شبکه های عصبی پرسپترون و هاپفیلد

شبکه عصبی پرسپترون

این شبکه عصبی بر مبنای یک واحد محاسباتی به نام پرسپترونساخته می شود. یک پرسپترون برداری از ورودی ها با مقادیر حقیقی را گرفته و یکترکیب خطی از ورودی ها را محاسبه می کند. اگر حاصل از یک مقدار آستانه بیشتر بودخروجی پرسپترون برابر یا 1 و در غیر این صورت معادل 1- خواهد بود (قطری, نیک قدم حجتی, & فریدی, 1393).

پرسپترونتک لایه

در بین انواع شبکه های عصبی مصنوعی، پرسپترون از جملهکاربردی ترین شبکه ها هستند که قادر است با انتخاب مناسب تعداد لایه ها و سلول هایعصبی و نیز انتخاب درست الگوریتم یادگیری، یک برآورد غیر خطی را با دقت دلخواهانجام دهد در شبکه های عصبی پرسپترون هر نرون در هر لایه تمامی نرون های لایه قبلمتصل است (منهاج, 1384).

« پرسپترون ماشینی است که با استفاده از مثال هایی، برایاختصاص بردارهای ورودی ( نمونه ) به طبقات مختلف، با استفاده از تابع خطی از ورودیها یاد می گیرد.»

ایده اصلی این قانون بر اساس ادغام یادگیری با مدل نرون McCULLOCH – PITTS است. این شبکه همیشه در ساختار نرونی اشبه وزن هایی که در طبقه مورد نظر قرار دارند به شرط وجود این اوزان همگرا می باشد.پرسپترون قادر به شناسایی الگوها از همدیگر است. تابع خطی فعال سازی این شبکه مشتقدارد اما ورودی ( دو قطبی، قطبی ) مشتق ندارد. این قانون قادر به همگرا سازی درصورتی که مجموعه تحت آموزش بصورت خطی جداپذیر نباشد نمی باشند (قطری, نیک قدم حجتی, & فریدی, 1393).

یادگیری یک پرسپترون

یادگیری پرسپترون عبارت است از پیدا کردن مقادیر درستی برایوزن ها. بنابراین فضای فرضیه در یادگیری پرسپترون عبارت است از مجموعه تمام مقادیرحقیقی و ممکن برای بردارهای وزن. مکانیزم های مختلفی برای آموزش شبکه های عصبیپرسپترون وجود دارد که یکی از این مکانیزم ها مکانیزم پس انتشار خطا می باشد. اینمکانیزم بر خلاف موارد پیشین از چند لایه تشکیل شده است و علاوه بر لایه های ورودیو خروجی شامل لایه ای موسوم به لایه پنهان است. این شبکه به صورت نظارتی کار می کندو خودساز مانده نیست و یکی از خصوصیات بر جسته ای که آن را از سایر شبکه ها جدا میکند این است که مقادیر نرون های ورودی پیوسته است و این بدان معنی است که می توانمقادیر غیر باینری را به عنوان ورودی به شبکه داد. این شبکه یکی از پرکاربرد ترین شبکههاست چرا که می تواند مسائل به شدت غیر خطی و نظارتی را حل کند. در این مدل فعالسازهای دودویی برای واحد های حسی و پیوند دهنده، و فعال سازی1+ ، 0 ، 1- برای واحدپاسخ به کار می روند. در این نوع شبکه ها، تابع فعال سازی، تابع پله ای دودویی بامقادیر آستانه اختیاری اما ثابت است (قطری, نیک قدم حجتی, & فریدی, 1393).

شبکه های چند لایه

یک شبکه عصبی چند لایه نشان دهنده یک ارتباط غیر خطی بینبردار ورودی ها و بردار خروجی ها می باشد. این کار از طریق اتصال نرون های هر گرهدر لایه های قبلی و بعدی انجام می شود. در شبکه های چند لایه، لایه ها به ترتیب بهیکدیگر متصل می شوند به طوریکه خروجی لایه اول، ورودی لایه دوم می شود و این جریانتا آخرین لایه ادامه خواهد داشت، خروجی لایه آخر، خروجی های اصلی و پاسخ واقعیشبکه می باشند (قطری, نیک قدم حجتی, & فریدی, 1393).

