شبکه عصبی

صفحه 1:
os ز نصرالهی-فریده امدادی بهرو * استاد محترم سرکار خانم کریمی دانشگاه آزاد اسلامی واحد شهرری 

صفحه 2:
شبکه عصبی چیست؟ ( به طور کلی) #شبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حفیقی» توابع با مقادیر گسسته و توابع با مقادیر برداری میباشد. #یادگیری شبکه عصبی در برابر خطاهای داده های آموزشی مصون بوده,و اینگونه شبکه ها با موفقیت به مسائلی نظیر شناسانی گفتار» شناسانی و تعبیر تصاویر» و یادگیری روبات ‎ae‏ اسطا #شبکه از تعداد دلخواهی سلول پا گره یا واحد و یا نرون تشکیل میشود که مجموعه ورودی ها را به خروجی ربط میدهد. 

صفحه 3:
ساختار شبکه‌های عصبی * یک شبکه عصبی شامل اجزای سازنده لایه‌ها و وزن‌ها می‌باشد. رفتار شبکه نیز وابسته به ارتباط بین اعضا است. در حالت کلی در شبکه‌های عصبی سه نوع لایه نورونی وجود دارد: ۰ لاه ورودی: دریافت اطلاعات خامی که به شبکه تغذیه شده‌است. لایه‌های پنهان: عملکرد این لایه‌ها به وسیله ورودی‌ها و وزن ارتباط بین آنها و لایه‌های پنهان تعیین مق‌شود. وزن‌های بین واحدهای,ورودی و پنهان تعیین می‌کند که چه وقت یک واحد پنهان باید فعال شود. یه خروجی: عملکرد واحد خروجی بسته به فعالیت واحد پنهان و وزن ارتباط واحد پنهان و خروجی می‌باشد. 

صفحه 4:
چرا از شبکه ۰ 3 کنیم؟ ‎ai‏ ى عصبى ‎١‏ ننم ستفا ده می * * قابلیت جه شبکه است ۳ ا م کت ده ۰ و عصبی در ۱ 6 ba? ‏تکارگیری‎ به عد عنوان یک متخ معخصص 

صفحه 5:
*شبکه عصبي پرسپترون *شبکه عصبي هاپفیلد *شبکه عصبي ‎Bird‏ *شبکه عصبي انتشار رو به عقب * شبکه عصبي تاخیر زماني 

صفحه 6:
" ۱ یادگیری تطبیقی : توانایی یادگیری اينکه چگونه وظایف خود را بر اساس اطلاعات داده شده به ن و یا تجارب گویند. ليه انجام دهد در واقع اصلاح شبکه را ۲ خود سازماندهی : یک شبکه عصبی مصنوعی به صورت خودکار سازماندهی و ارائه داده‌هایی/که در طول آموزش دریافت کرده را انجام دهد. نورون‌ها با قاعدة یادگیری سازگار شده و پاسخ به ورودی تغییر می‌یابد. 4 ای دریگ 1 ‎1١‏ ات در که عصبی.مسنرعی می درانل39 ورت موازی و به وسیله سخت‌فزارهای مخصوصی که طراحی و ساخت آن برای دریافت نتایج بهینه قابلیت‌های شبکه عصبی مصنوعی است انجام شود. 

صفحه 7:
۶ تحمل خطا : با ایجاد خرابی در شبکه مقداری از کارایی کاهش می‌یابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ می‌شود. 8 هی عصنبی قادر به دسته بندی ورودی‌ها بر ای د الى متاميب ام ىباشند. BIL oye Ly Ligases. ‏کارت شبکه فا قادر‎ 7 تعمیم دهی : محدودی نمونه» یک قانون کلی از را به دست آورده. نتلیج لین آموخته‌ها زاب موارد مشاهدهاز قبل نیز تعمیم دهد. توانلیی که در صورت نبود لُن سامانه بلید بی نهایت واقعیت‌ها و روابط را به خاطر بسپارد. ۲ پایداری , انعطاف پذیری : یک شبکه عصبی هم به حد کافی پایدار است تا اطلاعات فراگرفته خود را,حفظ کند و هم قابلیت"انعطاف و تطبیق را دارد و بدون از دست دادن اطلاعات قبلی می‌تواند موارد جدید را بپذیرد. 

