在機器學習中經常使用的6種人工神經網路

AiTechYun

編輯：nanan

人工神經網路是是類似於人類神經系統功能的計算模型。有幾種人工神經網路是基於數學運算和確定輸出所需的一組參數來實現的。讓我們來看看吧:

1.前饋神經網路-人工神經元

這個神經網路是人工神經網路最簡單的形式之一，它的數據或輸入是單向的。數據通過輸入節點並在輸出節點上退出。這個神經網路可能有隱藏層，也可能沒有隱藏層。簡單地說，通常使用分類激活函數，它具有前傳播波而無反向傳播。

下面是一個單層前饋網路。在這裡，輸入和權重的乘積之和被計算出來並輸出到輸出。輸出被認為是否超過某個值，即閾值（通常為0），神經元以激活的輸出（通常為1）激發，如果不激活，則激活的值被發射（通常為-1）。

前饋神經網路在計算機視覺和語音識別中的應用，對目標類的分類是複雜的。這些神經網路對雜訊數據敏感，易於維護。本文介紹了前饋神經網路的使用情況。x射線圖像融合是基於邊緣疊加兩個或多個圖像的過程。這是一個視覺描述。

2.徑向基函數神經網路

徑向基函數考慮一個點對中心的距離。RBF函數有兩層，首先將特徵與內部層的徑向基函數結合在一起，然後在下一個時間步計算相同的輸出時考慮這些特徵的輸出，這基本上是一個存儲器。

下面是一個圖表，它表示從中心到平面的一個點的距離，類似於圓的半徑。這裡，也可以使用歐幾里德距離度量中使用的距離度量。該模型在將各點劃分為不同的類別時，依賴於圓的最大值或半徑。如果該點位於半徑內或附近，新點開始分類到該類別的可能性很高。從一個區域到另一個區域的變化可能會有一個轉變，而這可以由beta函數來控制。

該神經網路已應用於電力恢復系統。電力系統的規模和複雜性都在增加。這兩個因素都增加了大停電的風險。在停電之後，電力需要儘快和可靠地恢復。本文介紹了RBF神經網路在該領域的應用。

電力恢復通常按以下順序進行:

—第一要務是恢復社區基本客戶的權力。這些客戶為所有人提供醫療保健和安全服務，首先回復他們的權利，使他們能夠幫助其他人。基本客戶包括醫療設施、學校董事會、重要的市政基礎設施、警察和消防服務。

—然後專註於為更多客戶服務的主要電力線路和變電站。

—給維修帶來更高的優先順序，將使最大數量的客戶儘快恢復服務。

—然後將電力恢復到較小的社區、個人住宅和企業的電源。

下圖顯示了電力恢復系統的典型順序：

參照圖表，首先要解決傳輸線上A點的問題。有了這條線路，所有的房子都不能恢復供電。接下來，解決變電站外主配電線上的問題B。房屋2、3、4和5都受到這個問題的影響。接下來，將線路固定在C點，影響4號和5號房屋。最後，我們將D線的服務線固定到房屋1。

3.Kohonen自組織神經網路

Kohonen地圖的目標是將任意維度的向量輸入到由神經元組成的離散映射中。地圖需要訓練來創建自己的訓練數據組織。它由一個或兩個維度組成。在訓練地圖時，神經元的位置保持不變，但權重因數值不同而不同。這個自組織過程有不同的部分，在第一階段，每個神經元的值都是用一個小的權重和輸入向量來初始化的；在第二階段，最接近該點的神經元是「獲勝的神經元」，與獲勝神經元相連的神經元也將向下移動，如下圖所示。點與神經元之間的距離是由歐幾里德距離計算，距離最遠的神經元獲勝。通過迭代，所有的點都聚集在一起，每個神經元代表每一種集群。這是Kohonen神經網路組織的主旨。

GIF

Kohonen神經網路用於識別數據中的模式。其應用可以在醫學分析中找到，以將數據聚類成不同的類別。Kohonen地圖能夠對具有高準確度的腎小球或腎管患者進行分類。這裡是如何使用歐幾里德距離演算法對其進行數學分類的詳細解釋。下圖展示了健康和患有腎小球的人之間的比較。

4.遞歸神經網路(RNN) -長期短期記憶

遞歸神經網路的工作原理是保存一層的輸出，並將其反饋給輸入，以幫助預測該層的結果。

這裡，第一層形成類似於前饋神經網路的權重和特徵之和的乘積。一旦計算出這個循環的神經網路過程就開始了，這意味著從一個時間步到下一個時間點，每個神經元都會記住它在上一個時間步中的一些信息。這使得每個神經元在執行計算時表現得像一個記憶細胞。在這個過程中，我們需要讓神經網路在前面的傳播中工作，並記住它需要什麼信息，以便以後使用。在這裡，如果預測是錯誤的，我們就利用學習速率或誤差修正來做出微小的改變，以便在反向傳播過程中逐漸做出正確的預測。這就是一個基本的遞歸神經網路。

GIF

遞歸神經網路的應用可以在語音(TTS)轉換模型中找到。本文介紹了在加州百度人工智慧實驗室開發的Deep Voice。它是受傳統的文本到語音結構的啟發，用神經網路代替所有的組件。首先，將文本轉換為「音素」，音頻合成模型將其轉換為語音。RNN也在Tacotron 2中實現:人類喜歡通過文本轉換的語音。我們可以從下面看到：

5.卷積神經網路

卷積神經網路類似於前饋神經網路，其神經元具有可學習的權重和偏差。在計算機視覺領域，它的應用已經在計算機視覺領域承擔OpenCV的信號和圖像處理。

下面是一個ConvNet的表示，在這個神經網路中，輸入特性像一個過濾器一樣分批被採取的。這將幫助網路記住部件中的圖像，並能夠計算操作。這些計算涉及將圖像從RGB或HIS尺度轉換成灰度。一旦我們有了這個，像素值的變化將幫助檢測邊緣和圖像可以劃分為不同的類別。

GIF

ConvNet應用於信號處理和圖像分類技術等技術。由於圖像分類的準確性，計算機視覺技術由卷積神經網路佔主導地位。從像LSAT這樣的開源衛星中提取農業和氣象特徵的圖像分析和識別技術正在得到實施。

6.模塊化神經網路

模塊化神經網路具有獨立工作的不同網路集合，並對輸出有貢獻。每個神經網路都有一組與其他網路構造和執行子任務相比較的輸入。這些網路在完成任務時不會相互作用或發出信號。模塊化神經網路的優點是將大型的計算過程分解成較小的組件，從而降低了複雜性。這種分解將有助於減少連接的數量，並消除這些網路之間的相互作用，從而提高計算速度。然而，處理時間將取決於神經元的數量以及它們對計算結果的參與程度。

下面是一個視覺表現：

模塊化神經網路(MNN)是人工神經網路研究中一個快速發展的領域。本文研究了創建MNN的不同動機:生物、心理、硬體和計算。然後，對MNN設計的一般階段進行了概述和調查，即任務分解技術、學習方案和多模塊決策策略。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！