Una xarxa de neurones artificials (ANN) es basa en el cervell on les neurones es connecten en patrons complexos per processar dades dels sentits, establir records i controlar el cos. Una xarxa de neurones artificials (ANN) és un sistema basat en el funcionament de xarxes neuronals biològiques o també es defineix com una emulació del sistema neuronal biològic.

Xarxa de neurones artificials

Les xarxes neuronals artificials (ANN) formen part de la intel·ligència artificial (IA) i aquesta és la àrea d’informàtica que es relaciona en fer que els ordinadors es comportin de manera més intel·ligent. Les xarxes neuronals artificials (ANN) processen dades i presenten certa intel·ligència i es comporten mostrant intel·ligència de tal manera que el reconeixement de patrons, l’aprenentatge i la generalització.

Una xarxa neuronal artificial és un model computacional programat que té com a objectiu replicar l’estructura neuronal i el funcionament del cervell humà.

Abans de conèixer les xarxes neuronals artificials, al principi hem d’estudiar què són les xarxes neuronals i també sobre l’estructura de la neurona.

Definició de xarxes neuronals:

Les xarxes neuronals es defineixen com els sistemes de neurones interconnectades. Les neurones o cèl·lules nervioses són els components bàsics del cervell que són les xarxes neuronals biològiques. L’estructura de la neurona és la que es mostra a continuació

Estructura de la neurona

Les xarxes neuronals artificials són les eines computacionals que es van modelar segons el cervell. Està format per una estructura interconnectada de neurones produïdes artificialment que funcionen com a vies de transferència de dades. Els investigadors estan dissenyant xarxes neuronals artificials (ANN) per resoldre diversos problemes de reconeixement de patrons, predicció, optimització, memòria associativa i control.

Les xarxes neuronals artificials s’han descrit com la segona millor manera de formar neurones interconnectades. Aquestes xarxes neuronals artificials s’utilitzen per modelar cervells i també per realitzar tasques computacionals específiques. Una aplicació ANN amb èxit tindrà la capacitat de reconeixement de caràcters.

Estructura de xarxes neuronals

Introducció a les xarxes neuronals:

Un sistema informàtic està format per una sèrie d’elements de processament senzills i altament interconnectats que processen informació a entrades externes amb la seva resposta d’estat dinàmic. Una neurona té la capacitat de produir una resposta lineal o no lineal. Una xarxa artificial no lineal es fa mitjançant la interconnexió de neurones no lineals. Els sistemes no lineals tenen entrades que no seran proporcionals a les sortides.

Introducció a les xarxes neuronals

Aplicacions de les xarxes neuronals artificials:

S'han utilitzat aplicacions de xarxes neuronals artificials en el camp de l'energia solar per modelar i dissenyar una planta generadora de vapor solar.
Són útils en la modelització de sistemes, com ara en la implementació de mapes complexos i identificació de sistemes.
Les ANN s’utilitzen per a l’estimació de les càrregues de calefacció dels edificis, el factor d’intercepció del col·lector de parabòlics i la relació de concentració local
Les ANN s’utilitzen en diverses aplicacions en control, robòtica, reconeixement de patrons, predicció, medicina, sistemes d’energia, fabricació, optimització, processament de senyals i ciències socials / psicològiques.
També s’han utilitzat per a la predicció de fluxos d’aire en una sala de proves amb ventilació natural i per a la predicció del consum d’energia dels edificis solars.
Són capaços de manejar dades sorolloses i incompletes i també poden tractar problemes no lineals
L’ús de xarxes neuronals artificials en sistemes de ventilació i climatització, refrigeració, modelatge, calefacció, previsió de càrrega, control de sistemes de generació d’energia i radiació solar.

Una aplicació de xarxes neuronals artificials proporciona una forma alternativa d’abordar problemes complexos, ja que es troben entre les tecnologies més noves de processament de senyal. Les xarxes neuronals artificials ofereixen solucions reals difícils d’associar amb altres tecnologies. La solució basada en xarxes neuronals és molt eficient en termes de desenvolupament, temps i recursos.

