ಕೃತಕ ನರ ಜಾಲ

ಕೃತಕ ನರ ಜಾಲ - ನರಕೋಶಗಳ - ಅಪ್ ವಿಶೇಷ ಜೀವಕೋಶಗಳು ಮಾಡಲ್ಪಟ್ಟಿವೆ ಹೊಂದಿರುತ್ತವೆ. ಅವು ಮಾನವನ ನರವ್ಯವಸ್ಥೆಯನ್ನು ಜೈವಿಕ ನರತಂತುಗಳ ಅಂದರೆ, ಜೀವಕೋಶಗಳ ಗಣಿತದ ಮಾದರಿಗಳು.

ಮೊದಲ ಬಾರಿಗೆ ನಾವು 1943 ರಲ್ಲಿ ನರಗಳ ಜಾಲ ಬಗ್ಗೆ, ಮತ್ತು ಇಂದ್ರಿಯ ಜ್ಞಾನ ರೋಸನ್ಬ್ಲಾಟ್ ಆವಿಷ್ಕಾರ ನಂತರ ಸುವರ್ಣಯುಗ ಬಂದು ಜಾಲಗಳು ಬಹಳ ಜನಪ್ರಿಯವಾಗುತ್ತಿವೆ. ಆದಾಗ್ಯೂ, ವಿಜ್ಞಾನಿ ಇಂದ್ರಿಯ ಜ್ಞಾನ ಅದಕ್ಷ ಸಾಬೀತಾಗಿದೆ ಇದರಲ್ಲಿ ಮಿನ್ಸ್ಕ್ ಪ್ರಕಟಣೆಯ 1969 ರಲ್ಲಿ ನಂತರ, ಕೆಲವು ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ, ಈ ವಲಯದಲ್ಲಿ ಆಸಕ್ತಿ ಕುಸಿಯಿತು. ಆದರೆ ಕಥೆ ಕೃತಕ ಜಾಲಗಳೊಂದಿಗೆ ಅಂತ್ಯಗೊಂಡಿಲ್ಲ. . 1985 ರಲ್ಲಿ ಜೆ ಹೋಪ್ಫೀಲ್ಡ್ ತಮ್ಮ ಅಧ್ಯಯನಗಳು ಪ್ರಸ್ತುತಪಡಿಸಿದರು ನರಮಂಡಲ ಸಾಬೀತಾಯಿತು - ಯಂತ್ರ ಉತ್ತಮ ಸಾಧನವಾಗಿದೆ ಕಲಿಕೆ.

ಇದು ಜೀವಶಾಸ್ತ್ರದ ಹಲವಾರು ಸಂಗತಿಗಳು ಮತ್ತು ತತ್ವಗಳ ಪಡೆಯಲಾಗಿತ್ತು. ನರಕೋಶದ - ಪಡೆಯುತ್ತದೆ ಮತ್ತು ನಂತರ ಸ್ವಿಚ್ ಒಂದು ರೀತಿಯ ಬೇಳೆಕಾಳುಗಳು (ಸಂಕೇತಗಳನ್ನು) ರವಾನಿಸುತ್ತದೆ. ನರಕೋಶದ ಸಾಕಷ್ಟು ಪ್ರಬಲವಾಗಿರುವ ಆವೇಗ ಸ್ವೀಕರಿಸಿದರೆ, ಇದು ಸಕ್ರಿಯಗೊಳಿಸಿದ ನಂಬುತ್ತವೆ ಮತ್ತು ಉಳಿದ ಅದಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ನರಕೋಶಗಳ ಕಾಳುಗಳು ಪ್ರಸಾರ ಇದೆ. ಅದೇ ನರಕೋಶದ ಸಕ್ರಿಯ ಮಾಡಿರಲಿಲ್ಲ, ಇದು ನಾಡಿ ಪ್ರಸಾರ ಮಾಡುವುದಿಲ್ಲ ಬದಿಗಿಟ್ಟು ಉಳಿದಿದೆ. ಪರಸ್ಪರ ನರಕೋಶಗಳು ಸಂಪರ್ಕ ಮತ್ತು ವಿವಿಧ ಮೂಲಗಳಿಂದ ಸಂಕೇತಗಳನ್ನು ಪಡೆದುಕೊಳ್ಳುತ್ತದೆ ಪ್ರಚೋದನೆಗಳು ಕಾರ್ಯ ಮತ್ತು ಡೆಂಡ್ರೈಟ್ಗಳು, ಪ್ರಸಾರ ಇದು ಕಾಳುಗಳು ನರಕೋಶ ಸ್ವೀಕರಿಸುವ ನರಕೋಶ ಸಂಗಮಗಳು: ನರಕೋಶದ ಅನೇಕ ಪ್ರಮುಖ ಅಂಶಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಒಂದು ನರಕೋಶದ ನಿರ್ದಿಷ್ಟ ಮಿತಿಗಿಂತ ಒಂದು ಉದ್ವೇಗ ಸ್ವೀಕರಿಸಿದಾಗ, ತಕ್ಷಣ ಮುಂದಿನ ನರಕೋಶದ ಒಂದು ಸಂಕೇತವನ್ನು ಕಳಿಸುತ್ತದೆ.

