Μεθοδολογία και λειτουργία παλινδρομικών νευρωνικών δικτύων.
Φόρτωση...
Ημερομηνία
2011-02-04T15:10:54Z
Συγγραφείς
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
Τ.Ε.Ι. Κρήτης, Σχολή Εφαρμοσμένων Επιστημών (Σ.Εφ.Ε), Τμήμα Ηλεκτρονικών Μηχανικών Τ.Ε.
T.E.I. of Crete, School of Applied Sciences, Department of Electronic Engineering
T.E.I. of Crete, School of Applied Sciences, Department of Electronic Engineering
Επιβλέπων
Περίληψη
Το αντικείενο των τεχνητών νευρωνικών δικτύων γνωρίζει ραγδαία ανάπτυξη τα τελευταία 25 χρόνια και αποτελεί πλέον ένα ευρύ τοέα που σχετίζεται με το γενικότερο πλαίσιο της τεχνητής νοηοσύνης και των ευφυών συστημάτων. Τα τεχνητά νευρωνικά δίκτυα ουσιαστικά προσομοιώνουν τη βιολογική οργάνωση και λειτουργία των βιολογικών νευρώνων και βασικό τους πλεονέκτημα είναι η ευπλαστότητα. Στην εργασία αυτή γίνεται μία σύντοη ιστορική αναδροή στην ανάπτυξη των νευρωνικών δικτύων ενώ ακολούθως περιγράφεται η σχέση μεταξύ του νευρώνα και των νευρωνικών δικτύων. Στη συνέχεια παρουσιάζονται μοντέλα παλινδρομικών νευρωνικών δικτύων καθώς και ανάλυση βασικών εφαρογών των νευρωνικών δικτύων. Τέλος παρουσιάζονται κάποια συπεράσματα όπως και οι περαιτέρω εξελίξεις που αφορούν τον τομέα αυτό.
The field of artificial neural networks is developing rapidly over the past 25 years and is now a broad area related to the context of artificial intelligence and intelligent systems. Artificial neural networks effectively simulate the biological organization and function of biological neurons and their main advantage is its plasticity. This paper presents a brief historical background to the development of neural networks. Furthermore, it describes the relationship between the neuron and neural networks. In addition regressive neural network models are presented and analysis of key applications of neural networks is made. Finally some conclusions are presented as well as further developments in this area.
The field of artificial neural networks is developing rapidly over the past 25 years and is now a broad area related to the context of artificial intelligence and intelligent systems. Artificial neural networks effectively simulate the biological organization and function of biological neurons and their main advantage is its plasticity. This paper presents a brief historical background to the development of neural networks. Furthermore, it describes the relationship between the neuron and neural networks. In addition regressive neural network models are presented and analysis of key applications of neural networks is made. Finally some conclusions are presented as well as further developments in this area.