Il tutorial sulla rete neurale artificiale fornisce concetti di base e avanzati sulle ANN. Il nostro tutorial sulla rete neurale artificiale è sviluppato sia per principianti che per professionisti.
Il termine 'rete neurale artificiale' si riferisce a un sottocampo dell'intelligenza artificiale di ispirazione biologica modellato sul cervello. Una rete neurale artificiale è solitamente una rete computazionale basata su reti neurali biologiche che costruiscono la struttura del cervello umano. Similmente al cervello umano, i neuroni sono interconnessi tra loro, anche le reti neurali artificiali hanno neuroni collegati tra loro in vari strati della rete. Questi neuroni sono conosciuti come nodi.
stringa inversa in Java
Il tutorial sulla rete neurale artificiale copre tutti gli aspetti relativi alla rete neurale artificiale. In questo tutorial discuteremo di ANN, teoria della risonanza adattiva, mappa auto-organizzante di Kohonen, elementi costitutivi, apprendimento non supervisionato, algoritmo genetico, ecc.
Cos'è la rete neurale artificiale?
Il termine ' Rete neurale artificiale deriva dalle reti neurali biologiche che sviluppano la struttura di un cervello umano. Similmente al cervello umano che ha neuroni interconnessi tra loro, anche le reti neurali artificiali hanno neuroni interconnessi tra loro in vari strati della rete. Questi neuroni sono conosciuti come nodi.
La figura riportata illustra il tipico diagramma della Rete Neurale Biologica.
La tipica rete neurale artificiale assomiglia a quella mostrata nella figura.
I dendriti della rete neurale biologica rappresentano gli input nelle reti neurali artificiali, il nucleo cellulare rappresenta i nodi, la sinapsi rappresenta i pesi e l'assone rappresenta l'output.
Relazione tra rete neurale biologica e rete neurale artificiale:
| Rete neurale biologica | Rete neurale artificiale |
|---|---|
| Dendriti | Ingressi |
| Nucleo cellulare | Nodi |
| Sinapsi | Pesi |
| Assone | Produzione |
UN Rete neurale artificiale nel campo della Intelligenza artificiale dove tenta di imitare la rete di neuroni che costituisce un cervello umano in modo che i computer abbiano la possibilità di comprendere le cose e prendere decisioni in modo simile a quello umano. La rete neurale artificiale è progettata programmando i computer per comportarsi semplicemente come cellule cerebrali interconnesse.
Nel cervello umano ci sono circa 1000 miliardi di neuroni. Ogni neurone ha un punto di associazione compreso tra 1.000 e 100.000. Nel cervello umano, i dati vengono archiviati in modo tale da essere distribuiti e, se necessario, possiamo estrarre più di un pezzo di questi dati dalla nostra memoria parallelamente. Possiamo dire che il cervello umano è costituito da processori paralleli incredibilmente sorprendenti.
Possiamo comprendere la rete neurale artificiale con un esempio, consideriamo l'esempio di una porta logica digitale che riceve un input e fornisce un output. Porta 'OR', che accetta due input. Se uno o entrambi gli ingressi sono 'On', otteniamo 'On' in output. Se entrambi gli ingressi sono 'Off', otteniamo 'Off' in output. Qui l'output dipende dall'input. Il nostro cervello non svolge lo stesso compito. Il rapporto tra output e input continua a cambiare a causa dei neuroni del nostro cervello, che stanno 'imparando'.
L'architettura di una rete neurale artificiale:
Per comprendere il concetto di architettura di una rete neurale artificiale, dobbiamo capire in cosa consiste una rete neurale. Per definire una rete neurale composta da un gran numero di neuroni artificiali, chiamati unità disposte in una sequenza di strati. Esaminiamo i vari tipi di livelli disponibili in una rete neurale artificiale.
La rete neurale artificiale è costituita principalmente da tre strati:
Livello di input:
Come suggerisce il nome, accetta input in diversi formati forniti dal programmatore.
Livello nascosto:
Il livello nascosto presenta livelli di input e output intermedi. Esegue tutti i calcoli per trovare caratteristiche e modelli nascosti.
