artikel ini merupakan artikel yang komprehensif, yang memperkenalkan konsep dan penerapan kecerdasan buatan dan rangkaian neural. Artikel ini pada mulanya dipilih kerana rangkaian neural dipelajari dalam proses belajar pembelajaran mesin, karena jaringan syaraf tiruan lebih dekat dengan otak manusia dari segi prinsip dan ciri-ciri fungsinya. ia bukanlah satu program yang menjalankan operasi secara berturut-turut, tetapi dapat menyesuaikan diri dengan alam sekitar, meringkaskan peraturan, melakukan operasi, pengiktirafan atau kawalan proses . Saya fikir ada banyak aplikasi penting dalam kecerdasan buatan, jadi saya memilih artikel ini.

artikel itu adalah artikel yang komprehensif yang memperkenalkan konsep dan aplikasi kecerdasan buatan dan jaringan syaraf. jaringan saraf tiruan lebih dekat dengan otak manusia dari segi prinsip perlembagaan dan ciri-ciri fungsionalnya. bukan program yang diberikan yang melakukan operasi langkah demi langkah langkah, tetapi boleh menyesuaikan diri dengan alam sekitar dan meringkaskan peraturan. membuat operasi, pengiktirafan, atau kawalan kerja.

Bahagian pertama terutamanya memperkenalkan kecerdasan buatan.

kecerdasan buatan ditakrifkan sebagai objek tiruan, seperti komputer atau mesin, yang menunjukkan tingkah laku pintar yang mampu menangani masalah yang rumit. dan apakah kecerdasannya? ini melibatkan isu-isu seperti kesedaran, diri, pemikiran, dan sebagainya, dan satu-satunya kecerdasan yang kita tahu adalah kecerdasan manusia. Ia adalah sejenis keupayaan untuk membayangkan dan mewujudkan pemahaman memori, pengiktirafan corak, pilihan, menyesuaikan diri dengan perubahan dan pengalaman pembelajaran. Tujuan utama kecerdasan buatan adalah untuk membuat mesin berkelakuan lebih seperti manusia, dan kedua, untuk membuat mesin lebih seperti manusia dalam cara mereka menyelesaikan masalah yang rumit tetapi mengambil masa yang kurang dari manusia. hari ini, kecerdasan buatan dibahagikan kepada dua bahagian: ai kuat dan ai.strong ai yang lemah bermakna mesin boleh berfikir sendiri, seperti tabir dalam filem, dan bahkan menggantikan manusia. ai lemah adalah prestasi mesin yang kelihatannya mempunyai kecerdasan, seperti bermain aplikasi catur, dan semua langkah yang ia buat untuk bermain catur disimpan dalam komputer terlebih dahulu. aplikasi catur itu sendiri tidak berfikir atau merancang. bagaimana anda tahu jika mesin mempunyai kelakuan pintar? pada tahun 1950, alan turing mengemukakan ujian turing, dan tidak banyak penjelasan untuk menguji ujian, kerana guru memperkenalkannya di kelas.

untuk asal kecerdasan tiruan, ia dikaitkan dengan banyak disiplin, terutama falsafah, logik, matematik, pengkomputeran, psikologi / sains kognitif, sains biologi / neurosains.

Bahagian kedua terutamanya memperkenalkan rangkaian neural buatan. Bahagian ini juga memperkenalkan tiga bahagian kecil, memperkenalkan konsep rangkaian saraf tiruan, jenis-jenis kaedah pembelajaran rangkaian neural dan fungsi penting dalam fungsi insentif rangkaian tiruan saraf tiruan.

bahagian pertama memperkenalkan konsep rangkaian saraf tiruan. rangkaian neural buatan adalah rangkaian pemproses penyambung , masing-masing dengan sebahagian daripada ruang penyimpanan tempatan (sangat kecil). neuron ini hanya menjalankan data tempatan dan data input mereka sendiri (yang dimasukkan dalam satu cara melalui pautan dan litar), dan setiap neuron menggunakan peraturan untuk mengetahui input isyarat. pengeluaran isyarat ini kepada neuron lain, dan perhitungan data output ini dipanggil fungsi insentif.

struktur rangkaian saraf umumnya mempunyai tiga lapisan, seperti yang ditunjukkan di bawah. Lapisan pertama adalah lapisan masukan, yang digunakan untuk berinteraksi langsung dengan dunia luar, dan lapisan kedua adalah elemen tersembunyi, yang digunakan untuk menyelesaikan pengiraan sesuai dengan fungsi yang diperlukan. Lapisan ketiga ialah lapisan output.

