شبکه های 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:


A rtificial N eural N etworks Mahsa Rafiee Winter 2006 مباحث : آشنایی با شبکه های عصبی زیستی معرفی شبکه های عصبی مصنوعی(ANNها) مبانی شبکه های عصبی مصنوعی توپولوژی شبکه نرم افزارهای شبکه های عصبی مقایسه ی مدل سازی کالسیک و مدل سازی شبکه ی عصبی فرآیند یادگیری شبکه تجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعی ایده ی اصلی شبکه های عصبی مصنوعی مهم ترین تفاوت حافظه ی انسان و حافظه ی کامپیوتر شبکه های عصبی در مقابل کامپیوترهای معمولی معایب شبکه های عصبی مصنوعی کاربردهای شبکه های عصبی مصنوعی 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)اطالعات را منتقل می کنند.در این شبکه ها اگر یک سلول آسیب ببیند بقیه ی سلولها می توانند نبود آنرا جبران کرده و نیز در بازسازی آن سهیم باشند. این شبکه ها قادر به یادگیری اند.مثال با اعمال سوزش به سلولهای عصبی المسه ،سلولها یاد می گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می آموزد که خطای خود را اصالح کند))back propagation of error. یادگیری در این سیستم ها به صورت تطبیقی صورت می گیرد ،یعنی با استفاده ازمثال ها وزن سیناپس ها به گونه ای تغییر می کند که در صورت دادن ورودی های جدید سیستم پاسخ درستی تولید کند. معرفی ANNها 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 یکدیگر رفتار می کنند تا یک مسئله را حل کنند. در این شبکه ها به کمک د انش برنامه نویسی ،ساختا ر داده ای طراحی می شود که می تواند هما نند نورون عمل کند.که به این ساختارداده nodeیا گره نیزگفته می شود.بعد باایجاد شبکه ای بین این nodeها و اعمال یک الگوریتم آموزشی به آ ن ،شبکه را آموزش می دهند . در این حافظه یا شبکه ی عصبی nodeها دارای دو حالت فعال( onیا )1وغیرفعال( off یا )0اند و هر یال (سیناپس یا ارتباط بین nodeها)دارای یک وزن می باشد.یالهای با وزن مثبت ،موجب تحریک یا فعال کردن nodeغیر فعال بعدی می شوند و یالهای با وزن منفی nodeمتصل بعدی را غیر فعال یا مهار(در صورتی که فعال بوده باشد) می کنند. معرفی ANN ها(ادامه)... ‏ ANNها در واقع مثلثی هستند با سه ضلع مفهومی : سیستم تجزیه و تحلیل داده ها .I نورون یا سلول عصبی .II .IIIقانون کار گروهی نورونها (شبکه) ‏ ANNها دست کم از دو جهت شبیه مغز انسا ن اند: مرحله ای موسوم به یاد گیری دارند. .I وزن های سیناپسی جهت ذخیره ی دانش به کار می روند. .II ‏ هوش مصنوعی و مدل سا زی شناختی سعی بر این دارند که بعضی خصوصیا ت شبکه های عصبی را شبیه سازی کنند .گرچه این دو روش ها یشان شبیه هم است ،اما هدف هوش مصنوعی از این کار حل مسائل شخصی و هدف مدل سا زی شناختی ،ساخت مدلهای ریا ضی سیستم های نورونی زیستی می باشد . به طور خالصه 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 تنظیم پارامترهای شبکه ( اوزان سیناپتیکی ) ،در مسیر زمان که محیط شبکه تغییر می کند 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 ،برای شرایط جدید نیز کارآمد باشد .دیگر این که اطالعات در شبکه های عصبی در سیناپس ها ذخیره و هر نرون در شبکه به صورت بالقوه از کل فعالیت سایر نرون ها تأثیر می پذیرد .در نتیجه اطالعات از نوع مجزا از هم نبوده و متأثر از کل شبکه می باشد. توانایی تعمیم را با استفاده از مثال های ارائه شده در فرآیند آموزش ،داشته باشد. مبانی ANNها شبکه 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. یک شبکه عصبی بر خالف کامپیوترهای رقومی که نیازمند دستورات کامال صریح و مشخص است ٬به مدل های ریاضی محض نیاز ندارد بلکه مانند انسان قابلیت یادگیری به وسیله تعدادی مٽال مشخص را دارد. 