Artificial Neural Network Tutorial giver grundlæggende og avancerede koncepter for ANN'er. Vores Artificial Neural Network tutorial er udviklet til begyndere såvel som professioner.
Udtrykket 'kunstigt neuralt netværk' refererer til et biologisk inspireret underfelt af kunstig intelligens, der er modelleret efter hjernen. Et kunstigt neuralt netværk er normalt et beregningsnetværk baseret på biologiske neurale netværk, der konstruerer strukturen af den menneskelige hjerne. I lighed med en menneskelig hjerne har neuroner forbundet med hinanden, kunstige neurale netværk har også neuroner, der er forbundet med hinanden i forskellige lag af netværkene. Disse neuroner er kendt som noder.
java streng ind i array
Tutorial til kunstigt neuralt netværk dækker alle aspekter relateret til det kunstige neurale netværk. I denne tutorial vil vi diskutere ANN'er, adaptiv resonansteori, Kohonen selvorganiserende kort, byggeklodser, uovervåget læring, genetisk algoritme osv.
Hvad er kunstigt neuralt netværk?
Begrebet ' Kunstigt neuralt netværk ' er afledt af biologiske neurale netværk, der udvikler strukturen af en menneskelig hjerne. I lighed med den menneskelige hjerne, der har neuroner forbundet med hinanden, har kunstige neurale netværk også neuroner, der er forbundet med hinanden i forskellige lag af netværkene. Disse neuroner er kendt som noder.
Den givne figur illustrerer det typiske diagram af biologisk neuralt netværk.
Det typiske kunstige neurale netværk ligner den givne figur.
Dendritter fra Biological Neural Network repræsenterer input i kunstige neurale netværk, cellekerne repræsenterer noder, synapse repræsenterer vægte, og Axon repræsenterer output.
Forholdet mellem biologisk neuralt netværk og kunstigt neuralt netværk:
Biologisk neuralt netværk | Kunstigt neuralt netværk |
---|---|
Dendritter | Indgange |
Cellekerne | Noder |
Synapse | Vægte |
Axon | Produktion |
An Kunstigt neuralt netværk inden for Kunstig intelligens hvor den forsøger at efterligne netværket af neuroner udgør en menneskelig hjerne, så computere vil have mulighed for at forstå ting og træffe beslutninger på en menneskelignende måde. Det kunstige neurale netværk er designet ved at programmere computere til at opføre sig ganske enkelt som indbyrdes forbundne hjerneceller.
Der er omkring 1000 milliarder neuroner i den menneskelige hjerne. Hver neuron har et associationspunkt et sted i intervallet 1.000 og 100.000. I den menneskelige hjerne lagres data på en sådan måde, at de distribueres, og vi kan udtrække mere end et stykke af disse data, når det er nødvendigt, fra vores hukommelse parallelt. Vi kan sige, at den menneskelige hjerne består af utroligt fantastiske parallelle processorer.
Vi kan forstå det kunstige neurale netværk med et eksempel, overvej et eksempel på en digital logisk gate, der tager et input og giver et output. 'ELLER'-port, som tager to indgange. Hvis en eller begge indgange er 'Til', får vi 'Til' i output. Hvis begge indgange er 'Fra', får vi 'Fra' i output. Her afhænger output af input. Vores hjerne udfører ikke den samme opgave. Udgangene til input forholdet bliver ved med at ændre sig på grund af neuronerne i vores hjerne, som 'lærer'.
Arkitekturen af et kunstigt neuralt netværk:
For at forstå konceptet med arkitekturen af et kunstigt neuralt netværk, er vi nødt til at forstå, hvad et neuralt netværk består af. For at definere et neuralt netværk, der består af et stort antal kunstige neuroner, som kaldes enheder arrangeret i en sekvens af lag. Lad os se på forskellige typer lag, der er tilgængelige i et kunstigt neuralt netværk.
Kunstigt neuralt netværk består primært af tre lag:
Input lag:
unix oprette mappe
Som navnet antyder, accepterer den input i flere forskellige formater leveret af programmøren.
