Stap 5: BPN (kunstmatige intelligentie)
Het vermogen van het menselijk brein om na te denken, onthouden en op te lossen
problemen heeft inspireerde vele computerwetenschapper om het model van deze structuur met behulp van hardware en software. Dientengevolge, kunnen tegenwoordig we verschillende modellen van kunstmatig neuraal netwerk die proberen te emuleren de biologische werking van organische neuronen tegenkomen.
Een van deze modellen is de terug Propagation netwerk (BPN) die samengesteld uit de volgende onderdelen is:
-Verwerkingseenheden (kunstmatige neuronen)
-Invoerlaag
-Verborgen lagen
-Output laag
-Leren van de regels
Als we een waarde een waarde op basis van een specifieke inbreng op te halen willen, is er een feed forward functie waarmee de waarde voor elk neuron wordt berekend als de som van alle ingangen naar die eenheid vermenigvuldigd met het gewicht van de koppeling.
Wanneer de BPN is opgeleid, hoeft het algoritme op te geven van de ingangen en de verwachte output zodat de BPN een fout verkrijgt. Met behulp van gedeeltelijke afleidingen van de totale fout en de waarde van elke link past de BPN de waarde van de gewichten in een feed-achteruit wijze (waar de naam vandaan komt).
Met het oog op dit project gebruikten we drie lagen: 1 invoerlaag met 1024 eenheden toegewezen van de vector gegevens ontvangen via de telefoon-microfoon, 1 verborgen laag van 512 eenheden en 1 uitgang vertegenwoordigen een Booleaanse waarde van verhuizing of niet te verhuizen.
Meer details over de code vindt u op deze repository: https://github.com/jocan3/RedBotDance