La implementació de programari d’una xarxa neuronal es pot fer amb els seus avantatges i desavantatges.

Avantatges:

Una xarxa neuronal pot realitzar tasques en què un programa lineal no pot realitzar.
Quan falla un element de la xarxa neuronal, pot continuar sense cap problema per la seva naturalesa paral·lela.
No cal reprogramar una xarxa neuronal a mesura que s’aprèn a si mateixa.
Es pot implementar d’una manera senzilla sense cap problema.
Com a sistemes intel·ligents i adaptatius, les xarxes neuronals són robustes i excel·lents en la resolució de problemes complexos. Les xarxes neuronals són eficients en la seva programació i els científics estan d’acord que els avantatges d’utilitzar ANN superen els riscos.
Es pot implementar en qualsevol aplicació.

Desavantatges:

El xarxa neuronal requereix formació per operar.
Requereix un temps de processament elevat per a xarxes neuronals grans.
L'arquitectura d'una xarxa neuronal és diferent de la arquitectura i història dels microprocessadors per tant, s’han d’imitar.

Una Xarxa de Neurones Artificials es desenvolupa amb un procediment sistemàtic pas a pas que optimitza un criteri conegut habitualment com a regla d’aprenentatge. Les dades d’entrenament d’entrada / sortida són fonamentals per a aquestes xarxes, ja que transmeten la informació que serà necessària per descobrir el punt de funcionament òptim. La naturalesa no lineal de la xarxa neuronal fa que els seus elements de processament siguin flexibles en el seu sistema.

Una xarxa neuronal artificial és un sistema i aquest sistema és una estructura que rep una entrada, processa les dades i proporciona una sortida. L'entrada a la matriu de dades serà el so WAVE, dades d'un fitxer d'imatge o qualsevol tipus de dades que es pugui representar en una matriu. Una vegada que es presenta una entrada a la xarxa neuronal es defineix la resposta objectiu requerida a la sortida i a partir de la diferència de la resposta desitjada juntament amb la sortida del sistema real s’obté un error. La informació d’errors es retroalimenta al sistema i fa molts ajustos als seus paràmetres en un ordre sistemàtic que normalment es coneix com la regla d’aprenentatge. Aquest procés es repeteix fins que s’accepta la sortida desitjada.

S'observa que el rendiment depèn en gran mesura de les dades, de manera que les dades s'han de processar prèviament amb algorismes de tercers, com ara algorismes DSP.

Avantatges de les xarxes neuronals artificials:

Les xarxes neuronals artificials són flexibles i adaptatives.
Les xarxes neuronals artificials s’utilitzen en sistemes de reconeixement de seqüències i patrons, processament de dades, robòtica, modelatge, etc.
ANN adquireix coneixement del seu entorn adaptant-se als paràmetres interns i externs i resol problemes complexos difícils de gestionar.
Generalitza el coneixement per produir respostes adequades a situacions desconegudes.
Flexibilitat: les xarxes neuronals artificials són flexibles i tenen la capacitat d’aprendre, generalitzar i adaptar-se a situacions en funció dels seus descobriments.
No linealitat: aquesta funció permet a la xarxa adquirir coneixements de manera eficient aprenent. Aquest és un avantatge clar sobre una xarxa tradicionalment lineal que és inadequada a l’hora de modelar dades no lineals.
Una xarxa de neurones artificials és capaç de tenir una major tolerància a fallades que una xarxa tradicional. Sense la pèrdua de dades emmagatzemades, la xarxa pot regenerar un error en qualsevol dels seus components.
Una xarxa de neurones artificials es basa en l’aprenentatge adaptatiu.

