Fordelene av nevralt nettverk

Nevralt nettverk er modellert på innsikter hentet fra nevrobiologi. I 1836 forskere innså at nervesystemet hos levende organismer besto av sammenkoblede elementer som arbeider parallelt (nervecellen læren). Senere, i 1949, ble det observert at synapse motstand kan reduseres ved gjentatt eksponering for innkommende signaler (Hebb læring regelen). Som adaptive, intelligente systemer, nevrale nettverk er robuste og utmerke seg på å løse komplekse problemer. Nevrale nettverk er bare så effektiv som sin programmering, men forskere er enige om at fordelene ved å bruke ANN oppveier risikoen.

Neural Network Typer

Kunstige nettverk består av lag av binære nevroner (positive eller negative, på eller av). De første nettene ble satt opp i fôr fremover konfigurasjoner og besto av nerveceller kalles perceptrons. Data beveget gjennom nettverket fra inngang, gjennom mellomliggende lag, å mate ut. Tilbakevendende eller back-formeringsmateriale, til nett forsøk rette feil i vektingen av noder i nettverket og - i teorien - forbedre opplæringen. Begrensninger av back-forplantning har ført til utviklingen av "restriktive" eller lukket tilbakemelding ANN. Fra 2011 er disse nettverkene sløyfe data mellom inngang og en utgang lag til en best-fit scenario nådd.

Bygge et nettverk

Da de består av lag av nevroner som behandler data i parallell, nevrale nettverk er iboende mer effektiv enn lineære programmer. Bygge et kunstig nevralt nettverk består av to faser: trening og anerkjennelse, eller ". Klassifisering" Under treningsfase, er en inngang med en kjent utgang sendes gjennom nettverket. Utgangen er sammenlignet med kontrollmønsteret, og nettverket er forskjøvet (nevroner vektes) inntil det ønskede resultat er oppnådd. Nettverket så kan betraktes trent og ferske data lastet på leting etter nye mønstre.

Søknader og fordeler

Fordi trente nettverk kan avdekke skjult informasjon, excel de på data mining og løse komplekse problemer. Bilprodusenter benytter nevrale nettverk i kjøretøy som en del av kjørefelt-deteksjon og backup varslingssystemer. Avanserte kunstige nettverk har blitt utviklet for ansiktsgjenkjenning programvare utplassert på flyplasser og på gårder i intelligente plantevernsystemer. Finansiell programvare bruker nevrale nettverk for å forutsi prisen tiltak. Selv spillkonsoller med gjenkjenning, for eksempel Microsoft Kinect, bruke nevrale nettverk til å gjenkjenne spillere og oppdage kroppsbevegelser.

Begrensninger og Bekymringer

Begrensninger av kunstige nettverk endret som nettverksdesign utviklet seg. Ett problem - vanskeligere enn det ser ut til - er at nettverkene må trenes bare så mye som de trenger å være, og ikke mer. En overtrent nettverk lider av "fittedness" (eller kurvetilpasning) og blir ute av stand til å oppdage unike mønstre i originale data.