شبکه های عصبی و هوش مصنوعی

شبکه های عصبی مصنوعی الگویی برای پردازش اطلاعات می باشندکه 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 مفهومیکه 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 استفادهاز شبکه های عصبی :

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

2- خود سازماندهی : یک شبکه عصبیمصنوعی به صورت خودکار سازماندهی و ارائه داده هایی که در طول آموزش دریافت کردهرا انجام می دهد.

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

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

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

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

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

شبکه های عصبی مصنوعی

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

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

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

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

· مجموعه ای از گره ها؛ هر گره در حقیقت واحد محاسباتی شبکه است که ورودی ها راگرفته 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 وجوددارد که گره را به عنوان یک نرون مصنوعی در نظر می گیرد. در اصطلاح، این چنین شبکههایی را شبکه عصبی مصنوعی (Artifical Neural Network) یا بهاختصار ANN می نامند.

یک نرون مصنوعیدر 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 پرسپترونچند لایه ( Multi Layer Perceptron ) یا به اختصار MLP می باشد که از یک لایه ورودی، یک یا چند لایه پنهان ویک لایه خروجی تشکیل یافته است.

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

1- وزن ثابت

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

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

· روش ارائه یکجا ( BatchMode )

· روش ارائه الگو ( Patte 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 ازسیستم

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

حافظه تداعی گریا حافظه انجمنی

در بسیاریکاربردها، لازم است یک آیتم در یک جدول ( حافظه ) جستجو شود، که فرآیندی زمان براست. در صورتی که بتوان حافظه ای ساخت که با ارائه ی داده، آدرس را بیابد، کاراییفرآیند جستجو به صورت موثری بهبود خواهد یافت. چنین حافظه ای، حافظه ی تداعی گرخوانده می شود.

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

در حافظه هایپنهان انجمنی، علاوه بر داده، ( بخش ) از آدرس را نیز ذخیره می کند. چنین حافظه ایاز 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 هایعصبی. 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). شبکههای عصبی منطق فازی و الگوریتم ژنتیک - ترکیب و کاربرد. تهران: نشرنورپردازان.

منهاج. (1384). مبانی شبکههای 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 واقعشبکه های عصبی را می توان در حل مسائلی که روایط دقیق ریاضی بین ورودی ها و خروجیهای آن برقرار نیست به کار برد.

مدیریت فناوری اطلاعات...