Tipus de xarxes neuronals artificials:

Hi ha diferents tipus de xarxes neuronals artificials (ANN): depenent de la neurona cerebral humana i de les funcions de xarxa, una xarxa neuronal artificial o ANN realitza tasques de manera similar. La majoria de les xarxes neuronals artificials tindran alguna semblança amb els seus homòlegs biològics més complexos i són molt eficaços en les seves tasques previstes, com per exemple, segmentació o classificació. Tipus de xarxes neuronals artificials

“potenciòmetre de control de velocitat del motor de corrent continu ”

Tipus de xarxes neuronals artificials

Comentaris ANN - En aquest tipus d’ANN, la sortida torna a la xarxa per aconseguir els resultats millor evolucionats internament. La xarxa de retroalimentació retroalimenta informació i és molt adequada per resoldre problemes d’optimització, segons la Universitat de Massachusetts, Lowell Center for Atmospheric Research. Les correccions d'errors interns del sistema fan servir les ANN de comentaris.

Feed Forward ANN - Una xarxa d’alimentació és una xarxa neuronal simple que consisteix en una capa d’entrada, una capa de sortida i una o més capes de neurones. A través de l’avaluació de la seva sortida mitjançant la revisió de la seva entrada, es pot notar la potència de la xarxa basant-se en el comportament del grup de es decideixen les neurones connectades i la sortida. El principal avantatge d’aquesta xarxa és que aprèn a avaluar i reconèixer patrons d’entrada.

Classificació-Predicció ANN –És el subconjunt de ANN feed-forward i la classificació-predicció ANN s'aplica als escenaris de mineria de dades. La xarxa està capacitada per identificar patrons particulars i classificar-los en grups específics i després classificar-los en 'patrons nous' que són nous a la xarxa.

Una xarxa neuronal artificial és una simulació computacional d’una xarxa neuronal biològica que posseeix el comportament de les neurones i els senyals elèctrics en què es comuniquen entre l’entrada, com ara des dels ulls o les terminacions nervioses de la mà fins a la sortida del cervell, com ara reaccionar per il·luminar, tocar o escalfar.

Els científics estaven investigant en el disseny de xarxes neuronals artificials i la creació d’intel·ligència artificial sobre la manera de comunicar-se semànticament les neurones.

Programari de xarxes neuronals:

Els simuladors de xarxes neuronals són aplicacions de programari que s’utilitzen per simular el comportament de xarxes neuronals artificials o biològiques. Se centren en un o un nombre limitat de tipus específics de xarxes neuronals. La simulació de xarxes neuronals sovint proporciona prediccions més ràpides i precises comparant-les amb altres anàlisis de dades. mètodes com aquestes xarxes neuronals tenen un paper important en el procés de mineria de dades.

Programari de xarxes neuronals

Normalment són autònoms i no tenen la intenció de generar xarxes neuronals que s’hagin d’integrar en altres programes. Els simuladors solen tenir alguna forma de visualització integrada per supervisar el procés de formació. Alguns simuladors també visualitzen l'estructura física de les xarxes neuronals. El concepte de xarxa neuronal s’utilitza àmpliament per a l’anàlisi de dades. Amb l’ajut del programari de xarxes neuronals artificials es poden dur a terme prediccions de sèries temporals, aproximació de funcions i anàlisi de regressió. L’abast de les xarxes neuronals és pràcticament il·limitat per a la presa de decisions, reconeixement de patrons, predicció, sistemes de control automàtic i molts altres.

Una xarxa neuronal no té la necessitat de ser 'reprogramada' una vegada que aprèn res similar a l'ésser humà.

Simulació de xarxes neuronals

El principal objectiu i intenció del desenvolupament de les ANN és que expliquin el model de càlcul artificial amb la neurona biològica bàsica. Esbossin les arquitectures de xarxa i els processos d’aprenentatge presentant xarxes d’alimentació de múltiples capes. Es suggereix que les xarxes neuronals artificials es poden utilitzar per modelar en altres camps de la producció d'energia. Per què seria necessària la implementació de xarxes neuronals artificials? Si teniu cap pregunta, només cal que comenteu a continuació o visiteu el nostre lloc.

Crèdits fotogràfics: