Professional Documents
Culture Documents
-Mỗi nơron sinh học gồm có 3 thành phần:Thân nơron với nhân ở bên trong
(soma), một đầu dây thần kinh ra (axon) và một hệ thống phân nhánh hình cây
(Dendrite) để nhận các thông tin vào. Trong thực tế có rất nhiều dây thần kinh
vào và chúng bao phủ một diện tích rất lớn (0,25mm2). Mỗi nơron nhận tín hiệu
vào từ các tế bào thần kinh khác. ---Chúng tích hợp các tín hiệu vào, khi tổng tín
hiệu vượt quá một ngưỡng nào đó chúng tạo tín hiệu ra và gửi tín hiệu này tới
các nơron khác thông qua dây thần kinh. Các nơron liên kết với nhau thành
mạng. Mức độ bền vững của các liên kết này xác định một hệ số gọi là trọng số
liên kết.
III.Mạng nơ-ron nhân tạo : là mạng nơ-ron là một mô hình toán học
hay mô hình tính toán được xây dựng dựa trên các mạng nơ-ron sinh học. Nó
gồm có một nhóm các nơ-ron nhân tạo (nút) nối với nhau, và xử lý thông tin
bằng cách truyền theo các kết nối và tính giá trị mới tại các nút (cách tiếp cận
connectionism đối với tính toán).
-Trong nhiều trường hợp, mạng nơ-ron nhân tạo là một hệ thống thích ứng
(adaptive system) tự thay đổi cấu trúc của mình dựa trên các thông tin bên ngoài
hay bên trong chảy qua mạng trong quá trình học.
Sau đây là mô hình của một nơron nhân tạo
Nơron này sẽ hoạt động như sau: giả sử có N inputs, nơron sẽ có N weights
(trọng số) tương ứng với N đường truyền inputs. Nơron sẽ lấy tổng cótrọng số
của tất cả các inputs. Nói như thế có nghĩa là nơron sẽ lấy input thứ nhất, nhân
với weight trên đường input thứ nhất, lấy input thứ hai nhân với weight của
đường input thứ hai v.v..., rồi lấy tổng của tất cả các kết quả thu được. Đường
truyền nào có weight càng lớn thì tín hiệu truyền qua đó càng lớn, như vậy có
thể xem weight là đại lượng tương đương với synapse trong nơron sinh học. Có
thể viết kết quả lấy tổng của nơron như sau:
Kết quả này sẽ được so sánh với threshold t của nơron, nếu nó lớn hơn t thì
nơron cho output là 1, còn nếu nhỏ hơn thì output là 0. Ngoài ra ta cũng có thể
trừ tổng nói trên cho t, rồi so sánh kết quả thu được với 0, nếu kết quả là dương
thì nơron cho ouput bằng 1, nếu kết quả âm thì output là 0. Dưới dạng toán học
ta có thể viết output của nơron như sau:
f được gọi là threshold function hay transfer function của nơron, còn giá trị (-t)
còn được gọi là bias hay offset của nơron.
Nếu chúng ta đưa thêm một input nữa vào, input thứ 0, có giá trị luôn luôn bằng
1 và weight luôn luôn bằng bias (-t) thì output của nơron còn có thể viết dưới
dạng:
Lưu ý là chỉ số của tổng bây giờ bắt đầu từ 0 chứ không phải bằng 1 như trước
nữa.
Dưới đây liệt kê ra một số ứng dụng chính của mạng nơron:
- Hàng không vũ trụ: Phi công tự động, giả lập đường bay, các hệ thống điều
khiển lái máy bay, bộ phát hiện lỗi.
- Ô tô: Các hệ thống dẫn đường tự động cho ô tô, các bộ phân tích hoạt động
của xe.
- Ngân hàng: Bộ đọc séc và các tài liệu, tính tiền của thẻ tín dụng.
- Quốc phòng: Định vị - phát hiện vũ khí, dò mục tiêu, phát hiện đối tượng,
nhận dạng nét mặt, các bộ cảm biến thế hệ mới, xử lý ảnh radar,...
- Điện tử: Dự đoán mã tuần tự, sơ đồ chip IC, điều khiển tiến trình, phân tích
nguyên nhân hỏng chip, nhận dạng tiếng nói, mô hình phi tuyến.
- Giải trí : Hoạt hình, các hiệu ứng đặc biệt, dự báo thị trường.
-Tài chính : Định giá bất động sản, cho vay, kiểm tra tài sản cầm cố, đánh giá
mức độ hợp tác, phân tích đường tín dụng, chương trình thương mại qua giấy tờ,
phân tích tài chính liên doanh, dự báo tỷ giá tiền tệ.
- Bảo hiểm: Đánh giá việc áp dụng chính sách, tối ưu hóa sản phẩm.
- .....