Fuzzy neuronske mreže softverski su sustavi koji pokušavaju približiti način na koji ljudski mozak funkcionira. Oni to čine korištenjem dva ključna područja istraživanja u tehnologiji računalne znanosti — razvoj softvera neizrazite logike i arhitekture obrade neuronske mreže. Softver neizrazite logike pokušava uzeti u obzir siva područja u stvarnom svijetu u strukturi donošenja odluka računalnih softverskih programa koji nadilaze jednostavan izbor da ili ne. Dizajn umjetne neuronske mreže stvara softverske čvorove koji oponašaju funkcionalnost i složenost interakcije neurona u ljudskom mozgu. Zajedno, neizrazita logika i dizajn neuronske mreže stvaraju neuro-fuzzy sustav koji istraživači koriste za eksperimentiranje na složenim problemima kao što su klimatske promjene ili za razvoj robotike umjetne inteligencije.
Prosječno mikroračunalo od 2011. izvodi izračune nevjerojatnom brzinom od milijardi instrukcija u sekundi. To predstavlja eksponencijalno povećanje brzine obrade od ranih dana razvoja računala, iako takav rast nije pokazao sposobnost zaključivanja na složene načine na koje čak i jednostavni biološki organizmi rade. To je dijelom zbog osnovnih ograničenja s kojima se računalna obrada još uvijek suočava, a neizrazite neuronske mreže pokušaj su zaobići ta ograničenja.
Procjenjuje se da prosječni ljudski mozak izvršava 100,000,000,000,000 instrukcija svake sekunde koristeći svoju neuralnu strukturu koje su analogne funkcioniranju mikroprocesora. Nasuprot tome, prosječni računalni sustav od 1999. bio je 24,000 1981 puta sporiji od ovoga, a rani model iz 3,500,000. bio je 8,000 2.1 2011 puta sporiji od ljudskog mozga u izvođenju izračuna. Bilo bi potrebno XNUMX osobnih računala zamršeno umreženih zajedno s procesorima od XNUMX gigaherca dostupnim na tržištu XNUMX. da bi se približila brzina prosječnog ljudskog mozga. Međutim, superračunalo koje je sposobno izvoditi izračune jednako brzo kao ljudski mozak ne bi se izjednačilo s istom snagom rasuđivanja za analizu sukobljenih podataka iz stvarnog svijeta, gdje se pojavljuju nejasne neuronske mreže.
Ključni elementi koji neizrazite neuronske mreže čine jedinstvenim od ostalih vrsta računalne obrade su njihova sposobnost prepoznavanja uzoraka s nedostatkom podataka za donošenje konačnih zaključaka i sposobnost prilagodbe okolini. Fuzzy neuronske mreže koriste neuronske algoritme koji su dizajnirani da se mijenjaju i rastu kako nailaze na nove skupove podataka za obradu. Oni to čine pristupajući problemima s dva različita gledišta i kombinirajući rezultate u smislena rješenja problema.
Fuzzy softver temelji se na pravilima programiranja koja omogućuju procjenu razina istine kada se pojave proturječnosti u podacima koji su očiti iz ljudske perspektive. Određivanje tko je “visok” a tko “nizak” u skupini ljudi, na primjer, korištenjem tradicionalne računalne obrade, stvorilo bi konačnu liniju u kojoj su obje grupe odvojene jedna od druge i ne postoji srednji raspon. Netko visok 6 stopa (1.83 metra) bio bi kategoriziran kao nizak ako je ispod prosječne visine, dok bi netko visok 6 stopa i 1 inč (1.85 metara) bio kategoriziran kao visok. Uz nejasnu obradu, raspon onoga što se smatra visokim u odnosu na kratko bi se neprestano mijenjao kako se grupa mijenjala i odluke bi se donosile uz razumniji gradijent.
Neuralne mreže, nasuprot tome, nemaju unaprijed definirana pravila iz kojih bi radile, a sve svoje zaključke izvode na temelju promatranja. Rad bez unaprijed definiranih pravila može stvoriti jedinstvene uvide u podatke koji inače nisu očiti kada su napravljene prethodne pretpostavke bilo u neizrazito programiranju ili tradicionalnim skupovima pravila programiranja. Rezultati fuzzy softvera i obrade podataka neuronske mreže kombinirani su u neizrazitim neuronskim sustavima na način koji približno odgovara načinu na koji biološki organizmi uče i prilagođavaju se unutar svog okruženja. Kako se sustav prilagođava podacima koje prikuplja, mijenja način na koji obrađuje te podatke kako bi postao učinkovitiji u rješavanju budućih problema.
Neuralna obrada, bilo iz neuronskog programiranja u računalu ili iz biološkog mozga, metoda je u kojoj se određenim točkama podataka daje dodatna težina na temelju rezultata promatranja. Fazni element neizrazitih neuronskih mreža služi za preciznije modeliranje stvarnih uvjeta nego što je to bilo moguće u prošlosti s tradicionalnim računalnim procesorima, iako ova fina razina modeliranja često ne može dovesti do značajnih poboljšanja performansi gdje se neizrazita logika koristi kao kontrola nad konvencionalnim računalom. kontrole. Konačna prednost neizrazitih neuronskih mreža je u tome što imaju potencijal razviti razinu rudimentarnog neovisnog razmišljanja i donošenja odluka koje se prilagođava kako se njihovo okruženje mijenja oko njih.