صفحه 8:
معایب شبکه‌های عصبی با وجود برتری‌هلیی که شبکه‌های عصبی نسبت به سامانه‌های مرسوم دارند. معایبی نيز دارند که پژوهشگران این رشته تلاش دارند که آنها را به حداقل برسانند. از جمله: قواعد یا دستورات مشخصی برای طراحی شبکه جهت یک کاربرد اختیاری وجود ندارد. ‎٩‏ ال طل ازی. صرفا نمی‌توان تفه اواشبکه عصبی به فیزیک مساله پی برد. به عتارت دیگر مرتبط ساختن پارامترها یاساختار شبکه به پارامترهای فرایند ف ان مین اکتا " گّقت تتایج بستگی زیادی,به اندازه مجموعه آموزش دارد. * آموزش شبکه ممکن است مشکل ویا حتی غیر ممکن باشد. * پیش بینی عملکرد آینده که (عمومیت یَافتَن) آن به سادگی امکان 

صفحه 9:
از جمله قابلیت هاي شبکه هاي عصبي میتوان به موارد زیر اشاره کرد: *محاسبه یک تابع معلوم * تقریب یک تابع ناشناخته * شناساتی الگو *پردازش" سیگنال *یادگیری 

صفحه 10:
شبکه عصبی مصنوعی یک سامانه پردازشی داده‌ها است که از مغز انسان ایده گرفته و پ را به عهده پردازنده‌های کوچک و بسیار زیادی سپرده که به صور: با یکدیگر رفتار می‌کنند تا یک مسئله را حل نمایند. د شبکه‌ای به هم پیوسته و موازی ‎Elsie.‏ طراحی می‌شود که می‌تواند همانند نوژون عمل کند. که به این سا ‏می‌نود. بعد باایجاد شبکه‌ای بین این نورونها و اعمال یک للکوریتم آموزشی به آن. شبکه را آموزش ‎ ‏می‌دهند. ‏ای اف که ی نورونها دارای دوز حالت فعال (روشن یا ) و ‎ ‏آند هر بال (سیناپس یا ارتباط,بین گره‌ها) دارای یک وزن می‌باشد. یال‌های با وزن مثبت؛ موجب تحریک يا فعال كردن كره غير فعال بعدی می‌شوند و پال‌های با وزن منفی. گره متصل بعدی را غير غعال با مهار (در صورتی که فعال بوده«ناشند) می‌کنند. 

صفحه 11:
آشنایی با شبکه های عصبی زیستی ۱( تم از پردازشگرهایی موزی به نام نورون اند که به صورت هانگ برای حل مستله عمل می کنند و توسط سیناپس ها(ارتباط های الکترومغناطیسی)اطلاعات را متعل ی کنند.در این شبکه ها اگر یک سلول آسیب ببیند بقیه ی بلولها می توانند نبود آنرا جبران کرده و نیز در بازسازی آن سهیم باشند. این شبکه ها قادر به یا‌گیری اند.مثلا با اعمالً سوزش به سلولهای عصبی لامسه. سلولها یاد می گیرند كه به طرف جسم داغ نروند و با این الگوریتم سیستم می آموزد که حطای خود را اصلاح کند. * یادگیری در این سیستم ها به صورت تطبیقی صورت می سیناپس ها به گونه ای تغییر می کند که در صورت دادن ورودی های جدید #لید کند 

