आर्टिफिशियल न्यूरल नेटवर्क (ANN) को दिमाग पर आधारित किया जाता है जहां न्यूरॉन्स को इंद्रियों से डेटा संसाधित करने, यादों को स्थापित करने और शरीर को नियंत्रित करने के लिए जटिल पैटर्न में जोड़ा जाता है। एक कृत्रिम तंत्रिका नेटवर्क (ANN) एक प्रणाली है जो जैविक तंत्रिका नेटवर्क के संचालन पर आधारित है या इसे जैविक तंत्रिका तंत्र के अनुकरण के रूप में भी परिभाषित किया गया है।
कृत्रिम तंत्रिका नेटवर्क
कृत्रिम तंत्रिका नेटवर्क (ANN) आर्टिफिशियल इंटेलिजेंस (AI) का एक हिस्सा है और यह है कंप्यूटर विज्ञान का क्षेत्र जो कंप्यूटर बनाने में संबंधित है और अधिक समझदारी से व्यवहार करता है। आर्टिफिशियल न्यूरल नेटवर्क्स (ANN) डेटा को प्रोसेस करते हैं और कुछ बुद्धिमत्ता का प्रदर्शन करते हैं और वे पैटर्न की पहचान, लर्निंग और सामान्यीकरण जैसे इंटेलिजेंस का प्रदर्शन करते हैं।
एक कृत्रिम तंत्रिका नेटवर्क एक क्रमादेशित कम्प्यूटेशनल मॉडल है जिसका उद्देश्य मानव मस्तिष्क की तंत्रिका संरचना और कार्यप्रणाली की प्रतिकृति बनाना है।
आर्टिफिशियल न्यूरल नेटवर्क्स के बारे में जानने से पहले, हमें यह अध्ययन करने की आवश्यकता है कि न्यूरल नेटवर्क क्या हैं और न्यूरॉन की संरचना के बारे में भी।
तंत्रिका नेटवर्क की परिभाषा:
तंत्रिका नेटवर्क को परस्पर न्यूरॉन्स की प्रणालियों के रूप में परिभाषित किया गया है। न्यूरॉन्स या तंत्रिका कोशिकाएं दिमाग के बुनियादी निर्माण खंड हैं जो जैविक तंत्रिका नेटवर्क हैं। न्यूरॉन की संरचना नीचे शो के रूप में है
न्यूरॉन की संरचना
कृत्रिम तंत्रिका नेटवर्क कम्प्यूटेशनल उपकरण हैं जो दिमाग के बाद तैयार किए गए थे। यह कृत्रिम रूप से उत्पादित न्यूरॉन्स की एक परस्पर संरचना से बना है जो डेटा ट्रांसफर के लिए पथ के रूप में कार्य करता है। शोधकर्ताओं ने पैटर्न मान्यता, भविष्यवाणी, अनुकूलन, साहचर्य स्मृति, और नियंत्रण में विभिन्न समस्याओं को हल करने के लिए कृत्रिम तंत्रिका नेटवर्क (एएनएन) डिजाइन कर रहे हैं।
कृत्रिम तंत्रिका नेटवर्क को इंटरकनेक्टेड न्यूरॉन्स बनाने का दूसरा सबसे अच्छा तरीका बताया गया है। इन कृत्रिम तंत्रिका नेटवर्क का उपयोग दिमागों को मॉडल बनाने और विशिष्ट कम्प्यूटेशनल कार्यों को करने के लिए किया जाता है। सफल एएनएन एप्लिकेशन में चरित्र पहचान की क्षमता होगी।
तंत्रिका नेटवर्क संरचना
तंत्रिका नेटवर्क का परिचय:
एक कंप्यूटिंग सिस्टम कई सरल, उच्च परस्पर प्रसंस्करण तत्वों से बना है और वे अपने गतिशील राज्य की प्रतिक्रिया के साथ बाहरी आदानों की जानकारी की प्रक्रिया करते हैं। न्यूरॉन में रैखिक या गैर-रैखिक प्रतिक्रिया उत्पन्न करने की क्षमता होती है। एक गैर-रैखिक कृत्रिम नेटवर्क गैर-रैखिक न्यूरॉन्स के अंतर्संबंध द्वारा बनाया गया है। गैर-रेखीय प्रणालियों में इनपुट होते हैं जो आउटपुट के लिए आनुपातिक नहीं होंगे।
तंत्रिका नेटवर्क का परिचय
कृत्रिम तंत्रिका नेटवर्क के अनुप्रयोग:
- मॉडलिंग और सौर भाप बनाने वाले संयंत्र के डिजाइन के लिए सौर ऊर्जा के क्षेत्र में कृत्रिम तंत्रिका नेटवर्क अनुप्रयोगों का उपयोग किया गया है।
- वे सिस्टम मॉडलिंग में उपयोगी हैं, जैसे कि जटिल मानचित्रण और सिस्टम पहचान को लागू करने में।
- एएनएन का उपयोग इमारतों के ताप-भार के आकलन के लिए किया जाता है, परवलयिक-गर्त कलेक्टर के अवरोधन कारक और स्थानीय एकाग्रता अनुपात
- ANN का उपयोग कंट्रोल, रोबोटिक्स, पैटर्न रिकग्निशन, फोरकास्टिंग, मेडिसिन, पावर सिस्टम, मैन्युफैक्चरिंग, ऑप्टिमाइज़ेशन, सिग्नल प्रोसेसिंग और सोशल / साइकोलॉजिकल साइंसेज में विविध अनुप्रयोगों में किया जाता है।
- उनका उपयोग प्राकृतिक रूप से हवादार परीक्षण कक्ष में हवा के प्रवाह की भविष्यवाणी के लिए और सौर इमारतों की ऊर्जा खपत की भविष्यवाणी के लिए भी किया गया है।
- वे शोर और अधूरे डेटा को संभालने में सक्षम हैं और गैर-रैखिक समस्याओं से निपटने में भी सक्षम हैं
- वेंटिलेटिंग और एयर-कंडीशनिंग सिस्टम, रेफ्रिजरेशन, मॉडलिंग, हीटिंग, लोड-फोरकास्टिंग, पावर-जेनरेशन सिस्टम और सौर विकिरण के नियंत्रण में कृत्रिम तंत्रिका-नेटवर्क का उपयोग।
एक कृत्रिम तंत्रिका नेटवर्क अनुप्रयोग जटिल समस्याओं से निपटने का एक वैकल्पिक तरीका प्रदान करता है क्योंकि वे नवीनतम सिग्नल प्रोसेसिंग प्रौद्योगिकियों में से एक हैं। आर्टिफिशियल न्यूरल नेटवर्क वास्तविक समाधान प्रदान करते हैं जो अन्य तकनीकों के साथ मेल खाना मुश्किल है। तंत्रिका नेटवर्क आधारित समाधान विकास, समय और संसाधनों के मामले में बहुत कुशल है।
एक तंत्रिका नेटवर्क के सॉफ्टवेयर कार्यान्वयन को उनके फायदे और नुकसान के साथ बनाया जा सकता है।
लाभ:
- एक तंत्रिका नेटवर्क कार्य कर सकता है जिसमें एक रैखिक कार्यक्रम प्रदर्शन नहीं कर सकता है।
- जब तंत्रिका नेटवर्क का एक तत्व विफल हो जाता है, तो यह उनके समानांतर प्रकृति द्वारा किसी भी समस्या के बिना जारी रह सकता है।
- एक तंत्रिका नेटवर्क को पुन: स्वरूपित करने की आवश्यकता नहीं है क्योंकि यह स्वयं सीखता है।
- इसे बिना किसी समस्या के आसान तरीके से लागू किया जा सकता है।
- अनुकूली, बुद्धिमान प्रणालियों के रूप में, तंत्रिका नेटवर्क मजबूत हैं और जटिल समस्याओं को हल करने में उत्कृष्टता प्राप्त करते हैं। तंत्रिका नेटवर्क उनके प्रोग्रामिंग में कुशल हैं और वैज्ञानिक सहमत हैं कि एएनएन का उपयोग करने के फायदे जोखिमों से आगे निकल जाते हैं।
