Scholar Hub/Chủ đề/#mạng nơ ron nhân tạo/
Mạng nơ ron nhân tạo (Artificial Neural Network, ANN) là một thuật toán tính toán dựa trên cấu trúc và hoạt động của hệ thống nơ ron trong não bộ con người. Mạn...
Mạng nơ ron nhân tạo (Artificial Neural Network, ANN) là một thuật toán tính toán dựa trên cấu trúc và hoạt động của hệ thống nơ ron trong não bộ con người. Mạng nơ ron nhân tạo được sử dụng để gia tăng khả năng học tập và tự động hóa trong các tác vụ như nhận dạng hình ảnh, xử lý ngôn ngữ, dự đoán và phân loại dữ liệu.
Một mạng nơ ron nhân tạo bao gồm các nút nơ ron (neuron) được kết nối với nhau thông qua các liên kết trọng số (weights). Mỗi nút nơ ron nhận đầu vào từ các nút trước đó và đưa ra đầu ra dựa trên quy tắc hoạt động của nó. Quá trình học của mạng nơ ron nhân tạo bao gồm việc điều chỉnh các trọng số trong liên kết giữa các nơ ron để tối ưu hóa kết quả dự đoán.
Mạng nơ ron nhân tạo đã được áp dụng rộng rãi trong nhiều lĩnh vực như công nghệ thông tin, điện tử, y học, kỹ thuật, v.v. với khả năng xử lý mô hình phức tạp và nhận diện mẫu từ dữ liệu.
Mạng nơ ron nhân tạo được xây dựng dựa trên các nguyên tắc hoạt động của hệ thống nơ ron trong não bộ con người. Một mạng nơ ron nhân tạo bao gồm nhiều lớp nơ ron, trong đó có lớp đầu vào, lớp ẩn (nếu có) và lớp đầu ra. Mỗi nơ ron trong mạng kết nối với các nơ ron khác thông qua các liên kết hoặc synapses, với mỗi liên kết có một trọng số tương ứng.
Quy trình hoạt động của mạng nơ ron nhân tạo bao gồm hai giai đoạn chính: giai đoạn feedforward và giai đoạn backpropagation.
- Feedforward: Trong giai đoạn này, đầu vào của mạng (ví dụ: hình ảnh) được truyền qua các lớp nơ ron theo các liên kết trọng số. Mỗi nơ ron tính toán đầu ra của mình dựa trên đầu vào và trọng số của các liên kết. Quá trình này được lặp đi lặp lại cho đến khi đầu vào đã đi qua tất cả các lớp và đầu ra cuối cùng được tính toán.
- Backpropagation: Sau khi giai đoạn feedforward hoàn thành, mạng đánh giá kết quả đầu ra với các giá trị thực tế (được gọi là nhãn), và tính toán mức độ sai số. Quá trình backpropagation sử dụng thuật toán lan truyền ngược để điều chỉnh các trọng số trong mạng, với mục tiêu là để giảm thiểu sai số giữa kết quả đầu ra dự đoán và nhãn thực tế. Quá trình này được lặp lại cho đến khi đạt được độ chính xác mong muốn.
Các mạng nơ ron nhân tạo có nhiều kiến trúc khác nhau như mạng nơ ron tiếp xúc truyền thẳng (Feedforward Neural Network, FNN), mạng nơ ron hồi quy (Recurrent Neural Network, RNN), mạng nơ ron tích chập (Convolutional Neural Network, CNN) và mạng nơ ron bộ nhớ dài hạn ngắn (Long Short-Term Memory, LSTM). Mỗi kiến trúc có ý nghĩa và ứng dụng riêng trong việc giải quyết các bài toán cụ thể.
