? Ein künstliches neuronales Netz ist ein programmierter Computer- Modell, das die neuronale Struktur und Funktionsweise des menschlichen Gehirns zu replizieren soll . Es setzt sich aus einer vernetzten Struktur von künstlich erzeugten Neuronen , die als Pfade zur Datenübertragung aus . Künstliche neuronale Netze sind flexibel und anpassungsfähig , Lernen und Anpassung mit je unterschiedliche interne oder externe Reize . Künstliche neuronale Netze sind in der Folge verwendet und Mustererkennung , Datenverarbeitung , Robotik und Modellierung. Es gibt verschiedene Typen von neuronalen Netzen , einschließlich Feedforward neuronales Netz , radialen Basisfunktionen ( RBF ) , selbstorganisierende Kohonen- Netzwerk und das rekurrente neuronale Netz . Flexibilität

Künstliche Neuronale Netze haben die Fähigkeit , zu verallgemeinern und zu lernen. Sie erwerben Kenntnisse von ihrer Umgebung durch Anpassung an interne und externe Parameter . Das Netz lernt aus Beispielen und passt sich Situationen auf seine Erkenntnisse. Es verallgemeinert Wissen um angemessene Antworten auf unbekannte Situationen zu erzeugen. Künstliche neuronale Netze lösen komplexe Probleme, die nur schwer durch Angleichung verwalten sind.
Non- Linearität

A Computational Neuron kann eine lineare oder eine nichtlineare Antwort zu produzieren . Eine nichtlineare künstliche Netzwerk wird durch die Verbindung von nichtlinearen Neuronen . Nichtlineare über Eingänge, die nicht proportional zu den Ausgängen . Diese Funktion ermöglicht das Netzwerk effizient Wissen zu erwerben durch Lernen. Dies ist ein deutlicher Vorteil gegenüber einem traditionell linearen Netzwerk, das nicht ausreichend ist , wenn es um Modellierung nichtlinearer Daten kommt .
Größere Fehlertoleranz

Ein künstliches Neuron Netzwerk ist in der Lage größere Fehlertoleranz als ein traditionelles Netzwerk . Das Netzwerk ist in der Lage, einen Fehler in einer seiner Komponenten ohne den Verlust von gespeicherten Daten zu regenerieren. Es nutzt Instanzen und Beispiele aus der Vergangenheit , um das Funktionieren eines beschädigten Knoten oder andere Netzwerk- Komponente wieder zusammenzusetzen.
Adaptive Learning

Ein künstliches neuronales Netz rund um das Konzept basiert der abstrakten Lernen. Drei Lernparadigmen funktionieren , um das Netzwerk für adaptives Lernen auszustatten. Dies sind Reinforcement Learning , Lernen und unbeaufsichtigt überwachtes Lernen . Neuron -Netzwerke können über spezialisierte Algorithmen einschließlich nicht-parametrischen Methoden , Erwartungsmaximierungsalgorithmus , Simulated Annealing und evolutionäre Methoden geschult werden. Die Neuronen eines künstlichen neuronalen Netzes sind flexibel genug, um abgestimmt auf verschiedene Eingangssignal prasselt und akklimatisieren zu einer Vielfalt von unbekannten Situationen . Sie sind ständig zu akzeptieren und Ersetzen zuvor gelernten Informationen , halten ihre Sammlung von Techniken zur Problemlösung aktualisiert.