صفحه 12:
‎Nb‏ خخلاظه بيك اتتبكة غضبى بايد خصوصيات ور را داشتهباشد: ‎ ‏بتواند الگوها را طبقه بندی کند. به اندازه کافی کوچک باشد تا از نظر فیزیکی واقع گرایانه باشد. | ایسکار گیری آموزش» قلبل برنامه ریزی باشد و قدرت یادگیری داشته ‏باشد. یعنی ترانایی تنظیم پارامترهای شبکه ( اوزان سینایتیکی ), در مسیر زمان که محیط شبکه تغییر می گند و ‏شبکه وارد شرایط جدیدی می شود. هدف از این کا ‎ ‎°C SR‏ اگر شبکه .بوایه وضعیت خاصنْ,آموزش دید و تغیر کوچکی در شرلیط محیطی شبکه رخ ‏آموزش مختص برای شرایط جدید نیز کارآمد باشد. دیگر این که اطلاعات ‎ ‏شبکه بتواند با ‎ ‏شبکه های ‏کر بان علیذحبره بط ۱۱ که ب» مورت بالقوه از کل فعالت ماب تروث ‏ها تأثیر می پذیرد. در نتبجه‌اطلاعات از نوع مجزا از هم نبوده و متأثر از کل شبکه مى باشد: ‎ ‏توانایی تعمیم را با استفاده از مثال ها,ارائه شده در فرآیند آموزش, داشته باشد. 

صفحه 13:
کاربردهای شبکه های عصبی مصنوعی امروزه شبکه‌های عصبی در کار دهای مختلفی ‎Pattern) 5) 225 ls jb‏ 0 که خود شامل مسائلی مانند تشخیص ‎Character)‏ ‎(Recognition‏ (Image Processing) . 25 ‏پردازش‎ (Speech Recognition) iis ‏شناسايى‎ . و هسائلی ازاین دست می‌شود وم نیز مسائل دسته‌بندی(2551۴1110۳0]ن)) مانند دسته‌بندی (۳۳۵۵۱6۳5 6۵1100 کوها)سرن و یا ت .به كار مى روند.درك ترل يا مدلسازى ‎eS ae‏ هارند نيز به روز افزون از شبکه‌های عصبی مصنوعی استفاده می‌شود . به عنوان مثال می‌توان در کنترل ورودی یک موتور از ‎ANN iy‏ استفاده نمود که در اين,ضورت شبکهعصبی خود تابع کنترل را یاد خواهد گرفت. 

صفحه 14:
: کاربردهای شبکه های عصبی تشخیص بیماری * ‎ely‏ جدید. سور ها 9 پیگیری هدف * هدایت جنگ افزارها * شناسایی تصویر اسیگنال * بینایی ماشین * مدل كردن غير خطى * ‎Pasi‏ ‏کنترل فرآیند ساخت * آنالیز مالی * 

صفحه 15:
: کاربردهای شبکه های عصبی اختصار ‎٠‏ © بازبينى امضا * ارزيابى سرمايه * پیش بینی فروشهای آینده و نیازهای محصول * کلاسه بندی نمودارهای مشتری‌بازار * پیش بینی هوا * پیش بینی محصول مدل کردن کنترل فرآیند * تشخیص هدف شبیه سازی مسیر * 

صفحه 16:
:کاربردها هواو فضا .1 خلبان‌خودکار هولپیما با کارلیییا-لا شبیه سازی‌سیر پرواز سيستم هایکنترلیه لپیما بسا-لابردنکارلیی‌خلبان‌خودکار شيبيه سازىاجزلىهولييما تشخيصخطا در لجزلىه لييما 

صفحه 17:


صفحه 18:
۰3. es ‏رلهبری‌سلاح ظ‎ ‏ت-عقیب اهدلفه‌تحرک‎ تشخ رت رادار لنولع جدید حسگرها بردازثرسيكنا- لهات صويردو رادار با فشردم سازوبادهم ها 5 لستخرلج ویژگی‌ه و حذفنویزها تشخیص‌تصاویر و سیگنالط 

صفحه 19:
بانکاری.4 ۰ لبزار خودکار خولندن‌چکو سایر لسناد کاربردهای‌ارزیابیک ارتهایعتباری الکترونیک,5 * طر لحی‌مدارلتمجتمع. تحلیل قص‌مدارلتمجتمم بینایی‌ماشین تولید صدا مدلسازی‌غیر خطی 

صفحه 20:


صفحه 21:
صنعت.8 ۰ شبکه های عصبی را می توان به جای تجهیزات بسیار گرانی که در گذشته؛ در صنعت مورد استفاده بوده اند. به کار گرفت. به عنوان مثال از شبکه های عصبی می توان برای پیش بینی مقدار گازهای خروجی از کوره برخی از .فرایندهای صنعتی» استفاده نمود بیمه .9 ۰ ارزیابیسیاست‌هایک اربردی ‎so‏ 

