O re țea neuronala artificial (RNA) este o paradigmă de prelucrare a in forma ției, care este [619503]

UNIVERSITATEA AUREL VLAICU
FACULTATEA DE STIINTE EXACTE
SPECIALIZAREA : INFORMATICA
ANUL : III

Retele neuronale

Profesor : Dzitac Ioan Student: [anonimizat]

1. Introducere
1.1 Ce este o retea neuronala?
O re țea neuronala artificial (RNA) este o paradigmă de prelucrare a in forma ției, care este
inspirata de sistemele biologice, cum ar fi creierul. Elementul – cheie al acestei paradigme este
noua structura a sistemului de procesare a informa ției. Acesta este compus dintr – un număr mare
de elemente de prelucrare (grad mare de interconectare), care lucrează în neuronii unison pentru
a rezolva problemele specifice ANNs.
Un ANN s este configurat pentru o aplica ție specific ă, cum ar fi recunoa șterea de model sau de
clasificare a datelor, printr – un proces de învă țare. Learning în sistemele biologice implic ă ajustări
conexiunile sinaptice care există între neu roni. Acest lucru este valabil și pentru ANNs, de
asemenea.
1.2 Fundalul istoric
Reteaua neuronala simulara este o evolutie recenta. Cu toate acestea, acest domeniu a fost
stabilit inainte de aparitia calculatoarelor si a supravietui cel putin un esec major si mai multor
epoci.
Multe progrese au fost importate, stimulate prin utilizarea emula ții informatice ieftine. Dup ă o
perioadă ini țial ă de entuziasm, terenul a supravie țuit unei perioade de frustrare și degradare. Pe
parcurs ul acestei perioade, finan țarea de sprijin profesional a fost minima, progresele importante
au fost re aliz ate pentru cautare .
Ace ști pionieri au fost capabili sa dezvolte o tehnologie conving ătoare, care a depă șit limitele
identificate de către Minsky și Papert. Minsky și Papert, a publicat o carte (în 1969), în care au
însumat un sentiment general de fru strare (împotriva re țelelor neuron ale) în rândul cercetătorilor
a u fost acceptate de cei mai mul ți, fără o analiză suplimentară. În prezent, domeniul de re țele
neuronale se bucură de o rena ștere a interesului și o creștere corespunz ătoare a finan ț ării.
Pri mul neuron artificial a fost produs în 1943 de către neurofiziologul Warren McCulloch și
logician Walter Pits. Dar, tehnologia disponibilă la acel moment nu le – au permis să facă prea
mult.
Re țelele neuronale, au capacitatea lor remarcabila de a extrage se mnifica ții din date complicate
sau imprecise, pot fi folosite pentru a extrage modele și de a detecta tendințele care sunt prea
complexe pentru a fi observate de către oameni sau alte tehnici de calculator. O re țea neuronal ă
poate fi considerata un "expe rt" în categoria informa țiilor pe care le – a fost dat a pentru a analiza.
Acest expert poate fi apoi utilizat pentru a oferi proiec ții si date noi pentru situa ții de interes și s ă
răspundă la intrebarile "what if".
Printre alte avantaje se enumara : I nvă țare a adaptiva: capacitate de a învă ța cum s ă se facă sarcini
pe baza datelor furnizate de formare sau experien ț ă ini țial ă.