ಗಣಿತದ ಮಾದರಿಯ ಸ್ವಲ್ಪ ವಿಭಿನ್ನವಾಗಿದೆ. ಲಾಗಿನ್ ಗಣಿತ ಮಾದರಿಯನ್ನು ನರಕೋಶದ - ಘಟಕಗಳ ಒಂದು ದೊಡ್ಡ ಸಂಖ್ಯೆಯ ಒಳಗೊಂಡ ಒಂದು ವೆಕ್ಟರ್, ಆಗಿದೆ. ಘಟಕವನ್ನು ಪ್ರತಿ - ನರಕೋಶದಿಂದ ಗಳೊಡನೆ ಇವು ದ್ವಿದಳ ಧಾನ್ಯಗಳು, ಒಂದು. ಮಾದರಿಯ ಉತ್ಪಾದನೆ ಒಂದೇ ಸಂಖ್ಯೆ. ಆ, ಮಾದರಿ ಇನ್ಪುಟ್ ವೆಕ್ಟರ್ ಒಂದು ಸ್ಕೆಲಾರ್ ಪರಿವರ್ತಿಸಲಾಗುತ್ತದೆ ನಂತರದ ಇತರ ನರಕೋಶಗಳಿಗೆ ವರ್ಗಾಯಿಸಲಾಯಿತು.

ನರಮಂಡಲ ಎರಡು ರೀತಿಗಳಲ್ಲಿ ತರಬೇತಿ ಮಾಡಬಹುದು: ಮತ್ತು ಒಂದು ಶಿಕ್ಷಕ ಇಲ್ಲದೆ. ಕಲಿಕೆಯ ಪ್ರಕ್ರಿಯೆಯು ಹಲವಾರು ಹಂತಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಮೊದಲ, ಜಾಲಬಂಧದಲ್ಲಿ ಹೊರಗೆ ಉತ್ತೇಜನ ಇನ್ಪುಟ್ ಆಗಿದೆ. ನಂತರ, ನಿಯಮಗಳಿಗನುಸಾರವಾಗಿ ನರಮಂಡಲ ಉಚಿತ ನಿಯತಾಂಕಗಳನ್ನು ಬದಲಾಗುತ್ತದೆ, ನಂತರ ಜಾಲಬಂಧ ಇನ್ಪುಟ್ ಉತ್ತೇಜನಕ್ಕೆ ಈಗಾಗಲೇ ವಿಭಿನ್ನವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ. ಪ್ರಕ್ರಿಯೆ ನೆಟ್ವರ್ಕ್ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುವುದಿಲ್ಲ ತನಕ ಪುನರಾವರ್ತಿತ ಮಾಡಬೇಕು. ಒಂದು ಶಿಕ್ಷಕನೊಂದಿಗೇ ಕಲಿಯುವಿಕೆಯ ಕ್ರಮಾವಳಿಯು ನೆಟ್ವರ್ಕ್ ತರಬೇತಿ ಸಮಯದಲ್ಲಿ ಈಗಾಗಲೇ ಸರಿಯಾದ ಉತ್ತರವನ್ನು ಹೊಂದಿದೆ. ಈ ವಿಧಾನವು ಹಲವು ಅನ್ವಯಿಕೆಗಳಿಗೆ ಯಶಸ್ವಿಯಾಗಿ ಬಳಸಲಾಗಿದೆ, ಆದರೆ ಇದು ಕೆಲವೊಮ್ಮೆ ಜೈವಿಕವಾಗಿ ಮೀರಿದ ಎಂದು ವಾಸ್ತವವಾಗಿ ಟೀಕಿಸಲಾಗಿದೆ. ನರಮಂಡಲ ಪ್ರಕರಣದಲ್ಲಿ ಮಾತ್ರ ಕರೆಯಲಾಗುತ್ತದೆ ಸೂಚನೆಗಳಲ್ಲಾಗುವ ಶಿಕ್ಷಕ ಇಲ್ಲದೆ ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ. ಅವುಗಳನ್ನು ಆಧರಿಸಿ, ನೆಟ್ವರ್ಕ್ ನಿಧಾನವಾಗಿ ಉತ್ತಮ ಮೌಲ್ಯವನ್ನು ಉತ್ಪನ್ನಗಳೆಂದರೆ ನೀಡಲು ಕಲಿಯುತ್ತಾನೆ.