Skjult lag:
Det skjulte lag præsenterer mellem input- og outputlag. Den udfører alle beregningerne for at finde skjulte funktioner og mønstre.
Outputlag:
Inputtet gennemgår en række transformationer ved hjælp af det skjulte lag, hvilket til sidst resulterer i output, der formidles ved hjælp af dette lag.
Det kunstige neurale netværk tager input og beregner den vægtede sum af input og inkluderer en bias. Denne beregning er repræsenteret i form af en overførselsfunktion.
Det bestemmer, at vægtet total sendes som input til en aktiveringsfunktion for at producere output. Aktiveringsfunktioner vælger, om en node skal udløses eller ej. Kun dem, der bliver fyret, kommer til outputlaget. Der er distinkte aktiveringsfunktioner tilgængelige, som kan anvendes på den slags opgave, vi udfører.
Fordele ved kunstigt neuralt netværk (ANN)
Parallel behandlingsevne:
Kunstige neurale netværk har en numerisk værdi, der kan udføre mere end én opgave samtidigt.
Lagring af data på hele netværket:
Data, der bruges i traditionel programmering, gemmes på hele netværket, ikke på en database. Forsvinden af et par stykker data på ét sted forhindrer ikke netværket i at fungere.
Evne til at arbejde med ufuldstændig viden:
Efter ANN-træning kan informationen producere output selv med utilstrækkelige data. Tabet af ydeevne her afhænger af betydningen af manglende data.
At have en hukommelsesfordeling:
For at ANN skal kunne tilpasse sig, er det vigtigt at bestemme eksemplerne og at opmuntre netværket i henhold til det ønskede output ved at demonstrere disse eksempler for netværket. Netværkets rækkefølge er direkte proportional med de valgte forekomster, og hvis begivenheden ikke kan vises for netværket i alle dens aspekter, kan den producere falsk output.
shehzad poonawala
Har fejltolerance:
Afpresning af en eller flere celler af ANN forhindrer den ikke i at generere output, og denne funktion gør netværket fejltolerance.
Ulemper ved kunstigt neuralt netværk:
Sikring af korrekt netværksstruktur:
Der er ingen særlig retningslinje for at bestemme strukturen af kunstige neurale netværk. Den passende netværksstruktur opnås gennem erfaring, forsøg og fejl.
Ikke-genkendt opførsel af netværket:
Det er det mest betydningsfulde nummer af ANN. Når ANN producerer en testløsning, giver den ikke indsigt i hvorfor og hvordan. Det mindsker tilliden til netværket.
Hardware afhængighed:
Kunstige neurale netværk har brug for processorer med parallel processorkraft i henhold til deres struktur. Derfor er realiseringen af udstyret afhængig.
Vanskeligheder ved at vise problemet til netværket:
ANN'er kan arbejde med numeriske data. Problemer skal konverteres til numeriske værdier, før de introduceres til ANN. Præsentationsmekanismen, der skal løses her, vil direkte påvirke netværkets ydeevne. Det afhænger af brugerens evner.
Varigheden af netværket er ukendt:
Netværket reduceres til en bestemt værdi af fejlen, og denne værdi giver os ikke optimale resultater.
Videnskabens kunstige neurale netværk, der er trængt ind i verden i midten af 20'ernethårhundrede udvikler sig eksponentielt. På nuværende tidspunkt har vi undersøgt fordelene ved kunstige neurale netværk og de problemer, man støder på i løbet af deres anvendelse. Det bør ikke overses, at ulemperne ved ANN-netværk, som er en blomstrende videnskabsgren, elimineres individuelt, og deres fordele stiger dag for dag. Det betyder, at kunstige neurale netværk vil blive en uerstattelig del af vores liv, der bliver stadig vigtigere.
Hvordan fungerer kunstige neurale netværk?
Artificial Neural Network kan bedst repræsenteres som en vægtet rettet graf, hvor de kunstige neuroner danner noderne. Forbindelsen mellem neuronoutput og neuroninput kan ses som de rettede kanter med vægte. Det kunstige neurale netværk modtager inputsignalet fra den eksterne kilde i form af et mønster og billede i form af en vektor. Disse input tildeles derefter matematisk af notationerne x(n) for hvert n antal input.
Bagefter multipliceres hvert input med dets tilsvarende vægte (disse vægte er de detaljer, der bruges af de kunstige neurale netværk til at løse et specifikt problem). Generelt repræsenterer disse vægte normalt styrken af sammenkoblingen mellem neuroner inde i det kunstige neurale netværk. Alle de vægtede input er opsummeret inde i computerenheden.
Hvis den vægtede sum er lig med nul, tilføjes bias for at gøre outputtet ikke-nul eller noget andet for at skalere op til systemets respons. Bias har samme input, og vægt er lig med 1. Her kan totalen af vægtede input ligge i intervallet 0 til positiv uendelig. Her, for at holde svaret inden for grænserne af den ønskede værdi, benchmarkes en vis maksimumværdi, og totalen af vægtede input føres gennem aktiveringsfunktionen.
Aktiveringsfunktionen refererer til det sæt af overførselsfunktioner, der bruges til at opnå det ønskede output. Der er en anden slags aktiveringsfunktion, men primært enten lineære eller ikke-lineære sæt af funktioner. Nogle af de almindeligt anvendte sæt af aktiveringsfunktioner er de binære, lineære og Tan hyperbolske sigmoide aktiveringsfunktioner. Lad os se nærmere på hver af dem:
Binær:
I binær aktiveringsfunktion er udgangen enten et eller 0. Her er der sat en tærskelværdi op for at opnå dette. Hvis det nettovægtede input af neuroner er mere end 1, returneres det endelige output af aktiveringsfunktionen som én, ellers returneres outputtet som 0.
Sigmoidal hyperbolsk:
Sigmoidal hyperbelfunktionen ses generelt som en ' S 'formet kurve. Her bruges den tan hyperbolske funktion til at tilnærme output fra det faktiske netto input. Funktionen er defineret som:
F(x) = (1/1 + exp(-????x))
Hvor ???? betragtes som stejlhedsparameteren.
Typer af kunstigt neuralt netværk:
Der er forskellige typer af kunstige neurale netværk (ANN) afhængigt af den menneskelige hjernes neuron og netværksfunktioner, et kunstigt neuralt netværk udfører på samme måde opgaver. Størstedelen af de kunstige neurale netværk vil have nogle ligheder med en mere kompleks biologisk partner og er meget effektive til deres forventede opgaver. For eksempel segmentering eller klassificering.
string sammenligne i java
Feedback ANN:
I denne type ANN vender outputtet tilbage til netværket for at opnå de bedst udviklede resultater internt. Som pr University of Massachusetts , Lowell Center for Atmosfærisk Forskning. Feedback-netværkene fører information tilbage til sig selv og er velegnede til at løse optimeringsproblemer. De interne systemfejlrettelser bruger feedback-ANN'er.
Feed-Forward ANN:
Et feed-forward-netværk er et grundlæggende neuralt netværk, der består af et inputlag, et outputlag og mindst ét lag af en neuron. Gennem vurdering af dets output ved at gennemgå dets input, kan intensiteten af netværket bemærkes baseret på gruppeadfærd af de tilknyttede neuroner, og outputtet bestemmes. Den primære fordel ved dette netværk er, at det finder ud af, hvordan man evaluerer og genkender inputmønstre.Forudsætning
Ingen specifik ekspertise er nødvendig som en forudsætning, før du starter denne øvelse.
Publikum
Vores Artificial Neural Network Tutorial er udviklet til begyndere såvel som professionelle, for at hjælpe dem med at forstå det grundlæggende koncept for ANN'er.
Problemer
Vi forsikrer dig om, at du ikke vil finde noget problem i denne Artificial Neural Network tutorial. Men hvis der er et problem eller en fejl, bedes du skrive problemet i kontaktformularen, så vi kan forbedre det yderligere.