Artificial Neural Network (ANN)

Una rete neurale artificiale è paradigma di elaborazione dei dati le informazioni che si ispira ai sistemi biologici modo nervoso, come le informazioni sul processo cervello. L'elemento importante di questo paradigma è la nuova struttura del sistema di elaborazione delle informazioni. Viene creato un numero elevato di elementi di trattamento altamente interconnesse noti come i neuroni che lavorano all'unisono per risolvere problemi specifici. ANN è simile a persone che imparano con l'esempio. Una ANN è definito per una specifica applicazione, come il riconoscimento pattern o classificazione dei dati attraverso un processo di apprendimento. L'apprendimento nei sistemi biologici include rettifiche le connessioni sinaptiche che esistono tra i neuroni.

Perchè utilizzare le reti neurali?

Sia gli esseri umani o altre tecniche informatiche usarlo per determinare i modelli e individuare le tendenze che sono troppo complesse per essere notato. Nella categoria di informazioni è stato dato a processo, una rete neurale addestrata può essere considerato come un "esperto".

Esso ha i seguenti vantaggi:

a) Adaptive di apprendimento:

Capacità di apprendere i compiti sulla base dei dati forniti per la formazione o esperienza iniziale.

b) Self-Organization:

E 'possibile creare la propria organizzazione o una rappresentazione delle informazioni che riceve durante il tempo di apprendimento.

c) operazioni in tempo reale:

I calcoli possono essere effettuati in parallelo e dispositivi hardware particolare sono stati progettati e fabbricati che sfruttare questa funzionalità.

d) Fault Tolerance via Coding informazioni ridondanti:

Parzialmente distruzione di una rete porta alla degradazione delle prestazioni corrispondente. Tuttavia, alcune funzionalità di rete può essere mantenuto anche con danno grande rete.

Le reti neurali rispetto ai computer tradizionali

Le reti neurali hanno un diverso approccio alla soluzione dei problemi di quella dei computer tradizionali. I computer convenzionali utilizzano un approccio algoritmico per risolvere un problema. Il problema non può risolvere il problema fino a quando le misure specifiche che il computer deve seguire sono noti. Che limita la capacità di problem solving dei computer convenzionali ai problemi che abbiamo già capito e sanno come risolvere.

Le reti neurali e le informazioni di processo cervello umano in un modo simile. La rete viene creata dal numero elevato di elementi di trattamento altamente interconnesse che lavorano in parallelo per risolvere un problema specifico. Le reti neurali imparare dall'esempio. Non possono essere programmati per eseguire un compito specifico.

Le reti neurali e convenzionali computer algoritmici sono complementari l'uno all'altro. Attività di reti neurali sono più adatti ad un approccio algoritmico, come le operazioni aritmetiche. Gran numero di sistemi utilizza combinazione dei due approcci al fine di svolgere con la massima efficienza.

Diversa architettura di reti neurali

1) Feed-forward reti:

Feed-forward ANN permettono di trasferire segnali di un modo dall'ingresso all'uscita. Non c'è risposta cioè l'output di qualsiasi livello non influisce quello stesso livello. Feed-forward ANN tendono ad essere semplici reti che correlano gli ingressi con le uscite. Essi sono ampiamente utilizzati in pattern recognition. Questo tipo di organizzazione si chiama bottom-up o top-down.

2) le reti Feedback:

Utilizzando loop nella rete, reti feedback trasferire segnali in entrambe le direzioni. Reti feedback sono potenti e complesse. Retroazione di stato delle reti sta cambiando dinamicamente fino a raggiungere un punto di equilibrio. Fino ingresso cambia, rimangono nel punto di equilibrio. Architetture sono chiamati feedback interattivo o ricorrenti.

3) strati di rete:

Artificiale rete neurale comprende tre strati di unità: uno strato di "ingresso" unità è collegata ad uno strato di "nascosti" unità, che è collegato ad uno strato di "output" unità.

Unità di ingresso:

L'azione delle unità di ingresso rappresenta le informazioni grezzo che viene immessa nella rete.

Unità nascoste:

L'azione di ciascuna unità nascosta è determinata dalle attività delle unità di ingresso ei pesi sulle connessioni tra l'ingresso e le unità nascoste.

Moduli di uscita:

Il comportamento delle unità di uscita dipende dalla azione delle unità nascosti ei pesi tra le unità nascoste e di uscita.

4) Perceptrons

Il lavoro più influente sulla rete neurale è andato sotto il titolo di 'perceptrons' a termine coniato da Frank Rosenblatt. Il perceptron risulta essere un modello MCP con alcuni ulteriori, fisso, pre-elaborazione. Unità di associazione e il loro compito sono l'eliminazione di specifici presenti localizzato dalle immagini di input. Perceptrons imitare l'idea alla base del sistema visivo umano. Erano utilizzati per il riconoscimento, anche se le loro abilità molto più esteso.

