कृत्रिम मज्जासंस्थेसंबंधीचा नेटवर्क

कृत्रिम मज्जासंस्थेसंबंधीचा नेटवर्क - न्यूरॉन्स - विशेष पेशी तयार केलेले आहेत त्या आहेत. ते मानवी मज्जासंस्था करा की जैविक न्यूरॉन्स, म्हणजे, पेशी गणिती मॉडेल आहेत.

प्रथमच आम्ही 1943 मध्ये मज्जासंस्थेसंबंधीचा नेटवर्क बोलत आहेत, आणि Perceptron Rosenblatt शोध नंतर सोनेरी युग आले, आणि नेटवर्क अतिशय लोकप्रिय झाले आहे. तथापि, 1969 मध्ये मिन्स्क च्या प्रकाशन, एक शास्त्रज्ञ Perceptron अकार्यक्षमता सिद्ध केले आहे, जे नंतर काही परिस्थितीत, या क्षेत्रात आवड घसरले आहे. पण कथा कृत्रिम नेटवर्क समाप्त होत नाही. . 1985 मध्ये जॉन Hopfield त्यांचा अभ्यास सादर मज्जासंस्थेसंबंधीचा नेटवर्क असे सिद्ध झाले की - मशीन एक उत्तम साधन असतात.

हे जीवशास्त्र अनेक संकल्पना आणि तत्त्वे मिलाप होते. चेतापेशी - नंतर प्राप्त आणि जे स्विच एक प्रकारचा डाळी (सिग्नल) प्रसारित. न्यूरॉन सूचविले शक्तिशाली गती प्राप्त होत असल्यास, तो सक्रिय आहे, असे म्हटले आणि डाळी उर्वरित त्याच्याशी संबंधित न्यूरॉन्स प्रसारित आहे. जे सक्रिय झाला नाही त्याच चेतापेशी ते विसावा येथे राहते, नाडी प्रक्षेपित नाही. एकमेकांना न्यूरॉन्स जोडणी व विविध स्रोत पासून सिग्नल प्राप्त आवेग काम आणि dendrites, प्रसारित जे डाळी, मज्जापेशीपासून सुरू होणारा तंतू, प्राप्त चेतासंधी: चेतापेशी अनेक मुख्य घटक असतात. एक न्यूरॉन विशिष्ट आरंभ वरील एक प्रेरणा प्राप्त करतो तेव्हा तो ताबडतोब पुढील न्यूरॉन एक सिग्नल पाठवते.

गणिती मॉडेल थोडे वेगळे आहे. लॉग-इन गणिती मॉडेल एक न्यूरॉन - एक सदिश असून, घटक मोठ्या प्रमाणात बनलेला आहे आहे. घटक प्रत्येक - न्यूरॉन प्राप्त असलेल्या डाळी, एक आहे. मॉडेल उत्पादन एकच नंबर आहे. आहे, मॉडेल इनपुट वेक्टर एक scalar मध्ये रूपांतर मध्ये, नंतर इतर न्यूरॉन्स हस्तांतरीत करण्यात आला.

मज्जासंस्थेचे नेटवर्क दोन प्रकारे प्रशिक्षण दिले जाऊ शकते: आणि एक शिक्षक न. शिक्षण प्रक्रिया अनेक पावले बाबींचा समावेश होतो. प्रथम, नेटवर्कवर बाहेर प्रेरणा इनपुट आहे. मग, नियम नुसार मज्जासंस्थेसंबंधीचा नेटवर्क मोफत घटक बदलू, नंतर नेटवर्क इनपुट उत्तेजके आधीच वेगळ्या प्रतिसाद देते. प्रक्रिया नेटवर्क समस्येचे निराकरण होत नाही म्हणून लांब पुनरावृत्ती पाहिजे. एक शिक्षक शिकणे अल्गोरिदम नेटवर्क प्रशिक्षण दरम्यान आधीच योग्य उत्तर आहे. ही पद्धत यशस्वीपणे अनेक अनुप्रयोग करीता वापरले गेले आहे, पण तो अनेकदा तो जैविक दृष्ट्या दिखाऊ नसलेला आहे की टीका आहे. मज्जासंस्थेचे नेटवर्क बाबतीत जेथे केवळ ज्ञात गरजांमध्ये शिक्षक न प्रशिक्षण दिले जाते. त्यांच्यावर आधारित, नेटवर्क हळूहळू सर्वोत्तम मूल्य आऊटपुट देऊ शकेल.

मज्जासंस्थेसंबंधीचा नेटवर्क अर्ज खरोखर वैविध्यपूर्ण आहे. ते अनेकदा ओळख, अंदाज, विविध निर्मिती स्वयंचलित करण्यासाठी वापरले जातात तज्ज्ञ प्रणाली, functionals च्या अंदाज. अशा नेटवर्क अंदाज आवाज ओळख किंवा ऑप्टिकल सिग्नल सादर करू शकता विनिमय निर्देशक, उदाहरणार्थ, दिलेल्या मजकूर किंवा कार पार्क भाषण मिश्रण तयार करू शकता, जे स्वत: ची शिक्षण, सक्षम प्रणाली तयार करा. वेस्ट मज्जासंस्थेचे नेटवर्क अधिक सक्रियपणे, दुर्दैवाने, स्थानिक कंपन्यांना अद्याप ही पद्धत दत्तक वापरले जातात नाही होती.

नाही आदर्श उपाय - काही भागात परंपरागत गणिते, विद्यमान मज्जासंस्थेसंबंधीचा नेटवर्क वर अन फायदे असूनही. ते शिकण्याची क्षमता असल्याने, ते चुकीचे असू शकते. या व्यतिरिक्त, आपण अगदी विकसित मज्जासंस्थेसंबंधीचा नेटवर्क चांगल्या आहे की हमी देऊ शकत नाही. विकसक समस्या स्वरूप फिलॉसॉफर समजून घेणे आवश्यक आहे, चाचणी आणि प्रशिक्षण नेटवर्क डेटा प्राप्त करण्यासाठी, समस्या वर्णन माहिती भरपूर आहे, प्रशिक्षण, हस्तांतरण कार्य आणि नागाप्रमाणे कार्ये योग्य पद्धत निवडण्यासाठी.