دانلود مقاله تحقیق پایان نامه

شبکه‌های عصبی مصنوعی، پردازش اطلاعات

پیشینه شبکه های عصبی به اوایل قرن بیستم و اواخر قرن نوزدهم برمی گردد. در این دوره ها، کارهای اساسی در فیزیک، روا نشناسی و نروفیزیولوژی توسط علمایی چون هرمان فون هلمهلتز ، ارنست ماخ ، و ایوان پاولوف صورت پذیرفت.
دیدگاه جدید شبکه های عصبی در دهۀ 40 قرن بیستم آغاز شد زمانی که وارن مک کلوث و والترپیتز نشان دادند که شبکه های عصبی می توانند هر تابع حسابی و منطقی را محاسبه نمایند. کار این افراد را می توان نقطه ی شروع حوزۀ علمی شبکه های عصبی مصنوعی نامید. نخستین کاربرد علمی شبکه های عصبی در اواخر دهه 50 قرن بیستم مطرح شد، زمانی که فرانک روزنبلات در سال 1958 شبکه پرسپترون را معرفی نمود. [do_widget id=kl-erq-2]
در خلال دهه 80، رشد تکنولوژی میکروپروسسورها روند صعودی داشت و تحقیقات روی شبکه های عصبی فزونی یافت و ایده های بسیار جدیدی مطرح شدند. در این زایش دوباره شبکه های عصبی دو نگرش جدید قابل تأمل می باشد. استفاده از مکانیسم تصادفی جهت توضیح عملکرد یک طبقه وسیع از شبکه های برگشتی که می توان آن ها را جهت ذخیره سازی اطلاعات استفاده نمود. این ایده توسط جان هاپفید ، فیزیک دان آمریکایی، در سال 1982 مطرح شد. دومین ایده مهم که کلید توسعه شبکه های عصبی در دهه 80 شد، الگوریتم «پس انتشار خطا » می باشد که توسط دیوید راملهارت و جمیز مکلند در سال 1986 مطرح گردید با بروز این دو ایده، شبکه های عصبی متحول شدند [21] .
دلایل استفاده از شبکه های عصبی مصنوعی
شبکه های عصبی با وجود اینکه با سیستم های عصبی طبیعی قابل مقایسه نیستند، اما ویژگی هایی دارند که آن ها را در بعضی از کاربردها مانند پیش بینی سری های زمانی، تفکیک الگو، روباتیک، کنترل؛ و به طور کلی در هر جا که نیاز به یادگیری یک نگاشت خطی و یا غیر خطی باشد، ممتاز می نمایند. این ویژگی ها به شرح زیر هستند: [21]
قابلیت یادگیری:
قابلیت یادگیری یعنی توانایی تنظیم پارامترهای شبکه (وزن های سیناپتیکی) در مسیر زمان که محیط شبکه تغیر می کند و شبکه شرایط جدید را تجربه می کند، با این هدف که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی آن (وضعیت خاص) رخ داد، شبکه بتواند با آموزش مختصر برای شرایط جدید نیز کارآمد باشد. همواره اطلاعات در شبکه های عصبی در سیناپس ها ذخیره می گردد و هر نرون در شبکه، به صورت بالقوه از کل فعالیت سایر نرون ها متأثر می شود. در نتیجه، اطلاعات از نوع مجزا از هم نبوده بلکه متأثر از کل شبکه می باشد.

تغییر خطای دسته آموزشی و آزمایشی به ازای تعداد تکرار آموزش
پراکندگی اطلاعات «پردازش اطلاعات به صورت متن»
آنچه که شبکه فرا می گیرد (اطلاعات یا دانش )، در وزن های سیناپسی منتشر می باشد. رابطه یک به یک، بین ورودی ها و وزن های سیناپتیکی وجود ندارد. می توان گفت که هر وزن سیناپسی مربوط به همه ورودی هاست ولی به هیچ یک از آن ها به طور منفرد و مجزا مربوط نیست. به عبارت دیگر هر نرون در شبکه، از کل فعالیت سایر نرون ها متأثر می باشد. در نتیجه، اطلاعات به صورت متن توسط شبکه های عصبی پردازش می شود. بر این اساس چنانچه بخشی از سلول های شبکه حذف شوند و یا عملکرد غلط داشته باشند باز هم احتمال رسیدن به پاسخ صحیح وجود دارد. اگرچه این احتمال برای تمام ورودی ها کاهش یافته ولی برای هیچ یک از بین نرفته است.
قابلیت تعمیم
پس از آنکه مثال های اولیه به شبکه آموزش داده شد، شبکه می تواند در مقابل یک ورودی آموزش داده نشده قرار گیرد و یک خروجی مناسب ارائه نماید. این خروجی بر اساس مکانیسم تعمیم، که همانا چیزی جز فرایند درون یابی نیست به دست می آید.

تغییر در قدرت حفظ و تعمیم بر اساس ورودی و خروجی
پردازش موازی
هنگامی که شبکه عصبی در قالب سخت افزار پیاده می شود سلول هایی که در یک تراز قرار می گیرند می توانند به طور هم زمان به ورودی های آن تراز پاسخ دهند. این ویژگی باعث افزایش سرعت پردازش می شود. در واقع در چنین سیستمی، وظیفه کلی پردازش بین پردازنده های کوچک تر، مستقل از یکدیگر توزیع می گردد.
مقاوم بودن
در یک شبکه عصبی هر سلول به طور مستقل عمل می کند و رفتار کلی شبکه، برآیند رفتارهای محلی سلول های متعدد است. این ویژگی باعث می شود تا خطاهای محلی از چشم خروجی نهایی دور بمانند. به عبارت دیگر، سلول ها در یک روند همکاری، خطاهای محلی یکدیگر را تصحیح می کنند. این خصوصیت باعث افزایش قابلیت مقاوم بودن (تحمل پذیری خطاها) در سیستم می گردد.
توابع انتقال
تابع انتقال یک تابع خطی و یا غیر خطی از n می باشد. از تابع انتقال برای تعیین خصوصیات نورون در راستای حل مسائل مختلف استفاده می شود.
تابع انتقال خطی
تابع انتقال لگاریتمیtan sigmoid
از این تابع انتقال در شبکه های «پس انتشار» استفاده می شود. این تابع انتقال مقادیر ورودی را در محدوده ∞˗ تا ∞+ دریافت کرده و یک مقدار خروجی بین (1،1-) تولید می نماید.

]]>