인공 신경망 응용 프로그램 – ANN

1. ANN 애플리케이션 - 목표

여기서는 4개의 실제 인공 신경망 응용 프로그램(ANN)에 대해 논의한다. 인공 신경망은 지난 몇 년 동안 관심이 폭발적으로 증가했으며 필기 인식, 이미지 압축, 여행 세일즈맨 문제, 증권 교환 예측 등과 같은 영역의 특수한 범위의 문제 영역에 걸쳐 성공적으로 적용되고 있다.

이제 인공 신경망의 응용을 시작하겠습니다.

인공신경망 응용 - ANN의 4가지 실제 응용

2. 인공 신경망 응용

여기서 우리는 주요 인공 신경망 애플리케이션을 볼 것이다.

• 필기 인식 - 필기 인식의 개념은 매우 중요해지고 있습니다. 팜 파일럿과 같은 휴대용 장치가 매우 인기를 끌고 있기 때문이다. 따라서, 우리는 신경망을 사용하여 손으로 쓴 문자를 인식할 수 있다.
• 출장 판매원 문제 - 신경 네트워크는 또한 출장 판매원 문제를 해결할 수 있습니다. 그러나 이것은 어느 정도의 근사치일 뿐이다.
• 이미지 압축 - 신경망에 의해 방대한 양의 정보가 한 번에 수신되고 처리된다. 이렇게 하면 이미지 압축에 유용합니다. 인터넷 폭발과 더 많은 사이트들이 그들의 사이트에서 더 많은 이미지를 사용하고 있기 때문에, 이미지 압축을 위해 신경망을 사용하는 것은 볼 가치가 있다.
• 증권거래소 예측 - 주식시장의 일상적인 사업은 매우 복잡하다. 많은 요소들이 주어진 주식이 특정일에 상승할지 하락할지 여부에 영향을 미친다. 그러므로 신경망은 많은 정보를 빠른 방법으로 검사하고 모두 분류할 수 있다. 그래서 우리는 그것들을 주가 예측에 사용할 수 있습니다.

2.1. 필기 인식

손으로 쓴 문자를 인식하기 위해 피드 포워드 네트워크를 사용한다는 생각은 간단하다. 손으로 쓴 문자의 비트맵 패턴은 올바른 문자나 숫자를 원하는 출력으로 하여 입력된다. 이러한 프로그램들은 손으로 쓴 패턴을 프로그램에 제공함으로써 사용자가 네트워크를 훈련시킬 필요가 있다.

필기 인식의 두 가지 일반적인 응용 프로그램은 다음과 같습니다.

피드-포워드 네트워크의 특징은 다음과 같습니다.

• 첫 번째 계층이 입력을 받아들이고 마지막 계층이 출력을 생성하는 계층으로 지각 전자를 배열한다. 중간층은 외부 세계와 아무런 연관성이 없기 때문에 우리는 그것을 숨겨진 층이라고 부릅니다.
• 한 층에 있는 각각의 퍼셉트론은 다음 층에 있는 모든 퍼셉트론과 연결되어 있다. 따라서 정보는 연속적인 방법으로 한 계층에서 다음 계층으로 "피드 포워드"된다. 이것이 우리가 이러한 네트워크를 피드-포워드 네트워크라고 부르는 이유를 설명한다.
• 같은 층에 있는 퍼셉트론들 사이에는 아무런 연관성이 없다.

반복 신경망을 수정해 봅시다.

2.2. 출장 판매원 문제

출장 판매원 문제는 주어진 지역의 모든 도시를 여행할 수 있는 가장 짧은 경로를 찾는 것을 말한다. 우리는 이 문제를 해결하기 위해 신경망(Neural Networks)을 사용할 수 있다.

유전 알고리즘과 같은 신경망 알고리듬은 문제를 해결하기 위해 네트워크의 임의의 방향에서 시작한다. 이 알고리즘은 매번 임의의 방법으로 도시를 선택하고 가장 가까운 도시를 찾습니다. 따라서 이 프로세스는 여러 번 계속됩니다. 모든 반복이 끝나면, 네트워크의 모양이 바뀌고 네트워크는 모든 도시를 둘러싼 링으로 수렴된다.

사용된 알고리즘은 링의 길이를 최소화합니다. 이런 식으로 우리는 여행 문제를 추정할 수 있습니다.

2.3. 영상 압축

다음 공식을 사용하여 이미지 압축에 대한 비교 비율을 얻을 수 있습니다.

비교 비율 = 입력 계층/중간 계층

데이터 압축 신경망의 이면에는 실제 이미지를 저장, 암호화 및 다시 생성하는 방법이 있습니다. 따라서 그러한 네트워크에서, 우리는 훈련 목적으로 입력을 사용할 수 있다.

상위 머신 러닝 알고리즘 살펴보기

2.4. 증권거래소 예측

신경망의 예측 정확성은 이들이 주식 시장 예측을 하는 데 유용하게 만들었다. 대기업의 경우 증권거래소 예측이 일반적이다. 이는 현재 추세, 정치 상황, 대중적 견해, 경제학자들의 조언과 같은 매개 변수를 사용하는 것이다.

우리는 또한 통화 예측, 사업 실패 예측, 부채 위험 평가 및 신용 승인에서 신경망을 사용할 수 있다. MJ 퓨처스와 같은 회사들은 신경망 예측 방법을 사용하여 2년 동안 놀라운 199.2%의 수익을 주장한다. LBS Capital Management의 Dean Barr와 Walter Look은 간단한 신경망을 사용하여 좋은 결과를 얻었다. 그것은 단지 투입변수로 6개의 재무지표를 가지고 있었다. 여기에는 ADX, S&P 500의 현재 값과 S&P 500 값의 5일 전 순변화가 포함된다. ADX는 지난 18일 동안의 평균 방향 이동을 나타냅니다.

이것은 인공 신경망 응용에 관한 것이었습니다. 우리의 설명이 마음에 들었으면 좋겠어요.

3. 결론

ANN은 매우 유용한 모델이며 ANN은 문제 해결 및 기계 학습에 적용될 수 있다. 컴퓨팅 세계는 신경망으로부터 얻을 것이 많다. 그러므로, 예를 통해 배우는 그들의 능력은 그들을 매우 유연하고 강력하게 만든다. 따라서 다른 문제에 대해 ANN을 가장 잘 활용하려면 신경망의 한계뿐만 아니라 잠재성을 이해하는 것이 필수적이다. 인공 신경망 응용 프로그램과 관련된 질문이 있으면 언제든지 공유해 주십시오. 우리는 기꺼이 그것들을 해결할 것입니다.