| |
     
Нейронные сети ― новая модель параллельных и распределенных вычислений, один из основных архитектурных принципов построения машин 6-го поколения. Общие принципы построения нейронных сетей были заложены в начале второй половины XX века в работах таких ученых, как: Д. Хебб, М. Минский, Ф. Розенблат.
В последние несколько лет наблюдается повышенный интерес к нейронным сетям (Neural Net), которые успешно применяются в самых различных областях научных направлений. Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления.
Нейроны - это специальные клетки, способные распространять электрохимические сигналы.
Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети нелинейные по своей природе.
Нервная система и мозг человека состоят из нейронов, соединенных между собой нервными волокнами. Нервные волокна способны передавать электрические импульсы между нейронами.
Искусственная нейронная сеть (ИНС, нейронная сеть) - это набор нейронов, соединенных между собой. Как правило, передаточные функции всех нейронов в нейронной сети фиксированы, а веса являются параметрами нейронной сети и могут изменяться. Некоторые входы нейронов помечены как внешние входы нейронной сети, а некоторые выходы - как внешние выходы нейронной сети. Подавая любые числа на входы нейронной сети, мы получаем некоторый набор чисел на выходах нейронной сети.
Таким образом, работа нейронной сети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами нейронной сети.
Нейронные сети учатся на примерах. Пользователь нейронной сети подбирает представительные данные, а затем запускает алгоритм обучения, который автоматически воспринимает структуру данных. Нейронные сети привлекательны с интуитивной точки зрения, ибо они основаны на примитивной биологической модели нервных систем. В будущем развитие таких нейробиологических моделей может привести к созданию действительно мыслящих компьютеров. Класс задач, которые можно решить с помощью нейронной сети, определяется тем, как сеть работает и тем, как она обучается.
При работе нейронная сеть принимает значения входных переменных и выдает значения выходных переменных. Для управляемого обучения сети пользователь должен подготовить набор обучающих данных. Эти данные представляют собой примеры входных данных и соответствующих им выходов. Сеть учится устанавливать связь между первыми и вторыми. Обычно обучающие данные берутся из исторических сведений.
Нейронные сети может обучаться только на тех данных, которыми она располагает. Всякая нейронная сеть принимает на входе числовые значения и выдает на выходе также числовые значения.
Передаточная функция для каждого элемента сети обычно выбирается таким образом, чтобы ее входной аргумент мог принимать произвольные значения, а выходные значения лежали бы в строго ограниченном диапазоне ("сплющивание"). При этом, хотя входные значения могут быть любыми, возникает эффект насыщения, когда элемент оказывается чувствительным лишь к входным значениям, лежащим в некоторой ограниченной области.
|
|
