Neuronätverk för prediktion
Signalprocessering är ämnat för att extrahera information ur mätsignaler, och ett väldigt lockande
ändamål är förutsägelse av kommande händelser — prediktion. Prediktion är ett stort område inom
signalprocessering, och en alltjämnt växande underkategori är neuronätverk.
Neuronätverk är konstruerade så att de skall efterlikna kopplingar i hjärnan, därav benämningen
"neuro". Liksom de neurala nätverken i hjärnan består även artificiella neuronätverk av neuroner,
vars funktion påminner om neuronerna i hjärnan. Biologiska neuroner har ett visst antal kopplingar,
dendriter, som kan motta information, och på basen av de inkommande signalerna antingen reagerar
neuronen, d.v.s. skickar ut en elektrisk signal, eller låter bli. Under en människas liv lär hon sig nya
saker, och neuronerna anpassar sig genom att lära sig vara mer känsliga för signaler som anländer
från vissa dendriter än från andra. Det är just denna förmåga att lära sig från tidigare erfarenheter
som gör artificella neuronätverk intressanta. Genom att träna neuronätverken kan de lära sig att
utföra uppgifter (t.ex. klassificering, optimisering, prediktering) utan att användaren behöver
definiera exakt hur detta skall gå till. Neuronätverk är alltså en form av maskininlärning, där
neuronätverket lär sig själv hur det skall extrahera intressant information för att uppnå den av
användaren definierade målsättningen. För att ytterligare förbättra neuronätverken har dessutom
kvantneuronätverk utvecklats, som ofta är effektivare och lär sig snabbare eftersom de utnyttjar
superposition och interferens i neuronerna.
Presentationen kommer att förklara funktionsprincipen för både klassiska och kvantneuronätverk
med fokus på prediktion samt innehålla några resultat från bägge.
