Artificial neural networks are base

Artificial neural networks are based on the neural structure of the human brain, which processes information by means of interaction among many neurons. In the past few years there has been a constant increase in interest in neural network modelling in various fields of material science (Taskin et al., 2008). These networks consist of many simple units working in parallel with no central control, and learning takes place by modifying the weights between connections. The basic components of an ANN are neurons, weights and learning rules (Stich et al., 2000). Neurons are organized in layers that process the input information and pass it to the following layer. The processing ability of the network is stored in the inter unit connection strengths (or weights) that are obtained through a process of adaptation to a set of training patterns (Fernandez et al., 2007). Methods based on ANNs seem particularly appropriate in a number of applications, owing to their ability to predict results by learning from the historical data sets of the problem without knowing the interactions among parameters, even if these are highly nonlinear. This ability of ANNs to predict relationships between input variables and their corresponding outputs in a complex biological system has resulted in some inspiring successes (Sharma et al., 2007).

ผลลัพธ์ (ไทย) 1:

เครือข่ายประสาทเทียมเป็นไปตามโครงสร้างระบบประสาทของสมองมนุษย์ ซึ่งประมวลผลข้อมูลโดยใช้วิธีการปฏิสัมพันธ์ระหว่างเซลล์ประสาทมากมาย ในปีผ่านมา ได้มีการเพิ่มขึ้นคงสนใจในการสร้างแบบจำลองโครงข่ายประสาทในด้านต่าง ๆ ของวัสดุศาสตร์ (Taskin et al. 2008) เครือข่ายเหล่านี้ประกอบด้วยหลายหน่วยง่ายขนานกับศูนย์กลางควบคุมการทำงาน และการเรียนรู้เกิดขึ้น โดยการปรับเปลี่ยนน้ำหนักระหว่างการเชื่อมต่อ องค์ประกอบพื้นฐานของแอนมีเซลล์ประสาท น้ำหนัก และกฎการเรียนรู้ (Stich et al. 2000) เซลล์ประสาทมีจัดชั้นที่ประมวลข้อมูลป้อนเข้า และผ่านไปชั้นต่อไปนี้ ความสามารถในการประมวลผลของเครือข่ายถูกเก็บไว้ในอินเตอร์หน่วยเชื่อมต่อจุดแข็ง (หรือน้ำหนัก) ที่ได้รับผ่านการดัดแปลงชุดรูปแบบการอบรม (เฟอร์นานเดซ et al. 2007) ดูเหมือนจะตาม ANNs ที่เหมาะสมโดยเฉพาะอย่างยิ่งในจำนวนของโปรแกรมประยุกต์ เนื่องจากความสามารถในการทำนายผลลัพธ์ โดยเรียนรู้จากชุดข้อมูลทางประวัติศาสตร์ของปัญหาโดยไม่ทราบว่าการโต้ตอบระหว่างพารามิเตอร์ แม้ว่าเหล่านี้เป็นเชิงเส้นสูง ความสามารถนี้ของ ANNs ทำนายความสัมพันธ์ระหว่างตัวแปรป้อนเข้าและผลของพวกเขาที่สอดคล้องกันในระบบชีวภาพซับซ้อนมีผลในความสำเร็จสร้างแรงบันดาลใจบางอย่าง (Sharma et al. 2007)

ผลลัพธ์ (ไทย) 2:

