes den tan hyperbolske funksjonen for å tilnærme utdata fra den faktiske nettoinngangen. Funksjonen er definert som:

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

Hvor ???? regnes som bratthetsparameteren.

Typer kunstig nevrale nettverk:

Det finnes forskjellige typer kunstige nevrale nettverk (ANN) avhengig av den menneskelige hjerneneuronen og nettverksfunksjoner, et kunstig nevralt nettverk utfører på samme måte oppgaver. Flertallet av de kunstige nevrale nettverkene vil ha noen likheter med en mer kompleks biologisk partner og er svært effektive i sine forventede oppgaver. For eksempel segmentering eller klassifisering.

forskjellen mellom en løve og en tiger

Tilbakemelding ANN:

I denne typen ANN går utgangen tilbake til nettverket for å oppnå de best utviklede resultatene internt. I henhold til University of Massachusetts , Lowell Center for Atmospheric Research. Tilbakemeldingsnettverkene mater informasjon tilbake til seg selv og er godt egnet til å løse optimaliseringsproblemer. De interne systemfeilrettingene bruker tilbakemeldings-ANN-er.

Fremmating ANN:

Forutsetning

Ingen spesifikk ekspertise er nødvendig som en forutsetning før du starter denne opplæringen.

Publikum

Vår veiledning for kunstig nevrale nettverk er utviklet for nybegynnere så vel som profesjonelle, for å hjelpe dem å forstå det grunnleggende konseptet med ANN-er.

Problemer

Vi forsikrer deg om at du ikke vil finne noe problem i denne veiledningen for kunstig nevrale nettverk. Men hvis det er noe problem eller feil, vennligst legg ut problemet i kontaktskjemaet slik at vi kan forbedre det ytterligere.