Auto – Organiza ție: o ANN poate crea propria organiza ție sau o reprezentare a informațiilor pe
care le prime ște în timpul înv ă ț ării.
Timp u l real, opera țiunea: c alculele ANN pot fi efectuate în paralel, pe dispozitive hardware
speciale care sunt proiectate și fabricate pentru a profita de aceasta capacitate.
Informa ții le de codificare: distrugerea par țial ă a unei re țele duce la degradarea co respunzătoare a
performan ței. Cu toate acestea, unele capacit ă ți de rețea pot fi p ăstrate chiar și cu pagube majore
de re țea
1.3 Retele neuronale versus calculatoare conventionale
Re ț elele neuronale au o abordare mai diferită decat problemele de rezolvare a calculatoarelor
conven ționale. C alculatoarele conven ționale utilizeaz ă o abordare algoritmică adică computerul
urmează un set de instruc țiuni pentru a rezolva o problem ă. Cu excep ția cazului în etapele
specifice pe care com puterul trebuie să urmeze, computerul nu poate rezolva problema. Aceasta
limitează capacitatea de rezolvare a calculatoarelor conven ționale pentru problemele pe care le
în țelegem si care deja ș tie cum să re zolve problemele.
C omputerele sunt mult mai util e dacă ar pu tea face lucruri pe care nu știe exact cum să le facă.
Informa ții le de retele neuronale nu proces eaza într – un mod similar cu creierul uman . Re țeaua
este compusă dintr – un număr mare de elemente de prelucrare (grad mare de interconectare), care
l ucrează în neuroni paralel i pentru a rezolva o anumită problemă. Re țelele neuronale se înva ț ă
prin exemplu. Ele nu pot fi programate pentru a îndeplini o sarcină specifică.
Exemplele trebuie să fie selectate cu aten ție altfel timpul este irosit sau chiar mai rău re țeaua nu
mai poate func ționa corect . Dezavantajul este că, re țeaua afla cum se rezolva prob lema de la
sine, func ționarea poate sa fi e imprevizibil a . Pe de altă parte, calculatoarele conven ționale
utilizează o abordare cognitivă pentru rezolvarea problemelor; modul în care problema trebuie
rezolvată este cunoscuta de instruc țiuni mici lipsite de ambiguitate. Aceste instruc țiuni sunt apoi
convertite într – un program de limbaj de nivel înalt și apoi în cod ul ma șin ă pe care computerul
poate sa în țeleg a Aceste ma șini sunt complet previzibile; dac ă ceva nu merge bine se datorează
unei erori de software sau hardware.
Re țelele neuronale și calculatoarele algoritmice convenționale nu sunt în competiție, ci se
completează reciproc. Există sarcini care potriv esc abordare algoritmică cum ar fi opera țiile
aritmetice și sarcini care sunt mai potrivite pentru rețele neuronale. Chiar mai mult, un num ăr
mare de sarcini, necesită sisteme care utilizează o combina ție a celor dou ă abordări (în mod
normal, un calculator conven țional este utilizat pentru a supraveghea rețele neuronale), în scopul
de a realiza o eficien ț ă maximă.

2. Cum invata creierul uman?
O mare parte este încă necunoscut a despre modul în care se antreneaza creierul pentru a procesa
informa ții le . In creierul uman, un neuron tipic colecteaza semnale de la alte persoane printr – o
serie de structuri fine numite dendrite. Neuronul trimite piroane de activitate electrica printr – un
stand lung, sub țire, cunoscut sub numele de axon, care se desparte în mii de ramuri. La sfâr șitul
fiecărei ramuri, este
o structură care se numeste sinapsă , aceasta transformă activitatea din axon în efecte elect rice
care inhibă activitatea în excită conectarea neuroni lor . A tunci cand un neuron primeste excitator
de intrare, aces ta este suficient de mare în compara ție cu intrarile sale inhibitoare. Axonul trimite
un vârf de activi tate electrică în jos. Învă țarea are loc prin schimbarea eficacitatea sinapselor,
astfel încât influen ța unui neuron pe alte modific ări.

2.1 Neuronii artificiali si neuronii omului

Neuronii și interconexiunile ale acestor re țele neuronale se desfasoara prin încercarea de a
deduce mai întâi caracter isticile esen țiale, de obicei am programa t un calculator pentru a simula
aceste caracteris tici. Cu toate acestea, cun o ștințele noastre de neuronii sunt incomplete și puterea
noastră de calcul este limitată, modelele noastre sunt în mod necesar idealisation s brute ale
re țelelor reale de n euronii.