เครือข่ายประสาทเทียมจะขึ้นอยู่กับโครงสร้างของระบบประสาทของสมองมนุษย์ซึ่งประมวลผลข้อมูลโดยใช้วิธีการปฏิสัมพันธ์ระหว่างเซลล์ประสาทจำนวนมาก ในช่วงไม่กี่ปีที่ผ่านมาได้มีการเพิ่มขึ้นอย่างต่อเนื่องในความสนใจในการสร้างแบบจำลองเครือข่ายประสาทในด้านต่างๆของวัสดุศาสตร์ (Taskin et al., 2008) เครือข่ายเหล่านี้ประกอบด้วยหน่วยง่ายจำนวนมากที่ทำงานควบคู่ไปกับการควบคุมกลางและการเรียนรู้จะเกิดขึ้นโดยการปรับเปลี่ยนน้ำหนักระหว่างการเชื่อมต่อ องค์ประกอบพื้นฐานของ ANN เป็นเซลล์ประสาทน้ำหนักและกฎการเรียนรู้ (Stich et al., 2000) เซลล์ประสาทถูกจัดอยู่ในชั้นที่ประมวลผลข้อมูลเข้าและผ่านมันไปยังชั้นต่อไป การประมวลผลความสามารถของเครือข่ายที่ถูกเก็บไว้ในจุดแข็งของหน่วยระหว่างการเชื่อมต่อ (หรือน้ำหนัก) ที่จะได้รับผ่านขั้นตอนของการปรับตัวเพื่อตั้งค่ารูปแบบการฝึกอบรม (เฟอร์นันเด et al., 2007) วิธีการขึ้นอยู่กับ ANNs ดูเหมาะสมโดยเฉพาะอย่างยิ่งในจำนวนของการใช้งานเนื่องจากความสามารถในการทำนายผลโดยการเรียนรู้จากประวัติศาสตร์ชุดข้อมูลของปัญหาโดยไม่ทราบว่าการโต้ตอบกันของพารามิเตอร์แม้ว่าเหล่านี้จะไม่เป็นเชิงเส้นสูง ความสามารถนี้ของ ANNs ในการทำนายความสัมพันธ์ระหว่างตัวแปรอินพุทและเอาท์พุทที่สอดคล้องกันของพวกเขาในความซับซ้อนของระบบทางชีวภาพมีผลในการประสบความสำเร็จสร้างแรงบันดาลใจบางอย่าง (Sharma et al., 2007)

ผลลัพธ์ (ไทย) 3:

โครงข่ายประสาทเทียมจะขึ้นอยู่กับโครงสร้างประสาทของสมองมนุษย์ ซึ่งประมวลผลข้อมูลโดยวิธีการปฏิสัมพันธ์ระหว่างหลายเซลล์ประสาท ในไม่กี่ปีที่ผ่านมาได้มีการเพิ่มขึ้นคงที่ในความสนใจในแบบจำลองโครงข่ายประสาทเทียมในสาขาต่างๆของวิทยาศาสตร์วัสดุ ( taskin et al . , 2008 ) เครือข่ายเหล่านี้ประกอบด้วยหน่วยง่ายหลายทำงานในขนานกับศูนย์กลางการควบคุมและการเรียนรู้เกิดขึ้นโดยการปรับเปลี่ยนน้ำหนักระหว่างการเชื่อมต่อ ส่วนประกอบพื้นฐานของแอนเป็นประสาท , กฎน้ำหนักและการเรียนรู้ ( stich et al . , 2000 ) เซลล์ประสาทที่ถูกจัดระเบียบในชั้นกระบวนการที่ข้อมูลนำเข้าและผ่านมันไปยังชั้นต่อไป มีความสามารถในการประมวลผลของเครือข่ายจะถูกเก็บไว้ในอินเตอร์จำกัดการเชื่อมต่อหน่วย ( หรือน้ำหนัก ) ที่ได้ผ่านกระบวนการของการปรับตัวกับชุดของรูปแบบการฝึกอบรม ( Fernandez et al . , 2007 ) โดยวิธีทางดูเหมือนจะเหมาะสมโดยเฉพาะอย่างยิ่งในหมายเลขของโปรแกรมประยุกต์ , เนื่องจากความสามารถในการทำนายผลลัพธ์ โดยการเรียนรู้จากข้อมูลทางประวัติศาสตร์ชุดของปัญหาโดยไม่มีปฏิสัมพันธ์ระหว่างตัวแปร แม้ว่าเหล่านี้ ขอแบบไม่เชิงเส้น ความสามารถนี้ของแอนน์ ทำนายความสัมพันธ์ระหว่างตัวแปรอินพุตและเอาต์พุตที่สอดคล้องกันของพวกเขาในระบบทางชีววิทยาที่ซับซ้อนมีผลในบางแรงบันดาลใจความสำเร็จ ( Sharma et al . , 2007 )