Hvad er fuzzy neurale netværk?
Fuzzy neurale netværk er softwaresystemer, der forsøger at tilnærme den måde, hvorpå den menneskelige hjerne fungerer. De gør dette ved at bruge to centrale forskningsområder inden for datalogi - fuzzy logisk softwareudvikling og neural netværksbehandlingsarkitektur. Fuzzy Logic Software forsøger at redegøre for grå områder i den virkelige verden i beslutningstagningstrukturen for computersoftwareprogrammer, der går ud over enkle ja eller ingen valg. Kunstig neuralt netværksdesign skaber softwareknuder, der efterligner funktionaliteten og kompleksiteten af, hvordan neuroner interagerer i den menneskelige hjerne. Sammen skaber fuzzy logik og neuralt netværksdesign et neuro-fuzzy system, som forskere bruger til eksperimentering på komplekse problemer, såsom klimaændringer, eller for at udvikle kunstig intelligensrobotik.
Den gennemsnitlige mikrocomputer fra 2011 udfører beregninger med en utrolig hastighed af milliarder af instruktioner pr. Sekund. Dette repræsenterer en eksponentiel stigning i behandlingshastigheden fraM de tidlige dage med computerudvikling, skønt en sådan vækst ikke har vist nogen evne til at resonnere på de komplekse måder, som selv enkle biologiske organismer gør. Dette skyldes delvis grundlæggende begrænsninger, som computerbehandling stadig står overfor, og uklare neurale netværk er et forsøg på at arbejde omkring disse begrænsninger.
Det anslås, at den gennemsnitlige menneskelige hjerne udfører 100.000.000.000.000 instruktioner hvert sekund ved hjælp af sin neurale struktur, der er analoge med, hvordan mikroprocessorer fungerer. I modsætning hertil var et gennemsnitligt computersystem fra 1999 24.000 gange langsommere end dette, og en tidlig model fra 1981 var 3.500.000 gange langsommere end den menneskelige hjerne i udførelsen af beregninger. Det ville tage 8.000 personlige computere, der er intrikat netværk sammen med 2,1 Gigahertz -processorer tilgængelige på 2011 -markedet for at tilnærme hastigheden af en gennemsnitlig menneskelig hjerne. En supercomputer, der er i stand til at presseAt danne beregninger så hurtigt som den menneskelige hjerne ville imidlertid ikke svare til den samme ræsonnementskraft til at analysere modstridende data om modstridende virkelige verden, som er her, fuzzy neurale netværk kommer i spil.
De vigtigste elementer, der gør fuzzy neurale netværk unikke fra andre typer computerbehandling, er deres evne til mønstergenkendelse i betragtning af utilstrækkelige data til at drage endelige konklusioner og evnen til at tilpasse sig miljøet. Fuzzy neurale netværk bruger neurale algoritmer, der er designet til at ændre sig og vokse, når de støder på nye datasæt til behandling. De gør dette ved at nærme sig problemer fra to forskellige synspunkter og kombinere resultaterne i meningsfulde løsninger på problemer.
Fuzzy software er baseret på programmeringsregler, der giver mulighed for at estimere niveauer af sandhed, når der opstår modsigelser i data, der er åbenlyse fra et menneskeligt perspektiv. Bestemmelse af, hvem der er "høj" mod, hvem der er "kort" i en gruppe mennesker, for eksempel ved hjælp af traditionel computerprocesing, ville skabe en endelig linje, hvor begge grupper blev adskilt fra hinanden, og der var ingen mellemliggende rækkevidde. Nogen 6 fod (1,83 meter) i højden ville blive kategoriseret som kort, hvis under gennemsnittet højde, mens nogen 6 fod og 1 tommer (1,85 meter) i højden ville blive kategoriseret som høj. Med fuzzy behandling ville rækkevidden af det, der betragtes som høj versus kort, kontinuerligt ændre sig, da gruppen ændrede sig, og beslutninger ville blive truffet langs en mere rimelig gradient.
Neurale netværk har derimod ingen foruddefinerede regler, hvorfra man kan operere, og drage alle deres konklusioner baseret på observation. At operere uden foruddefinerede regler kan skabe unik indsigt om data, der ellers ikke er tydelige, når der er foretaget forudgående antagelser i hverken uklar programmering eller traditionelle programmeringsregelssæt. Resultaterne af fuzzy software og neurale netværksdatabehandling kombineres i fuzzy neurale systemer på en måde, der tilnærmer sig, hvordan biologiske organismer lærern og tilpasse sig inden for deres miljøer. Når systemet tilpasser sig de data, det samler, ændrer det den måde, det behandler disse data for at blive mere effektive til at løse fremtidige problemer.
Neuralbehandling, hvad enten det er fra neural programmering på en computer eller fra en biologisk hjerne, er en metode, hvor tilføjet vægt gives til visse datapunkter baseret på observationsresultater. Det uklare element i fuzzy neurale netværk tjener til mere præcist at modellere reelle forhold end det var muligt i fortiden med traditionelle computerprocessorer, skønt dette fine modelleringsniveau ofte ikke fører til betydelige ydelsesforbedringer, hvor fuzzy logik bruges som kontrol over konventionelle computerkontroller. Den ultimative fordel ved uklare neurale netværk er, at de har potentialet til at udvikle et niveau af rudimentær uafhængig tænkning og beslutningstagning, der tilpasser sig, når deres miljø ændrer sig omkring dem.