神经网络

什么是神经网络?

神经网络是一种计算模型,其分层结构类似于大脑中神经元的网络结构,具有多层连接节点。神经网络可以从数据中学习——因此它可以被训练为识别模式、分类数据和预测未来事件。

神经网络将你的输入分解为抽象层。例如,它可以通过许多例子进行训练,以识别语音或图像中的模式,就像人类的大脑一样。它的行为是由单个元素的连接方式以及这些连接的强度或重量来定义的。这些权值会在训练过程中根据指定的学习规则自动调整,直到神经网络正确地完成所需的任务。


为什么神经网络很重要?

神经网络特别适合于进行模式识别,以识别和分类语音、视觉和控制系统中的物体或信号。它们还可用于进行时间序列预测和建模。

这里只是几个例子如何使用神经网络:

  • 电力公司准确地预测电网的负荷,以确保其运行的发电机的可靠性和优化效率。
  • 自动取款机通过读取你支票上的账户号码和存款金额来可靠地接收银行存款。
  • 病理学家依靠癌症检测应用来指导他们根据细胞大小、肿块厚度、有丝分裂和其他因素的均匀性来将肿瘤分类为良性或恶性。

深度学习

在两到三层相连的神经元层上运行的神经网络被称为浅神经网络。深度学习网络可以有许多层,甚至数百层。两者都是直接从输入数据中学习的机器学习技术。

深度学习正受到越来越多的关注,这是有原因的。它取得了以前不可能取得的成果。

深度学习特别适合于复杂的识别应用,如人脸识别、文本翻译和语音识别。它也是用于高级驾驶员辅助系统和任务的关键技术,包括车道分类和交通标志识别。


神经网络是如何工作的?

受生物神经系统的启发,神经网络结合了几个处理层,使用简单的元素并行运行。它由一个输入层、一个或多个隐藏层和一个输出层组成。这些层通过节点或神经元相互连接,每一层使用前一层的输出作为输入。

典型的神经网络结构
典型的神经网络结构

用于神经网络的技术

用于设计神经网络应用程序的常见机器学习技术包括监督和非监督学习、分类、回归、模式识别和聚类。

技术 描述
监督学习

监督神经网络被训练成产生期望的输出来响应样本输入,使它们特别适合建模和控制动态系统,分类噪声数据,和预测未来事件。

深度学习工具箱( Deep Learning Toolbox)包括四种类型的监督网络:前馈、径向基础、动态和学习矢量量化。

分类 分类是一种有监督的机器学习,在这种机器学习中,算法“学习”从标记数据的例子中对新的观察结果进行分类。
回归 回归模型描述了一个响应(输出)变量和一个或多个预测(输入)变量之间的关系。
模式识别

模式识别是神经网络在计算机视觉、雷达处理、语音识别和文本分类等领域应用的重要组成部分。它通过使用监督或非监督分类,根据关键特征将输入数据分类为对象或类。

例如,在计算机视觉中,监督模式识别技术被用于光学字符识别(OCR)、人脸检测、人脸识别、对象检测和对象分类。在图像处理和计算机视觉中,无监督模式识别技术被用于目标检测和图像分割。

无监督学习

训练无监督神经网络的方法是让神经网络不断调整自己以适应新的输入。它们用于从不带标记响应的输入数据组成的数据集中进行推断。可以使用它们发现数据中的自然分布、类别和类别关系。

深度学习工具箱(Deep Learning Toolbox )包括两种类型的无监督网络:竞争层和自组织映射。

聚类

聚类是一种无监督的学习方法,神经网络可以用于探索性数据分析,发现隐藏的模式或分组的数据。这个过程涉及到根据相似性对数据进行分组。

聚类分析的应用包括基因序列分析、市场研究和目标识别。






公众号

关注公众号,获取一手资讯

“ 神经网络 ” comments 0

评论/回复

电子邮件地址不会被公开。 必填项已用*标注