Hva er en kunstig nevron?
En kunstig nevron er en matematisk funksjon i programmeringsprogrammering for datasystemer som til en viss grad forsøker å etterligne det komplekse interaksjonen mellom biologiske nevroner, eller impuls-ledende celler i den menneskelige hjernen og nervesystemet. Den første versjonen av kunstig nevron ble opprettet i 1943 av Warren McCulloch og Walter Pitts som en form for binær nevron, der inngang kan være en verdi på 1 eller -1. Sammen vektes en kombinasjon av disse inngangene. Hvis en viss terskel blir overvunnet, er utgangen fra den kunstige nevronen 1, og hvis inngangene ikke er tilstrekkelig når de kombineres, er utgangen en -1 -verdien.
sammen, som en samling av sammenkoblede kunstige nevroner er ment å fungere på en grunnleggende måte som den menneskelige hjernen gjør. Slik kunstig nevralt nettverksdesign blir sett på som en viktig springbrett langs veien til å utvikle kunstig liv, syntetiske datasystemer som i en viss kapasitet kan resonnere som mennesker gjør. Intelligente datasystemer i dag alreaDy bruker nevrale nettverk som tillater parallell behandling av datainngang på en raskere måte enn tradisjonell lineær dataprogrammering.
Et eksempel på et system som er på jobb som avhenger av den kunstige nevronen, er et avlingsbeskyttelsessystem utviklet i 2006, som benyttet et flygende kjøretøy for å skanne avlingsforhold for tilstedeværelse av sesongmessige sykdommer og skadedyr. Nevralt nettverksprogramvare ble valgt for å kontrollere skanning av avlingene, ettersom nevrale nettverk i hovedsak lærer datamaskiner. Etter hvert som flere data blir ført inn i dem på lokale forhold, blir de mer effektive til å oppdage problemer slik at de raskt kan kontrolleres før de sprer seg. Et standard datastyrt system, derimot, ville ha behandlet hele feltet av avlinger likt, uavhengig av varierende forhold i visse seksjoner. Uten kontinuerlig omprogrammering av designerne ville det ha vist seg mye mer inefficient enn et system basert på kunstige neuron -tilpasninger.
Neural Network -programvare tilbyr også fordelen at den er tilpasningsdyktig av ingeniører som ikke er intimt kjent med den grunnleggende utformingen av programvaren på et kodingsnivå. Programvaren er i stand til å bli tilpasset et bredt spekter av forhold, og får ferdigheter når den blir utsatt for disse forholdene og samler data om dem. Opprinnelig vil et nevralt nettverk gi feil utgang som løsninger på problemer, men ettersom denne utgangen produseres, blir det matet tilbake i systemet som inngang og en kontinuerlig prosess med å raffinere og veie dataene fører det til mer og mer nøyaktig forståelse av virkelige forhold, gitt nok tid og tilbakemelding.
Tilpasning i hvordan et nevralt nettverk er designet har ført til andre typer kunstig nevron foruten den grunnleggende binære nevronstrukturen som ble opprettet i 1943. Semi-lineære nevrale nettverk inneholder både lineære og ikke-lineære funksjoner som aktiveres av forhold. Hvis tProblemet som blir analysert viser forhold som ikke er lineære, eller ikke klart forutsigbare, og ikke mindre, så blir de ikke -lineære funksjonene til systemet brukt ved å bli gitt mer vekt enn de lineære beregningene. Når trening av det nevrale systemet fortsetter, blir systemet bedre til å kontrollere de virkelige forholdene det overvåker kontra hva de ideelle forholdene i systemet skal være. Dette innebærer ofte å inkorporere nevro-fuzzy modeller i det nevrale nettverket, som er i stand til å redegjøre for grader av upresisjon når det gjelder å produsere meningsfulle utgangs- og kontrolltilstander.