Сочинение на тему Робот – помощник людей в будущем

Искусственная нейронная сеть (ANN) берет свое название от сети нервных клеток в мозге. Недавно было обнаружено, что ANN является важным методом решения проблемы классификации и оптимизации. Искусственные нейронные сети стали мощной техникой обучения для выполнения сложных задач в крайне нелинейных динамических средах. Некоторые из главных преимуществ использования моделей ANN – это их способность к обучению на основе оптимизации соответствующей функции ошибки и их превосходные характеристики для аппроксимации нелинейной функции. ANN способна выполнять нелинейное отображение между входным и выходным пространством благодаря своей большой параллельной взаимосвязи между различными слоями и характеристиками нелинейной обработки.

Искусственный нейрон в основном состоит из вычислительного элемента, который выполняет взвешенную сумму входного сигнала и веса соединения. Сумма добавляется с смещением или порогом, и результирующий сигнал затем передается через нелинейную функцию сигмоидного или гиперболического касательного типа. Каждый нейрон связан с тремя параметрами, обучение которых можно регулировать; это соединительные веса, смещение и наклон нелинейной функции. Для структурной точки зрения NN может быть однослойным или многослойным. В многослойной структуре имеется один или несколько искусственных нейронов в каждом слое, и для практического случая может быть несколько слоев. Каждый нейрон одного слоя связан с каждым нейроном следующего слоя.

ANN функциональной линии – это другой тип NN с одним уровнем. В сети этого типа входным данным разрешено проходить через функциональный блок расширения, где входные данные нелинейно отображаются на большее количество точек. Это достигается с помощью тригонометрических функций, тензорных произведений или степенных членов на входе. Выход функционального расширения затем передается через один нейрон. Изучение NN может контролироваться в присутствии желаемого сигнала или может не контролироваться, когда желаемый сигнал недоступен. Здесь в этой статье ANN контролируется обучение. Rumel-Hart разработал алгоритм обратного распространения (BP), который является центральным для большой работы над обучением в MLP под наблюдением. В этом типе сети используется структура прямой связи с входными, выходными, скрытыми слоями и нелинейными сигмоидальными функциями. В последние годы много различных типов алгоритма обучения, использующего алгоритм инкрементного обратного распространения, эволюционное обучение с использованием MLP ближайшего соседа и алгоритм быстрого обучения, основанный на процедуре послойной оптимизации.