Bahagian kedua pembelajaran rangkaian neural boleh dibahagikan kepada tiga jenis: pembelajaran diawasi, pembelajaran tanpa pengawasan dan pembelajaran yang lebih kuat. dalam pembelajaran penyeliaan, setiap contoh terdiri daripada objek masukan dan nilai output yang dijangkakan. Oleh itu, kesilapan dan perbezaan antara hasil yang dijangkakan dan sebenar bagi setiap nod pada lapisan output boleh didapati, yang akan digunakan untuk menentukan berat rangkaian nod (mengikut

kaedah pembelajaran). iaitu, nilai output yang diharapkan pada setiap nod ditentukan oleh guru luaran.

tidak ada guru luaran dalam pembelajaran tanpa pengawasan, jadi cara pembelajaran didasarkan pada clustering, dan mengikut input, set model dibahagikan kepada kelas yang berbeza. model pembelajaran seperti ini juga boleh dipanggil mod diri, contohnya ialah undang-undang pembelajaran hebbian dan undang-undang pembelajaran persaingan, dan pembelajaran tanpa pengawasan adalah lebih penting daripada pembelajaran diawasi. kerana otak biasanya tidak dapat dikawal.

Pengukuhan pembelajaran adalah berdasarkan pembelajaran tanpa pengawasan dan pembelajaran yang diawasi, dan dalam proses penerokaan, dengan meneroka alam sekitar yang tidak diketahui ketika membangun model lingkungan dan mempelajari strategi yang optimal, setiap tindakan sesuai dengan ganjaran, dan akhirnya mendapat ganjaran terbesar untuk pemprosesan data .

Bahagian ketiga memperkenalkan tiga jenis fungsi insentif. fungsi ambang pertama, apabila jumlah input kurang daripada ambang, menetapkan 0, dan apabila jumlah nilai input lebih besar daripada ambang, set 1.

yang kedua ialah fungsi linier yang tersegmentasi yang boleh mengambil nilai antara 0,1, bergantung pada perbesaran operasi linier suatu rantau.

yang ketiga ialah fungsi sigmoid, yang boleh menggunakan julat antara 0 dan 1, tetapi kadang-kadang boleh mengambil julat dari 1 hingga 1, contoh fungsi sigmoid adalah tangen hiperbolik.

Bahagian ketiga terutamanya memperkenalkan beberapa aplikasi lanjutan rangkaian saraf.

aplikasi pertama ialah antara muka komputer otak manusia berdasarkan rangkaian saraf. antara muka komputer otak manusia adalah salah satu teknologi antara muka yang paling menjanjikan antara manusia dan machine.bci juga dipanggil antara muka siwei. ia sebenarnya saluran komunikasi antara otak dan komputer, yang membolehkan isyarat yang dihantar oleh otak untuk berinteraksi langsung dengan aktiviti luaran, seperti mengawal kursor, atau pengguna boleh memasukkan nombor telefon dengan menatap pada papan kekunci paparan .the antara muka modul menyediakan cara komunikasi di antara otak dan antara muka yang mahu dikawal, dan antara muka bci membolehkan seseorang yang lumpuh menulis buku atau mengawal kerusi roda elektrik. contohnya pilihan terbaik untuk melaksanakan bci, tetapi gelombang otak sangat lemah dan terdapat banyak jenis bunyi.

isyarat diperoleh dari otak manusia, kemudian diproses, diekstrak dari ciri-ciri, kemudian diklasifikasikan, dan kemudian diberi makan kembali kepada manusia melalui antarmuka aplikasi. bilangan dan kelajuan penyelidikan bci telah berkembang pesat dalam tempoh lima tahun yang lalu, dengan tidak lebih dari enam kumpulan mengkajinya pada tahun 1995, dan sekurang-kurangnya 20 kumpulan belajar bci sekarang.

aplikasi kedua adalah untuk memahami dan menerangkan aplikasi dalam tingkah laku objek. Analisis trajektori adalah salah satu masalah utama dalam memahami tingkah laku. pembelajaran pola trajektori boleh digunakan untuk mengesan anomali dan untuk meramal trajektori objek. model yang mempelajari kawasan semantik dengan menganalisis trajektori objek bergerak dalam adegan atau rangka kerja. jalan pertama dikodkan untuk menunjukkan lokasi imej dan kelajuan serta-merta. maka algoritma klustering digunakan untuk mengklasifikasikan trek mengikut pengagihan ruang dan halaju yang berlainan, dan dalam setiap kelompok, ruang trek hampir dan kelajuan adalah sama. kelas ini boleh mewakili cara aktiviti. berdasarkan kluster orbit ini, model statistik kawasan semantik di tempat kejadian boleh diperolehi dengan menganggarkan pengedaran dan kepadatan halaju setiap pola aktiviti. Model ini berdasarkan kombinasi pengiraan vektor rangkaian neural dan neuron dengan memori jangka pendek kebolehan. model trajektori pejalan kaki yang dihasilkan akan digunakan untuk menilai trajektori baru, meramalkan trajektori masa depan objek, secara rawak menghasilkan trajektori baru.

aplikasi ketiga adalah rangkaian saraf buatan dalam grafik komputer.

rangkaian saraf buatan telah memainkan peranan yang sangat penting dalam bidang imej. pereka imej cuba menggabungkan imej sebenar dengan imej yang dijana oleh komputer untuk meningkatkan visualisasi objek output. menggunakan teknologi penderiaan haba boleh menghasilkan beberapa imej yang paling tulen.

permohonan keempat adalah robot berjalan automatik dan robot bawah air.