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 دقیق ریاضی بین ورودی ها و خروجی های آن برقرار نیست بکار برد. آموزش دیدن شبکه های عصبی در واقع چیزی جز تنظیم وزن های ارتباطی این نرون ها به ازائ دریافت مٽال های مختلف نیست تا خروجی شبکه به سمت خروجی مطلوب همگرا شود. 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 .وظیفه تابع ترکیب این است که تمام ورودی ها را ترکیب و یک عدد تولید می کند .در بخش دوم سلول تابع انتقال قرار دارد که به آن تابع تحریک نیز می گویند .درواقع 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 وزن 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 برسند ٬سلول عصبی تحریک شده و سیگنال خروجی تولید می کند .با مقایسه جواب خروجی شبکه با مقدار مطلوب مورد نظر بردار خطا محاسبه شده و این بردار با استفاده از الگوریتم های مختلف از آخر به سمت ابتدای شبکه پخش شده ٬به طوری که درسیکل بعد خطا کاهش یابد. توپولوژی شبکه وضعیت نسبی سلولها در شبکه(تعداد و گروه بندی و نوع اتصاالت 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 اطالعات و محاسبه ی وزنها)نوع عملکرد شبکه .ی عصبی را تعیین می کند در این توپولوژی یک الیه ی ورودی وجود دارد که اطالعات را دریافت می کند،تعدادی الیه ی مخفی وجود دارد که اطالعات را از الیه های قبلی می گیرند و در نهایت یک الیه ی خروجی .وجود دارد که نتیجه ی محاسبات به آنجا میرود و جوابها در آن قرار میگیرند ‏FeedForward topology ‏Recurrent topology نرم افزارهای شبکه های عصبی نرم افزارهایی برای شبیه سازی ،مطالعه و تحقیق سیستمهای عصبی زیستی و گسترش شiiبکه هiiای عصبی مصنوعی و Adaptive systemها . شبیه سازها :نرم افزارهایی برای شبیه سازی رفتار شبکه های عصبی زیستی و مصنوعی که به صورت مستقل عمل می کنند و قادرند فرآیند آمiiوزش شiiبکه ی عصiiبی را بiiه شiiکل تصiiویری نمایش دهند. شبیه سازهای تحقیقاتی :برای مطالعه ی الگوریتم ها و ساختارهای شبکه ی عصبی که به فهم بهتر رفتارها و خصوصیات شبکه ی عصبی کمک می کنند(.مطالعه ی ویژگی های شیمیایی و زیستی بافتهای عصبی و پالس های الکترومغناطیسی بین نورونها). رایجترین شبیه سازهای ANNها : ‏SNNS(stuttgart neural network simulator),PDP++(parallel distribution ‏processing),JavaNNS رایجترین شبیه سازهای شبکه های زیستی: ‏XNBC,BNN ToolBox نرم افزارهای شبکه های عصبی شبیه سازهای آنالیز داده :علی 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 روی Data ‏miningوپیش بینی ها کار می کنند. بعضی از آنها عبارتند از: ‏Microsoft Excel,Matlab Development Environmentها:برای گسترش و آرایش شبکه های عصبی به کار می روند. رایج ترین نرم افزارهای این دسته عبارتند از: ‏MathWorks NN ToolBox,GBlearn2 مقایسه ی مدل سازی کالسیک و مدل سازی شبکه ی عصبی مدل سازی کالسیک: 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 مرکز و پراکندگی است 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 تحریک الکتریکی در این ضریب ضرب می شود و به جسم سلولی می رسد. اگر مجموع تحریکات وارد به جسم سلولی به حد آستانه ی خاصی رسیده باشد،نورون شلیک می کند و در مسیرهای خروجی جریان الکتریکی ثابتی را ایجاد می کند.تحریکات الیه ی ورودی به یک یا چند الیه ی واسط می رود .ادامه ی جریان تحریکات در این الیه ها طوری هدایت میشود که پیچیدگیهای تاثیرات جریان ورودی را شبیه سازی می کند .