صفحه 22:
ساختو تولید سک 5 کنترل‌فرلیند ساخت ۰ تحلیلو طرلحی‌تولید تشخيصفرليند و ماشين تشخيصلجزاء بلارنئك سيستم هاويصرءىيازرسىكيفيت تحليلكيفيتجوشكارى مدلسازءپویا از فسرلیندهای‌شیمیابی 

صفحه 23:
برش 11 تحلیل‌سلول‌های‌سرطانی‌پستان 0۵ و ‎EEG‏ تحلیل طرلحی‌پروتز بهینه سازیزمان‌جرلحی كاشؤينه بيمارستانظط .۰۰ بهبود كيفييتبيمارستانط نفتوكاز .12 * لکتشاف ۰ 

صفحه 24:
. . طبقه بندیلصولت لیجاد گفتار از روعمتن 

صفحه 25:
مخابرلت. 16 * 2[ ۴۳۳ شزو یس هوخودکار نم لطلاعاتی ترجمه گفتار بسه صورتبللرنگ سیستم هعپردازشپردلخت‌شتری البته لازم به ذکر است که کاربرد شبکه های عصبی در ‎oad ole gle‏ روز به * روز در حال گسترش می باشد و هر روزه کاربرد جدیدی از اين شبکه ها در .مقالات معتبر» توسط پژوهشگران مطرح می گردد 

صفحه 26:
"عناصر پردازشی: ؟ سيستم عصبی ما از شمار زیادی عناصر پردازشی و پبوسته تشکیل شدوکه برای حل ال ا هم هماهنک عمل ی ککند. “به هر یک از این عناصر پردازشی فوق العاده یک نرون(۱6۱(۲۵۳5) گفته ميشود. 

صفحه 27:


صفحه 28:
#ساختار نرون هر ترون طبیعی از سه قسمت اصلی تشکیل شده است * دندریت(06۳00۲|]6) * * (Some) Jo Wiis لکسون(2<0۳) * 

صفحه 29:
۳ دندريت ها دندریت ها به عنوان مناطق دریافت سیگنال های * ا 3 که دارای,نتطح نامنظم و شاخه ۱ مار مم بات 

صفحه 30:
:بدنه سلول بدنه سلول » وظیفه تامین انرژی مورد نیاز جهت * .فعالیت های نرون را به عهده دارد Ace fom Another Neos 

صفحه 31:
:اکسون اكسون بر خلاف دندريت ها از سطحی هموارتر و * تعداد شاخه هاى كمترى برخوردار مى باشد. اكسون سیگنال های الکتروشیمیایی دریافتی از هسته .سلول را به نرون های دیگر منتقل می کند 

صفحه 32:
محل تلاقی یک اکسون از یک سلول به دندریت * .های سلول های دیگر را سیناپس می گویند توسط سیناپس ها ارتباطات ما بین نرون ها برقرار * می شود. به فضای مابیّن اکسون, و دندریت ها فضای ‎wl.‏ , گه نند ‎om‏ سود ‎Asia Newoa‏ ‎ 

صفحه 33:
مبانی ۸ ها سشبکه های عصبی به طور کلی سیستمهای ریاضی یادگیر غیر خطی هستند. طرز کار این شبکه ها از روش کار مغز انسان 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 دارند. **يك شبكه عصبى بر خلاف کامپیوترهای رقومی که نیازمند دستورات کاملا صریح و مشخص است. به مدل های ریاضی محض نیاز ندارد بلکه ماد انسان قابلیت یادگیری به وسیله تعدادی متال مشخص را دلرد 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 مسایلی که روابط ها و خروجی های آن برقرار یت بکار برد. ریاضی بين ورودى *** آموزش ديدن شبكه هاى عصبى در واقع جيزى جز تنظيم وزن هاى ارتباطى اين نرون ها به ازائ دريافت مثال هاى مختلف نيست تا خروجى شبكه به سمت خروجى مطلوب همكرا شود. 

صفحه 34:
ساختار مغز انسان مغز انسان به طور مستدل» ۱ وجود,‌اینکه مغز انسان در حدود .4 گیلو گرم وزن دارد» بیشتر آن را آب تشکیل می دهد و اگر از داخل جمجمه خارج گردد» بطور کامل فروریخته و ویران می شود. 

صفحه 35:
ساختار مغز انسان ۰ سلول"هایی که در مغز» وظیفه پردازش اطلاعات و توزیع آنها را بر عهده دارند» نرون (1[©101017) ناميده مى شوند. هر نرون 6۴ بخش مجزا دارد : هسته سلول. دندریت» اکسون و ترمینال های اکسون. هسته قسمت اصلی و حیاتی یک سلول عصبی می باشد. دندریت ها از هسته سلول منشعب می گردند و اطلاعات را بصورت ایمپالس های الکتزیکی» از نرون های دیگر به هسته سلول منتقل می کنند. اک هار خلافگ تندرریت هاء از ‎ga‏ هموارتر و تعداد شاخه:های کمترو/ بزخوردارند. اکسون,طول بیشتری دارد و سیگنال الکتروشیمیایی دریافتی از ‎sala‏ سلول را به فزون, های دیگز منتقل می کند. محل تلاقی یک اکسون از؛ یک سلول» به دندریت های سلول دیگر را سیناپس می گویند. 

صفحه 36:
ساختار مغز انسان ۰ فاصلهآبین نرون ها در حدود 25۱۳0 است که با وجود چنین فاصله کوچکیء نرون ها اطلاعات را به خوبی بین یکدیگر رد و بدل می کنند. این اطلاعات در سیناپس ها مورد پردازش قرار می گيرند. * نرون ها بر اساس ساختارهایی که بین آنها پیام ها هدایت می شوند» به سه دسته تقسیم می گردند: " . نرون های حسیٌ که اطلاعات را از ارگان"های حسی به مغز و نخاع می فرستند. 7 نرون های محرک که سیگنال های فرمان را از مغز و نخاع به ماهیچه ها ‎rule Es‏ ۰ 9. نرون های ارتباطی که نرون ها را به متصل می کنند. 

صفحه 37:
استار معرانسان ,شکل زیر یک نرون بیولوژیکی را نشان می دهد * Synapse 

صفحه 38:
:شباهت مغز انسان با شبّکه های عصبی " قدرتمند ترین شبکه های عصبی . شبکه های عصبی بیولوژیک می باشند مغز انسان‌به او لین امکان را می دهد که از تجارب خود استفاده کرده و آنها را تعمیم دهد. شبکه ها از ارتباطات عصبی موجود در مغز انسان الهام گرفته و آنها را روی کامپیوتر های دیجیتال پیاده سازی عی کنند. در ولقع از مغز و نحوه كار كن بمنظور ساخت كامبيوتر الكوبردارى مى تما بد. 

صفحه 39:
:شباهت مغز انسان با شبّکه های عصبی ۰ اگرچه مکانیسم های دقیق کارکرد مغز انسان (یا حتی جانوران) به طور کامل شناخته شده نیست. اما با این وجود جنبه های شناخته شده ای نیز وجود دارند که الهام بخش تنوری شبکه های عصبی بوده اند. سلول های عصبی قادرند تا با اتصال به یکدیگر تشکیل شبکه های عظیم بذهند. گفته می شود که هر نرون می تواند به هزار تا ده هزار نرون دیگر اتصال یابد. قدرت خارق العاده منز انسان از تعداد بسیار زیاد نرون ها و آرتباطات بین آنها ناشی می شود. ساختمان هر يك ازآنرون ها نیز به تنهایی بسیار پیچیده است. هر نرون از بخش ها و زیر سیستم های زیادی تشکیل شده است که از مکانیسم های کنترلی پیچیده ای استفاده می کنند. سول های عصبی می توانند از طریق مکانیسم های الکتروشیمیایی اطلاعات رد انتقال دهند. برحسب مکانیسم های به کاررفته در ساختار نرون هاء آنها را به بيش از يكصدكونه متفاوت طبقه بندی می کنند. 

صفحه 40:
:شباهت مغز انسان با شبّکه های عصبی ۰ . در اصطلاح فنی» نرون ها و ارتباطات بین آنهاء فرایند ‎«(Binary ) e529‏ پایداز (51016) یا همزمان ‎Gms (Synchronous)‏ 3 شوند. ' در واقع؛ شبکه های عصبی شبیه سازی شده یا کامپیوتری؛ فقط قادرند تا بخش کوچکی از خصوصیات و ویژگی های شبکه های عصبی بيولوژيك را شبیه سازی کنند. در حقیقت از دید يك مهندس نرم افزار» هدف از ایجا ‎mane‏ اش از ‎4a)‏ هی مق آنتتان باشد. ایجاد مکانیسم دیگری برای حل متبائل مهندسی با الهام از الگوی رفتاری شبکه های بیولوژيك است. به طور خلاصه» يك نرون بیولوژیكك. پس از دریافت سیگنال های ورودی (به شکل يك پالس الکتریکی) از سلول های دیگرء آن سیگنال ها را با یکیگر ترکیب کرده و پس از.انجام يك ‎(Operation) Le‏ 82 بر روی سیگنال ترکیبی» آن را به صورت خروجی ظاهر می سازد. 

صفحه 41:
پیچیده تر از مدل ساده ای هستند که در بالا تشریح شد. اما همین مدل ساده می تواند زیربنای مستحکمی برای دانش شبکه های عصبی مصنوعی (۸۵۱۸۱۸ ۱۱6۷۵۲۲ ۲۵۱باعل۱ اج ۸۵۳۵۱8) تلقی گردد و متخصصان گرایش شبکه های عصبی یا هوش مصنوعی می توانند با پیگیری کارهای دانشمندان علوم زیت شناسی به بنیان گذاری"ساختار های مناسب تری در آینده دست بزنند 

صفحه 42:


صفحه 43:
مغز چگونه کار میکند؟ هر,نرون از نرونهای دیگری ورودی دریافت میکند برخی نرونها به سلولهای ۶ ,گیرنده متصل هستند ,ثرونها با ارسال سیگنالهای الکتریکی با یکدیگر ارتباط برقرار میکنند ۶ .ار هر وّزودی به وزن ارتباط سیناپسی بستگی دارد * این وزنها به صورت افقی تغییر می یابند تا کل شبکه محاسبات را بدرستی ‏ ,انجام دهند 

صفحه 44:
مغز چگونه کار میکند؟ هر بخش از ‎Cal‏ به هر بخش از مغز یک انسان بالغ باعث 5 خاصی ميشود. در صورت انجام فعالیتهای خاص جریان خون در بخشی از بخشها افزایش می یابد. * بخشهای مختلف قشر مغز بسیار شبیه به هم هستند. * در صورتیکه بخشی از آن ] بخش دیگر میتواند عهده دار وظایف آن بخش شود در واقع به نظر میرسد همه ی بخشها از یک شیوه ی یادگیری استفاده می 

صفحه 45:
ie ‘ 2 toe 11 آموزش _ : " وزن ابت: آموزشی در کار نیست و مقادیر وزن‌ها به هنگام نمی‌شود. کاربرد: بهینه سازی اطلاعات (کاهش حجم تفکیک پذیری و فشرده سازی) و حافظه‌های تناظری * آموزش بدون سرپرست: وزن‌ها فقط بر اساس ورودی‌ها اصلاح می‌شوند و خروئیی مطلوب وجوداندارد تا با مقایسه خروجی شبکه با آن و تعیین مقدار خطا وزن‌ها اصلاح شود. وزن‌ها فقط بر اساس آظلاعات الگومای ورودی به هنگام می‌شوند. 

صفحه 46:
سرپرست: به ازای هر دسته از الگوهای ورودی خروجی‌های متناظر نیز به 0 0 تر وزد‌ها تا موفع ی اضورت می‌گیرد که احتلاف خروجی شبکه به ازای الگوهای آموزشی از خروجی‌های مطلوب در حد خطای قلبل قبولی باشد. چنین شبکه‌ای به طور گسترده برای کارهای تشخیص الگو به کار گرفته می‌شود. آموژش تقویتی: کیفیت عملکرد سامانه به,صورت گام به" گام نسبت به زمان بهبود ‎ee‏ وهای رون و جود نلارد. ماو اتشاده از سبگنالی به نام نقاد بیانی از خوب و یابد بودن آرفتار سامانه بدست می‌آید (حالتی بین یادگیری با سرپرست و بدون سرپرست). 

صفحه 47:
توپولوژی شبکه وضعیت نسبی سلولها در شبکه(تعداد و گروه بندی و نوع اتصالات آنها)را توپولوئی شبکه گویند.توپولوژی در واقم سیستم اتصال سخت افزار نورونها به یکدیگر است که توام‌با نرم افزار مربوطه (یعنی روش ریاضی جریان اطلاعات و محاسبه ی وزنها)نوع و عصبی,را نگ کند. در این توپولوژی یک لایه ی ورودی وجود دارد که اطلاعات را ۶ تعدادش ‎enh‏ ى ملق وجود دارد که اطلاعات را از لایه های قبلی می گیرند و در نهایت یک لایه ی خروجی وج ۱ که نتبگیهی ماسات به انجا میرود,و خوابها درآ قرار میگیرند. 

صفحه 48:
۲ شبکه های عصبی چند لایه با ۷21 Laven Output Hidden Input X= 

صفحه 49:
.در مرحله آموزش, شبکه الگوهای موجود در داده های ورودی را یاد می گیرد. ‎em‏ را با ترش از ‎ole SMG‏ استفاده ی کند. ۲. تعمیم؛ قدرت شبکه عصبی در ایجاد پاسخ های قابل قبول برای ورودی هایی است که عضو مجموعه آموزشی نبوده اند. ۳.در مرحله اجرا نیز شبکه عصبی برای عملکردی که به آن منظور طراحی گردیده Ea =e 

صفحه 50:
ترم افزارهای شبکه های عصبی نرم افزارهايى بسائ شبيه سازى .مطالعه و تحقيق سيستمهاى عصبى زيستى و گسترش شبکه ها ‎ls Adaptive systems sa‏ 1 شبیه سازها: نرم افزارهایی برای شبیه سازی رفتار شبکه های عصبی زیستی و مصنوعی که به صورت ‎le css eee‏ آموزش شبکه.ی عصبی را به شکل 7 ‎is‏ سازهای تحقیقلتی :برای مطالعه ی الگوریتم ها و ساختارهای شبکه ی عصبی که «إ د 0 ‎0١0‏ 0 نک می کسد (مطالیهی ولوگ9های شیمیایی و زستی بافتهای عصبی و پالس های الکترومغناطیسی بین نورونها) رایجترین شبیه سازهای !۵ ها : SNNS(stuttgart neural network simulator),PDP++(parallel distribution processing), JavaNNS رایجترین شبیه سازهای شبکه های زیستی: ‎XNBC,BNN ToolBox‏ 

صفحه 51:
نرم افزارهای شبکه های عصبی شبیه سازهاى آناليز دلده :على رغم دسته ی اول کاربردهای عملی شبکه های عصبی را مطالعه می کنند.استفا ده از آنها نسبتا ساده است در عوض تواناییهاشان محدود است . بر ‎in Data mining 6s‏ بینی ها کار می کنند. بعضی از آنها عبارتند از: Microsoft Excel,Matlab ۱ 6۷۱0۵۳۵۵ هازبرلی‌گسترش و آرلیش‌شبکه های‌عصبی به كان,موروند. رايج ترين نرم افزارهاى اين دسته عبارتند از: MathWorks NN ToolBox,GBlearn2 

صفحه 52:
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 پا نزدیک به خطی )قابل صرفنظر است و آن محاسبه ی شاخصهای تمایل به مرکز و پراکندگی است که به این ترتیب راهمیت فردی تک تک ذاده ها از بين مى رود و در نتیجه سیستم قادر به کشف پیچیدگی ها نخواهد بود. مدل سازی شبکه ی عصبی : در این مدل,هز یک از کانالهای وروی دلرای یک,ضریب عذدی هستند که وزن سیتاپنی ی می فد شنت تحریک الکتزیکی/ در این ضریب ضرب می شود و به جسم سلولی می رسد. اگر مجموع تحریکات وارد به جسنم سلولی به حد آستانه ی خاصی رسیده باشدهنورون شلیتک" می کنلا وم‌بر مسپز های خروجی جریان الکتریکی, ثابتی, را ایجاد می: ,تحریکات لایه ی ورودی به یک یا چند لایه ی واسط می رود .ادامه ی جریان تحریکات در اين لایه ها طوری هدایت میشود که پیچیدگیهای تاثیرات جریان ورودی را شبیه سازی می کند ,سپس تحریکات به لایه ی خروجی می روند که هدف نهایی ماست. 

