Нейронные алгоритмы

Содержимое спойлера
Содержимое спойлера

Нейронные алгоритмы

Биологическая нейронная сеть (откуда берут начало нейронные алгоритмы) относится к элементам нервной системы, обрабатывающим информацию, организованным как набор нейронные клетки, называемые нейронами, которые связаны между собой в сети и взаимодействуют друг с другом с помощью электрохимических сигналов. Биологический нейрон обычно состоит из аксона, который обеспечивает входные сигналы и связан с другими нейронами через синапсы. Нейрон реагирует на входные сигналы и может генерировать выходной сигнал на своем выходном соединении, называемом дендритами.

Область искусственных нейронных сетей или алгоритмов (ИНС) связана с изучением теоретических компьютерных моделей и наблюдением за структурой и функцией биологических сетей нейронных клеток в мозге. Они обычно разрабатываются как модели для решения проблем. математика, IT и машиностроение. Таким образом, в области математики, нейробиологии и компьютерных наук проводится много междисциплинарных исследований.

Искусственная нейронная сеть обычно состоит из набора искусственных нейронов, которые связаны между собой для выполнения определенных вычислений на входных моделях и для создания выходных моделей. Это адаптивные системы, способные изменять свою внутреннюю структуру, обычно веса между узлами сети, что позволяет использовать их для решения различных задач аппроксимации функций, таких как классификация, регрессия, извлечение признаков.

Существует много типов нейронных сетей, многие из которых попадают в одну из двух категорий:

  • Сети с прямой связью: где вход предоставляется на одной стороне сети, а сигналы распространяются вперед (в одном направлении) через структуру сети на другой стороне, где считываются выходные сигналы. Эти сети могут состоять из одной клетки, одного слоя или нескольких слоев нейронов. Некоторые примеры включают персептрон, сети с радиальными базисными функциями и многослойные сети персептрона.
  • Повторяющиеся сети: где разрешены циклы в сети и структура может быть полностью взаимосвязана. Примеры включают сеть Хопфилд двунаправленная ассоциативная память.

Искусственные структуры нейронной сети состоят из узлов и весов, которые обычно требуют обучения на основе образцовых моделей предметной области. проблема. Вот несколько примеров стратегий обучения:

  • Обучение с учителем: сеть имеет известный ожидаемый ответ. Внутреннее состояние сети изменяется, чтобы лучше соответствовать ожидаемому результату. Примеры этого метода обучения включают алгоритм обратное распространение и правило Хебба.
  • Неконтролируемое обучение: сеть подвергается воздействию входных шаблонов, из которых она должна различать смысл и извлекать функциональность. Наиболее распространенным типом обучения без учителя является конкурентное обучение, при котором нейроны соревнуются друг с другом на основе входного шаблона для создания выходного шаблона. Примеры включают нервный газ, векторное квантование обучения и самоорганизующейся карты.

Искусственные нейронные сети или алгоритмы обычно сложны в настройке и медленны в обучении, но после подготовки они очень быстро применяются. Они обычно используются для проблемных областей на основе аппроксимации функций и ценятся за их возможности обобщения и устойчивости к шуму. Они известны как черный ящик, а это означает, что трудно объяснить решения, принимаемые сетью.

нейронные алгоритмы

Делиться
ru_RURU
%d такие блоггеры, как: