De voordelen van Artificial Neural Networks

De voordelen van Artificial Neural Networks


Kunstmatige neurale netwerken zijn gemodelleerd op de inzichten uit de neurobiologie. In 1836 realiseerden de wetenschappers dat het zenuwstelsel van levende organismen bestaat uit onderling verbonden elementen werken in parallel (de neurondoctrine). Later, in 1949, werd waargenomen dat synaps weerstand kan worden verminderd door herhaalde blootstelling aan binnenkomende signalen (leerregel Hebb's). Zoals adaptieve, intelligente systemen, neurale netwerken zijn robuust en blinken uit in het oplossen van complexe problemen. Neurale netwerken zijn zo efficiënt als de programmering, maar wetenschappers het erover eens dat de voordelen van ANNs opwegen tegen de risico's.

Neural Network Types

Kunstmatige netwerken bestaan ​​uit lagen van binaire neuronen (positief of negatief, aan of uit). De eerste netwerken werden opgericht in feed-forward configuraties en bestond uit neuronen genaamd perceptrons. Data verplaatst via het netwerk van input via tussenlagen, output. Terugkerende, of back-teeltmateriaal, netwerken poging om fouten te corrigeren in de weging van de knooppunten in het netwerk en - in theorie - Verbeteren van de opleiding. Beperkingen van back-propagatie hebben geleid tot de ontwikkeling van "beperkend" of gesloten terugkoppeling ANNs. Vanaf 2011 wordt deze netwerken loop van gegevens tussen de ingang en een uitgang laag totdat er een best-fit scenario bereikt.

Het bouwen van een netwerk

Deze bestaan ​​uit lagen van neuronen die gegevens in parallel verwerken, neurale netwerken inherent efficiënter dan lineaire programma. Het bouwen van een kunstmatig neuraal netwerk bestaat uit twee fasen: de opleiding en erkenning, of ". Classificatie" Tijdens de training fase wordt een ingang met een bekende uitgang verzonden via het netwerk. De uitgang wordt vergeleken met de controle patroon en het netwerk wordt geknepen (neuronen gewogen) totdat het gewenste resultaat wordt bereikt. Het netwerk kan dan worden beschouwd opgeleid en verse data op zoek naar nieuwe patronen geladen.

Toepassingen en voordelen

Omdat getrainde netwerken verborgen informatie kunnen ontdekken, ze blinken uit in data mining en het oplossen van complexe problemen. Autofabrikanten maken gebruik van neurale netwerken in voertuigen als onderdeel van lane-detectie en back-up waarschuwingssystemen. Geavanceerde kunstmatige netwerken zijn ontwikkeld voor gezichtsherkenning software ingezet op luchthavens en op boerderijen in intelligente systemen gewasbescherming. Financiële software maakt gebruik van neurale netwerken om prijsacties voorspellen. Zelfs gaming consoles met mogelijkheden voor erkenning, zoals de Microsoft Kinect, neurale netwerken gebruiken om spelers te herkennen en op te sporen beweging van het lichaam.

Beperkingen en Concerns

Beperkingen van kunstmatige netwerken veranderd netwerk ontwerpen geëvolueerd. Een probleem - moeilijker dan het lijkt - is dat netwerken moeten alleen worden opgeleid zo veel als ze moeten worden, en niet meer. Een overtraind neuraal netwerk lijdt aan "fittedness" (of curve-fitting) en wordt niet in staat om unieke patronen in de oorspronkelijke gegevens op te sporen.