¿Qué es una neurona artificial?
Una neurona artificial es una función matemática en la programación de software para los sistemas informáticos que intenta en cierta medida emular la interacción compleja de las neuronas biológicas o las células impulsoras en el cerebro humano y el sistema nervioso. La primera versión de la neurona artificial fue creada en 1943 por Warren McCulloch y Walter Pitts como una forma de neurona binaria, donde la entrada podría ser un valor de 1 o -1. Juntos se ponderan una combinación de estas entradas. Si se supera un cierto umbral, la salida de la neurona artificial es 1 y, si las entradas son insuficientes cuando se combinan, la salida es un valor -1.
Juntos, una colección de neuronas artificiales interconectadas está destinada a funcionar de manera básica al igual que el cerebro humano. Tal diseño de red neuronal artificial se considera un trampolín clave a lo largo del camino hacia el desarrollo de la vida artificial, los sistemas informáticos sintéticos que pueden razonar de alguna manera como lo hacen los seres humanos. Sistemas informáticos inteligentes hoy AlreaDY emplea redes neuronales que permiten el procesamiento paralelo de la entrada de datos de una manera más rápida que la programación de computadoras lineal tradicional.
Un ejemplo de un sistema en el trabajo que depende de la neurona artificial es un sistema de protección de cultivos desarrollado en 2006, que utilizó un vehículo volador para escanear las condiciones de cultivos para la presencia de enfermedades y plagas estacionales. Se eligió el software de la red neuronal para controlar el escaneo de los cultivos, ya que las redes neuronales son esencialmente computadoras de aprendizaje. A medida que se alimentan más datos sobre las condiciones locales, se vuelven más eficientes para detectar problemas para que puedan controlarse rápidamente antes de propagarse. Un sistema estándar controlado por computadora, por otro lado, habría tratado todo el campo de los cultivos por igual, independientemente de las diferentes condiciones en ciertas secciones. Sin una reprogramación continua de los diseñadores, habría demostrado mucho más ineFficiente que un sistema basado en adaptaciones de neuronas artificiales.
El software de red neuronal también ofrece la ventaja de que es adaptable a los ingenieros que no conocen íntimamente el diseño básico del software a nivel de codificación. El software es capaz de adaptarse a una amplia gama de condiciones y gana competencia, ya que está expuesta a esas condiciones y recopila datos sobre ellas. Inicialmente, una red neuronal producirá una salida incorrecta como soluciones a los problemas, pero, a medida que se produce esta salida, se vuelve a encender al sistema como entrada y un proceso continuo de refinación y sopés los datos lo lleva a una comprensión cada vez más precisa de las condiciones del mundo real, dada suficiente tiempo y comentarios.
La adaptación en cómo se diseña una red neuronal ha llevado a otros tipos de neuronas artificiales además de la estructura de neuronas binarias básicas creada en 1943. Las redes neuronales semilineales incorporan funciones lineales y no lineales que se activan por condiciones. Si tEl problema que se analiza muestra condiciones que no son lineales, o no claramente predecibles, y no menores, entonces las funciones no lineales del sistema se utilizan al recibir más peso que los cálculos lineales. A medida que continúa la capacitación del sistema neural, el sistema mejora el control de las condiciones del mundo real que está monitoreando versus cuáles deberían ser las condiciones ideales del sistema. Esto a menudo implica la incorporación de modelos neuro-fuzzy en la red neuronal, que pueden tener en cuenta los grados de imprecisión en la producción de resultados de producción y control significativos.
.