srcmini本文概述
人工神经网络教程提供了人工神经网络的基本和高级概念。我们的人工神经网络教程是为初学者和专业人士开发的。
术语”人工神经网络”是指以大脑为模型的生物学启发的人工智能子领域。人工神经网络通常是基于构建人脑结构的生物神经网络的计算网络。类似于人脑中相互连接的神经元, 人工神经网络也具有在网络的各个层中相互链接的神经元。这些神经元称为节点。
人工神经网络教程涵盖了与人工神经网络相关的所有方面。在本教程中, 我们将讨论人工神经网络, 自适应共振理论, Kohonen自组织图, 构件, 无监督学习, 遗传算法等。
什么是人工神经网络？
术语”人工神经网络”源自发展人脑结构的生物神经网络。类似于具有相互连接的神经元的人脑, 人工神经网络也具有在网络的各个层中相互连接的神经元。这些神经元称为节点。
给定的图说明了生物神经网络的典型图。
典型的人工神经网络看起来类似于给定的数字。
来自生物神经网络的树突代表人工神经网络中的输入, 细胞核代表节点, 突触代表权重, 轴突代表输出。
生物神经网络与人工神经网络之间的关系：
| 生物神经网络 | 人工神经网络 |
|---|---|
| 树枝状 | 输入项 |
| 细胞核 | 节点数 |
| 突触 | 重物 |
| 轴突 | 输出如下 |
人工智能领域的人工神经网络试图模仿神经元网络, 从而构成了人类的大脑, 因此计算机可以选择以类似于人类的方式理解事物并做出决策。人工神经网络是通过对计算机进行编程而设计的, 其行为就像互连的脑细胞一样。
人脑中大约有1万亿个神经元。每个神经元的关联点在1, 000到100, 000之间。在人脑中, 数据以分布的方式存储, 必要时我们可以从内存中并行提取多个数据。可以说, 人类的大脑由令人难以置信的惊人的并行处理器组成。
我们可以通过一个例子来理解人工神经网络, 考虑一个数字逻辑门的例子, 该数字逻辑门接受输入并给出输出。 “或”门, 需要两个输入。如果一个或两个输入均为” On”, 则输出为” On”。如果两个输入均为”关”, 则输出为”关”。这里的输出取决于输入。我们的大脑不会执行相同的任务。由于我们大脑中的神经元正在”学习”, 因此输出到输入的关系不断变化。
人工神经网络的架构
要了解人工神经网络架构的概念, 我们必须了解神经网络的组成。为了定义由大量人工神经元组成的神经网络, 这些人工神经元被称为按层序列排列的单元。让我们看一下人工神经网络中可用的各种类型的层。
人工神经网络主要包括三层：
输入层：
顾名思义, 它接受程序员提供的几种不同格式的输入。
隐藏层：
隐藏层显示在输入和输出层之间。它执行所有计算以查找隐藏的特征和图案。
输出层：
输入使用隐藏层进行一系列转换, 最终导致使用该层传递输出。
人工神经网络获取输入并计算输入的加权和, 并包含一个偏差。该计算以传递函数的形式表示。
它确定加权总和作为输入传递给激活函数以产生输出。激活功能选择是否触发节点。只有被解雇的人员才能进入输出层。有许多独特的激活功能可以应用于我们正在执行的任务。
人工神经网络(ANN)的优势
并行处理能力：
人工神经网络具有一个数值, 可以同时执行多个任务。
在整个网络上存储数据：
传统编程中使用的数据存储在整个网络中, 而不是存储在数据库中。在一个地方丢失了几条数据并不会阻止网络正常工作。
具有不完整知识的能力：
经过人工神经网络训练后, 即使数据不足, 信息也可能产生输出。这里的性能损失取决于丢失数据的重要性。
具有内存分配：
为了使ANN能够适应, 重要的是确定示例, 并通过向网络演示这些示例来根据所需的输出鼓励网络。网络的继承与所选实例成正比, 如果事件不能在网络的所有方面都出现, 则可能会产生错误的输出。
具有容错能力：