2.2 O abordare de inginerie
2.3 Neuron simplu
Un neuron artificial este un dispozitiv cu mai multe intrări și o ieșire. Neuron are dou ă moduri de
operare; modul de formare și modul de utilizare. În modul de formare, neuronul poate fi antrenat
la foc (sau nu), pentru anumite modele de intrare. Î n modul de utilizare folosim, un model de
intrare care este detectat la intrare, si devine curent de ie șire. În cazul în care modelul de intrare
nu face parte din lista de modele predate de intrare, regula de ardere este utilizat pentru a
determina dacă la foc sau nu.

3.Aplicatii ale retelelor neuronale
3.1 Retele neuronale in practica
Re țelele neuronale au aplicabilitate larg ă pentru probleme de afaceri din lumea reală. De fapt,
acestea au fost deja aplicate cu succes în multe industrii.
Din moment ce re țelele neuronale sunt cele mai bune la identificarea modelelor sau tendințe ale
datelor, acestea sunt potrivite pentru nevoile de predic ție sau de prognoz ă, inclusiv:
o prognozarea vânzărilor
o controlul proceselor industriale
o cercetare pentru clien ți
o dat a validarii
o gestionarea riscurilor
o introducere pe pia ț ă
Câteva exemple mai specifice: ANN sunt de asemenea folosite în următoarele paradigme
specifice: recunoa șterea vorbitori lor în domeniul comunica țiilor. Diagnosticul de hepatită;
recuperarea de telecom unica ții din software – ul defect; interpretarea m ultimeaning cuvintelor
chineze, a naliza texturii; recunoa șterea obiectelor tridimensionale .
3.2 Re țelele neuronale în medicin ă
In medicina retele neuronale artificiale (RNA) sunt în prezent o zonă de cercetar e "la cald".
Acestea vor primi cereri extinse pentru sistemele biomedicale, în următorii câ țiva ani. In acest
moment, cerce tarea este cea mai mare parte de modelare a păr ți i corpului uman și recunoașterea
bolilor de la diferite scanări (de exemplu, cardiog rams, tomografii, scanări cu ultrasunete, etc.).
Re țelele neuronale sunt ideale în recunoașterea bolilor folosind scanari, deoarece nu este nevoie
de a furniza un algoritm specific cu privire la modul de identificare a bolii. Re țel ele neuronale nu
sunt nec esare cu privire la modul în care să recunoască boala. Ceea ce este necesar este un set de
exemple care sunt reprezentative pentru toate variantele bolii. Cantitatea de exemple nu este la
fel de importantă ca și "cantitate". Exemplele trebuie selectate foa rte atent.

4 . Concluzie
Re țelele neuronale contribuie, de asemenea, la alte domenii de cercetare, cum ar fi neurologie si
psihologie. Ele sunt utilizate în mod regulat pentru a modela păr ți ale organismelor vii și pentru a
investiga mecanismele interne ale creierului.
Poate că aspectul cel mai interesant al re țelelor neuronale este posibilitatea ca unele retelele
"consious" zi ar putea fi produse. Există un număr de oameni de științ ă, care argumenteaza
proprietate de con știenț ă "mecanică" și c ă re țe lele neuronale "consious au o posibilitate reală.
Re țelele neuronale au un potențial enorm, cele mai bune dintre ele sunt INTERGRATED cu
puterea de calcul, AI, logica fuzzy și subiecte conexe.
Retelele neuronale recunoaste pattern – uri, este un domeniu deschis in cercetare.
Avantaje:
o procesare paralela
o toleranta la defecte
o acuratete marita
Dezavantaje:
o c omplexitate marita
o procesul de invatare este lent
o determinarea greoaie a nr opti m de neuroni.

Bibliografie

1.https://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol4/cs11/report.html
2. Neural Networks at Pacific Northwest National Laboratory
3. Simon O , Neu ral Networks and Learning Machines (3rd Edition), Prentice Hall, 2008
4. Neural Networks by Eric Davalo and Patrick Naim
5. Industrial Applications of Neural Networks (research reports Esprit, I.F.Croall,
J.P.Mason)