AI-神经网络

人工智能的另一个研究领域，神经网络，受到人类神经系统的自然神经网络的启发。

什么是人工神经网络（ANN）？

第一台神经计算机的发明者Robert Hecht-Nielsen博士将神经网络定义为 -

"...由许多简单、高度互连的处理元件组成的计算系统，这些元件通过对外部输入的动态状态响应来处理信息。

人工神经网络的基本结构

人工神经网络的想法是基于这样一种信念，即通过建立正确的连接来模仿人脑的工作，可以使用硅和电线作为活的神经元和树突来模仿。

人类大脑由86亿个称为神经元的神经细胞组成。它们通过轴突连接到其他千个细胞。来自外部环境的刺激或来自感觉器官的输入被树突接受。这些输入产生电脉冲，电脉冲快速通过神经网络。然后，神经元可以将消息发送给其他神经元以处理问题，或者不将其向前发送。

人工神经网络由多个节点组成，模仿人脑的生物神经元。神经元通过链接连接，它们相互作用。节点可以获取输入数据并对数据执行简单的操作。这些操作的结果被传递给其他神经元。每个节点的输出称为其激活或节点值。

每个链接都与权重相关联。人工神经网络能够通过改变权重值进行学习。下图显示了一个简单的 ANN -

人工神经网络的类型

有两种人工神经网络拓扑 - 前馈和反馈。

前馈人工神经网络

在此ANN中，信息流是单向的。一个单位向另一个单位发送信息，它不从中接收任何信息。没有反馈循环。它们用于模式生成/识别/分类。它们具有固定的输入和输出。

反馈人工神经网络

在这里，反馈循环是允许的。它们用于内容可寻址存储器。

人工神经网络的工作原理

在所示的拓扑图中，每个箭头表示两个神经元之间的连接，并指示信息流的路径。每个连接都有一个权重，一个控制两个神经元之间信号的整数。

如果网络生成“良好或期望”的输出，则无需调整权重。但是，如果网络生成“不良或不需要的”输出或错误，则系统会更改权重以改善后续结果。

人工神经网络中的机器学习

人工神经网络具有学习能力，需要接受培训。有几种学习策略 -

监督学习 - 它涉及的老师比ANN本身更学者。例如，教师提供一些示例数据，教师已经知道答案。

例如，模式识别。ANN在识别的同时提出了猜测。然后老师向ANN提供答案。然后，网络将其猜测与教师的“正确”答案进行比较，并根据错误进行调整。
无监督学习 - 当没有具有已知答案的示例数据集时，它是必需的。例如，搜索隐藏模式。在这种情况下，聚类，即根据某种未知模式将一组元素分成组是基于现有的数据集进行的。
强化学习 - 这种策略建立在观察的基础上。ANN通过观察其环境来做出决定。如果观测值为负数，则网络将调整其权重，以便下次能够做出不同的所需决策。

反向传播算法

它是训练或学习算法。它通过榜样来学习。如果您向算法提交您希望网络执行的操作的示例，它将更改网络的权重，以便它可以在完成训练时为特定输入生成所需的输出。

反向传播网络是简单模式识别和映射任务的理想选择。

贝叶斯网络（BN）

这些是用于表示一组随机变量之间的概率关系的图形结构。贝叶斯网络也称为信念网络或贝叶斯网络。国阵关于不确定域的原因。

在这些网络中，每个节点代表一个具有特定命题的随机变量。例如，在医学诊断域中，节点 Cancer 表示患者患有癌症的命题。

连接节点的边表示这些随机变量之间的概率依赖关系。如果两个节点中的一个正在影响另一个节点，那么它们必须直接在效果的方向上连接。变量之间关系的强度由与每个节点关联的概率量化。

BN 中的弧上只有一个约束，即不能仅通过遵循有向弧返回到节点。因此，BN被称为有向无环图（DAG）。

BN 能够同时处理多值变量。BN 变量由两个维度组成 −

介词范围
分配给每个介词的概率。

考虑一个离散随机变量的有限集合 X = {X₁， X₂， ...，X_n}，其中每个变量 X i 可以从有限集合中获取值，用 Val（X i）表示。 如果存在从变量 X i 到变量 X j 的有向链接，则变量 X _i 将是变量 X j 的父级，显示变量之间的直接依赖关系。

