شبکه های عصبی و هوش مصنوعی

شبکه های عصبی مصنوعی الگویی برای پردازش اطلاعات می باشند که با تقلید از شبکه های عصبی بیولوژیکی مثل مغز انسان ساخته شده اند (قطری, نیک قدم حجتی, & فریدی ماسوله, 1393).

شبکه های عصبی مصنوعی در واقع مثلثی هستند با سه ضلع مفهومی که این سه ضلع عبارتند از :

· سیستم تجزیه و تحلیل داده ها

· نورون یا سلول عصبی

· قانون کار گروهی نورون های شبکه (قطری, نیک قدم حجتی, & فریدی ماسوله, 1393).

دلایل استفاده از شبکه های عصبی :

1- یادگیری تطبیقی : توانایی یادگیری این که چگونه وظایف خود را بر اساس اطلاعات داده شده به آن و یا تجارب اولیه انجام دهد.

2- خود سازماندهی : یک شبکه عصبی مصنوعی به صورت خودکار سازماندهی و ارائه داده هایی که در طول آموزش دریافت کرده را انجام می دهد.

3- عملگرهای بی درنگ : محاسبات در شبکه عصبی مصنوعی می تواند به صورت موازی و به وسیله سخت افزارهای مخصوصی که طراحی و ساخت آن برای دریافت نتایج بهینه قابلیت های شبکه عصبی مصنوعی است انجام می شود.

4- تحمل خطا : با ایجاد خرابی در شبکه مقداری از کارایی آن کاهش می یابد ولی برخی امکانات شبکه با وجود مشکلات بزرگ همچنان حفظ می شود.

5- دسته بندی : شبکه های عصبی قادر به دسته بندی ورودی ها برای دریافت خروجی مناسب می باشند.

6- تعمیم دهی : این خاصیت شبکه را قادر می سازد تا تنها با برخورد با تعداد محدودی نمونه، یک قانون کلی از آن را به دست آورده، نتایج این آموخته ها را به موارد مشاهده از قبل نیز تعمیم دهد.

7- پایداری – انعطاف پذیری : یک شبکه عصبی هم به حد کافی پایدار است تا اطلاعات فرا گرفته خود را حفظ کند و هم قابلیت انعطاف و تطبیق را دارد و بدون از دست دادن اطلاعات قبلی می تواند موارد جدید را بپذیرد (قطری, نیک قدم حجتی, & فریدی ماسوله, 1393).

شبکه های عصبی مصنوعی

شبکه های عصبی نوعی مدل سازی ساده انگارانه از سیستم های عصبی واقعی هستند که کاربرد فراوانی از قبیل : نظیر درون یابی، تخمین، آشکار سازی و ... را شامل میشود (البرزی, 1380).

شاید مهمترین مزیت این شبکه ها، توانایی وافر آنها در کنار سهولت استفاده از آن ها می باشد.

یکی از روش های کارآمد در حل مسائل پیچیده، شکستن آن به زیر مسئله های ساده تر است، که هر کدام از این زیر بخش ها به نحو ساده تری قابل درک و توصیف باشند (البرزی, 1380).

شبکه ها انواع مختلفی دارند که همگی آن ها از 2 مؤلفه تشکیل میشوند :

· مجموعه ای از گره ها؛ هر گره در حقیقت واحد محاسباتی شبکه است که ورودی ها را گرفته و بر روی آن پردازش انجام می دهد تا خروجی بدست آید.

· اتصالات بین گره ها؛ این اتصالات نحو گذر اطلاعات بین گره ها را مشخص می کند. در حالت کلی اتصالات می توانند تک سویه یا دو سویه باشند (منهاج, 1384).

شبکه ای وجود دارد که گره را به عنوان یک نرون مصنوعی در نظر می گیرد. در اصطلاح، این چنین شبکه هایی را شبکه عصبی مصنوعی (Artifical Neural Network) یا به اختصار ANN می نامند.

یک نرون مصنوعی در حقیقت مدل محسباتی است که از نرون های عصبی واقعی انسان، الهام گرفته است.

نرون های طبیعی، ورودی خود را از طریق سیناپس دریافت می کنند.

مدل پرسپترون چند لایه ( Multi Layer Perceptron ) یا به اختصار MLP می باشد که از یک لایه ورودی، یک یا چند لایه پنهان و یک لایه خروجی تشکیل یافته است.

بطور کلی شبکه های عصبی مصنوعی از لحاظ یادگیری بر 2 دسته اند :

1- وزن ثابت

2- وزن متغیر ( شبکه های یادگیرنده ) (منهاج, 1384).

ارائه نمونه داده های ورودی به شبکه عصبی به دو روش امکان پذیر است :

· روش ارائه یکجا ( BatchMode )

· روش ارائه الگو ( Pattern Mode )

· دو روش اصلی لیاپانوف :

· روش اول : برای بررسی پایداری سیستم های غیر خطی در نقاط کار پس از خطی سازی

· روش دوم : کلی ترین روش تحلیل پایداری سیستم های دینامیکی با دیدگاه داخل از سیستم

· نظریه لیاپانوف پر کاربردترین روش در تحلیل و طراحی سیستم های دینامیکی می باشد (کشاورزمهر, 1390).

حافظه تداعی گر یا حافظه انجمنی

در بسیاری کاربردها، لازم است یک آیتم در یک جدول ( حافظه ) جستجو شود، که فرآیندی زمان بر است. در صورتی که بتوان حافظه ای ساخت که با ارائه ی داده، آدرس را بیابد، کارایی فرآیند جستجو به صورت موثری بهبود خواهد یافت. چنین حافظه ای، حافظه ی تداعی گر خوانده می شود.

این نوع حافظه ها، هزینه بالاتر نسبت به حافظه های معمولی دارند، و بدین سبب در کاربرد هایی که زمان جستجو نقش حیاتی دارد، به کار می روند.

در حافظه های پنهان انجمنی، علاوه بر داده، ( بخش ) از آدرس را نیز ذخیره می کند. چنین حافظه ای از یک حافظه ی معمولی و یک حافظه ی تداعی گر تشکیل شده است (قطری, نیک قدم حجتی, & فریدی ماسوله, 1393).

منابع

البرزی, م. (1380). آشنایی با شبکه های عصبی. تهران: دانشگاه صنعتی شریف،مؤسسه انتشارات علمی.

قطری, ع. ر., نیک قدم حجتی, س., & فریدی ماسوله, م. (1393). هوش مصنوعی و منطق فازی. تهران: انتشارات صفار.

کشاورزمهر. (1390). شبکه های عصبی منطق فازی و الگوریتم ژنتیک - ترکیب و کاربرد. تهران: نشر نورپردازان.

منهاج. (1384). مبانی شبکه های عصبی. تهران: انتشارات دانشگاه صنعتی امیر کبیر.

تحلیل شخصی

هر شبکه عصبی سه مرحله آموزش، اعتبار سنجی و اجرا را پشت سر می گذارد. در واقع شبکه های عصبی را می توان در حل مسائلی که روایط دقیق ریاضی بین ورودی ها و خروجی های آن برقرار نیست به کار برد.