- इसे किसी भी एप्लिकेशन में लागू किया जा सकता है।
नुकसान:
- तंत्रिका नेटवर्क संचालित करने के लिए प्रशिक्षण की आवश्यकता है।
- बड़े तंत्रिका नेटवर्क के लिए उच्च प्रसंस्करण समय की आवश्यकता होती है।
- एक तंत्रिका नेटवर्क की वास्तुकला से अलग है वास्तुकला और माइक्रोप्रोसेसरों का इतिहास इसलिए उनका अनुकरण किया जाना चाहिए।
एक कृत्रिम तंत्रिका नेटवर्क एक व्यवस्थित कदम-दर-चरण प्रक्रिया के साथ विकसित किया जाता है जो आमतौर पर सीखने के नियम के रूप में ज्ञात एक मानदंड का अनुकूलन करता है। इन नेटवर्कों के लिए इनपुट / आउटपुट ट्रेनिंग डेटा मूलभूत है क्योंकि यह उन सूचनाओं को संप्रेषित करता है जो इष्टतम ऑपरेटिंग बिंदु की खोज के लिए आवश्यक होंगी। तंत्रिका नेटवर्क की एक गैर-रेखीय प्रकृति इसके प्रसंस्करण तत्वों को उनके सिस्टम में लचीला बनाती है।
एक कृत्रिम तंत्रिका नेटवर्क एक प्रणाली है और यह प्रणाली एक संरचना है जो एक इनपुट प्राप्त करती है, डेटा को संसाधित करती है और आउटपुट प्रदान करती है। डेटा ऐरे में इनपुट WAVE ध्वनि, एक छवि फ़ाइल से डेटा या किसी भी प्रकार का डेटा होगा जिसे किसी ऐरे में दर्शाया जा सकता है। एक बार जब तंत्रिका नेटवर्क के लिए एक इनपुट प्रस्तुत किया जाता है तो आवश्यक लक्ष्य प्रतिक्रिया आउटपुट पर सेट की जाती है और वास्तविक सिस्टम के आउटपुट के साथ वांछित प्रतिक्रिया के अंतर से एक त्रुटि प्राप्त होती है। त्रुटि जानकारी को सिस्टम में वापस भेज दिया जाता है और यह एक व्यवस्थित क्रम में अपने मापदंडों के लिए कई समायोजन करता है जिसे आमतौर पर सीखने के नियम के रूप में जाना जाता है। वांछित उत्पादन स्वीकार किए जाने तक यह प्रक्रिया दोहराई जाती है।
यह देखा गया है कि प्रदर्शन डेटा पर बहुत अधिक टिका होता है, इसलिए डेटा को थर्ड पार्टी एल्गोरिदम जैसे डीएसआर एल्गोरिदम के साथ पूर्व-संसाधित किया जाना चाहिए।
कृत्रिम तंत्रिका नेटवर्क के लाभ:
- कृत्रिम तंत्रिका नेटवर्क लचीले और अनुकूली होते हैं।
- कृत्रिम तंत्रिका नेटवर्क का उपयोग अनुक्रम और पैटर्न मान्यता प्रणालियों, डेटा प्रसंस्करण, रोबोटिक्स, मॉडलिंग, आदि में किया जाता है।
- एएनएन आंतरिक और बाहरी मापदंडों का पालन करके अपने परिवेश से ज्ञान प्राप्त करता है और वे जटिल समस्याओं को हल करते हैं जिन्हें प्रबंधित करना मुश्किल है।
- यह अज्ञात परिस्थितियों के लिए पर्याप्त प्रतिक्रिया उत्पन्न करने के लिए ज्ञान का सामान्यीकरण करता है।
- लचीलापन - कृत्रिम तंत्रिका नेटवर्क लचीला होता है और इसके निष्कर्षों के आधार पर स्थितियों को सीखने, सामान्य बनाने और अपनाने की क्षमता होती है।
