Искусственная нейронная сеть (ИНС) — это математическая модель, представляющая собой систему соединённых и взаимодействующих меж собой нейронов.
Разглядим строение био нейрона. Каждый нейрон имеет отростки нервных волокон 2-ух типов — дендриты, по которым принимаются импульсы, и единственный аксон, по которому нейрон может передавать импульс. Аксон контактирует с дендритами других нейронов через особые образования — синапсы, которые оказывают влияние на силу импульса.
Есть возможность считать, что при прохождении синапса сила импульса изменяется в определенное число раз, которое мы будем именовать весом синапса. Импульсы, поступившие к нейрону вместе с этим по нескольким дендритам, суммируются. В том случае суммарный импульс превосходит некий порог, нейрон возбуждается, сформировывает свой импульс и передает его дальше по аксону. Принципиально отметить, что веса синапсов могут изменяться с течением времени, а означает, изменяется и поведение соответственного нейрона.
ИНС удачно употребляется в последующих областях:
• Определение знаков текста и других объектов.
• Определение речи.
• Управление движением тс и т. д..
• Систематизация ситуаций.
• Кластеризация (категоризация) — систематизация в отсутствие «учителя».
• Прогнозирование.
• Аппроксимация.
• Принятие решений.
Нейронные сети не программируются в обычном смысле этого слова, они учатся. Возможность обучения — одно из основных преимуществ нейронных сетей перед классическими методами. На техническом уровне обучение заключается в нахождении коэффициентов связей меж нейронами.
Разработчикам решения на базе нейронной сети требуется:
1. избрать подобающую модель сети, найти топологию сети (число частей и их связи);
2. указать характеристики обучения.
На первом шаге следует избрать последующее:
— какие нейроны мы желаем применять (число входов, передаточные функции);
— каким образом следует соединить их меж собой;
— что взять в качестве входов и выходов нейронной сети.
Более пользующиеся популярностью и изученные архитектуры — это мультислойный перцептрон, нейронная сеть с общей регрессией, нейронные сети Кохонена, сеть Ворда, сеть Хопфильда и другие.
На втором шаге нам следует «научить» избранную нейронную сеть, другими словами подобрать такие значения ее весов, чтоб она работала необходимым образом. Необученная нейронная сеть подобна ребенку — ее есть возможность обучить чему угодно. В применяемых на практике нейронных сетях количество весов может составлять немного 10-ов тыщ, потому обучение — вправду непростой процесс. Для многих архитектур разработаны особые методы обучения, которые позволяют настроить веса нейронной сети спецефическим образом. Более пользующийся популярностью из этих алгоритмов — способ оборотного распространения ошибки (Error Back Propagation), применяемый, к примеру, для обучения перцептрона.
Бесплатные пакеты для сотворения нейронных сетей
Fann (С++) с возможностью работы на различных языках через веб сервисы.
NeuralBase (Delphi)
Дополнения
Wikipedia.org — каталог определений и неких алгоритмов построения нейросети.
Статья о легендах и реальностях использования нейросетей для анализа движения цен.
Материалы лекций школ-семинаров по нейроинформатике.
Лекции по машинному обучению и нейронным сетям.
Форумы
Neuroproject.ru
Basegroup.ru
Источники
Wikipedia.org
Neuroproject.ru