Was ist ein künstliches Neuron?
Ein künstliches Neuron ist eine mathematische Funktion in der Softwareprogrammierung für Computersysteme, die versucht, die komplexe Wechselwirkung biologischer Neuronen oder die Impulsleitungszellen im menschlichen Gehirn und im Nervensystem zu emulieren. Die erste Version von künstlichem Neuron wurde 1943 von Warren McCulloch und Walter Pitts als Form eines binären Neurons erstellt, wobei die Eingabe entweder ein Wert von 1 oder -1 sein könnte. Zusammen werden eine Kombination dieser Eingaben gewichtet. Wenn ein bestimmter Schwellenwert überwunden wird, beträgt die Ausgabe des künstlichen Neurons 1, und wenn die Eingaben bei Kombination nicht ausreichend sind, ist der Ausgang ein -1 -Wert. Ein solches künstliches neuronales Netzwerkdesign wird als wichtiger Sprungbrett auf dem Weg zur Entwicklung des künstlichen Lebens, synthetische Computersysteme angesehen, die in gewisser Weise wie Menschen argumentieren können. Intelligente Computersysteme heute ALRADY setzt neuronale Netze ein, die eine parallele Verarbeitung von Dateneingaben schneller als herkömmliche lineare Computerprogrammierung ermöglichen.
Ein Beispiel für ein System bei der Arbeit, das vom künstlichen Neuron abhängt, ist ein 2006 entwickeltes Pflanzenschutzsystem, das ein fliegendes Fahrzeug zum Scannen von Erntebedingungen für das Vorhandensein saisonaler Krankheiten und Schädlinge verwendete. Eine neuronale Netzwerksoftware wurde ausgewählt, um das Scannen der Pflanzen zu steuern, da neuronale Netze im Wesentlichen Computer lernen. Da mehr Daten unter den örtlichen Bedingungen in sie eingespeist werden, können sie effizienter Probleme erkennen, damit sie vor ihrer Ausbreitung schnell kontrolliert werden können. Ein Standard-computergesteuertes Standardsystem hätte dagegen unabhängig von unterschiedlichen Bedingungen in bestimmten Abschnitten das gesamte Feld der Pflanzen zu gleichen Teilen behandelt. Ohne kontinuierliche Neuprogrammierung durch die Designer hätte es sich viel mehr erwiesenfiktion als ein System, das auf künstlichen Neuronanpassungen basiert.
Neuronale Netzwerksoftware bietet auch den Vorteil, dass sie von Ingenieuren anpassbar ist, die das grundlegende Design der Software auf Codierungsebene nicht genau kennen. Die Software ist in der Lage, an eine Vielzahl von Bedingungen angepasst zu werden, und erlangt Kenntnisse, da sie diesen Bedingungen ausgesetzt ist und Daten darüber sammelt. Anfänglich erzeugt ein neuronales Netzwerk eine falsche Ausgabe als Lösungen für Probleme, aber wenn diese Ausgabe erzeugt wird, wird es als Eingabe in das System zurückgeführt und ein kontinuierlicher Prozess der Verfeinerung und Abwägung der Daten führt es zu einem immer genaueren Verständnis der realen Bedingungen, angesichts genügend Zeit und Feedback.
Anpassung in der Art und Weise, wie ein neuronales Netzwerk entwickelt wurde, hat neben der 1943 erzeugten grundlegenden binären Neuronenstruktur zu anderen Arten von künstlichem Neuron geführt. Semilineare neuronale Netzwerke enthalten sowohl lineare als auch nichtlineare Funktionen, die durch Bedingungen aktiviert werden. Wenn tDas Problem, das analysiert wird, zeigt Bedingungen an, die nicht linear oder nicht eindeutig vorhersehbar sind und nicht geringfügig. Die nichtlinearen Funktionen des Systems werden durch mehr Gewicht als die linearen Berechnungen verwendet. Wenn das Training des neuronalen Systems fortgesetzt wird, wird das System besser darin, die realen Bedingungen zu kontrollieren, die es überwacht, als die idealen Bedingungen des Systems sein sollten. Dies beinhaltet häufig die Einbeziehung von Neuro-Fuzzy-Modellen in das neuronale Netzwerk, die in der Lage sind, Ungenauigkeitsgrade bei der Erzeugung sinnvoller Ausgangs- und Kontrollzustände zu berücksichtigen.