Artipisyal na Neural Networks (ANN) at Iba't ibang Mga Uri

Subukan Ang Aming Instrumento Para Sa Pagtanggal Ng Mga Problema





Ang isang Artipisyal na Neural Network (ANN) ay na-modelo sa utak kung saan ang mga neuron ay konektado sa mga kumplikadong pattern upang maproseso ang data mula sa mga pandama, magtatag ng mga alaala at makontrol ang katawan. Ang isang Artipisyal na Neural Network (ANN) ay isang sistema batay sa pagpapatakbo ng mga biological neural network o tinukoy din ito bilang isang pagtulad ng biological neural system.

Artipisyal na neural network

Artipisyal na neural network



Ang Artipisyal na Neural Networks (ANN) ay isang bahagi ng Artipisyal na Katalinuhan (AI) at ito ang lugar ng computer science na nauugnay sa paggawa ng kompyuter na kumilos nang mas matalino. Ang data ng proseso ng Artipisyal na Neural Networks (ANN) at nagpapakita ng ilang katalinuhan at kumilos sila na nagpapakita ng katalinuhan sa paraang tulad ng pagkilala sa pattern, Pag-aaral at paglalahat.


Ang isang artipisyal na neural network ay isang naka-program na modelo ng computational na naglalayong gayahin ang neural na istraktura at paggana ng utak ng tao.



Bago malaman ang tungkol sa Mga Artipisyal na Neural Networks, sa una kailangan naming pag-aralan kung ano ang mga neural network at tungkol din sa Structure of Neuron.

Kahulugan ng Neural Networks:

Ang mga Neural network ay tinukoy bilang mga system ng magkakaugnay na neurons. Ang Neurons o Nerve Cells ay ang pangunahing mga bloke ng gusali ng talino na mga biological neural network. Ang istraktura ng Neuron ay tulad ng ipinakita sa ibaba

Istraktura ng Neuron

Istraktura ng Neuron

Ang Artipisyal na Neural Networks ay ang mga tool sa computational na na-modelo sa utak. Binubuo ito ng isang magkakaugnay na istraktura ng artipisyal na ginawa na mga neuron na gumagana bilang mga landas para sa paglilipat ng data. Ang mga mananaliksik ay nagdidisenyo ng mga artipisyal na neural network (ANN) upang malutas ang iba't ibang mga problema sa pagkilala sa pattern, hula, pag-optimize, memorya ng nauugnay, at kontrol.


Ang mga artipisyal na neural network ay inilarawan bilang pangalawang pinakamahusay na paraan upang makabuo ng magkakaugnay na mga neuron. Ang mga artipisyal na neural network na ito ay ginagamit upang mag-modelo ng talino at din upang maisagawa ang mga tiyak na gawain sa computational. Ang isang matagumpay na aplikasyon ng ANN ay magkakaroon ng kakayahang makilala ang character.

Istraktura ng Neural Network

Istraktura ng Neural Network

Panimula sa Neural Networks:

Ang isang sistema ng computing ay binubuo ng isang bilang ng mga simple, lubos na magkakaugnay na mga elemento ng pagproseso at pinoproseso nila ang impormasyon sa panlabas na mga input na may kanilang tugon sa dinamikong estado. Ang isang neuron ay may kakayahang gumawa ng isang linear o isang hindi linear na tugon. Ang isang di-linear na artipisyal na network ay ginawa ng magkakaugnay na mga non-linear neuron. Ang mga non-linear na system ay may mga input na hindi magiging proporsyonal sa mga output.

Panimula sa Neural Networks

Panimula sa Neural Networks

Mga aplikasyon ng Artipisyal na Neural Networks:

  • Ang mga aplikasyon ng artipisyal na neural network ay ginamit sa larangan ng solar energy para sa pagmomodelo at disenyo ng isang solar steam generating plant.
  • Kapaki-pakinabang ang mga ito sa pagmomodelo ng system, tulad ng pagpapatupad ng kumplikadong pagmamapa at pagkilala sa system.
  • Ginagamit ang ANN para sa pagtantya ng mga pag-init ng mga gusali, intercept factor ng kolektor ng parabolic-trough at lokal na ratio ng konsentrasyon
  • Ginagamit ang ANN sa magkakaibang aplikasyon sa control, robotics, pagkilala sa pattern, pagtataya, gamot, mga system ng kuryente, pagmamanupaktura, pag-optimize, pagproseso ng signal, at agham panlipunan / sikolohikal.
  • Ginamit din ang mga ito para sa hula ng daloy ng hangin sa isang natural na maaliwalas na test room at para sa hula ng pagkonsumo ng enerhiya ng mga solar building.
  • Nagagawa nilang hawakan ang maingay at hindi kumpletong data at nakayanan din ang pagharap sa mga hindi pang-linear na problema
  • Ang paggamit ng mga artipisyal na neural-network sa mga bentilasyon at air-conditioning system, pagpapalamig, pagmomodelo, pag-init, pagtataya ng pagkarga, pagkontrol sa mga system ng pagbuo ng kuryente at solar radiation.

