W majowym numerze Projektowania i Konstrukcji Inżynierskich przedstawiałem algorytmy ewolucyjne jako jedno z narzędzi sztucznej inteligencji, czy też raczej „inteligencji obliczeniowej” przydatne w pracy inżyniera. Wspomniałem wtedy również o tym, że algorytmy ewolucyjne nie są jedyną, z tzw. miękkich metod obliczeń, godną zainteresowania.

Antoni Skrobol

Sztuczne sieci neuronowe zostały stworzone na potrzeby nauk biologicznych. Modele matematyczne miały symulować działanie rzeczywistych neuronów i pomóc w lepszym zrozumieniu działania mózgu. Jak to jednak często bywa, coś, co zostało stworzone na potrzeby wąskiej dziedziny wiedzy, zupełnie przypadkiem okazało się wynalazkiem mogącym zainteresować wielu ludzi z różnych dziedzin – od przemysłu, poprzez ekonomię i branżę IT, aż po producentów urządzeń szpiegowskich. Dzięki swoim zaletom – umiejętności generalizacji problemów i aproksymacji – sztuczne sieci neuronowe są, moim zdaniem, narzędziem wartym poświęcenia uwagi.

Układ nerwowy człowieka składa się z około 100 miliardów neuronów różnego typu. Każdy neuron za pomocą dendrytów może być połączony z innymi neuronami. Neurony mają różne kształty oraz właściwości i mogą spełniać różne funkcje w układzie nerwowym.
Typowy neuron składa się z ciała komórkowego, jądra oraz wypustek nazywanych dendrytami. Jedna z wypustek jest grubsza i jest nazywana aksonem. Dendryty to „wejścia” do neuronu – to przez nie komórka otrzymuje sygnały od innych komórek nerwowych, przetwarza je, a następnie przesyła dalej za pomocą jednego aksonu. Tak więc neuron jest obiektem przetwarzającym sygnały wejściowe w jeden sygnał wyjściowy. Tak też działa jeden z podstawowych modeli matematycznych jakim jest neuron McCullocha i Pittsa wprowadzony w 1943 roku. Oblicza on sumę ważoną sygnałów wejściowych od innych neuronów i daje na wyjściu wartość 1 lub 0 w zależności od tego, czy suma przekroczyła ustaloną wartość progową, czy też nie.
W przypadku neuronu McCullocha i Pittsa aby nastąpiła aktywacja neuronu suma ważona wejść do neuronu musi osiągnąć lub przekroczyć wartość progową. Stosowane są różne rodzaje funkcji aktywacji – liniowe oraz nieliniowe. Najbardziej popularne są sieci, których neurony posiadają funkcję aktywacji będącą nieliniową, monotoniczną, rosnącą funkcją rzeczywistą.

cały artykuł dostępny jest w wydaniu 7/8 (22/23) lipiec/sierpień 2009

Czytaj także:

Zarządzanie danymi i informacją w przedsiębiorstwie

Modelowanie połączenia rury z obejmą z uwzględnieniem obciążenia typu „bolt load”

MES nie jest dla teoretyków

Wysokie loty po raz setny Salon lotniczy w Berlinie