对ANN的一个或多个单元的勒索不禁止其生成输出, 并且此功能使网络具有容错能力。
人工神经网络的缺点
确保适当的网络结构：
确定人工神经网络的结构没有特别的指导原则。适当的网络结构是通过经验, 尝试和错误来实现的。
网络无法识别的行为：
这是人工神经网络最重要的问题。当ANN生成测试解决方案时, 它不会提供有关原因和方式的见解。它降低了对网络的信任。
硬件依赖性：
人工神经网络根据其结构需要具有并行处理能力的处理器。因此, 设备的实现是依赖的。
向网络显示问题的难度：
人工神经网络可以处理数字数据。在将问题引入ANN之前, 必须将其转换为数值。这里要解决的表示机制将直接影响网络的性能。它取决于用户的能力。
网络的持续时间未知：
网络被减少到特定的误差值, 并且该值不能为我们提供最佳结果。
在20世纪中叶进入世界的科学人工神经网络正在呈指数级发展。目前, 我们已经研究了人工神经网络的优点以及在使用过程中遇到的问题。不应忽视的是, 作为一个蓬勃发展的科学分支的ANN网络的缺点已被单独淘汰, 其优点也日益增加。这意味着人工神经网络将逐渐成为我们生活中不可替代的一部分。
人工神经网络如何工作？
人工神经网络可以最好地表示为加权有向图, 其中人工神经元形成节点。神经元输出和神经元输入之间的关联可以视为具有权重的有向边。人工神经网络以图案形式接收来自外部源的输入信号, 以矢量形式接收图像。然后, 为每n个输入用符号x(n)在数学上分配这些输入。
然后, 将每个输入乘以其相应的权重(这些权重是人工神经网络用来解决特定问题的详细信息)。一般而言, 这些权重通常表示人工神经网络内部神经元之间的互连强度。所有加权输入都汇总在计算单元内部。
如果加权总和等于零, 则添加偏差以使输出非零或增加其他比例以适应系统的响应。偏置具有相同的输入, 权重等于1。这里, 加权输入的总和可以在0到正无穷大之间。在此, 为了将响应保持在期望值的范围内, 对某个最大值进行基准测试, 并将加权输入的总和通过激活函数传递。
激活功能是指用于实现所需输出的一组传递函数。激活函数的类型不同, 但主要是线性或非线性函数集。一些常用的激活函数集是Binary, 线性和Tan双曲线S型激活函数。让我们详细了解它们中的每一个：
二元
在二进制激活功能中, 输出可以是1或0。为此, 要设置一个阈值。如果神经元的净加权输入大于1, 则激活函数的最终输出将返回1, 否则输出将返回0。
乙状双曲线
乙状双曲线函数通常被视为” S”形曲线。在此, tan双曲函数用于估计实际净输入的输出。该函数定义为：
F(x)=(1/1 + exp(-???? x))
在哪里？被认为是”陡度”参数。
人工神经网络的类型
取决于人脑神经元和网络功能, 有各种类型的人工神经网络(ANN), 人工神经网络同样执行任务。大多数人工神经网络将与更复杂的生物伙伴具有某些相似之处, 并且在其预期任务方面非常有效。例如, 细分或分类。
反馈ANN：
在这种类型的ANN中, 输出返回到网络以在内部完成最佳的结果。根据麻省大学洛厄尔大气研究中心的说法。反馈网络将信息反馈回自身, 非常适合解决优化问题。内部系统错误更正利用反馈ANN。
前馈ANN：
前馈网络是一种基本的神经网络, 包括输入层, 输出层和神经元的至少一层。通过查看其输入来评估其输出, 可以根据相关神经元的组行为来注意到网络的强度, 并确定输出。该网络的主要优势在于, 它可以确定如何评估和识别输入模式。
先决条件
在开始本教程之前, 不需要特定的专业知识作为前提。
听众
我们的人工神经网络教程专为初学者和专业人士开发, 以帮助他们了解ANN的基本概念。
问题
我们向你保证, 在此人工神经网络教程中不会发现任何问题。但是, 如果有任何问题或错误, 请在联系表格中发布该问题, 以便我们进一步改进。
评论前必须登录！
注册