Processo di apprendimento

I disegni e la successiva reazione della rete può essere divisa in due paradigmi generali:

1) Mappatura Associative

Nella mappatura associato alla rete impara a creare un modello particolare sul set di moduli di ingresso quando un altro particolare modello è applicato sulla serie di moduli di ingresso. Il associativo può essere diviso in due meccanismi:

1a) Auto-associazione:

Un modello di ingresso è collegata con se stessa e gli stati di ingresso e di unità di uscita coincidono. Questo fornisce il completamento modello per creare un modello ogni volta che una porzione di esso o un pattern distorta viene presentato. Nel secondo caso, la rete salva effettivamente coppie di modelli costruzione relazione tra due insiemi di schemi.

1b) Etero-associazione:

Si è associato con due meccanismi di richiamo:

Più vicino-vicino di richiamo:

Quando il pattern di uscita creato corrisponde al modello ingresso salvato, che è più vicino al modello presentato.

Richiamo interpolativo:

Quando il pattern di uscita è una somiglianza basato interpolazione dei pattern salvato corrispondente alla configurazione presentata.

2) Regolarità rilevazione

Questa unità corrisponde alle proprietà specifiche dei modelli di input. Considerando che la mappatura della rete associativa salva le associazioni tra i modelli di rilevazione regolarità la risposta di ogni unità ha una particolare 'significato'. Questo tipo di meccanismo di apprendimento è di vitale importanza per la scoperta e la funzione di rappresentazione della conoscenza.

Ogni rete neurale ha conoscenza, che è contenuto nei valori dei pesi connessioni. Modifica della conoscenza salvata nella rete come una funzione di esperienza significa una regola di apprendimento per cambiare i valori dei pesi. Le informazioni sono salvate nella matrice peso di una rete neurale. L'apprendimento è lo scopo dei pesi. L'apprendimento viene eseguita nel modo seguente: possiamo dividere 2 tipi di reti neurali:

i) le reti fisse

In cui i pesi rimangono gli stessi. In tali reti, i pesi sono fissate a priori in merito al problema da risolvere.

ii) Adaptive Networks

In cui i pesi non rimangono stesso. Per questa rete tutti i metodi di apprendimento possono essere classificate in due tipi principali:

Apprendimento supervisionato

Questo è dotato di un docente esterno in modo che ogni unità di output viene detto qual è la sua risposta desiderata ai segnali d'ingresso dovrebbe essere. Informazione globale possono essere richiesti durante il processo di apprendimento. Paradigmi di apprendimento supervisionato consistono correzione degli errori learning, l'apprendimento per rinforzo e l'apprendimento stocastico.

Apprendimento non supervisionato

Esso utilizza nessun insegnante esterno e dipende solo informazioni locali. Viene anche chiamato auto-organizzazione, perché si auto-organizza i dati presentati alla rete e rileva le loro proprietà emergenti collettivi.

Funzione di trasferimento

Artificial Neural Network basata su entrambi i pesi e la funzione ingresso-uscita, che è specificato per le unità. Questa funzione di solito cade in uno di tre tipi:

a) lineare (o rampa)

b) la soglia

c) sigma

Per unità lineari l'azione di uscita è proporzionale alla potenza totale ponderata.

Per unità soglia l'uscita è impostata a uno dei due livelli, a seconda che l'ingresso totale è maggiore o minore qualche valore di soglia.

Per le unità sigma l'uscita varia rapidamente, ma non lineare con l'ingresso cambia. Unità di sigma consentono una maggiore somiglianza ai neuroni reali di quanto non facciano unità lineari o di soglia, ma tutti e tre devono essere considerati approssimazioni.

Per fare una rete neurale che esegue alcune operazioni specifiche, si deve scegliere come le unità sono interconnesse l'una all'altra e si deve impostare i pesi sulle connessioni appropriato. Le connessioni decidere se è possibile che un'unità di influenzare altro. Il peso definisce la forza dell'influenza.

Applicazioni di reti neurali

1) Individuazione di fenomeni medici:

Una varietà di esempio salute basato indici, una combinazione di frequenza cardiaca, livelli di varie sostanze presenti nel tasso di sangue, respirazione può essere osservato. L'inizio di una particolare patologia potrebbe essere connesso con una miscelazione molto complesso di modifiche su un sottoinsieme di variabili essere osservate. Le reti neurali sono stati utilizzati per identificare questo modello predittivo in modo che il trattamento appropriato può essere specificata.

2) Stock previsioni di mercato:

Fluttuazioni dei prezzi delle azioni e indici azionari sono complessi, fenomeno deterministico multidimensionale. Le reti neurali sono utilizzate da molti analisti tecnici per prendere decisioni circa i prezzi delle azioni collegate ad un gran numero di fattori, quali la performance passata di altri stock.

3) l'assegnazione di credito

Per un prestito di un certo numero di pezzi di informazioni dati sono conosciuti su un candidato. Per esempio, l'età del richiedente, l'istruzione, l'occupazione e molte altre informazioni di dati può essere presente. Dopo la formazione di una rete neurale su dati storici, analisi della rete neurale in grado di determinare le caratteristiche più rilevanti e usare quelli per classificare i richiedenti come rischi di credito buoni o cattivi.