Existem numerosos tipos de redes neurais artificiais (ANN).

Redes neurais artificiais são modelos computacionais animados por arranjos neuronais naturais e são utilizados para tornar mais ásperos trabalhos que são obscuros. Em especial, são impulsionados pela conduta dos neurónios e pelo sinal eléctrico que transmitem entre a entrada (por exemplo, dos olhos ou das extremidades nervosas da mão), a manipulação e o rendimento do cérebro (por exemplo, respondendo à luz, ao contacto ou ao calor). A forma como os neurónios transmitem semanticamente é uma região de progresso da investigação. A maioria dos sistemas neurais falsos parecem um pouco como os seus parceiros naturais progressivamente intrincados, no entanto, são extremamente convincentes nas suas tarefas esperadas (por exemplo, agrupamento ou divisão).
Alguns sistemas neurais falsificados são quadros versáteis e são utilizados, por exemplo, para demonstrar populacões e condições, que mudam continuamente.
Os sistemas neurais podem ser equipamentos (os neurónios são falados por segmentos físicos) ou baseados em programação (modelos informáticos) e podem utilizar um conjunto de topologias e cálculos de aprendizagem.

Função de base radial

As funções de base radial são funções que têm uma base de separação em relação a um meio. As funções de base radial têm sido aplicadas em substituição da camada sigmoidal oculta para mover a marca em perceptrons multicamadas. Os sistemas RBF têm duas camadas: No principal, a entrada é mapeada em cada RBF na camada “coberta”. A RBF escolhida é normalmente uma Gaussiana. Em questões de recidiva, a camada de rendimento é uma mistura directa de estima por camadas envoltas, o que significa rendimento antecipado. A tradução do valor desta camada de rendimento é equivalente a um modelo de recidiva em insights. Em questões de caracterização, a camada de rendimento é regularmente uma capacidade sigmóide de uma mistura directa de estimativas de camadas ocultas, falando para uma probabilidade de retorno. A execução nos dois casos é frequentemente melhorada por procedimentos de retracção, conhecidos como recidiva de borda em insights de estilo antigo. Isto se compara a uma fé anterior na estima de poucos parâmetros (e consequentemente na capacidade de rendimento suave) num sistema Bayesiano.

Os sistemas RBF têm a vantagem de se manterem afastados dos mínimos próximos, tal como os perceptrons multicamadas. Isto deve-se ao facto de os principais parâmetros que são equilibrados no processo de aprendizagem serem o mapeamento recto desde a camada envolta até à camada de rendimento. A linearidade garante que a superfície do erro é quadrática e tem uma superfície solitária efectivamente menos descoberta. Em questões de recidiva, isto pode ser encontrado numa actividade da grelha. Em questões de disposição, a não linearidade fixa apresentada pela capacidade de rendimento sigmóide é mais eficazmente gerida para utilizar iterativamente os quadrados menos reponderados.

Os sistemas RBF têm o inconveniente de exigirem uma grande inclusão do espaço de informação através da dispersão das capacidades das premissas. Os focos RBF são resolvidos com referência à dispersão da informação, mas sem referência à atribuição prevista. Assim, os activos autênticos podem ser esbanjados em regiões do espaço de informação que não são essenciais para a empresa. Uma disposição típica consiste em relacionar cada ponto de referência com o seu próprio interior, apesar de tal poder alargar o quadro directo a abordar no último nível e exigir métodos de retracção para se abster de sobreajustamentos.

A ligação de cada ponto de informação com uma unidade RBF é normalmente feita com técnicas de porcionamento, por exemplo, máquinas vectoriais de bolster (SVM) e procedimentos gaussianos (a RBF é o trabalho da peça). Cada uma das três abordagens utiliza uma capacidade não directa da peça para estender a informação para o espaço onde a questão da aprendizagem pode ser resolvida utilizando um modelo recto. Tal como as formas gaussianas, e não como as SVM, os sistemas RBF são regularmente preparados na estrutura de maior probabilidade, aumentando a probabilidade (limitando o erro). As SVM abstêm-se de se sobreajustar, aumentando um pouco a sua vantagem. Os SVMs superam os arranjos RBF na maioria das aplicações de caracterização. Em aplicações de recidiva, podem ser focadas quando a dimensionalidade do espaço de informação é geralmente pequena.

Como funcionam os sistemas RBF

Os sistemas neurais RBF são adroitly como os modelos K-Closest Neighbor (k-NN). O pensamento fundamental é que fontes de informação comparáveis produzem rendimentos comparáveis.

Para a situação em preparação, o conjunto tem dois factores indicadores, x e y, e a variável objectiva tem duas classes, positiva e negativa. Dado outro caso com estimação do indicador x=6, y=5,1, como é que a variável objectiva é processada?

A ordem vizinha mais próxima executada para este modelo depende do número de focos vizinhos que são considerados. No caso de 1-NN ser utilizado e o ponto mais próximo ser negativo, nesse momento o novo ponto deve ser classificado como negativo. Por outro lado, se for utilizada a ordem 9-NN e o ponto mais próximo 9 for considerado, nesse ponto o impacto dos 8 focos positivos abrangentes pode exceder o ponto 9 (negativo) mais próximo.

Um sistema RBF posiciona os neurónios no espaço retratado pelos factores indicadores (x,y neste modelo). Este espaço tem o mesmo número de medições que os factores indicadores. A separação Euclidiana é calculada do novo ponto ao ponto focal de cada neurônio, e um trabalho de premissa disseminado (RBF) (adicionalmente chamado de trabalho porção) é aplicado à separação para processar o peso (impacto) de cada neurônio. A capacidade da premissa de trabalho de espaço alargado é assim denominada, uma vez que a separação do espaço é a razão de ser da capacidade.

Peso = RBF(distância)
Capacidade de funções de base radial
O incentivo para o novo ponto é encontrado pela adição das estimativas de rendimento das capacidades de RBF duplicadas por cargas registadas para cada neurónio.
O trabalho de premissa de um neurônio tem um interior e uma varredura (também chamada de spread). A varredura pode ser distinta para cada neurônio, e, em sistemas RBF criados pela DTREG, a faixa pode ser diversa em cada medição.
Com a maior propagação, os neurônios uma boa maneira de sair de um ponto tem um impacto mais proeminente.