Typer af kunstige neurale netværk

Indlæg af Hanne Mølgaard Plasc

  Science fiction opfylder videnskabsfakta i udformningen af ​​kunstige neurale netværk og skabelsen af ​​kunstig intelligens. Baseret på den menneskelige hjernes neuron- og netværksfunktioner udfører et kunstigt neuralt netværk eller ANN opgaver på lignende måde. Som et menneske behøver et neuralt netværk ikke 'omprogrammeres', når det lærer noget.

Feed Forward ANN

Et feed-forward-netværk er et simpelt neuralt netværk, der består af et inputlag, et outputlag og et eller flere lag neuroner. Netværksstyrken findes i gruppens adfærd hos de tilsluttede neuroner som det udvikler - gennem evaluering af dens output ved at gennemgå dens input - og beslutter, om de indlæste oplysninger er nok til at berettige et svar eller en 'output'. Dette netværk lærer at evaluere og genkende indgangsmønstre.

Feedback ANN

Feedback-netværket leverer information tilbage i sig selv og er velegnet til at løse optimeringsproblemer, ifølge University of Massachusetts, Lowell Center for Atmosfærisk Forskning. I stedet for at beslutte det bedste outputrespons, går output tilbage i netværket til opnå de bedst udviklede resultater internt. Interne systemfejlkorrektioner bruger feedback ANNs.

Klassifikationsprediction ANN

En delmængde af feed-forward ANN, klassifikationsprediktion ANN gælder for data mining scenarier. Netværket er uddannet til at genkende specifikke mønstre og klassificere dem i bestemte grupper og derefter klassificere dem yderligere i 'nye mønstre', der er nye til netværket.