BN的结构非常适合结合先验知识和观察数据。BN可用于学习因果关系，理解各种问题域，并预测未来事件，即使在丢失数据的情况下也是如此。

构建贝叶斯网络

知识工程师可以构建贝叶斯网络。知识工程师在构建它时需要采取许多步骤。

示例问题 - 肺癌。一名患者一直呼吸困难。他去看医生，怀疑自己患有肺癌。医生知道，除肺癌外，患者可能患有各种其他可能的疾病，例如肺结核和支气管炎。

收集问题的相关信息

患者是吸烟者吗？如果是，那么患癌症和支气管炎的机会很高。
患者是否暴露于空气污染中？如果是，什么样的空气污染？
X射线阳性X射线表明结核病或肺癌。

识别感兴趣的变量

知识工程师试图回答这些问题 -

要表示哪些节点？
他们能采取什么价值观？他们可以处于哪种状态？

现在让我们考虑只有离散值的节点。变量一次必须只采用其中一个值。

离散节点的常见类型是 -

布尔节点 - 它们代表命题，取二进制值TRUE（T）和FALSE（F）。
有序值 − 节点污染可能表示并取自 {低、中、高} 的值，用于描述患者暴露于污染的程度。
整数值 − 名为 Age 的节点可能表示患者的年龄，可能的值为 1 到 120。即使在这个早期阶段，建模选择也在进行中。

肺癌示例的可能节点和值 -

节点名称	类型	价值
排泄	二元的	{低、高、中}
吸烟者	布尔	{真，法斯尔}
肺癌	布尔	{真，法斯尔}
X射线	二元的	{正，负}

在节点之间创建圆弧

网络的拓扑应捕获变量之间的定性关系。

例如，是什么原因导致患者患肺癌？- 污染和吸烟。然后将节点污染和节点吸烟者的弧添加到节点肺癌。

同样，如果患者患有肺癌，则X射线结果将是阳性的。然后将来自淋巴结肺癌的电弧添加到淋巴结 X 射线中。

指定拓扑

传统上，BN 的布局使弧从上到下指向。节点 X 的父节点集由 Parents（X）给出。

肺癌节点有两个父级（原因或原因）：污染和吸烟者，而节点吸烟者是节点X射线的祖先。同样，X射线是淋巴结肺癌的子项（后果或影响），也是淋巴结吸烟者和污染的继任者。

条件概率

现在量化连接节点之间的关系：这是通过为每个节点指定条件概率分布来完成的。由于这里只考虑离散变量，因此采用条件概率表（CPT）的形式。

首先，对于每个节点，我们需要查看这些父节点的所有可能值组合。每个这样的组合称为父集的实例化。对于父节点值的每个不同实例化，我们需要指定子节点将采用的概率。

例如，肺癌节点的父母是污染和吸烟。它们取可能的值 = { （H，T），（ H，F），（L，T），（L，F）}。CPT 指定这些病例中每个病例的癌症概率分别为 <0.05、0.02、0.03、0.001>。

每个节点将具有关联的条件概率，如下所示 -

神经网络的应用

它们可以执行对人类来说很容易但对机器来说很难的任务 -

航空航天 - 自动驾驶飞机，飞机故障检测。
汽车 − 汽车制导系统。
军事 - 武器定向和转向，目标跟踪，物体识别，面部识别，信号/图像识别。
电子 - 代码序列预测，IC芯片布局，芯片故障分析，机器视觉，语音合成。
财务 - 房地产评估，贷款顾问，抵押贷款筛选，公司债券评级，投资组合交易计划，公司财务分析，货币价值预测，文件阅读器，信用申请评估员。
工业 − 制造过程控制、产品设计与分析、质量检测系统、焊接质量分析、纸张质量预测、化工产品设计分析、化工过程系统动态建模、机器维护分析、项目招标、规划和管理。
医疗 - 癌细胞分析，脑电图和心电图分析，假体设计，移植时间优化器。
语音 - 语音识别，语音分类，文本到语音转换。
电信 - 图像和数据压缩，自动化信息服务，实时口语翻译。
运输 − 卡车制动系统诊断、车辆调度、路线系统。
软件 − 面部识别、光学字符识别等中的模式识别
时间序列预测 - 人工神经网络用于预测股票和自然灾害。
信号处理 - 神经网络可以被训练来处理音频信号并在助听器中适当地过滤它。
控制 - 人工神经网络通常用于做出物理车辆的转向决策。
异常检测 - 由于ANN是识别模式的专家，因此还可以训练它们在发生与模式不匹配的异常情况时生成输出。