人工神經網絡

人工神經網絡 - 是那些由特殊的細胞 - 神經元。 它們是生物神經元，即細胞組成的人類神經系統的數學模型。

對於我們第一次在1943年談論神經網絡和感知布拉特的發明後，來到了黃金時期，並且網絡已經成為非常流行。 然而，明斯克在1969年出版，其中一位科學家已經證明感知的低效率後，在一定條件下，這個部門的興趣大幅下跌。 但故事並沒有人工網絡結束。 1985年，J.的Hopfield提出了他們的研究，證明了神經網絡 - 機器一個偉大的工具學習。

這是從生物學的一些概念和原理的借用。 神經元 - 一種是接收並且然後開關的傳輸脈衝（信號）。 如果神經元接收到一個足夠強大的勢頭，據信它已被激活並發送剩餘的與它相關聯的神經元的脈衝。 神經元同其中未激活時，它保持靜止，它不發送脈衝。 神經元由幾個部分組成：神經元彼此連接和接收脈衝，軸突，其發射的脈衝任務和樹突，它從各種源接收信號突觸。 當一個神經元接收高於某一閾值的脈衝，它會立即發送一個信號到下一個神經元。

數學模型是一個有點不同。 登錄數學模型中的神經元的-是一個向量，它是由大量的部件。 每個分量的 - 是脈衝，其由神經元接收中的一個。 該模型的輸出是一個數字。 也就是說，在模型輸入矢量被轉換成一個標量，以後轉移到其他神經元。

神經網絡可以以兩種方式進行培訓：有和無師自通。 學習過程包括幾個步驟。 首先，在網絡上是從外部刺激輸入。 然後，按照規定改變神經網絡的自由參數，那麼網絡響應輸入激勵已經有所不同。 該過程要重複只要網絡不解決問題。 跟老師學習算法是訓練網絡中已經擁有了正確的答案。 這種方法已經成功用於許多應用，但它經常被批評的事實，這是生物學上難以置信。 神經網絡的情況下唯一已知輸入沒有老師的培訓。 基於這些，網絡逐漸學會提供最好的價值輸出。

神經網絡的應用是真是五花八門。 他們經常被用來自動識別，預測，建立各種的 專家系統， 泛函的逼近。 有了這樣一個網絡可以執行聲音識別信號或光信號來預測交換指標創建能夠自我學習，這可以，例如，從給定的文字或停車場合成語音的系統。 在西方神經網絡被用於更積極，遺憾的是，國內企業還沒有採用過這種方法。

儘管ANN對某些領域的常規計算，現有的神經網絡的優勢 - 而不是理想的解決方案。 由於他們能夠學習的，他們可能是錯的。 此外，你可以不完全保證所開發的神經網絡是最佳的。 開發人員必須了解問題的本質正在解決，有很多信息描述問題，獲取用於測試和培訓的網絡數據，選擇的培訓，傳遞函數和加法器功能正確的方法。