Ang isang Artipisyal na Neural Network Application ay nagbibigay ng isang alternatibong paraan upang matugunan ang mga kumplikadong problema dahil kabilang sila sa mga pinakabagong teknolohiya sa pagproseso ng signal. Nag-aalok ang mga artipisyal na neural network ng mga tunay na solusyon na mahirap na maitugma sa ibang mga teknolohiya. Ang solusyon sa neural network based ay napakahusay sa mga tuntunin ng pag-unlad, oras at mapagkukunan.

Ang pagpapatupad ng software ng isang neural network ay maaaring gawin sa kanilang mga kalamangan at dehado.

Mga kalamangan:

  • Ang isang neural network ay maaaring magsagawa ng mga gawain kung saan hindi maisagawa ang isang linear na programa.
  • Kapag nabigo ang isang elemento ng neural network, maaari itong magpatuloy nang walang anumang problema sa pamamagitan ng kanilang parallel na kalikasan.
  • Ang isang neural network ay hindi kailangang i-program muli habang natututo ito sa sarili.
  • Maaari itong ipatupad sa isang madaling paraan nang walang anumang problema.
  • Tulad ng kakayahang umangkop, matalinong mga sistema, ang mga neural network ay matatag at mahusay sa paglutas ng mga kumplikadong problema. Ang mga neural network ay mahusay sa kanilang programa at sumasang-ayon ang mga siyentista na ang mga kalamangan ng paggamit ng ANN ay higit sa mga panganib.
  • Maaari itong ipatupad sa anumang aplikasyon.

Mga disadvantages:

Ang isang Artipisyal na Neural Network ay binuo na may sistematikong sunud-sunod na pamamaraan na na-optimize ang isang pamantayan na karaniwang kilala bilang panuntunan sa pag-aaral. Ang data ng input / output ng pagsasanay ay mahalaga para sa mga network na ito dahil ipinaparating nito ang impormasyon na kinakailangan upang matuklasan ang pinakamainam na operating point. Ang isang di-linear na likas na katangian ng neural network ay ginagawang kakayahang umangkop ang mga elemento ng pagproseso nito sa kanilang system.

Ang isang artipisyal na neural network ay isang sistema at ang sistemang ito ay isang istraktura na tumatanggap ng isang input, pinoproseso ang data at nagbibigay ng isang output. Ang pag-input sa data array ay magiging WAVE tunog, isang data mula sa isang file ng imahe o anumang uri ng data na maaaring kinatawan sa isang array. Kapag ang isang input ay ipinakita sa neural network na kinakailangan ng target na tugon ay itinakda sa output at mula sa pagkakaiba ng nais na tugon kasama ang output ng totoong system isang error ang nakuha. Ang impormasyon ng error ay pinakain sa system at gumagawa ito ng maraming pagsasaayos sa kanilang mga parameter sa isang sistematikong kaayusan na karaniwang kilala bilang panuntunan sa pag-aaral. Ang prosesong ito ay paulit-ulit hanggang sa tanggapin ang nais na output.

Naobserbahan na ang pagganap ay nakasalalay sa data, kaya't ang data ay dapat na paunang iproseso sa mga third party na algorithm tulad ng mga DSP algorithm.

Mga Pakinabang ng Mga Artipisyal na Neural Networks:

  • Ang mga artipisyal na neural network ay nababaluktot at nababagay.
  • Ginagamit ang mga artipisyal na neural network sa pagkakasunud-sunod at pagkilala sa mga system ng pattern, pagproseso ng data, robotics, pagmomodelo, atbp.
  • Nakakuha ang ANN ng kaalaman mula sa kanilang paligid sa pamamagitan ng pagbagay sa panloob at panlabas na mga parameter at malulutas nila ang mga kumplikadong problema na mahirap pamahalaan.
  • Ginagawa nitong pangkalahatan ang kaalaman upang makabuo ng sapat na mga tugon sa hindi kilalang mga sitwasyon.
  • Kakayahang umangkop - Ang mga artipisyal na neural network ay nababaluktot at may kakayahang matuto, gawing pangkalahatan at umangkop sa mga sitwasyon batay sa mga natuklasan nito.
  • Non-Linearity - Pinapayagan ng pagpapaandar na ito ang network na mahusay na makakuha ng kaalaman sa pamamagitan ng pag-aaral. Ito ay isang natatanging kalamangan sa isang tradisyonal na linear na network na hindi sapat pagdating sa pagmomodelo ng di-linear na data.
  • Ang isang artipisyal na network ng neuron ay may kakayahang higit na mapagparaya sa kasalanan kaysa sa isang tradisyunal na network. Nang walang pagkawala ng nakaimbak na data, ang network ay magagawang muling mabuo ang isang kasalanan sa alinman sa mga bahagi nito.
  • Ang isang artipisyal na network ng neuron ay batay sa Adaptive Learning.

