reti neurali può aiutare a risolvere i problemi che sono troppo complessi per la tecnologia convenzionale che si basa sulla ricerca di una soluzione algoritmica . Problemi reali che richiedono pensiero adattabile includono previsioni di vendita, controllo dei processi industriali , la ricerca dei clienti , gestione del rischio , target marketing e analisi di texture. Le reti neurali aiutano in queste aree a causa della loro capacità di individuare il contenuto di dati complessi e impreciso .
Tempo reale Operazione
differenza dei computer seriali convenzionali , le reti neurali non eseguire istruzioni programmate . Invece , essi rispondono in parallelo al pattern di input presentate loro . Le reti neurali creare la propria organizzazione o la rappresentazione di informazioni immessa in loro durante il tempo di apprendimento . La memoria non è memorizzato separatamente, ma in tutta la rete . La "conoscenza " della rete è, quindi , più grande della somma delle sue singole parti .
Fault Tolerance
Se una rete neurale è in parte distrutta , alcune zone avranno una degradazione delle prestazioni . A differenza delle reti tradizionali , tuttavia, alcune funzionalità di una rete neurale sono mantenuti anche con gravi danni. Questo è molto simile a quando una persona subisce un danno cerebrale localizzato che colpisce solo determinate capacità cognitive .
Learning
reti neurali possiedono "regole di apprendimento" che permettono loro di imparare con l'esempio. Il più comune è la regola delta utilizzato con reti neurali back- propagational . Retro - propagazione riferisce alla propagazione all'indietro dell'errore . Imparare usando la regola delta è un processo controllato che accade ogni volta che la rete si presenta con un nuovo modello di input . La rete prevede ciò che il modello potrebbe essere e quindi confronta tale stima con ciò che è effettivamente presentato . Esso utilizza alcuna differenza per adeguare i propri collegamenti .
networking © www.354353.com