在本教程中,我们将看看人工神经网络(ANN)的概念,这种“神经网络”的需求,神经网络的基本元素,最后是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等术语。所有这些都是回答我们能否开发出一种能够解决自然任务的新型智能这一古老问题的不同方式。
计算机具有超强的处理能力和存储能力,可以在短时间内轻松地处理复杂的数值问题。但是,当一个与视觉、语音、模式识别和自然语言处理相关的真实世界的智能任务被提出时,它的不足之处就显现出来了。
这是因为,无论人工智能是否存在,计算机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,当现实世界的问题任务不能以算法的形式表述时,计算机就不能像我们的大脑那样做:学习和适应。
人类的大脑是令人着迷的东西,即使是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,并最终适应环境。
考虑到这一生物学方面,科学家们受到生物神经网络的启发,正在开发几个计算机模型,可以提供解决自然任务问题的途径。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。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。
我们先不深入研究复杂的生物学,而是来看看我们大脑的结构。人类大脑含有数十亿的神经元,它们起着器官开关的作用。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”只是重复激活特定的神经连接,而这种重复强化了这种连接。因此,对于特定的输入,神经连接确保输出总是理想的输出。结果的简单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,因为它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
监督人工神经网络
在监督人工神经网络中,提供给网络进行训练的匹配输入和输出样本。这种方法的目的是获得指定输入的所需输出。
监督神经网络最好的例子之一是我们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。输出将该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,因为它试图让神经网络理解作为输入本身提供的数据结构。
人工神经网络的特点
任何人工神经网络,不管其实现的风格和逻辑如何,都有一些基本的特点。下面提到了这些。
- 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而实施的。
人工神经网络的要素“,
考虑到上述特点,我们可以推导出任何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
让我们简要地看一下这些单独的元素。
处理元素
由于神经网络是生物神经网络的简化计算模型,它由与大脑神经元相似的基本处理单元或元素组成。
一般来说,处理单元由求和单元和输出单元组成。求和单元的作用是取n个输入值,对每个输入值进行加权,然后计算这些值的加权和。
根据每个输入的权值的符号,判断该输入的权值是正的还是负的。求和单元的加权和称为激活值,根据这个激活值产生的信号产生输出。
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
任何人工神经网络只有在所有的处理元素都以适当的方式组织起来,以完成模式识别的任务时才会变得有用。
处理元素的这种组织或安排、它们的相互连接、输入和输出,简单地称为拓扑。
一般来说,在神经网络中,处理单元是分层排列的,每一层中的所有单元都具有相同的激活值和输出值。层与层之间可以有多种连接方式,如一层的处理单元连接到另一层的单元,一层的处理单元连接到同一层的单元等。
人工神经网络中一些常用的拓扑结构有:
- 龄
- Outstar
- 一组龄量
- 群Outstars
- 双向联想记忆
- Autoassociative记忆
下图显示了在Instar和Outstar拓扑中两个层F1和F2的排列,每个层都有M和N个处理单元。
学习算法
任何神经网络的最后也是最重要的元素是学习算法或法则。任何神经网络的操作都受神经动力学控制,神经动力学包括激活状态动力学和突触权重动力学。
学习算法或定律是突触动力学的实现,用权值的一阶导数来描述。这些学习法则可以是监督的,不监督的,或者两者的混合。
一些常见的学习算法是:
- ”赫定律
- 知觉学习法律
- 三角洲学习法律
- Wildrow & Hoff LMS学习定律
- 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,每一层以一种馈通的方式将输入反馈给下一层。一个简单的两层网络就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。
反馈神经网络
反馈神经网络由反馈元素组成。在一个基本结构中,反馈神经网络由一组处理单元组成,这些处理单元的输出作为输入反馈给包括该单元在内的同一层的所有其他单元。
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是没有用的。
竞争学习神经网络
它是反馈和前馈神经网络的结合。输入层是线性的,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)。
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,一个神经元素的任何故障都不会影响其余的过程。
- 神经网络可以应用于任何应用,它们可以解决任何复杂的问题。
- 通过实施适当的学习算法,神经网络可以在不重新编程的情况下学习。
缺点
- 所有并行处理都需要大量的处理能力和时间。
- 在现实世界的实施之前,需要一段“训练”期。
应用程序的安
ANNS具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
- 印度语言中停顿辅音-元音发音的识别
- Nettalk
- 语音打字机
图像处理中的应用
- 符号识别(奥运会使用)
- 识别的笔迹
- 分割的图像
- 纹理的分类和分割