سپس تحریکات به الیه ی خروجی می روند که هدف نهایی ماست. مدل سازی شبکه ی عصبی(ادامه)... اگر هدف پیشگویی کمی باشد ،مجموع تحریکات آخرین عصب خروجی ،آن عدد خواهد بود. اگر هدف طبقه بندی باشد ،فعالیت یا عدم فعالیت ( onیا offبودن)نورونهای الیه ی آخر نمایانگر این امر خواهد بود .مثال شلیک نورون خروجی(فعال بودن آن)نشانگر حضور بیماری و خاموش بودن آن نشانه ی سالمتی است. سیستم 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 )Rرا تولید کند. چگونگی ریاضی این تغییر وزنها ظریفترین بخش مکانیسم عملکرد شبکه است. فرآیند یادگیری شبکه وظیفه ی شبکه های عصبی یادگیری است.تقریبا چیزی شبیه به یادگیری کودک خردسال. انواع آموزش شبکه: یادگیری تحت نظارت(یا : ) supervisedبا تمرکز روی یک موضوع خاص و ارائه ی مثالهای مختلفی از آن صورت می گیرد .شبکه اطالعات ورودی و مثال ها را تجزیه و تحلیل خواهد کرد به طوری که پس از مدتی قادر خواهد بود یک نوع جدید از آن دسته مثال ها را که قبال هرگز ندیده بود شناسایی کند. یادگیری بدون نظارت(یا : ) unsupervisedیادگیری سطح باالتری است که کاربرد آن امروزه کمتر است. یادگیری تقویتی(یا :)reinforcement مدل پنهانی مارکوف(:)MDPاجزای اصلی یک مدل مارکوف عبارتند از :مجموعه ی حالتها،مجموعه ی عملها،گذرها،ارزش افزوده ی فوری هر عمل تجزیه و تحلیل داده ها توسط ANNها شبکه ی عصبی مدتی ”فکر“ می کند،داده های موجود را ”تجزیه و تحلیل“ می کند،روابط 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. ایده ی اصلی عملکرد شبکه های عصبی مصنوعی هر گره دارای دو وضعيت فعال و غيرفعال است(صفر يا يك) و هر يال نيز دارای يك وزن می‌باشد (شكل .)2يال‌های با وزن مثبت بين دو گره تا گره فعال ديگری را تحريك می‌كنند و يال‌های با وزن منفی بين دو گره ،گره فعال ديگری را غير فعال می‌سازند. نحوه عملكرد شبكه بدين صورت است كه ابتدا يك گره به تصادف انتخاب می‌شود .اگر يك يا بيشتر از همسايه‌های آن گره فعال بودند جمع وزن‌دار يال‌های منتهی به آن گره‌ها حساب می‌شود .اگر اين جمع مثبت بود گره فعال می‌شود و در غير اين صورت گره مذكور غيرفعال باقی خواهد ماند .سپس مجددا يك گره ديگر به تصادف انتخاب شده و همين عمليات آنقدر تكرار می‌شود تا شبكه به يك حالت پايدار برسد. تز اصلی هاپفيلد :از هر حالت ابتدايی و با هر وزنی از يال‌ها كه شروع كنيم ،شبكه در نهايت به حالت پايدار خواهد رسيد. مهم ترین تفاوت حافظه ی انسان و حافظه ی کامپیوتر يكی از مهم‌ترين تفاوت‌های حافظه انسان با حافظه كامپيوتر در نوع آدرس دهی اين دو نوع حافظه می‌باشد .در حافظه كامپيوتر اساس كار بر پايه آدرس خانه‌های حافظه يا آدرس اطالعات بر روی حافظه دائم می‌باشد .به عنوان مثال برای دستيابی به يك تصوير يا متن خاص ،بايد آدرس حافظه يا فايل مربوط به آن تصوير يا متن را داشته باشيد .اما با داشتن خود تصوير يا متن نمی‌توانيد به سادگی آدرس حافظه مربوطه را بيابيد (البته به اين معنی كه اين كار با يك قدم قابل انجام نيست ،وگرنه می‌توانيد تصوير يا متن مورد نظر را با تمام موارد موجود در حافظه مقايسه كرده و در صورت تطبيق آدرس را بيابيد .ناگفته پيداست كه انجام چنين كاری بسيار زمان بر و پر هزينه می‌باشد). اما به سازوكار همين عمل در ذهن انسان دقت كنيد .با ديدن يك تصوير ناقص اغلب بالفاصله كامل آنرا به خاطر می‌آوريد يا با ديدن تصوير يك شخص سريعا نام او را می‌گوييد ،يا با خواندن يك متن سريعا تمامی مطالب مربوط به آن را به ذهن می‌آوريد .