कृत्रिम तंत्रिका नेटवर्क

कृत्रिम तंत्रिका नेटवर्क - न्यूरॉन्स - उन है कि विशेष कोशिकाओं से बना रहे हैं। वे जैविक न्यूरॉन्स, यानी, कोशिकाओं है कि मानव तंत्रिका तंत्र को बनाने के गणितीय मॉडल हैं।

पहली बार हम 1943 में तंत्रिका नेटवर्क के बारे में बात कर रहे हैं, और perceptron रोज़ेनब्लाट के आविष्कार के बाद स्वर्ण युग आ गया है, और नेटवर्क बहुत लोकप्रिय हो गए हैं। हालांकि, 1969 में मिन्स्क के प्रकाशन, जिसमें एक वैज्ञानिक perceptron की अक्षमता साबित कर दिया है के बाद, कुछ शर्तों के अधीन, इस क्षेत्र में रुचि तेजी से गिर गया। लेकिन कहानी कृत्रिम नेटवर्क के साथ अंत नहीं है। । 1985 में, J हॉपफील्ड अपनी पढ़ाई को प्रस्तुत किया और है कि तंत्रिका नेटवर्क साबित कर दिया - मशीन के लिए एक महान उपकरण सीखने।

यह जीव विज्ञान कई अवधारणाओं और सिद्धांतों से उधार लिया था। न्यूरॉन - स्विच जो प्राप्त करता है और उसके बाद का एक प्रकार दालों (संकेत) स्थानांतरित करता है। न्यूरॉन एक पर्याप्त शक्तिशाली गति प्राप्त करता है, यह माना जाता है कि यह सक्रिय है और दालों शेष इसके साथ जुड़े न्यूरॉन्स पहुंचाता है। न्यूरॉन ही जो सक्रिय नहीं था, यह आराम से रहता है, यह नाड़ी प्रेषित नहीं करता। synapses कि एक दूसरे से न्यूरॉन्स को जोड़ने और दालों, अक्षतंतु, जो संचारित आवेगों कार्य और डेन्ड्राइट, जो विभिन्न स्रोतों से संकेत प्राप्त प्राप्त करते हैं: न्यूरॉन कई मुख्य घटक होते हैं। एक न्यूरॉन एक निश्चित सीमा से ऊपर एक आवेग प्राप्त करता है, इसे तुरंत अगले न्यूरॉन लिए एक संकेत भेजता।

गणितीय मॉडल थोड़ा अलग है। लॉग इन गणितीय मॉडल एक न्यूरॉन की - एक वेक्टर है, जो घटकों की एक बड़ी संख्या से बना है। घटक से प्रत्येक - दाल, जो न्यूरॉन द्वारा प्राप्त कर रहे हैं में से एक है। मॉडल के उत्पादन में एक भी नंबर है। यही कारण है, में मॉडल इनपुट वेक्टर एक अदिश में बदल जाता है, बाद में अन्य न्यूरॉन्स के लिए स्थानांतरित कर रहा है।

न्यूरल नेटवर्क को दो तरह से प्रशिक्षित किया जा सकता: के साथ और एक शिक्षक के बिना। सीखने की प्रक्रिया कई चरणों के होते हैं। सबसे पहले, नेटवर्क पर बाहर प्रोत्साहन से इनपुट है। फिर, नियमों के अनुसार तंत्रिका नेटवर्क से मुक्त मानकों बदलती हैं, तो नेटवर्क इनपुट stimuli करने के लिए पहले से ही अलग तरह से प्रतिक्रिया करता है। प्रक्रिया जब तक नेटवर्क समस्या का समाधान नहीं करता दोहराया जाना चाहिए। एक शिक्षक के साथ सीखने एल्गोरिथ्म पहले से ही सही जवाब है कि नेटवर्क के प्रशिक्षण के दौरान होता है। इस विधि को सफलतापूर्वक कई अनुप्रयोगों के लिए इस्तेमाल किया गया है, लेकिन अक्सर यह तथ्य यह है कि यह जैविक रूप से असंभव है के लिए आलोचना की है। न्यूरल नेटवर्क मामले में जहां केवल ज्ञात आदानों में शिक्षक के बिना प्रशिक्षित किया जाता है। उन्हें के आधार पर, नेटवर्क धीरे-धीरे सबसे अच्छा मूल्य आउटपुट देने के लिए सीखता है।

तंत्रिका नेटवर्क का आवेदन वास्तव में विविध है। वे अक्सर विभिन्न की मान्यता, पूर्वानुमान, निर्माण को स्वचालित करने के लिए उपयोग किया जाता विशेषज्ञ प्रणाली, functionals के सन्निकटन। साथ ऐसे नेटवर्क भविष्यवाणी करने के लिए ध्वनि मान्यता या ऑप्टिकल संकेतों प्रदर्शन कर सकते हैं विनिमय संकेतक स्वयं सीखने, जो, उदाहरण के लिए, किसी दिए गए पाठ या कार पार्क से भाषण के संश्लेषण के लिए कर सकते हैं करने में सक्षम प्रणाली बनाने। पश्चिम में न्यूरल नेटवर्क हैं अधिक सक्रिय रूप से, दुर्भाग्य से, घरेलू फर्मों ने अभी तक इस विधि को गोद लिया था है।

नहीं आदर्श समाधान - कुछ क्षेत्रों में पारंपरिक गणना, मौजूदा तंत्रिका नेटवर्क पर एएनएन के फायदे के बावजूद। चूंकि वे सीखने में सक्षम हैं, वे गलत हो सकता है। इसके अलावा, आप वास्तव में गारंटी नहीं दे सकते कि विकसित तंत्रिका नेटवर्क इष्टतम है। डेवलपर को समझना चाहिए समस्या की प्रकृति को संबोधित किया जा रहा है, जो समस्या का वर्णन, परीक्षण और प्रशिक्षण नेटवर्क के लिए डेटा प्राप्त करने के लिए जानकारी का एक बहुत कुछ है, प्रशिक्षण, हस्तांतरण समारोह और योजक कार्यों की सही विधि का चयन करें।