? En kunstig neurale netværk er en programmeret beregningsmæssige model, der har til formål at replikere neurale struktur og funktion af den menneskelige hjerne . Det består af en sammenhængende struktur af kunstigt frembragte neuroner, der fungerer som veje for dataoverførsel . Kunstige neurale netværk er fleksible og adaptive , læring og tilpasning med hver af de forskellige interne eller eksterne stimuli. Kunstige neurale netværk bruges i rækkefølge og mønstergenkendelse systemer, databehandling , robotteknologi og modellering. Der findes forskellige typer af neurale net, herunder feedforward neuralt netværk , radial basisfunktion ( RBF ) , Kohonen selvorganiserende netværk og tilbagevendende neurale netværk . Fleksibilitet
Kunstige neurale netværk har evnen til at generalisere og lære . De tilegne sig viden fra deres omgivelser ved at tilpasse sig interne og eksterne parametre. Netværket lærer fra eksempler, og tilpasser sig situationer, baseret på sine resultater . Det generaliserer viden til at producere passende løsninger til ukendte situationer. Kunstige neurale netværk løse komplekse problemer, der er vanskelige at håndtere ved tilnærmelse.
Ulinearitet
beregningsmæssige neuron kan producere en lineær eller en ikke-lineær svar. En ikke - lineær kunstigt netværk består af sammenkoblingen af ikke-lineære neuroner . Ikke-lineære systemer har indgange , der ikke er proportionale med de udgange. Denne funktion gør det muligt for netværket effektivt tilegne sig viden gennem læring. Dette er en klar fordel i forhold et traditionelt lineær netværk, der er utilstrækkelig , når det kommer til modellering ikke-lineære data.
Større Fault Tolerance
En kunstig neuron netværk er i stand til større fejltolerance end et traditionelt net . Netværket er i stand til at regenerere en fejl i nogen af dens komponenter uden tab af lagrede data. Det bruger forekomster og eksempler fra fortiden at samle driften af et beskadiget node eller andet netværk bestanddel.
Adaptive Learning
En kunstig neuron netværk er baseret omkring begrebet abstrakt læring. Tre læring paradigmer fungerer at udstyre netværk for adaptive læring. Disse er forstærkning læring, opsyn læring og overvåget læring. Neuron netværk kan trænes via specialiserede algoritmer , herunder ikke- parametriske metoder , forventning maksimering , simulerede udglødning og evolutionære metoder. Neuronerne i en kunstig neuron netværk er fleksible nok til at være afstemt til forskellige indgangssignaler mønstre og akklimatisere til en bred vifte af ukendte situationer. De er konstant at acceptere og erstatte tidligere lært information, holde deres repository af problemløsning opdaterede teknikker .