- गैर-रैखिकता - यह फ़ंक्शन नेटवर्क को सीखने के द्वारा कुशलतापूर्वक ज्ञान प्राप्त करने की अनुमति देता है। यह पारंपरिक रूप से रैखिक नेटवर्क पर एक अलग लाभ है जो गैर-रैखिक डेटा मॉडलिंग करने के लिए अपर्याप्त है।
- एक कृत्रिम न्यूरॉन नेटवर्क पारंपरिक नेटवर्क की तुलना में अधिक दोष सहिष्णुता के लिए सक्षम है। संग्रहीत डेटा के नुकसान के बिना, नेटवर्क इसके किसी भी घटक में एक गलती को पुन: उत्पन्न करने में सक्षम है।
- एक कृत्रिम न्यूरॉन नेटवर्क एडेप्टिव लर्निंग पर आधारित है।
कृत्रिम तंत्रिका नेटवर्क के प्रकार:
विभिन्न प्रकार के कृत्रिम तंत्रिका नेटवर्क (एएनएन) हैं - मानव मस्तिष्क के न्यूरॉन और नेटवर्क कार्यों के आधार पर, एक कृत्रिम तंत्रिका नेटवर्क या एएनएन समान तरीके से कार्य करता है। अधिकांश कृत्रिम तंत्रिका नेटवर्क में अधिक जटिल जैविक समकक्षों के साथ कुछ समानता होगी और वे अपने इच्छित कार्यों पर बहुत प्रभावी होते हैं जैसे उदा। विभाजन या वर्गीकरण। कृत्रिम तंत्रिका नेटवर्क के प्रकार
कृत्रिम तंत्रिका नेटवर्क के प्रकार
प्रतिक्रिया ANN - इस प्रकार के एएनएन में, आंतरिक रूप से सर्वोत्तम विकसित परिणामों को प्राप्त करने के लिए आउटपुट नेटवर्क में वापस चला जाता है। फीडबैक नेटवर्क अपने आप में जानकारी वापस फीड करता है और मैसाचुसेट्स यूनिवर्सिटी, लोवेल सेंटर फॉर एटमॉस्फियर रिसर्च के अनुसार अनुकूलन समस्याओं को हल करने के लिए अच्छी तरह से अनुकूल है। प्रतिक्रिया ANN का उपयोग आंतरिक सिस्टम त्रुटि सुधार द्वारा किया जाता है।
फ़ीड फॉरवर्ड ANN - एक फीड-फॉरवर्ड नेटवर्क एक सरल तंत्रिका नेटवर्क है जिसमें एक इनपुट परत, एक आउटपुट परत और न्यूरॉन्स की एक या अधिक परतें होती हैं। इसके इनपुट की समीक्षा करके इसके आउटपुट का मूल्यांकन करें, नेटवर्क की शक्ति को समूह के व्यवहार के आधार पर देखा जा सकता है। कनेक्टेड न्यूरॉन्स और आउटपुट का फैसला किया जाता है। इस नेटवर्क का मुख्य लाभ यह है कि यह इनपुट पैटर्न का मूल्यांकन और पहचान करना सीखता है।
वर्गीकरण-भविष्यवाणी ANN -यह फ़ीड-फॉरवर्ड ANN का सबसेट है और वर्गीकरण-भविष्यवाणी ANN डेटा-माइनिंग परिदृश्यों पर लागू होता है। नेटवर्क को विशेष पैटर्न की पहचान करने और उन्हें विशिष्ट समूहों में वर्गीकृत करने के लिए प्रशिक्षित किया जाता है और फिर उन्हें 'उपन्यास पैटर्न' में वर्गीकृत किया जाता है जो नेटवर्क के लिए नए हैं।
