Neurex

Ivo Vondrak Apps

આ ઍપનું વર્ણન

ન્યુરેક્સ એક બહુ-સ્તરીય ન્યુરલ નેટવર્ક પર આધારિત નિષ્ણાત સિસ્ટમ છે. ન્યુરલ નેટવર્ક્સ અને કનેક્શનિઝમનો યુગ નિર્ણય સપોર્ટ અને તેના વપરાશકર્તા-મૈત્રીપૂર્ણ એપ્લિકેશન માટે વિશ્વસનીય જ્ઞાન મેળવવા પર એક નવો દ્રષ્ટિકોણ પ્રદાન કરે છે. પરંપરાગત નિષ્ણાત સિસ્ટમો, જે નિયમ-આધારિત અને/અથવા ફ્રેમ-આધારિત છે, ઘણીવાર વિશ્વસનીય જ્ઞાન આધાર બનાવવામાં પડકારોનો સામનો કરે છે. ન્યુરલ નેટવર્ક્સ આ મુશ્કેલીઓને દૂર કરી શકે છે. નિષ્ણાતો વિના જ્ઞાન આધાર બનાવવો શક્ય છે, ફક્ત ઉકેલાયેલા ક્ષેત્રનું વર્ણન કરતા ડેટા સંગ્રહનો ઉપયોગ કરીને, અથવા એવા નિષ્ણાતો સાથે જેમનું જ્ઞાન શીખવાની પ્રક્રિયા દરમિયાન ચકાસી શકાય છે. નિષ્ણાત સિસ્ટમની ઉપયોગ પ્રક્રિયા નીચે મુજબ રૂપરેખાંકિત કરી શકાય છે:

1. ન્યુરલ નેટવર્ક ટોપોલોજીની વ્યાખ્યા: આ પગલામાં ઇનપુટ અને આઉટપુટ તથ્યોની સંખ્યા વ્યાખ્યાયિત કરવાનો સમાવેશ થાય છે, તેમજ છુપાયેલા સ્તરોની સંખ્યા નક્કી કરવાનો સમાવેશ થાય છે.
2. ઇનપુટ અને આઉટપુટ તથ્યો (ગુણધર્મો) નું નિર્માણ: દરેક તથ્ય ઇનપુટ અથવા આઉટપુટ સ્તરમાં ન્યુરોન સાથે જોડાયેલ છે. દરેક વિશેષતા માટે મૂલ્યોની શ્રેણી પણ વ્યાખ્યાયિત કરવામાં આવી છે.
૩. તાલીમ સમૂહની વ્યાખ્યા: પેટર્ન સત્ય મૂલ્યો (દા.ત., ૦-૧૦૦%) અથવા અગાઉના પગલાંમાં વ્યાખ્યાયિત શ્રેણીમાંથી મૂલ્યોનો ઉપયોગ કરીને દાખલ કરવામાં આવે છે.
૪. નેટવર્કનો શીખવાનો તબક્કો: ચેતાકોષો વચ્ચેના જોડાણો (સિનેપ્સ), સિગ્મોઇડ કાર્યોના ઢોળાવ અને ચેતાકોષોના થ્રેશોલ્ડની ગણતરી બેક પ્રોપેગેશન (BP) પદ્ધતિનો ઉપયોગ કરીને કરવામાં આવે છે. આ પ્રક્રિયા માટે પરિમાણો વ્યાખ્યાયિત કરવા માટે વિકલ્પો ઉપલબ્ધ છે, જેમ કે શીખવાનો દર અને શીખવાના ચક્રની સંખ્યા. આ મૂલ્યો નિષ્ણાત સિસ્ટમની મેમરી અથવા જ્ઞાન આધાર બનાવે છે. શીખવાની પ્રક્રિયાના પરિણામો સરેરાશ ચોરસ ભૂલનો ઉપયોગ કરીને પ્રદર્શિત થાય છે, અને સૌથી ખરાબ પેટર્ન અને તેની ટકાવારી ભૂલનો સૂચકાંક પણ બતાવવામાં આવે છે.
૫. સિસ્ટમ સાથે પરામર્શ/અનુમાન: આ તબક્કામાં, ઇનપુટ તથ્યોના મૂલ્યો વ્યાખ્યાયિત કરવામાં આવે છે, જેના પછી આઉટપુટ તથ્યોના મૂલ્યો તરત જ કાઢવામાં આવે છે.