人工神经网络(ANN)的基础,特征,要素,类型

在本教程中,我们将看看人工神经网络(ANN)的概念,什么是这种“神经网络”的需要,ANN的基本要素,最后人工神经网络的应用。

介绍

最近你可能听说过机器学习、人工智能甚至人工神经网络。所有这些都是回答这个古老问题的不同方式,即我们是否能够开发出一种新的智能形式来解决自然任务。

计算机具有优越的处理能力和存储能力,可以在短时间内轻松地处理极其复杂的数值问题。但当现实世界的智能任务与视觉、语音、模式识别和自然语言处理相关时,它就显得不足,并显示出其不足之处。

这是因为,计算机,不管有没有人工智能,都需要一种算法方法,也就是说,问题必须以算法的形式呈现,而当现实世界的问题任务不能以算法的形式呈现时,计算机就不能像我们的大脑那样做同样的事情:学习和适应。

人类的大脑是令人着迷的东西,即使是速度最快的计算机也无法在一件事上与大脑竞争:我们的大脑学习、分析和探索问题,并最终适应情况。

牢记这一生物学方面,科学家们正在开发几种计算机模型,这些模型受到生物神经网络的启发,可以提供一条解决自然任务问题的路径。这种方法被称为人工神经网络(ANN)。

什么是人工神经网络?

简单地说,人工神经网络是人脑神经结构的软件实现。人工神经网络是一种受人脑结构、处理能力和学习能力影响的计算系统。

不深入研究它复杂的生物学原理,让我们看看我们大脑的结构。人类大脑包含数十亿神经元,这些神经元充当有机开关。所有这些神经元相互连接,形成一个巨大而复杂的结构,称为神经网络。单个神经元的输出依赖于数千个相互连接的神经元的输入。

人类大脑的“学习”只是重复激活某些神经连接,而这种重复强化了这种连接。因此,对于一个指定的输入,神经连接确保输出总是期望的输出。一个简单的结果反馈有助于学习过程,因为它加强了神经连接。

大脑的这种行为是人工神经网络的关键,因为他们只是试图复制大脑的这种行为。这可以通过两种方式实现:

  • 监督安
  • 无人监督的安

有监督人工神经网络

在有监督人工神经网络中,为网络提供匹配的数据输入和输出样本进行训练。这种方法的目的是为指定的输入获得所需的输出。

监督人工神经网络的一个最好的例子是我们的电子邮件的垃圾邮件过滤器。在训练级别,人工神经网络引擎的输入将是电子邮件正文中的一组单词。输出将电子邮件标记为垃圾邮件或非垃圾邮件。

无监督人工神经网络

无监督人工神经网络比有监督的对应部分更复杂,因为它试图使人工神经网络理解作为自己输入的数据结构。

人工神经网络的特点

任何人工神经网络,不管其风格和实现逻辑如何,都有一些基本特征。这些都在下面提到。

  • 人工神经网络由大量类似“神经元”的处理元素组成。
  • 所有这些处理元素之间都有大量的加权连接。
  • 元素之间的连接提供了数据的分布式表示。
  • 学习过程是为了获取知识。

人工神经网络的要素

根据上述特点,我们可以推导出任意一个人工神经网络的基本要素如下:

  • 处理元素
  • 拓扑结构
  • 学习算法

让我们简要地看看这些单独的元素。

处理元素

由于人工神经网络是一种生物神经网络的简化计算模型,它由类似于大脑神经元的基本处理单元或元素组成。

人工神经网络(ANN)处理单元神经元

一般来说,处理单元由加法单元和输出单元组成。求和单元的功能是取n个输入值,对每个输入值加权,然后计算这些值的加权和。

人工神经网络(ANN)处理单元

根据每个输入的权值的符号,可以确定输入的权值是正的还是负的。该求和单元的加权和称为激活值,并基于来自该激活值的信号,输出被产生。

输入和输出可以是连续的或离散的,也可以是确定性的或模糊的。

拓扑结构

只有将所有的处理元素以适当的方式组织起来,以完成模式识别的任务,任何人工神经网络才会有用。

处理元素、它们的互连、输入和输出的组织或安排简单地称为拓扑。

在人工神经网络中,处理单元通常是分层排列的,特定层中的所有单元都具有相同的激活值和输出值。层与层之间可以通过多种方式进行连接,如一层处理单元与另一层的单元连接,一层处理单元与同一层的单元连接等。

人工神经网络中常用的拓扑有:

  • Outstar
  • 群龄
  • 群Outstars
  • 双向联想记忆
  • Autoassociative记忆

下图显示了两层F1和F2的排列,在Instar和Outstar拓扑中各有M和N个处理单元。

人工神经网络(ANN)拓扑

学习算法

任何神经网络的最后和重要的元素是学习算法或定律。神经网络的运行受神经动力学的控制,神经动力学包括激活状态动力学和突触权值动力学。

学习算法或定律是突触动力学的实现,并描述了权值的一阶导数。这些学习法律可以有监督,可以没有监督,也可以两者兼而有之。

一些常见的学习算法有:

  • ”赫定律
  • 知觉学习法律
  • 三角洲学习法律
  • Wildrow & Hoff LMS学习法则
  • 相关学习法律
  • 龄学习法律
  • Outstar学习法律

不同类型的人工神经网络

人工神经网络有许多不同的类型。这里列出了一些。

  • 前馈神经网络
  • 反馈神经网络
  • 竞争学习神经网络

前馈神经网络

前馈人工神经网络,顾名思义,由几层处理单元组成,每一层以馈通的方式向下一层提供输入。一个简单的两层网络是前馈神经网络的一个例子。

下面是一个三层前馈神经网络的简单结构。

安前馈

反馈神经网络

反馈神经网络由反馈元素组成。在基本结构中,反馈神经网络由一组处理单元组成,其输出作为输入反馈给同一层的所有其他单元,包括同一单元。

安的反馈

在它的基本形式中,反馈神经网络没有任何结构,因此它在模式识别方面并不有用。

竞争学习神经网络

它是反馈神经网络和前馈神经网络的结合。输入层是线性的,它的输出给下一层的所有单元。

第二层的输出可以是线性的,也可以是非线性的(取决于应用程序)。

安Competetive学习

优势

  • 神经网络的主要优点是并行处理。这使得它比线性程序更有用。
  • 由于它们的并行处理结构,任何一个神经单元的故障都不会影响整个过程。
  • 神经网络可以应用于任何应用,可以解决任何复杂问题。
  • 通过实现适当的学习算法,可以使神经网络学习无需重新编程。

缺点

  • 所有的并行处理都需要大量的处理能力和时间。
  • 在实际应用之前有一个“培训”期的要求。

应用程序的安

人工神经网络有巨大应用潜力的两个重要领域是语音和图像处理。

应用程序在演讲

  • 元音分类
  • 元音-辅音段的识别
  • 印度语言中停止辅音-元音发音的识别
  • Nettalk
  • 语音打字机

在图像处理中的应用

  • 符号识别(奥运使用)
  • 识别的笔迹
  • 分割的图像
  • 纹理的分类和分割

留下一个回复

您的电子邮件地址将不会被公布。必填字段被标记*