Co to jest sztuczny neuron?
Sztuczny neuron to funkcja matematyczna w programowaniu oprogramowania systemów komputerowych, która próbuje do pewnego stopnia naśladować złożoną interakcję neuronów biologicznych lub komórek przewodzących impulsy w ludzkim mózgu i układzie nerwowym. Pierwsza wersja sztucznego neuronu została stworzona w 1943 roku przez Warrena McCullocha i Waltera Pittsa jako forma neuronu binarnego, w którym dane wejściowe mogą mieć wartość 1 lub -1. Razem kombinacja tych danych wejściowych jest ważona. Jeśli pewien próg zostanie przekroczony, wyjście sztucznego neuronu wynosi 1, a jeśli dane wejściowe są niewystarczające w połączeniu, wynik ma wartość -1.
Wspólnie zbiór połączonych ze sobą sztucznych neuronów ma działać w jakiś podstawowy sposób, podobnie jak ludzki mózg. Takie sztuczne projektowanie sieci neuronowych jest postrzegane jako kluczowy krok na drodze do opracowania sztucznego życia, syntetycznych systemów komputerowych, które mogą w pewnym stopniu rozumować tak jak ludzie. Inteligentne systemy komputerowe już dziś wykorzystują sieci neuronowe, które pozwalają na równoległe przetwarzanie danych wejściowych w szybszy sposób niż tradycyjne liniowe programowanie komputerowe.
Przykładem działającego systemu zależnego od sztucznego neuronu jest system ochrony upraw opracowany w 2006 r., Który wykorzystywał latający pojazd do skanowania warunków uprawy pod kątem występowania sezonowych chorób i szkodników. Wybrano oprogramowanie sieci neuronowej do kontroli skanowania plonów, ponieważ sieci neuronowe w zasadzie uczą się komputerów. W miarę dostarczania do nich większej ilości danych o warunkach lokalnych, stają się one bardziej skuteczne w wykrywaniu problemów, dzięki czemu można je szybko kontrolować przed ich rozprzestrzenieniem. Z drugiej strony standardowy system sterowany komputerowo traktowałby równomiernie całe pole upraw, niezależnie od zmiennych warunków w niektórych sekcjach. Bez ciągłego przeprogramowywania przez projektantów okazałoby się ono znacznie bardziej nieefektywne niż system oparty na sztucznej adaptacji neuronów.
Oprogramowanie sieci neuronowej ma również tę zaletę, że może być przystosowane przez inżynierów, którzy nie są dogłębnie zaznajomieni z podstawową konstrukcją oprogramowania na poziomie kodowania. Oprogramowanie można dostosować do szerokiego zakresu warunków i zyskuje biegłość, gdy jest narażone na te warunki i gromadzi dane na ich temat. Początkowo sieć neuronowa będzie generować niepoprawne dane wyjściowe jako rozwiązania problemów, ale gdy dane te są wytwarzane, są one przekazywane z powrotem do systemu jako dane wejściowe, a ciągły proces udoskonalania i ważenia danych prowadzi do coraz dokładniejszego zrozumienia rzeczywistych warunki na świecie, biorąc pod uwagę wystarczającą ilość czasu i informacje zwrotne.
Adaptacja sposobu projektowania sieci neuronowej doprowadziła do powstania innych rodzajów sztucznego neuronu poza podstawową strukturą neuronu binarnego utworzoną w 1943 r. Półliniowe sieci neuronowe zawierają funkcje liniowe i nieliniowe, które są aktywowane przez warunki. Jeśli analizowany problem wyświetla warunki, które nie są liniowe, nie są wyraźnie przewidywalne i nie są niewielkie, wówczas funkcje nieliniowe układu są wykorzystywane przez nadanie większej wagi niż obliczenia liniowe. W miarę ciągłego szkolenia systemu neuronowego system staje się lepszy w kontrolowaniu rzeczywistych warunków, które monitoruje, w porównaniu do idealnych warunków systemu. Często wiąże się to z włączeniem modeli neuro-rozmytych do sieci neuronowej, które są w stanie uwzględnić stopień niedokładności w wytwarzaniu znaczących stanów wyjściowych i kontrolnych.