در شبکه های چند لایه جریان سیگنال شبکه در یک مسیر پیش خورصورت می گیرد که از لایه ورودی آغاز می شود و به لایه خروجی منتهی می گردد. شبکههای چند لایه می توانند برای یادگیری مسائل غیر خطی و همچنین مسائلی با تصمیم گیریهای متعدد به کار روند (البرزی, 1393).

شبکه های عصبی هاپفیلد

هاپفیلد در سال 1982 طرح اصلی حافظه ها را ارائه کرد. اینحافظه یا شبکه عصبی دارای دو عنصر گره و یال می باشد. هر گره دارای دو وضعیت فعالو غیر فعال است ( صفر و یک ) و هر یال نیز دارای یک وزن می باشد. یال ها با وزنمثبت بین دو گره تا گره فعال دیگری را تحریک می کنند و یال های با وزن منفی بین دوگره، گره فعال دیگری را غیر فعال می سازند (کشاورزمهر, 1390).شبکههاپفیلد با انتخاب یک گره تصادفی کار خود را شروع می کند. در صورتی که یکی ( یابیشتر ) از همسایه های آن گره فعال باشند، مجموع وزن دار یال های منتهی به آن گرهمحاسبه می گردد. اگر این جمع مثبت باشد، گره فعال شده و در غیر این صورت گره مذکورغیر فعال باقی خواهد ماند. سپس مجددا یک گره دیگر به تصادف انتخاب شده و همینعملیات آنقدر تکرار می شود تا شبکه به یک حالت پایدار برسد (قطری, نیک قدم حجتی, & فریدی, 1393).

· شبکه هاپفیلد قرینه و کاملا متصل است.

· تا رسیدن به جواب نهایی شبکه چرخش می کند.

· شبکه مانند یک حافظه خود انجمنی عمل می کند (طاویرانی, حیدری, زاده, مهر, & نیا, 1389)

تفاوتشبکه هاپفیلد با پرسپترون

نحوه عمل شبکه هاپفیلد کاملا با شبکه پرسپترون متفاوت است.به شبکه پرسپترون یک بردار ورودی داده می شود و شبکه جواب را به صورت خروجی تولیدمی کند. اما در شبکه هاپفیلد خروجی اول به صورت ورودی بعدی مجددا به سیستم داده میشود که خود خروجی دیگری را تولید می کند و مجددا این عمل تکرار می شود. جواب نهاییهنگامی حاصل می شود که از یک دوره به دوره دیگر تغییری روی ندهد. آنچه شبکههاپفیاد را از دیگر شبکه های عصبی مصنوعی متمایز می کند نحوه دستیابی آن به جواباست. این شبکه یک شبکه بازگشتی است که تا حدودی به لایه بازگشتی در شبکه همینگشباهت دارد اما قادر است که به تنهایی وظیفه هر دو لایه اول در شبکه همینگ راانجام دهد (قطری, نیک قدم حجتی, & فریدی, 1393).

تحلیل شخصی

یک پرسپترون تنها قادر است مثال هایی را یاد بگیرد که بهصورت خطی جداپذیر باشند. این گونه مثال ها مواردی هستند که به طور کامل توسط یک «ابر صفحه » قابل جدا سازی باشند.شبکه هاپفیلد دارای معماری خاصی است که آن را ازسایر شبکه ها جدا کرده است. اصولا این نوع شبکه ها دارای یک لایه از نورون هایورودی به نورون های ورودی است و به نوعی می توان گفت نورون های ورودی همان نورونهای خروجی هستند.

منابع

البرزی, م. (1393). آشنایی با شبکه هایعصبی. تهران: مؤسسه انتشارات علمی دانشگاه صنعتی شریف.

طاویرانی, حیدری, زاده, ح.,مهر, د., & نیا, م. (1389). شبکه های عصبی مصنوعی. تهران: انتشاراتاندیشه ظهور.

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

کشاورزمهر. (1390). شبکههای عصبی منطق فازی و الگوریتم ژنتیک - ترکیب و کاربرد. تهران: انتشارات نورپردازان.

منهاج, م. (1384). مبانیشبکه های عصبی. تهران: انتشارات دانشگاه صنعتی امیرکبیر.

مدیریت فناوری اطلاعات...