Neurala nätverk är de artefakter som är associerade med en informationsbehandling paradigm baserat på hur nervceller - hjärnceller - arbete i det mänskliga sinnet . Neurala nätverk kan implementeras i hårdvara eller mjukvara. Den grundläggande idén är att många separata enheter - artificiella neuroner - är kopplade på ett sådant sätt att anslutningarna är föränderliga . Eftersom de neurala nät lär sig att lösa ett problem , styrkor sammankopplingar förändring . Den verkliga styrkan i det neurala nätverket paradigmet är att neurala nät kan lära sig att lösa svåra problem med vanliga programmeringsteknik . Framkoppling nätverksprojekt
Framkopplade Networks lär sig att känna igen mönster . Nätverket visas en stor representativ samling av bra och dåliga mönster , och berättade vilka som . Över tiden är anslutningarna mellan nervceller justeras till den punkt där även nya mönster är korrekt identifierade . Aktuella tillämpningar av feedforward nätverk identifierar skrivtecknen , signaturer och fingeravtryck . Den framkoppling modellen är en bra att använda för projekt som måste lära sig att skilja goda mönster från dåliga mönster . Aktuella forskningsprojekt handlar identifiera cancerceller , aktiemarknadens utveckling och misstänkta låneansökningar
Kohonen nätverksprojekt
Kohonennät , eller självorganiserande kartor , arbete utan handledning . ; visas de ett stort antal mönster men får inte veta vilka är bra eller dåliga . Kohonen nät grupp exemplen i kluster och , när den visas ett nytt mönster , klassificera korrekt det nya mönstret i rätt klustret . Aktuella tillämpningar av Kohonennät inkluderar automatiska språksystem där de används för att klassificera ljud genom att länka dem till närmaste giltiga fonem . Kohonen nät är användbara för alla projekt där det finns en hel del utbildningar exempel , men de är inte klassificerade i goda eller dåliga exempel . Aktuell forskning i Kohonennät inkluderar väder prognos och kontroll av autonoma fordon .
Dubbelriktad associativt minne Projekt
Dubbelriktad associativa minnen ( BAM ) används när två komplexa vektorer måste balanseras . De anpassar dynamiskt styrkan av sammankopplingarna mellan två nivåer av nervceller. Den BAM skiljer sig från andra neural net arkitekturer i att det håller lärande som systemet körs - lärande aldrig är helt klar . Aktuella tillämpningar av BAM inkluderar system som byggs in i telefoner och modem för att balansera - och kvittas - line echos . De bör användas närhelst lärande måste vara kontinuerlig under projektets löptid . Aktuella forskningsprojekt med BAM inkluderar system som balanserar saker med bara fram och tillbaka rörelse - liknande system som balanserar en stolpe som hölls den ena änden genom att flytta balanspunkten och tillbaka
Rekursiv nätverksprojekt < . br>
Rekursiv nätverk arbetar med mönster tidsserier . En del av systemets utgång matas tillbaka till ingången och sammankopplingar mellan artificiella neuroner justeras tills nätverket kan korrekt identifiera en sekvens av ingångsnivåer . Aktuella tillämpningar innefattar robotarm stunder och automatisk detektering av uppkomsten av epileptiska anfall . Denna modell bör användas med projekt som involverar mönster som sker över tid . Aktuell forskning omfattar system som komplement och kontroll protetiska system - konstgjorda armar och ben Addera
.
