Künstliche Neuronale Netze sind Modelle von biologischen Netzwerken von Neuronen. Wie biologischen Neuronen , addieren sich die künstlichen Neuronen , mehrere Eingänge und Vergleichen der Summe mit einem Schwellwert . Wenn die Summe den Schwellwert überschreitet , leitet das Neuron ein Signal einer Zelle zur nächsten . Solange die Summe unterhalb der Schwelle liegt, wird kein Signal übertragen wird. Diese Information -Processing- Paradigma heißt Schwellenlogik . Neuronen
Biologische Neuronen haben mehrere Eingänge, von Sinnesorganen und anderen Neuronen , und einen Ausgang. Wenn die kumulative Eingänge leitet eine bestimmte Schwelle , geht die Zelle durch eine kathartische Prozess namens " Brand ", die einen elektrischen Strom verursacht zu reisen auf der einzigen Ausgang bis zum Ende der " Nerv ", wo der Strom die Ausweisung von kleinen Säcken verursacht Neurotransmitter - Moleküle, die Muskeln oder anderen Neuronen zu aktivieren. Künstliche Neuronen imitieren diesen Prozess , aber alle Variablen werden durch Zahlen, die zur Feinabstimmung des Prozesses angepasst werden kann vertreten. Die einzelnen Eingaben werden automatisch von Zahlen als " Gewichte ", die eingestellt werden, um das Verhalten der Neuronen verändern können multipliziert werden .
Neural Nets
Neuronale Netze sind Sammlungen von Neuronen, die zusammen arbeiten, um einen Effekt zu erzeugen. Eine typische Anwendung ist die Neuronen in Schichten angeordnet sind , so dass ein Muster von Signalen auf der ersten Reihe von Neuronen dargestellt , filtriert durch andere Schichten , dann eine letzte Reihe von Neuronen stellt ein Muster von Signalen . Diese " Übersetzung " Prozesse geschult werden können . Andere Anwendungen haben alle Neuronen miteinander verbunden , so dass, wenn einige der Neuronen angeregt werden , das gesamte Ensemble von Neuronen in einem stabilen Zustand, der eine vorher gespeicherte Muster stellt absetzt. Eine andere Anwendung hat jedes Neuron verbunden , nur um seinen Nachbarn - wie in der Schicht von Zellen im hinteren Teil des Auges - die können Dinge wie den Rändern der Erregungsmuster von Bands von Licht und Dunkelheit verursacht werden
.
Lernen
Interessanterweise erben künstliche neuronale Netze einige der wünschenswerten Eigenschaften von biologischen neuronalen neuronalen Netzen . Eines davon ist das Lernen . Künstliche neuronale Netze sind nicht wie Computer programmiert , sie sind ausgebildete - die Art, wie Tiere trainiert werden. Die Ausbildung ist durch die Gewichte der Neuronen erreicht . Dies bedeutet, dass künstliche neuronale Netze verwendet werden, um Prozesse , die unmöglich zu beschreiben, sind so lange , wie es viele Beispiele , in die Ausbildung zu verwenden sind zu kontrollieren. Ein weiterer guter Qualität Schwellenlogik Geräte ist ihre Fähigkeit, zu verallgemeinern. Wenn ein trainiertes neuronales Netzwerk ein Muster es noch nie gesehen hat , bevor gezeigt wird, ist es in der Regel klassifiziert es richtig.
Transfer Functions
Wenn die Summe der Eingänge eines Neurons den Schwellenwert übersteigt, kann die Summe durch eine Übertragungsfunktion , die die Leistung steuert, weitergegeben werden. Es wird allgemein angenommen , dass eine sorgfältige Auswahl dieses Transfer-Funktion kann eine Vielzahl von positiven Auswirkungen auf das neuronale Netzwerk haben. Zu diesen Vorteilen zählen schnellere Ausbildung und erhöhte Fähigkeit zu verallgemeinern .
