1.2 Tổng quan về mạng neuron
1.2.5 Đặc điểm của mạng neuron nhân tạo
Mạng neuron nhân tạo không tiếp cận đến sự phức tạp của bộ não. Nhưng đã có hai sự tương quan cơ bản giữa mạng neuron nhân tạo và sinh học. Thứ nhất, cấu trúc khối tạo thành chúng đều là các thiết bị tính tốn đơn giản (mạng neuron nhân tạo đơn giản hơn nhiều) được liên kết chặt chẽ với nhau (mạng neuron đơi khi được xem như là các mơ hình liên kết (connectionist models), là các mơ hình phân bố song song (parallel-distributed models)). Thứ hai, các liên kết giữa các neuron quyết định chức năng của mạng.
Một số những đặc trưng ưu việt mà mạng neuron có thể thu được từ việc mơ phỏng bộ não con người như sau: [17]
- Tính chất phi tuyến
Một neuron có thể tính tốn một cách phi tuyến hay tuyến tính. Nếu một mạng neuron được cấu thành bởi sự kết nối các neuron phi tuyến thì nó sẽ có tính phi tuyến. Và tính phi tuyến này sẽ được phân tán trên toàn mạng. Đây là một đặc tính rất quan trọng vì các cơ chế vật lý sinh ra các tín hiệu đầu vào thường là phi tuyến (ví dụ như tín hiệu tiếng nói).
- Tính chất tương ứng đầu vào-đầu ra
Mặc dù khái niệm “học” hay “tích lũy” (training) chưa được bàn đến nhưng để hiểu được mối quan hệ đầu vào-đầu ra của mạng neuron, chúng ta sẽ đề cập sơ qua về khái niệm này. Một mơ hình học phổ biến được gọi là học với một người dạy hay học có giám sát liên quan đến việc thay đổi các trọng số synapse của mạng neuron bằng việc áp dụng một tập hợp các mẫu. Như vậy, mạng neuron học từ các
ví dụ bằng cách xây dựng nên một quan hệ đầu vào-đầu ra cho vấn đề cần giải quyết. Lấy ví dụ phân loại mẫu, trong đó với mỗi số liệu “đầu vào” sẽ cho một kết quả “đầu ra”. Các mạng neuron sẽ có cơ chế tự học sau khi được huấn luyện bằng một tập mẫu gồm cả thơng tin “đầu vào” và “đầu ra” biết trước.
- Tính chất thích nghi
Các mạng neuron có khả năng thích nghi khi mơi trường thay đổi. Tuy nhiên, mạng có khả năng tiếp nhận sự thay đổi khi được huấn luyện thêm bằng tập mẫu mới và sau khi được huấn luyện như vậy thì có thể nhận dạng cả hai loại mẫu.
- Tính chấp nhận sai sót
Một mạng neuron được cài đặt dưới dạng phần cứng, vốn có khả năng chấp nhận lỗi, Ví dụ, nếu một neuron hay các liên kết kết nối của nó bị hỏng, việc nhận dạng lại một mẫu được lưu trữ sẽ suy giảm về chất lượng. Nhưng do bản chất phân tán của thông tin lưu trữ trong mạng neuron nên sự hỏng hóc này cũng sẽ được trải ra trên toàn mạng.