ನರಮಂಡಲ ಜಾಲಗಳ ಅಪ್ಲಿಕೇಶನ್ ನಿಜವಾಗಿಯೂ ವೈವಿಧ್ಯಮಯವಾಗಿದೆ. ಅವರು ಆಗಾಗ್ಗೆ ಗುರುತಿಸುವಿಕೆ, ಮುಂದಾಲೋಚನೆ, ವಿವಿಧ ಸೃಷ್ಟಿ ಸ್ವಯಂಚಾಲಿತ ಬಳಸಲಾಗುತ್ತದೆ ಪರಿಣಿತ ಗಣಕಗಳು, functionals ಅಂದಾಜನ್ನು. ಜೊತೆಗೆ ಅಂತಹ ನೆಟ್ವರ್ಕ್ ಊಹಿಸಲು ಧ್ವನಿ ಗುರುತಿಸುವಿಕೆ ಅಥವಾ ಆಪ್ಟಿಕಲ್ ಸಂಕೇತಗಳನ್ನು ಮಾಡಬಹುದು ವಿನಿಮಯ ಸೂಚಕಗಳು ಉದಾಹರಣೆಗೆ, ಒಂದು ನಿರ್ದಿಷ್ಟ ಪಠ್ಯ ಅಥವಾ ಕಾರು ಪಾರ್ಕ್ ಭಾಷಣದ ಸಂಶ್ಲೇಷಿಸಲು ಇದು, ಸ್ವಯಂ ಕಲಿಕೆ, ಸಾಮರ್ಥ್ಯವನ್ನು ವ್ಯವಸ್ಥೆಗಳು ರಚಿಸಿ. ವೆಸ್ಟ್ ನರಮಂಡಲ ಹೆಚ್ಚು ಸಕ್ರಿಯವಾಗಿ, ದುರದೃಷ್ಟವಶಾತ್, ಸ್ಥಳೀಯ ಸಂಸ್ಥೆಗಳನ್ನು ಇನ್ನೂ ಈ ವಿಧಾನವನ್ನು ಅಳವಡಿಸಿಕೊಂಡರು ಬಳಸುತ್ತಾರೆ ಮಾಡಿರಲಿಲ್ಲ ಮಾಡಲಾಗುತ್ತದೆ.

ಆದರ್ಶ ಪರಿಹಾರ - ಅನುಕೂಲಗಳು ANN ಕೆಲವೆಡೆ ಸಾಂಪ್ರದಾಯಿಕ ಲೆಕ್ಕಾಚಾರಗಳು, ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ನರಮಂಡಲಗಳನ್ನು ಹೊರತಾಗಿಯೂ. ಅವರು ಕಲಿಕೆಯ ಸಾಮರ್ಥ್ಯವನ್ನು, ಅವುಗಳು ತಪ್ಪಾಗಿರಬಹುದು. ಜೊತೆಗೆ, ನೀವು ನಿಖರವಾಗಿ ಅಭಿವೃದ್ಧಿ ನರಮಂಡಲ ಸೂಕ್ತ ಎಂದು ಖಾತರಿ ಮಾಡಬಹುದು. ಡೆವಲಪರ್ ಸಮಸ್ಯೆಯ ಸ್ವರೂಪದ ಉದ್ದೇಶಿಸಿ ಮಾಡಲಾಗುತ್ತಿದೆ ತಿಳಿದುಕೊಳ್ಳಬೇಕು, ಮಾಹಿತಿ ಬಹಳಷ್ಟು ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷಾ ನೆಟ್ವರ್ಕ್ ಮಾಹಿತಿಯನ್ನು ಪಡೆಯುವಲ್ಲಿ, ಸಮಸ್ಯೆ ವಿವರಿಸುವ ಹೊಂದಿವೆ, ತರಬೇತಿ ವರ್ಗಾವಣೆ ಕ್ರಿಯೆಯ ಅಂಡ್ ದ ಆಡರ್ ಕಾರ್ಯಗಳನ್ನು ಬಲ ವಿಧಾನ ಆಯ್ಕೆ ಮಾಡಲು.