McCulloch-Pitts nervnätverk

McCulloch-Pitts neurala nätverk är en matematisk modell av ett neuralt nätverk som föreslogs av den amerikanske neurofysiologen Warren McCulloch och fysikern Warren Pitts 1943. Denna modell var ett av de första försöken att skapa artificiell intelligens och hade en betydande inverkan på utvecklingen av datavetenskap och artificiell intelligens.

McCulloch och Pitts utvecklade sin modell baserat på idén att neuroner i hjärnan fungerar på/av-sätt och kan beskrivas i termer av två variabler: aktionspotential och latens. De föreslog att aktionspotentialen skulle kunna representeras som en funktion av summan av alla ingångspotentialer, och fördröjningen skulle kunna representeras som en funktion av fördröjningen av alla ingångar.

Denna idé låg till grund för den matematiska modellen av McCulloch-Pitz neurala nätverk, som består av många neuroner kopplade till varandra via synapser. Varje neuron har flera ingångar, som var och en tar emot en signal från en annan neuron. Signaler sänds över nätverket genom synapser, som har olika vikt som bestämmer styrkan på kopplingar mellan neuroner.

McCulloch-Pitt-modellen är grunden för många moderna neurala nätverk och används för att lösa problem inom maskininlärning, mönsterigenkänning, naturlig språkbehandling och andra områden. Det har också praktiska tillämpningar inom medicin, till exempel för att diagnostisera sjukdomar eller förutsäga behandlingsresultat.

McCulloch-Pitts neurala nätverk McCulloch och Pptts föreslog en modell av en neuron, som är grunden för utvecklingen av artificiella neurala nätverk. Detta nätverk består av flera neurala nätverkslager, som vart och ett innehåller flera neuroner. Varje neuron vid ingången tar emot N olika signaler (de kan förstås som en "mellanliggande" signal), och vid utgången genererar den Y olika värden - signaler för nästa lager av neuroner. Neuronerna i det första lagret tar emot insignaler, som är bildpixlar eller indata som bearbetas av nätverket. Indata matas in genom projektionsneuroner. De ger en insignal till ingången av neuronen. Den driver en signalmekanism för att generera ett annat värde som används i nästa steg. Denna process upprepas tills resultatet når önskad noggrannhet. Det finns tvålagers och flerlagers neurala kommunikationsnätverk. Ett enda lager kan innehålla från två till flera hundra länkar, vilket teoretiskt sett innebär möjligheten att bearbeta miljontals data.