인공 신경망은 생물학적 신경망의 기능을 기반으로 하는 시스템입니다. 생물학적 신경계의 시뮬레이션입니다. 인공 신경망의 특징은 여러 구조가 있어 여러 알고리즘 방법이 필요하지만 복잡한 시스템에도 불구하고 신경망은 쉽다는 것입니다.
이러한 네트워크는 감독의 도구 상자에 있는 특정 신호 처리 과학 사이에 있습니다. 이 영역은 매우 학제적이지만 이 접근 방식은 보기를 엔지니어링 관점으로 제한합니다.
엔지니어링에서 신경망은 패턴 분류기와 비선형 적응 필터로 두 가지 필수 기능을 생성합니다. 인공 신경망은 동적이며 데이터에서 기능(입력/출력 맵)을 실행하는 방법을 학습하는 비선형 시스템을 제공합니다. 적응형은 시스템 매개변수가 작동 중에 변경되는 것을 나타내며, 흔히 훈련 단계라고 합니다.
훈련 단계 후에 인공 신경망 매개변수가 고정되고 시스템이 당면한 문제를 해결하기 시작합니다(테스트 단계). 인공 신경망은 성능 테스트를 개선하거나 일반적으로 학습 규칙으로 설명되는 몇 가지 명확한 내부 제약 조건을 따르기 위해 체계적인 단계별 절차로 생성됩니다.
다음과 같이 고려되어야 하는 다음과 같은 설계 문제가 있습니다. -
입력 레이어의 여러 노드를 결정해야 합니다. 각 수학적 또는 이진 입력 변수에 대한 입력 노드를 생성할 수 있습니다. 입력 변수가 범주형이면 각 범주형 값에 대해 하나의 노드를 생성하거나 [log2를 사용하여 k-ary 변수를 암호화할 수 있습니다. k] 입력 노드.
출력 레이어에 여러 노드를 생성해야 합니다. 2등급 문제의 경우 단일 출력 노드가 필요합니다. k급 문제의 경우 k개의 출력 노드가 있습니다.
은닉층 및 은닉 노드의 수와 같은 네트워크 토폴로지, 피드포워드 또는 순환 네트워크 구조를 선택해야 합니다. 대상 함수 설명은 연결 가중치, 다중 은닉 노드 및 은닉 계층, 노드의 편향, 활성화 함수 유형을 기반으로 합니다. 올바른 토폴로지를 찾는 것은 간단한 작업이 아닙니다.
한 가지 방법은 충분히 많은 수의 노드와 은닉층이 있는 완전히 연결된 네트워크에서 시작한 다음 더 적은 수의 노드로 모델 구축 구조를 반복하는 것입니다. 이 방법은 적당할 수 있습니다. 또는 모델 구축 구조를 반복하는 대신 여러 노드를 삭제하고 모델 평가 프로세스를 반복하여 올바른 모델 복잡성을 선택할 수 있습니다.
가중치와 편향을 초기화해야 합니다. 무작위 배정은 일반적으로 적절합니다.
누락된 값이 있는 학습 인스턴스는 삭제하거나 가장 가능성 있는 값으로 복원해야 합니다.