? En artificiella neurala nätverk är en programmerad beräkningsmodell som syftar till att replikera den neurala strukturen och funktionen hos den mänskliga hjärnan . Det består av en sammankopplad struktur artificiellt producerade nervceller som fungerar som vägar för dataöverföring . Artificiella neuronnät är flexibla och anpassningsbara , lärande och anpassning med varje olika interna eller externa stimuli . Artificiella neuronnät används i sekvens och mönsterigenkänning system , databehandling , robotteknik och modellering . Det finns olika typer av neurala nätverk , inklusive framkoppling neurala nätverk , radial basis funktion ( RBF ) , Kohonen självorganiserande nätverk och återkommande neurala nätverk . Flexibilitet
Artificiella neurala nätverk har förmåga att generalisera och lära. De kunskaper från sin omgivning genom att anpassa sig till interna och externa parametrar . Nätverket lär sig av exempel och anpassar sig till situationer utifrån sina resultat . Det generaliserar kunskap att producera tillräckliga svar på okända situationer . Artificiella neuronnät lösa komplexa problem som är svåra att hantera av approximation .
Olinjäritet
En computational neuron kan producera en linjär eller icke - linjär svar . En icke - linjär konstgjort nätverk görs genom sammankoppling av icke - linjära neuroner . Icke - linjära system har ingångar som inte är proportionella mot utgångarna . Denna funktion gör det nätverk för att effektivt skaffa sig kunskap genom lärande . Detta är en klar fördel jämfört med en traditionellt linjärt nät som är otillräcklig när det gäller att modellera icke-linjära data.
Greater Fault Tolerance
En artificiell neuron nätverk klarar av större feltolerans än ett traditionellt nätverk . Nätet är i stånd att regenerera ett fel i någon av dess komponenter utan förlust av lagrad data . Den använder instanser och exempel från det förflutna för att sätta ihop fungerande skadad nod eller andra nätverk komponent . Addera Adaptive Learning
En artificiell neuron nätverk är baserat kring begreppet abstrakt lärande . Tre lärande paradigm fungerar för att utrusta nätet för adaptiv inlärning . Dessa är förstärkning lärande , oövervakad inlärning och övervakad inlärning . Neuron nätverk kan tränas via specialiserade algoritmer inklusive icke - parametriska metoder , förväntan maximering simulerade glödgning och evolutionära metoder . De nervceller i en artificiell neuron nätverk är tillräckligt flexibel för att anpassas till olika patters insignal och acklimatisera till en mångfald av okända situationer . De är ständigt acceptera och ersätter tidigare kunskaper , hålla deras förråd av problemområden uppdaterade lösa tekniker .