Mga uri ng Artipisyal na Neural Networks:

Mayroong iba't ibang mga uri ng Artipisyal na Neural Networks (ANN) - Nakasalalay sa neuron ng utak ng tao at mga pagpapaandar sa network, ang isang artipisyal na neural network o ANN ay nagsasagawa ng mga gawain sa katulad na pamamaraan. Karamihan sa mga artipisyal na neural network ay magkakaroon ng pagkakahawig sa mas kumplikadong mga katapat na biological at napaka epektibo sa kanilang mga nilalayon na gawain tulad ng para sa hal. paghihiwalay o pag-uuri. Mga uri ng Artipisyal na Neural Networks

Mga uri ng Artipisyal na Neural Networks

Mga uri ng Artipisyal na Neural Networks

Feedback ANN - Sa ganitong uri ng ANN, ang output ay bumalik sa network upang makamit ang pinakamahusay na nagbago na mga resulta sa loob. Ang feedback network ay nagbibigay ng impormasyong bumalik sa sarili nito at nababagay upang malutas ang mga problema sa pag-optimize, ayon sa University of Massachusetts, Lowell Center for Atmospheric Research. Ang mga ANN na feedback ay ginagamit ng mga pagwawasto ng error sa panloob na system.

Ipasa ang Pasulong ANN - Ang isang feed-forward network ay isang simpleng neural network na binubuo ng isang input layer, isang output layer at isa o higit pang mga layer ng neurons. Sa pamamagitan ng pagsusuri ng output nito sa pamamagitan ng pagsusuri ng input nito, mapapansin ang lakas ng network batay sa pag-uugali ng pangkat ng ang mga konektadong neuron at ang output ay napagpasyahan. Ang pangunahing bentahe ng network na ito ay natututo itong suriin at makilala ang mga pattern ng pag-input.

Pag-uuri-Pagtataya ANN –Ito ang subset ng feed-forward ANN at ang klasipikasyon-hula na ANN ay inilalapat sa mga sitwasyon sa pagmimina ng data. Ang network ay sinanay upang makilala ang mga partikular na pattern at uriin ang mga ito sa mga tukoy na pangkat at pagkatapos ay karagdagang uriin ang mga ito sa 'mga pattern ng nobela' na bago sa network.

Ang isang artipisyal na neural network ay isang computational simulation ng isang biological neural network. Nagtataglay ang mga ito ng pag-uugali ng mga neuron at mga signal ng kuryente kung saan nakikipag-usap sila sa pagitan ng input tulad ng mula sa mga mata o nerve endings sa kamay sa output ng utak tulad ng pag-react sa ilaw, hawakan o init.

Ang mga siyentipiko ay nagsasaliksik sa pagdidisenyo ng mga artipisyal na neural network at ang paglikha ng artipisyal na katalinuhan tungkol sa paraan ng pakikipag-usap ng mga neuron.

Neural Network Software:

Ang mga neural network simulator ay mga application ng software na ginagamit upang gayahin ang pag-uugali ng artipisyal o biological neural network. Nakatuon sila sa isa o isang limitadong bilang ng mga tukoy na uri ng mga neural network. Ang simulation ng neural network ay madalas na nagbibigay ng mas mabilis at mas tumpak na hula na naghahambing sa iba pang pagtatasa ng data ang mga pamamaraan bilang mga neural network na ito ay may mahalagang papel sa proseso ng pagmimina ng data.

Software ng neural network

Software ng neural network

Karaniwan silang nag-iisa at hindi balak na makabuo ng mga neural network na dapat isama sa iba pang software. Karaniwan ang mga simulator ay may ilang uri ng built-in na paggunita upang masubaybayan ang proseso ng pagsasanay. Ang ilang mga simulator ay nakikita rin ang pisikal na istraktura ng mga neural network. Ang konsepto ng Neural Network ay malawakang ginagamit para sa pagtatasa ng data. Sa tulong ng artipisyal na neural network software, maaaring isagawa ang pagtataya sa serye ng oras, pag-aplay ng pag-andar at pag-aaral ng pag-urong. Ang saklaw ng mga neural network ay halos walang limitasyong paggawa ng desisyon, pagkilala sa pattern, pagtataya, mga awtomatikong sistema ng kontrol at marami pang iba.

Ang isang neural network ay hindi kailangang 'muling maprograma' kapag natutunan nito ang anumang katulad sa tao.

Simula ng Neural Network

Simula ng Neural Network

Ang pangunahing layunin at hangarin sa likod ng pag-unlad ng ANNs ay ipinapaliwanag nila ang artipisyal na modelo ng pagkalkula ng pangunahing biyolohikal na neuron. Binabalangkas nila ang mga arkitektura ng network at mga proseso ng pag-aaral sa pamamagitan ng paglalahad ng maraming layer na mga network ng feed-forward. Iminungkahi na ang mga artipisyal na neural-network ay maaaring magamit para sa pagmomodelo sa ibang larangan ng paggawa ng enerhiya. Bakit kinakailangan ang pagpapatupad ng mga artipisyal na neural network? Kung mayroon kang anumang mga query puna lamang sa ibaba o bisitahin ang aming site.

Mga Kredito sa Larawan: