شبکه عصبی مصنوعی

صفحه 1:


صفحه 2:
٠: ‏مباحث‎ آشنایی با شبکه های عصبی زیستی معرفی شبکه های عصبی مصنوعی(000ه) مبانی شبکه های عصبی مصنوعی توپولوژی شبکه نرم افزازهای شبکه های عصبی مقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبی فرآیند یادگیری شبکه تجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعی آیده ی اصلی شبکه های عصبی مصنوعی مهم ترین تفاوت حافظه ی انسان و حافظه ی کامپیوتر شبکه های عصبی در مقابل کامپیرترهای معمولی معایب شبکه های عصبی مصنوعی کاربردهای شبکه های عصبی مصنوعی 

صفحه 3:
آشنایی با شبکه های عصبی زیستی * این شبکه ها مجموعه ای بسیار عظیم از پردازشگرهایی موازی به نام نورون اند که به صورت هماهنگ برای حل مسئله عمل می کنند و توسط سیناپس ها(ارتباط های الکترومغناطیسی) اطلاعات را منتقل می کنند.در این شبکه ها اگر یک سلول آسیب ببیند بقیه ی سلولها می توانند تبود آترا جبران کرده و نیز در بازسازی آن سهیم باشند. ** آين شبکه ها قادر به یادگیری اند.مثلا با اعمال سوزش به سلولهای عصبی لامسه» سلولها ياد إمى كيرند كه به طرف جسم داغ نروند و با لين للكوزريتم سیستم می آموزد که خطای خود را اصلاح کند. ره مس ‎(buck‏ + یادگیری در این سیستم ها به صورت تطبیقی صورت می گیرد. یعنی با استفاده ازمثال ها وزن بناپس ها به گونه ای تغییر می کند که در صورت دادن ورودی های جدید سیستم پاسخ درستی تولید کند. 

صفحه 4:
معرفی ۸۸۷۷ ها یک سیستم پردازشی داده ها که از مغز انسان ایده گرفته و پردازش داده ها را به عهده ی پردازنده های کوچک و بسیار زیادی سپرده که به صورت شبکه ای به هم پیوسته و موازی با رفتار می کنند تا یک مسئله را حل کنند. * در این شبکه ها به کمک د انش برنامه نویسی ۰ ساختا ر داده ای طراحی می شود که می تواند هما نند نورون عمل کند.که به این ساختارداده مب یا گره نیزگفته می شود.بعد باایجاد شبکه ای ‎nde Gi! Ge‏ ها و اعمال یک الگوریتم آموزشی به آن» شیکه را آموزش می دهند . * در این حافظه یا شبکه‌ی عصبی سرب ها دازای دو حالت فعال(م یا 0) وغیرفعال( “دان يا (0) اند و هر يال (سينايس يا ارتباط بين جلك ها)دارای یک وزن می باشد.یالهای با وزن مثبت .موجب تحريك يا فعال كردن جلعر» غير فعال بعدى مى شوند و يالهاى با وزن منفى ‎ee USAR ses Oe a‏ 29 کتفسل بودمباشد) می کن ‏ 

صفحه 5:
معرفی ‎ANN‏ ها(ادامه 5 06 39 ولق مظتی‌هستند بسا سه طتلع. مفهومی : 4 سیستم تجزیه و تحلیل داده ها 01 . نورون یا سلول عصبی 01 قانون کار گروهی نورونها (شبکه) ‎BOO 0‏ ه دستکم از دو جهتشبیه مغز لنسان لند: 0 مرحله اى.موسوم به ياد كيرى دارند. 07 وزن شا نی جهت ذخيرهى دانش به كار مى روند. 9 هوش مصنوعى و مدل سا زى شناختى سعى بر اين دارند كه بعضى خصوصيا ت شبكه هاى عصبى را شبيه سازى كنند. كرجه اين دو روش ها يشان شبيه هم استء اما هدف هوش مصنوعی از این کار حل مسائل شخصی و هدف مدل سا زی شناختی »ساخت مدلهای ریا ضبی سیستم های نورونی زیستی می باشد . 

صفحه 6:
به طور خلاصه یک شبکه عصبی باید خصوصیات زیر را داشته باشد: **_بتواند الگوها را طبقه بندی کند. *** به اندازه کافی کوچک باشد تا از نظر فیزیکی واقع گرایانه باشد. ** با به کار گیری آموزش, قابل برنامه ریزی باشد و قدرت یادگیری داشته باشد. یعنی توانایی ‎al ie‏ های شبكه ( اوزان سينايتيكى )» در:مسير زمان كهإمَخيط شبكه تغيير مى كند و شبکه وارد شرایط جدیدی می شود. هدف از این کار این است که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی شبکه رخ داد. شبکه بتواند با آموزش مختصر. برلی شرایط جدید نیز کارآمد باشد. . دیگر اين که اطلاعات در شبکه های عصبی در سیناپس ها ذخیره و هر نرون در شبکه به صورت بالقوه از کل فعالیت سایر نرون ها تأثیر مى بذيرد. در نتیجه اطلاعات از نوع مجزا از هم نبوده و متاثر از کل شبکه می باشد. *_توائّایی تعمیم را با استفاده لز مثال های ارائه شده در فرآیند آموزش, داشته باشد. 

صفحه 7:
مبانی ۷ ۸۸۷ ها شبکه"های عصبی به طور کلی سیستمهای ریاضی یادگیر غیر خطی هستند. طرز كار لين شبکه ها از روش کار مغز لنسان الگو برداری شده است. در واقع شبکه های عصبی طبق تعریف ماشینی است برای ساخت یک مدل که می توان آن را بوسیله سخت افزار یا نرم افزار شبیه سازی کرد و عملکردی شبیه مغز انسان دلرند. #* "یک شبکه عصبی بر خلاف کامپیوتر های رقومی که نیازمند دستورات کاملا صریح و مشخص است. به مدل های ریاضی محض نیاز ندازد بلکه ماتند انسان قابلیت یادگیری به وسیله تعدادی مثال مشخص را دارد. هر شیکه عصبی سه مرحله آموزش, اعتبار سنجی و اجرا را پشت سر می گذارد. در واقع شبكه هاى عصبى را مى توان در حل مسايلى كه روابط دقیق ریاضی بين ورودی ها و خَرووجى هاى آن برقرار:نيست بكار برد. ** آموزش ديدن شبكه هاى عصبى در واقع جيزى جز تنظيم وزن هاى لرتباطى اين نرون ها به ازائ دريافت مثال هاى مختلف نيستتا خروجى شبكه به سمت خروجى مطلوب همكرا شود. 

صفحه 8:
مدل ریاضی یک نورون * همان گونه که ذکر شد نرون کوچکترین واحد یک شبکه عصبی مصنوعی است که عملکرد شبکه های,عصبی را تشکیل می دهد. * بدنه هر سلول عصبی از دو بخش تشکیل می شود بخش اول را تابع ترکیب می گویند. و ابع ترکیب این است که تمام ورودی ها را ترکیب و یک عدد تولید می کند. در بخش دوم سلول تابع انتقال فرار دارد که به آن تابع تحریک نیز می گویند. درولقع همان گونه که یک سلول بیولوژیک باید به سطح آستانه تحریک خاصی برسد تا یک سیگنال تولید کند. توابع تحریک نیز تا زمانی که ورودی های ترکیب شده و:پوزن دار شده به یک حد آستانه ای خاص نرسند مقدار خروجی نظیر بسیار کوچکی تولید میکنند. * وقتی ورودی های ترکیب شده به حد آستانه ای خاصی برسنده سلول عصبی تحریک شده و سیگنال خروجی ولید می کند. با مقایسه جواب خروجی شبکه با مقدار مطلوب مورد نظر برداز خطا محاسبه شده و این بردار با استفاده از وهای مختلف از آخر به‌شمت لبتذات TEACHING DIEUT 

صفحه 9:
توپولوژی شبکه وضعیت نسبیآتتلولها در شبکه(تعداد و گروه بندی و نوع اتصالات آنها)را توپولوژی شبکه گویند.توپولوژی در واقع سیستم اتصال سخت افزار نورونها به یکدیگر است که توام با نرم افزار مربوطه (یعنی روش ریاضی جریان اطلاعات و محاسبه ی وزنها)نوع عملکرد شبکه .ی عصبی رل تعیین می کند در اين توپولوژی یک لایه ی ورودی وجود دارد که اطلاعات را دریافت می کند.‌تعدادی لایه ی مخفی وجود دارد که اطلاعات را از لایه های قبلی می گيرند و در نهایت یک لایه ی خروجی .وجود دارد که نقیجه ی محاسبات به آنجا میزود و جوابها در آن قرار میگیرند eedPornwerd topology Revue topoloy 

صفحه 10:
نرم افزارهای شبکه های عصبی نرم افزارهایی برای شبیه سازی .مطالعه و تحقیق سیستمهای عصبی زیستی و گسترش شبکه های عصبی مصنوعی و مدرد سرضرول() ها شبیه سازها: نرم افزارهایی برای شبیه سازی را صورت مستقل عمل می کنند و قادرند فرا نمایش دهند. شبیه سازهای تحقیقاتی :برای مطالعه ی الگوریتم ها و ساختار های شبکه ی عصبی که به فهم ا ل ی عمبی کمک )ند (مطالعه و ویزگی های شیمییی بو زیستی بافتهای عصبی و پالس های الکترومغناطیسی بین نورونها). شبکه های عصبی زیستی و مصنوعی که به آموزش شبکه ی عصبی را به شکل تصویری رایجترین شبیه سازهای ‎OOO‏ 1 ۵006 ‏له وهی‎ wetwor skxmkior), POP ++ (pardel derbuicg ‏ول رصم‎ 0008 رایجترین شبیه سازهای شبکه های زیستی: ‎XDCC,COW ۳۵۵‏ 

صفحه 11:
نرم افزارهای شبکه های عصبی شبیه ساز‌های آنالیز دلده :علی رغم دسته ی اول »کاربردهای عملی شبکه های عصبی را مطالعه می کنند.استفا ده از آنها نسبتا ساده است در عوض توانایبهاشان محدود است . بر روی 00 روپیش بینی ها کار می کنند. بعضی از آنها عبارتند از: ‎ODiervset Excel, Duta‏ اوه مر( هازیر لیگسترش و آرلیش‌شبکه هیعصبییه کار می‌روند. رایج ترین نرم افزارهای اين دسته عبارتند از: )۳۵۵ 00) وه( 

صفحه 12:
مقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبی مدل سازی کلاسیک: این مدل از نخستین قدم خطای بزرگی مرتکب می شود که فقط در سیستمهای ساده (خطی یا نزدیک به خطی )قابل صرفنظر است و آن محاسبه ی شاخصهای تمایل به مرک و پراکندگی ات که به این ترتیب راهمیت فردی تک تک داده ها از بین می رود و در نتیجه سیستم قادر به کشف پیچیدگی ها نخواهد بود. مدل سازی شبکه ی عصبی : در این مدل هر یک از کانالهای ورودی دارای یک ضریب عددی هستند که وزن سیناپسی نامیده می شود شدت تحزیگ الکتریکی در اين ضریبا ضرب میّ شود و به جسم سلولی می رسد. اگر مجموع تحریکات وارد به جسم سلولی به حد آستانه ی خاصی رسیده باشد.نورون شلیک می ‎SS‏ و در مسیرهای خروچی جریان الکتریکی ثابتی را ایجاد می کند.تحریکات لایه ی ورودی به يا جند لابه ی واسط می رود :ادامه ی جریان تحریکات در این لایه ها طوری هدایت د که پیچیدگیهای تاثیرات جریان ورودی را شبیه سازی می کند ,سپس تحریکات به لايه ی خروجی می روند که هدف نهایی ماست. 

صفحه 13:
مدل سازی شبکه ی عصبی(ادامه اكر هدف پیشگویی کمی باشد مجموع تحریکات آخرین عصب خروجی .آن عدد خواهد بود. اگر هدف طبقه بندی باشد .فعالیت یا عدم ‎OPP Uva) Called‏ بودن)نورونهای لایه ی آخر نمایانگر این امر خواهد بود ,مثلا شلیک نورون خروجی(فعال بودن آن)نشانگر حضور بیماری و خاموش بودن آن نشانه ی سلامتی است. سبستم شبکه ی عصبی در فرآیند یادگیری طوری وزنهای سیناپسی را تغییر می دهد که بتواند با هر سری تحریکات ورودی (یعنی داده های هر نمونه)جریان خروجی مناسب(پاسخ )را ‎aS als‏ چگونگی ریاضی این تغییر وزنها ظریفترین بخش مکانیسم عملکرد شبکه است. 

صفحه 14:
فرآيند یادگیری شبکه وظیفه ی شبکه های عصبی یادگیری است.نقریبا چیزی شبیه به یادگیری کودک خردسال. انواع آموزش شبکه یادگیری تحت نظارت(يا لح ) : با تمركز روى يك موضوع خاص و ارائه ى مثالهاى مختلفى از آن صورت مى كيرد .شبكه اطلاعات ورودى و مثال ها را تجزيه و تحليل ‎Or Ok‏ [99ییک نوع هید آزءآن دسته منال ها رد که قبلا هرگز ندیده بود شناسایی کند. یادگیری بدون نظارت(یا رجحم ) :یادگیری سطح بالاتری است که کاربرد آن رو ههار است. یادگیری تقویتی(یا ‎rekPorcewest‏ ‏مدل پنهانی مارکوف(00060):اجزای اصلی یک مدل مارکوف عبارتند از :مجموعه ی حالتهاءمجموعه ی عملها‌گذر هاءارزش افزوده ی فوری هر عمل 