Livello di uscita:
L'input passa attraverso una serie di trasformazioni utilizzando il livello nascosto, che alla fine si traduce in un output trasmesso utilizzando questo livello.
La rete neurale artificiale riceve input e calcola la somma ponderata degli input e include un bias. Questo calcolo è rappresentato sotto forma di una funzione di trasferimento.
Determina che il totale ponderato viene passato come input a una funzione di attivazione per produrre l'output. Le funzioni di attivazione scelgono se un nodo deve attivarsi o meno. Solo coloro che vengono licenziati raggiungono il livello di output. Sono disponibili funzioni di attivazione distintive che possono essere applicate al tipo di attività che stiamo eseguendo.
Vantaggi della rete neurale artificiale (ANN)
Capacità di elaborazione parallela:
Le reti neurali artificiali hanno un valore numerico che può eseguire più di un compito contemporaneamente.
Memorizzazione dei dati su tutta la rete:
I dati utilizzati nella programmazione tradizionale vengono archiviati su tutta la rete, non su un database. La scomparsa di un paio di dati in un unico posto non impedisce alla rete di funzionare.
come trasformare la stringa in int
Capacità di lavorare con conoscenze incomplete:
Dopo l'addestramento della ANN, le informazioni possono produrre output anche con dati inadeguati. La perdita di prestazioni qui dipende dall'importanza dei dati mancanti.
cos'è obj in Java
Avere una distribuzione della memoria:
Affinché l'ANN sia in grado di adattarsi, è importante determinare gli esempi e incoraggiare la rete in base al risultato desiderato dimostrando questi esempi alla rete. La successione della rete è direttamente proporzionale alle istanze scelte, e se l'evento non riesce a presentarsi alla rete in tutti i suoi aspetti può produrre falsi output.
Avere tolleranza agli errori:
L'estorsione di una o più celle della ANN non le impedisce di generare output e questa caratteristica rende la rete tollerante ai guasti.
Svantaggi della rete neurale artificiale:
Garanzia della corretta struttura della rete:
Non esiste una linea guida particolare per determinare la struttura delle reti neurali artificiali. La struttura di rete appropriata si ottiene attraverso l'esperienza, la prova e l'errore.
Comportamento non riconosciuto della rete:
È la questione più significativa dell'ANN. Quando l'ANN produce una soluzione di test, non fornisce informazioni sul perché e sul come. Diminuisce la fiducia nella rete.
Dipendenza dall'hardware:
Le reti neurali artificiali necessitano di processori con potenza di elaborazione parallela, come da loro struttura. Pertanto, la realizzazione dell'attrezzatura è dipendente.
Difficoltà nel mostrare il problema alla rete:
Le ANN possono funzionare con dati numerici. I problemi devono essere convertiti in valori numerici prima di essere introdotti nell'ANN. Il meccanismo di presentazione da risolvere qui avrà un impatto diretto sulle prestazioni della rete. Si basa sulle capacità dell'utente.
La durata della rete è sconosciuta:
La rete è ridotta ad un valore specifico dell'errore e questo valore non ci dà risultati ottimali.
Reti neurali artificiali scientifiche che si sono diffuse nel mondo a metà degli anni '20thsecolo stanno sviluppandosi in modo esponenziale. Attualmente abbiamo analizzato i vantaggi delle reti neurali artificiali e i problemi riscontrati nel corso del loro utilizzo. Non bisogna trascurare che i contro delle reti ANN, che sono un ramo scientifico fiorente, vengono eliminati individualmente e i loro pro aumentano di giorno in giorno. Ciò significa che le reti neurali artificiali diventeranno una parte insostituibile della nostra vita progressivamente importante.
Come funzionano le reti neurali artificiali?
La rete neurale artificiale può essere rappresentata al meglio come un grafico diretto ponderato, in cui i neuroni artificiali formano i nodi. L'associazione tra gli output dei neuroni e gli input dei neuroni può essere vista come i bordi diretti con pesi. La rete neurale artificiale riceve il segnale di ingresso dalla sorgente esterna sotto forma di modello e immagine sotto forma di vettore. Questi input vengono quindi assegnati matematicamente dalle notazioni x(n) per ogni n numero di input.