Ảnh hưởng của phân chia dữ liệu đến hiệu suất của các mô hình học máy trong dự đoán độ bền cắt của đất Dịch bởi AI Mathematical Problems in Engineering - Tập 2021 - Trang 1-15 - 2021
Mục tiêu chính của nghiên cứu này là đánh giá và so sánh hiệu suất của các thuật toán học máy (ML) khác nhau, cụ thể là Mạng Nơron Nhân Tạo (ANN), Máy Học Tăng Cường (ELM) và thuật toán Cây Tăng Cường (Boosted), khi xem xét ảnh hưởng của các tỷ lệ đào tạo đối với kiểm tra trong việc dự đoán độ bền cắt của đất, một trong những tính chất kỹ thuật địa chất quan trọng nhất trong thiết kế và xâ...... hiện toàn bộ #Học máy #độ bền cắt của đất #Mạng Nơron Nhân Tạo #Máy Học Tăng Cường #thuật toán Cây Tăng Cường #mô phỏng Monte Carlo #địa chất công trình #phân chia dữ liệu #chỉ số thống kê #kỹ thuật dân dụng
Các chiến lược tối ưu hóa quá trình ngẫu nhiên hỗ trợ bởi mạng nơron nhân tạo Dịch bởi AI AICHE Journal - Tập 47 Số 1 - Trang 126-141 - 2001
Tóm tắtBài viết này trình bày hai phương pháp tối ưu hóa quy trình hỗn hợp mạnh mẽ tích hợp mạng nơron nhân tạo (ANN) và hình thức tối ưu hóa ngẫu nhiên—các thuật toán di truyền (GA) và phương pháp xấp xỉ ngẫu nhiên đồng thời (SPSA). Một mô hình quy trình dựa trên ANN đã được phát triển hoàn toàn từ dữ liệu đầu vào–đầu ra của quy trình và sau đó không gian đầu vào ...... hiện toàn bộ #tối ưu hóa quy trình #mạng nơron nhân tạo #thuật toán di truyền #phương pháp xấp xỉ ngẫu nhiên #thiết kế dung sai tối ưu
Phát hiện thiệt hại cầu tự động, dựa trên biến dạng, chỉ sử dụng đầu ra Dịch bởi AI Journal of Civil Structural Health Monitoring - Tập 8 - Trang 833-846 - 2018
Bài báo này trình bày một khuôn khổ để phát hiện thiệt hại tự động bằng cách sử dụng một chuỗi liên tục dữ liệu giám sát sức khỏe kết cấu. Nghiên cứu đã sử dụng các biến dạng đo được từ một bộ cảm biến tối ưu được triển khai trên một cầu truss bằng thép, có hai đường ray. Sự suy giảm tại các mối nối giữa thép đỡ và xà sàn, một khuyết tật phổ biến, là trọng tâm của nghiên cứu này; tuy nhiên, phương...... hiện toàn bộ #hệ thống giám sát sức khỏe kết cấu #phát hiện thiệt hại #Mạng Nơron Nhân Tạo #Chế Độ Chính Quy #cầu truss #biến dạng
Thiết kế kiến trúc mạng nơ-ron nhân tạo ứng dụng nhận dạng chữ số viết tay trên FPGABài báo này trình bày việc thiết kế và thực hiện một kiến trúc lõi IP mạng nơ-ron nhân tạo 2 lớp ứng dụng cho hệ thống nhận dạng chữ số viết tay trên FPGA. Chúng tôi sử dụng định dạng số dấu phẩy động bán chính xác với 16-bit để biểu diễn các trọng số của mạng nơ-ron. Mạng nơ ron nhân tạo được tổng hợp và kiểm tra trên FPGA Virtex-5 XC5VLX-110T, chiếm 41% tài nguyên phần cứng FPGA và có tần số hoạ...... hiện toàn bộ Resevoir property modelling with seismic attributes and artificial neural networkThis paper focuses on the analysis of seismics attributes and the application of training algorithms for artificial neural networks to build lithofacies model based on which porosity distribution across a reservoir is modeled. Firstly, seismic attribute and facies log, porosity log are modeled using the standard procedure of Petrel software (Schlumberger). After that, the resulting models are extr...... hiện toàn bộ #Mô hình thuộc tính vỉa #mô hình độ rỗng #mạng nơ-ron nhân tạo (ANN) #bản đồ tự sắp xếp (Self Organizing Map – SOM) #thuộc tính địa chấn #mô hình tướng địa chấn #mô hình tướng thạch học
PHƯƠNG PHÁP MẠNG NƠ RON NHÂN TẠO VÀ TIẾN HÓA NHÂN TẠO XÁC ĐỊNH CHẾ ĐỘ CẮT TỐI ƯU KHI PHAY CNCBài báo trình bày phương pháp xác định chế độ cắt tối ưu đạt hàm mục tiêu chất lượng bề mặt tối ưu khi phay CNC. Sử dụng phương pháp trí tuệ nhân tạo tính toán với mạng nơ ron nhân tạo và giải thuật tiến tóa nhân tạo xác định các thông số công nghệ chế độ cắt cho độ chính xác cao. Trên cơ sở đó xác định được bộ thông số chế độ cắt là cơ sở cho quá trình tối ưu hóa chế độ công nghệ gia công cơ khí
Thuật toán chi tiết phân loại ảnh viễn thám bằng mạng nơ ron nhân tạo nhiều lớpVới sự phát triển nhanh chóng của các phương pháp thu nhận và lưu trữ dữ liệu viễn thám, ngày nay, khối lượng dữ liệu khổng lồ cần được xử lý và phân tích. Các dữ liệu này quá lớn nên khả năng của các chuyên gia không còn đủ nữa, dẫn đến nhu cầu về các phương pháp phân tích dữ liệu tự động liên tục tăng. Ứng dụng mạng nơ ron nhân tạo là một trong những giải pháp giải quyết vấn đề trên. Bài báo đề ...... hiện toàn bộ #Mạng nơ ron nhân tạo; moment; gradient; phân loại ảnh viễn thám.