صفحه 15:
تجزیه و تحلیل داده ها توسط ‎la ANN‏ 3 که عع . دنتی افکر " می کند.‌داده هاق موجود را "تجزیه و تحلیل" می کند؛ءروابط پیچیده ی بین پارامترها را "کشف" کرده و جوابی با دقت قابل قبول ارائه می دهد.در اینجا هیچ خبری از تستهای پیچیده ی آماری نیست. 

صفحه 16:
ايده ى اصلى عملکرد شبکه های عصبی مصنوعی ** هر گره دارای دو وضعیت فعال و می‌باشد (شکل ©) 00 ار مشيت بيت دو يالهاى با وزن منفى بين دو كره؛ كره فعال ل 3 ‎ce ٠‏ وت زد + ورت است كه ابتدلايك كره به تصادفت اب می‌شود. اگر يك یا ‏بیشتر از همسایه‌های آن گره فعال بودند جمع وزن‌دار یال‌های منتهی به آن گره‌ها حساب می‌شود. اگر این جمع مثبت بود گره فعال می‌شود و در غبر این صورت گره مذکور غیرفعال باقی خواهد ماند. سپس مجددا يك گره دیگر به تصادف انتخاب شده و همین عملیات آنقدر تکرار می‌شود تا شبکه به يك حالت پایدلر برسد. ‏تز اصلی هاپفیلد : از هر حالت ابتدایی و با هر وزنی لز یال‌ها که شروع کنیم. شبکه در نهایت به حالت پایدار خواهد رسید. ‎ ‎ ‎ 

صفحه 17:
Joe EASA 3 BS 

صفحه 18:
مهم ترین تفاوت حافظه ی انسان و حافظه ی کامپیوتر ** یکی از مه‌ترین تفاوت‌های حافظه انسان با حافظه کامپیوتر در نوع آدرس دهی اين دو نوع حافظه می‌باشد. در حافظه کامپیوتر اساس کار بر پایه آدرس خانه‌های حافظه یا آدرس اطلاعات بر روی حافظه دائم مىباشد. به عنوان مثال براى دستيابي به يك تصوير يا متن 0 ای آدرس حافظه با فایل مربوط به آن تصوير يا متن را داشته باشيد. اما با داشتن خود متن نمىتوانيد به سادكي آدرس حافظه مربوطه را بيابيد (البته به اين معنى كه اين کاز با قدمقالانجامتیست؛ و نه می‌توانید تصویر يا متن مورد.نظر را با تمام موارد: ج11 1 رده و نو صووت تطبیی آدرمن رل . ناگفته پیداست که انجام چنین کاری بسیار زمان بر و پر هزینه می‌باشد). %* أي ‎as ia‏ ذهن انسان دقت كنيد پا دیدن يك تصویر ناقص اغلب بلافاصله کامل آنرا به خاطر می‌آورید يا با دیدن تصویر يك شخص سریعا نام او را می‌گویی خواندن يك متن سریعا تمامی مطالب مربوط به آن را به ذهن می‌آورید. در واقع ذهن انوع حافظه آدرسدهى ‎(Conteot Oddressuble Dewory) Cul sine Gulal ys oa‏ همانگونه که از اين نام مشخص لست در اين نوع حافظه؛ با دادن محتواى يك خانه حافظه. بلافاصله آدرس آن به عنوان خروجی داده می‌شود. انسان يك 