Successivamente, ciascuno degli input viene moltiplicato per i pesi corrispondenti (questi pesi sono i dettagli utilizzati dalle reti neurali artificiali per risolvere un problema specifico). In termini generali, questi pesi rappresentano normalmente la forza dell'interconnessione tra i neuroni all'interno della rete neurale artificiale. Tutti gli input pesati sono riepilogati all'interno dell'unità di calcolo.
Se la somma ponderata è uguale a zero, viene aggiunta una distorsione per rendere l'output diverso da zero o qualcos'altro per adattarlo alla risposta del sistema. Il bias ha lo stesso input e il peso è uguale a 1. Qui il totale degli input ponderati può essere compreso tra 0 e infinito positivo. Qui, per mantenere la risposta entro i limiti del valore desiderato, viene fissato un certo valore massimo e il totale degli input ponderati viene passato attraverso la funzione di attivazione.
La funzione di attivazione si riferisce all'insieme di funzioni di trasferimento utilizzate per ottenere l'output desiderato. Esiste un diverso tipo di funzione di attivazione, ma principalmente insiemi di funzioni lineari o non lineari. Alcuni dei set di funzioni di attivazione comunemente utilizzati sono le funzioni di attivazione sigmoidale binaria, lineare e tan iperbolica. Diamo un’occhiata a ciascuno di essi in dettaglio:
Binario:
Nella funzione di attivazione binaria, l'uscita è uno o 0. Qui, per ottenere ciò, è impostato un valore di soglia. Se l'input ponderato netto dei neuroni è maggiore di 1, l'output finale della funzione di attivazione viene restituito come uno oppure l'output viene restituito come 0.
Sigmoidale iperbolica:
La funzione dell'iperbole sigmoidale è generalmente vista come un ' S 'curva sagomata. Qui la funzione iperbolica tan viene utilizzata per approssimare l'output dall'input netto effettivo. La funzione è definita come:
F(x) = (1/1 + esp(-????x))
file aperto in Java
Dove ???? è considerato il parametro Steepness.
Tipi di rete neurale artificiale:
Esistono vari tipi di reti neurali artificiali (ANN) a seconda delle funzioni dei neuroni del cervello umano e della rete, una rete neurale artificiale svolge compiti simili. La maggior parte delle reti neurali artificiali avrà alcune somiglianze con un partner biologico più complesso e sarà molto efficace nello svolgimento dei compiti previsti. Ad esempio, segmentazione o classificazione.
Risposta ANNO:
In questo tipo di ANN, l'output ritorna nella rete per ottenere internamente i migliori risultati. Secondo il Università del Massachusetts , Centro Lowell per la ricerca atmosferica. Le reti di feedback reintegrano le informazioni in se stesse e sono particolarmente adatte a risolvere problemi di ottimizzazione. Le correzioni degli errori interni del sistema utilizzano ANN di feedback.
ANN feed-forward:
Una rete feed-forward è una rete neurale di base composta da uno strato di input, uno strato di output e almeno uno strato di un neurone. Attraverso la valutazione del suo output rivedendo il suo input, l'intensità della rete può essere notata in base al comportamento di gruppo dei neuroni associati e viene deciso l'output. Il vantaggio principale di questa rete è che riesce a capire come valutare e riconoscere i modelli di input.Prerequisito
Non è necessaria alcuna competenza specifica come prerequisito prima di iniziare questo tutorial.
Pubblico
Il nostro tutorial sulla rete neurale artificiale è sviluppato sia per principianti che per professionisti, per aiutarli a comprendere il concetto di base delle ANN.
I problemi
Ti assicuriamo che non troverai alcun problema in questo tutorial sulla rete neurale artificiale. Ma se c'è qualche problema o errore, segnala il problema nel modulo di contatto in modo che possiamo migliorarlo ulteriormente.