Neuronų tinklai

Dirbtiniai neuroniniai tinklai – skaitmeninių signalų apdorojimo, duomenų atpažinimo, klasifikavimo ir prognozavimo principas, turintis analogijų su žmogaus mąstymu. Šis principas buvo kuriamas imituojant žmogaus smegenų veikimą – informacijos talpinimą bei paiešką neuronų tinkluose (todėl šis principas dažnai dar yra vadinamas ir kitu vardu - daugiasluoksnis perceptronas). Žmogaus mąstymas paremtas tuo, kad jis, turėdamas „pradines taisykles“ (iš patirties ar pan.), pagal jas klasifikuoja objektus, ir jų atpažinimo metu gali papildyti klasifikavimo taisykles, arba atrasti naujas. Tačiau patį klasifikavimo principą atpažinimo sistema gauna ne formaliu keliu, o pati turi atrasti, remdamasi gauta informacija. Iš čia kyla pagrindinė neuroninių tinklų savybė ir analogas su žmogaus smegenimis, pagrindinis neuroninių tinklų privalumas – tai, kad jie gali būti apmokomi.
Smegenis atstojančio tinklo struktūra ir neuronų funkcijos nėra visiškai fiksuojamos – kaupiant patirtį jos yra koreguojamos. Tai leidžia mokytis ir reaguoti į naujas situacijas, remiantis ankstesne patirtimi. Ryšiai tarp neuronų – dendritai - silpsta ir žūsta, jei yra visiškai nenaudojami, ir, atvirkščiai, kaskart kai tam tikras ryšys perduoda signalą, specialus algoritmas jį sustiprina. Žuvus kuriam ryšiui, neuronas gali išleisti naują "šaką" ir prisijungti prie kitų to paties ar kito sluoksnio neuronų. Jei naujasis ryšys pasirodo naudingas, jis yra sustiprinamas. Kitaip tariant, duomenys verčiami į didesnį ar mažesnį svorį, turintį įtakos sprendimui, todėl šių svorių parinkimas yra pagrindinis algoritmo uždavinys.
Dirbtinių neuroninių tinklų pagrindas – informacijos apdorojimo vienetas – neuronas, t.y. funkcija, įgijanti reikšmes iš binarines aibes {0, 1} – vaizdžiau {Melas, Tiesa}. Kadangi veiksmai kompiuteryje pagrįsti binarine algebra, šio principo panaudojimas yra paprastesnis nei kitų, nes gana efektyviai išnaudoja kompiuterio architektūros ypatumus.
1 pav. Intervalo, kuriame funkcijos reikšmė yra arčiausiai, radimas.
Kaip matyti 1 pav., funkcija, aproksimuojanti duomenis, yra netiksli, kai žingsnis X yra per didelis. Norint rasti duomenis A (t.y. intervalą, kuriame funkcijos reikšmė yra arčiausiai šių duomenų), svarbiausias uždavinys yra pasirinkti teisingą intervalą. Akivaizdu, kad reikalinga informacija yra...

Daugiau informacijos...