robot berjalan secara automatik adalah berdasarkan konsep modular. masalah membuat robot berjalan secara automatik boleh disassembled menjadi beberapa masalah fungsional. memecahkan masalah yang rumit ke dalam masalah mudah dan mudah diurus, dan penyelidikan dalam bidang ini menggabungkan pengetahuan tentang biologi, mekanik, dan teknologi maklumat, kemudian mengembangkan kenderaan dinamik, stabil, mudah alih menggunakan kawalan rangkaian saraf. Ini sama dengan robot bawah air , dan mesin bawah laut membantu operasi salvage, mencegah pencemaran, penyelamatan di laut dan penyelidikan saintifik laut. jadi robot bawah air telah berkembang banyak selama bertahun-tahun.

Aplikasi kelima adalah animasi muka.

Pemodelan muka dan animasi adalah salah satu tugas yang paling sukar dalam grafik komputer, dan sangat sukar untuk mengubah kehidupan menjadi bentuk digital. gunakan b-permukaan berlapis sebagai pangkalan untuk membuat animasi muka. rangkaian saraf boleh digunakan untuk mempelajari ciri-ciri setiap ekspresi muka dalam urutan animasi.

yang keenam adalah rangkaian neural untuk memperkuat teknologi anti-virus.

Rangkaian neural buatan dan kecerdasan buatan memainkan peranan yang semakin penting dalam pengesanan virus, yang menguatkan fungsi dalaman teknologi anti-virus, membolehkannya mengesan dan memperbaiki semua jenis virus. contohnya, teknologi pengesanan permulaan rangkaian neural ibm menyediakan keselamatan tambahan dengan meniru neuron manusia untuk mempelajari perbezaan antara rekam yang dijangkiti dan tidak dijangkiti. Banyak contoh virus dan bukan virus menunjukkan bahawa rangkaian saraf melakukan lebih baik daripada carian wizard yang diselaraskan secara manual untuk virus.

Bahagian keempat terutamanya memperkenalkan penggunaan kecerdasan buatan.

permohonan pertama adalah perlombongan data dan pengekstrakan pengetahuan. Tiga teknik dasar dalam kecerdasan buatan digunakan, termasuk ekspresi pengetahuan, dan penambangan data ingin mencari corak minat dari sejumlah besar data, yang dapat digunakan dalam banyak bentuk, seperti aturan persatuan. peraturan keputusan dan keputusan tree.there juga pemerolehan pengetahuan dan penalaran pengetahuan, dan pola yang dijumpai dari set data perlu disahkan dalam aplikasi yang berbeza.

aplikasi kedua adalah sistem tiruan. sistem pakar adalah subset kecerdasan buatan, dan sistem pakar adalah program kecerdasan buatan, yang mempunyai pengetahuan ahli dalam bidang tertentu dan tahu bagaimana menggunakan pengetahuannya untuk menjawab dengan tepat masalah yang berkaitan.

permohonan ketiga adalah sifat dan proses asal nlp. pemprosesan bahasa semulajadi adalah subdomain kecerdasan buatan. matlamatnya adalah untuk mencapai mekanisme pemprosesan bahasa seperti manusia. gambar berikut adalah model nlp.

permohonan keempat adalah syaitan. Robotik adalah sebahagian daripada kecerdasan buatan.

Permohonan kelima adalah untuk menggunakan kecerdasan buatan untuk permainan. Permainan moden biasanya menggunakan grafik animasi 3d untuk memberi orang perasaan yang sebenar. kecerdasan buatan dalam kebanyakan permainan komputer bukan kecerdasan buatan akademik, tetapi sangat dekat dengan teknologi kecerdasan buatan, yang mencipta ilusi intelektual. kecerdasan buatan termasuk teknik yang menggabungkan amalan pengaturcaraan dan reka bentuk: pencarian jalan, rangkaian saraf, model emosi, sosial adegan, mesin negara terhingga, sistem peraturan, pembelajaran pokok keputusan dan teknik lain.

pada akhir kertas, beberapa masalah yang diteliti para penyelidik, misalnya, sama ada mesin menyedari kewujudannya? apa maksudnya kepada manusia? Adakah rangkaian saraf sepenuhnya sama dengan otak manusia dan sebagainya pada akhir kertas, beberapa masalah yang dikendalikan penyelidik, misalnya, sama ada mesin menyedari kewujudannya? apa maksudnya kepada manusia? akan rangkaian saraf sepenuhnya sama dengan otak manusia dan sebagainya.

subjek kertas ini selesai. melalui kajian dan pembacaan kertas ini, didapati bahawa dunia komputer boleh mendapat banyak manfaat daripada kaedah rangkaian saraf. pada masa akan datang, kecerdasan buatan akan membangunkan mesin dan komputer yang lebih kompleks daripada kita hari ini, dan mereka mungkin benar-benar mempunyai akal yang mudah dan mempunyai kecerdasan manusia serupa dalam beberapa bidang. perkembangan masa depan kecerdasan buatan mungkin benar-benar mengubah dunia kita.