కృత్రిమ నాడీ నెట్వర్క్లు

కృత్రిమ నాడీ నెట్వర్క్లు - న్యూరాన్లు - ప్రత్యేక కణాల కాకతి ఉంటాయి. వారు మానవ నాడీ వ్యవస్థ తయారు చేసే జీవ కణము, అంటే, కణాల గణిత నమూనాలు ఉన్నాయి.

మొదటిసారి మేము 1943 లో నాడీ నెట్వర్క్ల గురించి మాట్లాడుకుంటున్నారో, మరియు పెర్సెప్ట్రాన్ను రోసెన్బ్లాట్ కనిపెట్టిన తర్వాత బంగారు శకం వచ్చింది, మరియు నెట్వర్క్లు చాలా ప్రాచుర్యం పొందాయి. అయితే, ఒక శాస్త్రవేత్త పెర్సెప్ట్రాన్ను యొక్క అసమర్థతపై నిరూపించబడింది దీనిలో 1969 లో మిన్స్క్ ప్రచురణ తర్వాత, కొన్ని పరిస్థితుల్లో, ఈ రంగంలో ఆసక్తి గణనీయంగా పడిపోయింది. కానీ కథ కృత్రిమ నెట్వర్క్లతో అంతం కాదు. . 1985 లో జె హోప్ఫీల్డ్ వారి అధ్యయనాలు అందించిన మరియు నాడీ నెట్వర్క్ నిరూపించారు - యంత్రం కోసం ఒక గొప్ప సాధనం నేర్చుకోవడం.

ఇది జీవశాస్త్రంలో అనేక విషయాలు మరియు నియమాలను నుంచి స్వీకరించారు. న్యూరాన్ - అప్పుడు అందుకుంటుంది మరియు ఇది స్విచ్ ఒక రకమైన పప్పులు (సంకేతాల) ప్రసారం. న్యూరాన్ తగినంత శక్తివంతమైన ఊపందుకుంటున్నది స్వీకరిస్తే, అది సక్రియం నమ్మకం మరియు మిగిలిన దానితో సంబంధం న్యూరాన్లు పప్పులు ప్రసారం ఉంటుంది. న్యూరాన్ అదే యాక్టివేట్ చెయ్యని, అది పల్స్ ప్రసారం కాదు, మిగిలిన వద్ద ఉంది. ఒకరికొకరు న్యూరాన్లు కనెక్ట్ అయ్యేందుకు మరియు వివిధ వనరుల నుంచి సంకేతాలు అందుకుంటాడు ప్రేరణలు కార్య మరియు డెండ్రైట్, ప్రసారం ఇది పప్పులు, నరాల కణంలో దారపు పోగువలె ఉండే భాగము, అందుకునే డెన్: న్యూరాన్ అనేక ప్రధాన భాగాలు కలిగి. ఒక న్యూరాన్ ఒక నిర్దిష్ట స్థాయికి పైన ప్రేరణ అందుకున్నప్పుడు, అది వెంటనే తదుపరి న్యూరాన్ ఒక సిగ్నల్ పంపుతుంది.

గణిత నమూనా కొద్దిగా భిన్నంగా ఉంటుంది. లాగిన్ గణిత నమూనాను ఒక న్యూరాన్స్ - భాగాలు పెద్ద సంఖ్యలో కలిగి ఉంది దీనిలో ఒక వెక్టర్, ఉంది. భాగం యొక్క ప్రతి - న్యూరాన్ ద్వారా అందు పప్పులు, ఒకటి. నమూనా యొక్క అవుట్పుట్ ఒకే సంఖ్య. అంటే, మోడల్ ఇన్పుట్ వెక్టర్ ఒక స్కేలార్ మారుస్తారు, తరువాత ఇతర న్యూరాన్లకు బదిలీ.

నాడీ నెట్వర్క్లు రెండు విధాలుగా శిక్షణ చేయవచ్చు: మరియు ఒక గురువు లేకుండా. నేర్చుకొనే పద్దతిని అనేక దశలను కలిగి ఉంటుంది. మొదటి, నెట్వర్క్ బయట ఉద్దీపన నుండి ఇన్పుట్ ఉంది. అప్పుడు, నిబంధనలు అనుగుణంగా నాడీ నెట్వర్క్ యొక్క ఉచిత పారామితులు మారుతూ లో, అప్పుడు నెట్వర్క్ ఇన్పుట్ ఉద్దీపనలకు ఇప్పటికే భిన్నంగా స్పందిస్తుంది. ప్రక్రియలో నెట్వర్క్ సమస్య పరిష్కరించడానికి లేదు ఉన్నంత పునరావృతం చేయాలి. ఒక గురువు తో అభ్యాస అల్గోరిథం నెట్వర్క్ శిక్షణ సమయంలో అప్పటికే సరైన సమాధానం కలిగి ఉంది. ఈ పద్ధతి విజయవంతంగా అనేక అనువర్తనాల కోసం వాడుతున్నారు, కానీ అది తరచుగా జీవశాస్త్ర హేతు బద్దంగా నిజాన్ని విమర్శించింది. నాడీ నెట్వర్క్లు కేసు మాత్రమే తెలిసిన ఇన్పుట్లను లో గురువు లేకుండా శిక్షణ పొందుతారు. వాటిని ఆధారంగా, నెట్వర్క్ క్రమంగా ఉత్తమ విలువ ప్రతిఫలాన్ని ఇవ్వాలని తెలుసుకుంటాడు.

నాడీ నెట్వర్క్ల అప్లికేషన్ నిజంగా వైవిధ్యమైనది. వారు తరచుగా వివిధ గుర్తింపుగా, అంచనా, సృష్టి యాంత్రీకరణలో ఉపయోగిస్తారు నిష్ణాత వ్యవస్థలు, ప్రమేయం యొక్క ఉజ్జాయింపు. ఇటువంటి ఒక నెట్వర్క్ను అంచనా ధ్వని గుర్తింపు లేదా ఆప్టికల్ సిగ్నల్స్ పని చేయవచ్చు తో మార్పిడి సూచికలను, ఉదాహరణకు, ఒక టెక్ట్స్ లేదా కారు పార్క్ నుండి ప్రసంగం సమీకరణకు ఇది స్వీయ అభ్యాసం, సామర్థ్యం వ్యవస్థలు సృష్టించడానికి. వెస్ట్ లో నాడీ నెట్వర్క్లు మరింత చురుకుగా, దురదృష్టవశాత్తు, దేశీయ సంస్థలు ఇంకా ఈ పద్ధతి అమల్లోకి వాడుతున్నారా చేశారు కాలేదు.

ఆదర్శ పరిష్కారం కాదు - కొన్ని ప్రాంతాల్లో సంప్రదాయ లెక్కలు, ఇప్పటికే నాడీ ANN యొక్క ప్రయోజనాలు ఉన్నప్పటికీ. వారు అభ్యాసం సామర్థ్యం కలిగి, వారు తప్పు కావచ్చు. అదనంగా, మీరు ఖచ్చితంగా అభివృద్ధి నాడీ నెట్వర్క్ సర్వోత్తమంగా హామీ కాదు. డెవలపర్ అర్థం ఉండాలి సమస్య యొక్క స్వభావం ప్రసంగించారు, పరీక్ష మరియు శిక్షణ నెట్వర్క్ కోసం డేటా పొందటానికి, సమస్య వివరించే సమాచారం చాలా కలిగి, శిక్షణ, బదిలీ ఫంక్షన్ మరియు కట్లపాము విధులు సరైన పద్దతిని ఎంచుకోవడానికి.