人工神经网络

人工神经网络 - 是那些由特殊的细胞 - 神经元。 它们是生物神经元，即细胞组成的人类神经系统的数学模型。

对于我们第一次在1943年谈论神经网络和感知布拉特的发明后，来到了黄金时期，并且网络已经成为非常流行。 然而，明斯克在1969年出版，其中一位科学家已经证明感知的低效率后，在一定条件下，这个部门的兴趣大幅下跌。 但故事并没有人工网络结束。 1985年，J·霍普菲尔德提出了他们的研究，证明了神经网络 - 机器一个伟大的工具学习。

这是从生物学的一些概念和原理的借用。 神经元 - 一种是接收并且然后开关的传输脉冲（信号）。 如果神经元接收到一个足够强大的势头，据信它已被激活并发送剩余的与它相关联的神经元的脉冲。 神经元同其中未激活时，它保持静止，它不发送脉冲。 神经元由几个部分组成：神经元彼此连接和接收脉冲，轴突，其发射的脉冲任务和树突，它从各种源接收信号突触。 当一个神经元接收高于某一阈值的脉冲，它会立即发送一个信号到下一个神经元。

数学模型是一个有点不同。 登录数学模型中的神经元的-是一个向量，它是由大量的部件。 每个分量的 - 是脉冲，其由神经元接收中的一个。 该模型的输出是一个数字。 也就是说，在模型输入矢量被转换成一个标量，以后转移到其他神经元。

神经网络可以以两种方式进行培训：有和无师自通。 学习过程包括几个步骤。 首先，在网络上是从外部刺激输入。 然后，按照规定改变神经网络的自由参数，那么网络响应输入激励已经有所不同。 该过程要重复只要网络不解决问题。 跟老师学习算法是训练网络中已经拥有了正确的答案。 这种方法已经成功用于许多应用，但它经常被批评的事实，这是生物学上难以置信。 神经网络的情况下唯一已知输入没有老师的培训。 基于这些，网络逐渐学会提供最好的价值输出。

神经网络的应用是真是五花八门。 他们经常被用来自动识别，预测，建立各种的 专家系统， 泛函的逼近。 有了这样一个网络可以执行声音识别信号或光信号来预测交换指标创建能够自我学习，这可以，例如，从给定的文字或停车场合成语音的系统。 在西方神经网络被用于更积极，遗憾的是，国内企业还没有采用过这种方法。

尽管ANN对某些领域的常规计算，现有的神经网络的优势 - 而不是理想的解决方案。 由于他们能够学习的，他们可能是错的。 此外，你可以不完全保证所开发的神经网络是最佳的。 开发人员必须了解问题的本质正在解决，有很多信息描述问题，获取用于测试和培训的网络数据，选择的培训，传递函数和加法器功能正确的方法。