صفحه 53:
مدل سازی شبکه ی عصبی(ادامه...) ‎ate mT‏ 2 برجم تحریکات آخرون عصب خروجی ‎le‏ عدد خواهد ‏آگر هدف طبقه بندی باشد »فعالیت یا عدم فعالیت (0۳0 یا ]0 بودن)نورونهای لایه ی آخر 3( توا برد متا شلیک نورون خروجی(فعال بودن آن)نشاتگر حضور بیماری و خاموش بودن آن نشانه ی سلامتی است. ‎eee GE‏ در فرآیند یادگیری طوری وزنهای سیناپسی را تغییر می دهد که بتواند با ‏هر سنری تحریکات ورودی (یعنی داده های هر نمونه)جرایان خروجی مناسب(پاسخ 8)را تولید ‏کند ‏چگونگی ریاضی این تغییر وژنها ظریفترین بخش مکانیسم عملکرد شبکه است. ‎ ‎ ‎ 

صفحه 54:
تجزیه و تحلیل داده ها توسط آا ۵1۱ ها ‎ ۶۱(‏ می کند.داذه ای موجود را "تجزیه و تحلیل" می 5 ۳ ۶ پارامتررها را "کشف" کرده و جوابی با دقت قابل قبول .ارائه می دهد.در اینجا هیچ خبری از تستهای پیچیده ی آماری نیست 

صفحه 55:
‎ots!‏ ی اصلی عملکرد شبکه های عصبی مصنوعی ‎ ‏۲ هر گره دارای دو وضعیت فعال و غیرفعال است(صفر یا یک) و هر یال نیز دارای یک وزن ‎ ‏مباش1 یال‌های با وزن مثبت بین دو گره تا گره فعال دیگری را تحریک می‌کنند و یال‌ها ‎ ‏وزن متفی بین دو گره. گره فعال دیگری را غیر فعال می‌سازند. ‏ا ا يك بين رورت استارکقهر یگ » تور نسادف انتخاب می‌شود. اگر یک ‎slate b‏ همسایه‌های آن گره فعال بودند جمع وزن‌دار پال‌های منتهی به آن گره‌ها حساب می‌شود. اگر این جمع مثبت بود گره فعال می‌شود و در غیر این صورت گره مذکور خ فعال ‎elt Bl‏ ماند. سپس ممجددا یک گره دیگر به تصادف انتخاب شده و همین عملیات:آنقدر تکرار می‌شود تا شبکه به یک حالت پایدار برسد. ‏"'تز اصلی هاپفیلد : از هر حالت ابتدایی و با هر وزنی از یال‌ها که شروع کنیم؛ شبکه در ‏نهایت به حالت پایدار خواهد رسید. 

صفحه 56:
:جمع بندی ؟ شبکه‌های عصبی ابزاری نیرومند و انعطاف پذیر برای داده کاوی می باشند. شبکه های عصبی. سودمندی خود را در بسیاری از صنایع و کاربرد ها به آثبات رسانده اند و در حوزه های پیچیده ای نتیجه بخش بوده اند. حوزه هایی نظیر ‎Lbs‏ سری های زمانی و تشخیص تقلب که سایر تکنیک ها نمی توانند به سادگی به حل مسائل موجود در آنها بپردازند: بزرگترین شبکه عصبی که تا به حال وررد استفاده قرار گرفته است. احتمّالاً سیستمی می باشد که 181 برای خواندن اعداد روی چک ابداع کرده است. این شبکه عصبی؛ صدها هزار واحد ساختاری دارد که در هفت لایه سازمان یافته اند.