Les réseaux neuronaux sont des artefacts dus à un paradigme de traitement de l'information basée sur la façon dont les neurones - cellules du cerveau - le travail dans l'esprit humain . Les réseaux de neurones peuvent être mises en œuvre au niveau matériel ou logiciel . L'idée de base est que de nombreuses unités distinctes - neurones artificiels - sont reliés de telle manière que les connexions sont modifiables . Comme les réseaux de neurones apprennent à résoudre un problème, les points forts de l'évolution des interconnexions . La véritable force du paradigme de réseau neuronal est que les réseaux de neurones peuvent apprendre à résoudre des problèmes difficiles avec les techniques de programmation ordinaires. Projets en réseau anticipation
Réseaux Feedforward apprennent à reconnaître des modèles . Le réseau est montré une grande collection représentative de bonnes et de mauvaises habitudes , et qui sont dit qui . Au fil du temps , les connexions entre les neurones sont ajustés au point où même les nouveaux modèles sont correctement identifiés. Les applications actuelles des réseaux anticipation identifier les caractères écrits , les signatures et les empreintes digitales . Le modèle d'anticipation est un bon à utiliser pour les projets qui doivent apprendre à distinguer les bonnes des mauvaises habitudes modèles . Projets de recherche actuels consistent à identifier les cellules cancéreuses , de l'évolution du marché et des demandes de prêts douteux
Kohonen projets du réseau
réseaux de Kohonen , ou d'auto-organisation des cartes, travailler sans supervision . ; ils sont présentés un grand nombre de modèles , mais on ne dit pas ce qui est bon ou mauvais. Kohonen filets groupe les exemples en grappes et, quand on le montre un nouveau modèle , classifier correctement le nouveau modèle dans le cluster correct. Les applications actuelles des réseaux de Kohonen comprennent des systèmes automatiques des langues où ils sont utilisés pour classer les sons en les reliant au phonème valide la plus proche . Filets de Kohonen sont utiles pour tout projet où , il ya beaucoup d'exemples d'entraînement , mais ils ne sont pas classés en bons ou mauvais exemples. Les recherches actuelles dans les réseaux de Kohonen comprennent la prévision du temps et le contrôle des véhicules autonomes .
Bidirectionnelles projets de mémoire associative
de mémoire associative bidirectionnelle ( BAM ) sont utilisés lorsque deux complexes vecteurs doivent être équilibrées. Ils ajustent dynamiquement la force des interconnexions entre les deux niveaux de neurones. Le BAM est différente des autres architectures de réseaux neuronaux en ce qu'il maintient apprentissage puisque le système fonctionne - l'apprentissage n'est jamais complètement terminé . Les applications actuelles de BAM incluent les systèmes intégrés dans les téléphones et modems pour équilibrer - et annuler - Echos en ligne . Ils doivent être utilisés chaque fois que l'apprentissage doit être continue pendant toute la durée du projet. Projets de recherche en cours impliquant BAM incluent des systèmes qui équilibrent les choses avec le mouvement ne va et vient - comme les systèmes qui concilient une perche tenue à une extrémité en déplaçant le point d'équilibre avant et en arrière
récursives Projets en réseau < . br>
réseaux récursifs travailler avec des modèles de séries chronologiques . Une partie de la sortie du système est réinjecté dans l' entrée et les interconnexions entre neurones artificiels est ajusté jusqu'à ce que le réseau puisse correctement identifier une séquence de niveaux d'entrée . Les applications actuelles concernent moments de bras robotisés et la détection automatique de l'apparition de crises d'épilepsie. Ce modèle devrait être utilisé avec les projets qui impliquent des motifs qui ont lieu au fil du temps . La recherche actuelle comprend des systèmes qui complètent les systèmes de commande et prothétique - bras et des jambes artificielles
.
