Prosjekter for Neural Networks

Nevrale nettverk er gjenstander forbundet med en informasjonsbehandling paradigme basert på hvordan nervecellene - hjerneceller - arbeid i menneskesinnet. Nevrale nettverk kan implementeres i maskinvare eller programvare. Den grunnleggende ideen er at mange separate enheter - kunstige neuroner - er forbundet på en slik måte at kontaktene er foranderlig. Som nevrale nett lære å løse et problem, styrken i sammenhengene endres. Den virkelige styrken til nettverk paradigmet er at nevrale nett kan lære å løse vanskelige problemer med vanlige programmeringsteknikker.

Forovernettverksprosjekter

Forover Networks lære å gjenkjenne mønstre. Nettverket er vist et stort representativt utvalg av gode og dårlige mønstre, og fortalte som er der. Over tid er forbindelsene mellom nerveceller justert til et punkt der selv nye mønstre er korrekt identifisert. Aktuelle anvendelser av feedforward nettverk identifisere skrevet tegn, signaturer og fingeravtrykk. Den forover modellen er en god å bruke for prosjekter som må lære å skille gode mønstre fra dårlige mønstre. Aktuelle forskningsprosjekter involverer å identifisere kreftceller, aksjemarkedet trender og mistenkelige lånesøknader.

Kohonen nettverksprosjekter

Kohonen nettverk, eller selvorganiserende kart, arbeid uten tilsyn; de er vist et stort antall mønstre, men får ikke vite hvilke er gode eller dårlige. Kohonen garn gruppe eksemplene i klynger, og når vist et nytt mønster, riktig klassifisere det nye mønsteret i riktig klyngen. Aktuelle anvendelser av Kohonen nettverk omfatter automatiske språksystemer hvor de blir brukt til å klassifisere lyder ved å koble dem til nærmeste gyldige fonem. Kohonen nett er nyttige for alle prosjekter der det er mye trening eksempler, men de er ikke klassifisert i gode eller dårlige eksempler. Aktuell forskning i Kohonen nettverk omfatter vær prediksjon og kontroll av autonome kjøretøy.

Toveis assosiative Prosjekter Minne

Toveis Associative Memories (BAM) brukes når to komplekse vektorer må balanseres. De dynamisk justere styrken av sammenkoblinger mellom to nivåer av nerveceller. BAM er forskjellig fra andre neural net arkitekturer i at det holder å lære som kjører systemet - læring er aldri helt ferdig. Aktuelle anvendelser av BAM inkluderer systemer bygget inn telefoner og modemer for å balansere - og utjevne --line ekko. De bør brukes når læring må være sammenhengende i løpet av levetiden til prosjektet. Aktuelle forskningsprosjekter som involverer BAM inkluderer systemer som balanse ting med bare frem og tilbake bevegelse - lignende systemer som balanserer en stang holdt i den ene enden ved å flytte balansepunktet og tilbake.

Rekursive nettverksprosjekter

Rekursive nettverk jobbe med tidsserie mønstre. En del av utgangen fra systemet blir matet inn i inngangs og sammenkoblinger mellom kunstige neuroner justeres inntil nettverket kan korrekt identifisere en sekvens av inngangsnivåer. Aktuelle programmer involverer robotarm øyeblikk og automatisk registrering av utbruddet av epileptiske anfall. Denne modellen bør brukes med prosjekter som involverer mønstre som finner sted over tid. Aktuell forskning omfatter systemer som utfylling og styrer protese systemer - kunstige armer og ben.