صفحه 19:
شبکه های عصبی در مقابل کامپیوترهای معمولی شیک فاق عطتبی تسیت به کامپیوتر های معمولی مسیر متفاوتی را برای حل مسئله طی می كنند . كامييوتر هاى معمولى يك مسير الكو ريتمى را را استفاده می كللذ يه اين معنئ كا كامبيوتر يك مجموعه از دستورالعمل ها را به قصد حل مسئله بى مى كيرد. بدون اينكه؛ قدم های مخصوصی که کامپیوتر نیاز به طی کردن دارد» شناخته شده باشند كامبيوتر قادر به حل مسئله نيست. اين حقيقت قابلیت حل مسئله ی کامیبوتر های معمولی را به مسانلی .محدود مى کند که ما قادر به درک آنها هستیم و می دان نه حل میشوند. آما اگر کامپیوتر ها می ۳ ۱ ۱ ۱( هد که ماوق ندید لشكرده اجا لايم "خيلى بر فليده تر بودن شبکه های عصبی اطلاعات را به روشی مشابه با کاری که مغز انسان انجام می دهد پردازش مى کنند. آنها از تعداد زیادی از عناصر پرداز شی(سلول عصبی) که فوق العاده بهم پیوسته اند ولاس الك ‎anit ne Sa Um Gl ASD ae Se‏ كل م1 پشبکه های عصبی با مثال کار.می کنند و نمی توان آنها را برای انجام یک وظیفه خاص برنامه ریزی کرد مثال ها می بایست با دقت انتخاب شوند در غیر این صورت زمان سودمند؛ تلف می شود و یا حتی شبکه ممکن است نا درست کار کند. امتیاز شبکه این است که خونش کقف می کند کم چگونه مسئله را حل کند ۰ عملکرد آن غیر قابل پیش است. یی 

صفحه 20:
شبکه های عصبی در مقابل کامپیوترهای معمولی * از طرف دیگر » کامپیوتر های معمولی از یک مسیر مشخص برای حل یک مسئله استفاده می کنند . راه حلی که مسئله از آن طريق حل مى شود بايد از قبل شناخته شود و به صورت دستورلت کوتاه و غیر مبهمی شرح داده شود. اين دستورات سپس به زبان های برنامه نویسی سطح بالا برگردانده می شود و آیی که کامپیوتر قادر به درک آنها ۱ یل می شود به طور كلى أبن مين ها قبل بيش كوبى هستد و ار جيزى به خطا أنجام شود یک اشتباه سخت افزاری یا نرم افزلری بر می شبکه های عصبی و کامپیوتر های معمولی با هم در حال رقابت بلکه کامل کننده پکدیگرند . وظایفی وجود دارد که بیشتر مناسب روش های الگو ریتمی هستند نظیر عملیات محاسباتی و وظایفی نیز وجود دارد که بیشتر مناسب شبکه های عصبی هستند . حتی فراتر از این ۰ مسائلى وجود دلرد که نیازمند به سيستمى ات كه از تر كيب هر دو روش بدست مى آید (بطور معمول کامپیوتر های معمولی برای نظارت بر شبکه های عصبی به کار گرفته می اشوند ) به اين قصد كه بيشترين کارایی بدست آید. الل ع مر دا وت ات را خلق ‎i‏ 

صفحه 21:
la ANN cls با وجود برتری هایی که شبکه های عصبی نسبت به سیستم های مرسوم دارند» معایبی نیز دارند که پژوهشگران این رشته تلاش دارند که آن ها را به حداقل برساننده از جمله: * قواعد یا دستورات مشخصی برای طراحی شبکه جهت يك کاربرد اختیاری وجود ندارد, ** در مورد مسایل مدل‌سازی نمی‌توان صرفاً پا استفاده از شیکه عصبی به فيزيك مسأله پی برد. به عبارت دیگر مرتبط ساختن پارامترها یا ساختار شبکه به پارامترهای فرآیند معمولا غیرممکن است. * دقت نتایج بستگی زیادی به اندازه مجموعه آموزش دارد. آموزش شبکه ممکن است مشکل یا حتی غیرممکن باشد. * پیش‌بینی عماکرد آینده شبکه ( عمومیت یافتن ) آن به سادگی امکان‌پذیر نیست, 

صفحه 22:
کاربردهای شبکه های عصبی مصنوعی امروزه شبکه‌های عصسبی در کاربردهای مختلفی نظیسر مسائل تشخیص ‎Pottera) SI)‏ بسسه()) که خود شامل مسائلی مانند تشخیص خط(۵() صسسم) « شناسایی گفتار (جمهم سس( سسم9)» 92 3)3 22 205 ‎(lorax Provessien)‏ و مسانلی ازایّن دست می‌شود و نیز مسائل ‎(ChassPivciva) guidiions‏ مانند دستهبندى (2اطام) ‏ مسسسس())متون و یا تصاویر؛به کار می‌روند.درکنترل یا مدل‌سازی سیستم‌هایی که ساختار داخلی ناشناخته يا بتتیار پیچیده‌ای دارند نیز به صورت روز افزون از شبکه‌های عصبی مصنوعی اسبتفاده می‌شود . بنه عنوان مثأل می‌تولن در کنترل ورودی یسك (0(6) استفاده نمود که در لین صورت شبکه عصبی خود تابع کنترل را یاد 

صفحه 23:


صفحه 24: