कृत्रिम तन्त्रिका सञ्जाल

कृत्रिम तन्त्रिका सञ्जाल - न्यूरन्स - अप विशेष कक्षहरूको छन् कि ती छन्। तिनीहरूले अप मानव स्नायु प्रणाली बनाउन जैविक न्यूरन्स, अर्थात्, कक्षहरू को गणितीय मोडेल छन्।

पहिलो पटक हामी 1943 मा तन्त्रिका सञ्जाल बारेमा कुरा गर्दै छन्, र Perceptron Rosenblatt को आविष्कार पछि सुनको युग आए, र नेटवर्क धेरै लोकप्रिय बनेका छन्। तर, एक वैज्ञानिक Perceptron को inefficiency साबित भएको छ जसमा 1969 मा मिन्स्क को प्रकाशन, पछि, केही अवस्थामा, यो क्षेत्र मा ब्याज जोडले परे। तर कथा कृत्रिम नेटवर्क अन्त्य गर्दैन। । 1985 मा, जे Hopfield आफ्नो अध्ययन प्रस्तुत र तन्त्रिका सञ्जाल प्रमाणित - मिसिन लागि एक महान उपकरण सिक्ने।

यो जीव धेरै अवधारणाहरु र सिद्धान्तहरू देखि उधारो थियो। Neuron - प्राप्त र त्यसपछि जो स्विच एक प्रकारको को दलहन (संकेत) पहुंचाता। को neuron एक पर्याप्त शक्तिशाली गति प्राप्त भने, यो सक्रिय छ विश्वास र बाँकी सम्बन्धित न्यूरन दलहन पहुंचाता छ। सक्रिय थिएन जो नै Neuron, यो नाडी प्रसारित छैन, बाँकी मा रहनेछ। प्रत्येक अन्य न्यूरन्स जडान र विभिन्न स्रोतबाट संकेत प्राप्त जो impulses कार्य र dendrites, प्रसारित जो दलहन, axon, प्राप्त synapses: Neuron धेरै मुख्य घटक हुन्छन्। एक neuron एक निश्चित सीमा माथि एउटा आवेग प्राप्त गर्दा, यो तुरुन्तै अर्को neuron एउटा संकेत पठाउँछ।

यो गणितीय मोडेल एक सानो फरक छ। लग इन गणितीय मोडेल एक neuron को - घटक को एक ठूलो संख्या बनेको छ जो एक सदिश छ। घटक प्रत्येक - को neuron द्वारा प्राप्त गर्दै छन् जो दलहन, को छ। मोडेल को उत्पादन एक नम्बर हो। कि, मोडेल इनपुट सदिश एक scalar मा रूपान्तरित मा, पछि अन्य न्यूरन्स हस्तान्तरण गरिएको छ।

तन्त्रिका सञ्जाल दुई तरिकामा प्रशिक्षित गर्न सकिन्छ: संग र एक शिक्षक बिना। सिक्ने प्रक्रियामा धेरै कदम हुन्छन्। पहिलो, नेटवर्क बाहिर उत्तेजना इनपुट छ। त्यसपछि, नियमहरु संग अनुसार तन्त्रिका नेटवर्कको निःशुल्क मापदण्डहरू भिन्न मा, त्यसपछि नेटवर्क इनपुट stimuli गर्न पहिले नै फरक प्रतिक्रिया। प्रक्रिया नेटवर्क समस्या समाधान गर्दैन रूपमा लामो बारम्बार गर्नुपर्छ। शिक्षक संग सिक्ने अल्गोरिदम नेटवर्क प्रशिक्षण समयमा पहिले नै सही जवाफ छ भन्ने छ। यो विधि सफलतापूर्वक धेरै आवेदन प्रयोग गरिएको छ, तर यो अक्सर biologically implausible छ भन्ने तथ्यलाई लागि आलोचना गरिएको छ। तन्त्रिका सञ्जाल मामला जहाँ परिचित आदानों मा शिक्षक बिना तालिम छन्। तिनीहरूलाई आधारित नेटवर्क बिस्तारै सबै भन्दा राम्रो मूल्य आउटपुटहरू दिन सिक्छन्।

तन्त्रिका सञ्जाल को आवेदन साँच्चै विविध छ। तिनीहरूले अक्सर पहिचान, पूर्वानुमान, विभिन्न सिर्जना स्वचालित गर्न प्रयोग गरिन्छ विशेषज्ञ प्रणाली, functionals को लगभग। यस्तो नेटवर्क भविष्यवाणी गर्न ध्वनि पहिचान वा अप्टिकल संकेत प्रदर्शन गर्न सक्छन् विनिमय संकेतक जो, उदाहरणका लागि, दिइएको पाठ वा कार पार्क देखि बोली synthesize गर्न सक्नुहुन्छ आत्म-सिक्ने, सक्षम प्रणाली सिर्जना गर्नुहोस्। पश्चिमी तन्त्रिका सञ्जाल थप सक्रिय, दुर्भाग्यवश, घरेलू कम्पनीहरु अहिलेसम्म यो विधि अपनाए प्रयोग गरिन्छ गरेका छैनन् थियो।

आदर्श समाधान छैन - केही क्षेत्रमा पारंपरिक गणना, अवस्थित तन्त्रिका सञ्जाल ANN को लाभ बावजुद। तिनीहरूले सिक्ने सक्षम भएकोले तिनीहरूले गलत हुन सक्छ। साथै, तपाईंले बिल्कुल विकास तन्त्रिका सञ्जाल इष्टतम छ कि ग्यारेन्टी गर्न सक्दैन। विकासकर्ता प्रशिक्षण, स्थानान्तरण कार्य र योजक कार्यहरु सही विधि चयन गर्न, परीक्षण र प्रशिक्षण नेटवर्क लागि डाटा प्राप्त गर्न, समस्या वर्णन जानकारी धेरै छ, समस्या को प्रकृति सम्बोधन भइरहेको बुझ्न पर्छ।