एक कृत्रिम तंत्रिका नेटवर्क एक जैविक तंत्रिका नेटवर्क का एक कम्प्यूटेशनल सिमुलेशन है। ये न्यूरॉन्स और विद्युत संकेतों के व्यवहार के अधिकारी होते हैं, जिसमें वे इनपुट के बीच संचार करते हैं जैसे कि आंखों से या तंत्रिका अंत से हाथ से मस्तिष्क के आउटपुट तक प्रतिक्रिया जैसे कि प्रकाश, स्पर्श या गर्मी के लिए।
वैज्ञानिक कृत्रिम तंत्रिका नेटवर्क की डिजाइनिंग और न्यूरॉन्स के शब्दार्थों के संवाद के बारे में कृत्रिम बुद्धिमत्ता के निर्माण में शोध कर रहे थे।
तंत्रिका नेटवर्क सॉफ्टवेयर:
तंत्रिका नेटवर्क सिमुलेटर सॉफ्टवेयर अनुप्रयोग हैं जो कृत्रिम या जैविक तंत्रिका नेटवर्क के व्यवहार का अनुकरण करने के लिए उपयोग किए जाते हैं। वे एक या सीमित संख्या में विशिष्ट प्रकार के तंत्रिका नेटवर्क पर ध्यान केंद्रित करते हैं। तंत्रिका नेटवर्क सिमुलेशन अक्सर अन्य डेटा विश्लेषण की तुलना में तेज और अधिक सटीक भविष्यवाणी प्रदान करता है। इन तंत्रिका नेटवर्क के तरीके डेटा माइनिंग प्रक्रिया में महत्वपूर्ण भूमिका निभाते हैं।
तंत्रिका नेटवर्क सॉफ्टवेयर
वे आम तौर पर अकेले खड़े होते हैं और तंत्रिका नेटवर्क उत्पन्न करने का इरादा नहीं रखते हैं जिन्हें अन्य सॉफ़्टवेयर में एकीकृत किया जाना है। सिमुलेटर में आमतौर पर प्रशिक्षण प्रक्रिया की निगरानी के लिए अंतर्निहित दृश्य के कुछ रूप होते हैं। कुछ सिमुलेटर तंत्रिका नेटवर्क की भौतिक संरचना की कल्पना भी करते हैं। तंत्रिका नेटवर्क की अवधारणा व्यापक रूप से डेटा के विश्लेषण के लिए उपयोग की जाती है। कृत्रिम तंत्रिका नेटवर्क सॉफ्टवेयर, समय श्रृंखला पूर्वानुमान, फ़ंक्शन सन्निकटन और प्रतिगमन विश्लेषण की सहायता से किया जा सकता है। तंत्रिका नेटवर्क के अलावा वस्तुतः असीम निर्णय लेने, पैटर्न मान्यता, पूर्वानुमान, स्वचालित नियंत्रण प्रणाली और बहुत सारे।
एक न्यूरल नेटवर्क को 'रिप्रोग्राम्ड' होने की आवश्यकता नहीं है, क्योंकि यह मानव के समान कुछ भी सीखता है।
तंत्रिका नेटवर्क सिमुलेशन
एएनएन के विकास के पीछे मुख्य उद्देश्य और उद्देश्य यह है कि वे बुनियादी जैविक न्यूरॉन के साथ कृत्रिम गणना मॉडल की व्याख्या करते हैं। वे मल्टी लेयर फीड-फॉरवर्ड नेटवर्क पेश करके नेटवर्क आर्किटेक्चर और सीखने की प्रक्रियाओं को रेखांकित करते हैं। यह सुझाव दिया जाता है कि ऊर्जा उत्पादन के अन्य क्षेत्रों में मॉडलिंग के लिए कृत्रिम तंत्रिका-नेटवर्क का उपयोग किया जा सकता है। कृत्रिम तंत्रिका नेटवर्क का कार्यान्वयन क्यों आवश्यक होगा? यदि आपके कोई प्रश्न हैं तो नीचे टिप्पणी करें या हमारी साइट पर जाएँ।
फ़ोटो क्रेडिट:
- आर्टिफिशियल न्यूरल नेटवर्क द्वारा दुनियादारी
- द्वारा न्यूरॉन की संरचना तंत्रिका विज्ञान
- द्वारा न्यूरल नेटवर्क का परिचय कार्डिफ
- द्वारा तंत्रिका नेटवर्क सिमुलेशन बाहर