در واقع ذهن انسان يك نوع حافظه آدرس‌دهی شده بر اساس محتواست (.)Content Addressable Memory همانگونه كه از اين نام مشخص است در اين نوع حافظه ،با دادن محتوای يك خانه حافظه، بالفاصله آدرس آن به عنوان خروجی داده می‌شود. شبکه های عصبی در مقابل کامپیوترهای معمولی شبکه های عصبی نسبت به کامپیوتر های معمولی مسیر متفاوتی را برای حل مسئله طی می کنند .کامپیوتر های معمولی یک مسیر الگو ریتمی را استفاده می کنند به این معنی که کامپیوتر یک مجموعه از دستورالعمل ها را به قصد حل مسئله پی می گیرد .بدون اینکه ،قدم های مخصوصی که کامپیوتر نیاز به طی کردن دارد ،شناخته شده باشند کامپیوتر قادر به حل مسئله نیست .این حقیقت قابلیت حل مسئله ی کامپیوتر های معمولی را به مسائلی ،محدود می کند که ما قادر به درک آنها هستیم و می دانیم چگونه حل میشوند .اما اگر کامپیوتر ها می توانستند کار هایی را انجام دهند که ما دقیقا نمیدانیم چگونه انجام دهیم ،خیلی پر فایده تر بودند. شبکه های عصبی اطالعات را به روشی مشابه با کاری که مغز انسان انجام می دهد پردازش می کنند .آنها از تعداد زیادی از عناصر پرداز شی(سلول عصبی) که فوق العاده بهم پیوسته اند تشکیل شده است که این عناصر به صورت موازی باهم برای حل یک مسئله مشخص کار می کنند .شبکه 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 بدتر از این شبکه ممکن است نا درست کار کند .امتیاز شبکه عصبی این است که خودش کشف می کند که چگونه مسئله را حل کند ،عملکرد آن غیر قابل پیش گویی است. 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 طریق حل می شود باید از قبل شناخته شود و به صورت دستورات کوتاه و غیر مبهمی شرح داده شود .این دستورات سپس به زبان های برنامه نویسی سطح باال برگردانده می شود و بعد از آن به کدهایی که کامپیوتر قادر به درک آنها است تبدیل می شود .به طور کلی این ماشین ها قابل پیش گویی هستند و اگر چیزی به خطا انجام شود به یک اشتباه سخت افزاری یا نرم افزاری بر می گردد. شبکه های عصبی و کامپیوتر های معمولی با هم در حال رقابت نیستند بلکه کامل کننده یکدیگرند .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 ،مسائلی وجود دارد که نیازمند به سیستمی است که از تر کیب هر دو روش بدست می آید (بطور معمول کامپیوتر های معمولی برای نظارت بر شبکه های عصبی به کار گرفته می شوند ) به این قصد که بیشترین کارایی بدست آید. شبکه های عصبی معجزه نمی کنند اما اگر خردمندانه به کار گرفته شوند نتایج شگفت آوری را خلق میکنند. معایب ANNها با وجود برتری هایی که شبکه های عصبی نسبت به سیستم های مرسوم دارند، معایبی نیز دارند که پژوهشگران این رشته تالش دارند که آن ها را به حداقل برسانند ،از جمله: ق واعد یا دستورات مشخصی برای طراحی شبكه جهت یك كاربرد اختیاری وجود ندارد. در مورد مسایل مدل‌سازی ،نمی‌توان صرفًا با استفاده از شبكه عصبی به فیزیك مسأله پی برد .به عبارت دیگر مرتبط ساختن پارامترها یا ساختار شبكه به پارامترهای فرآیند معموًال غیرممكن است. دقت نتایج بستگی زیادی به اندازه مجموعه آموزش دارد. آموزش شبكه ممكن است مشكل یا حتی غیرممكن باشد. پیش‌بینی عملكرد آینده شبكه ( عمومیت یافتن ) آن به سادگی امكان‌پذیر نیست. کاربردهای شبکه های عصبی مصنوعی امiiروزه شiiبكه‌های عصiiبی در كاربردهiiای مختلفی نظiiير مسiiائل تشiiخيص الگiiو(Pattern )Recognitionكه خود شامل مسائلی مانند تشخيص خط()Character Recognition ،شناسايی گفتار( ،)Speech Recognitionپردازش تصوير()Image Processing و مسiiiائلی ازاين دسiiiت می‌شiiiود و نiiiيز مسiiiائل دسiiiته‌بندي( )Classificationماننiiiد دسiiiته‌بندی ()Classification Problemsمتiiون و يا تصiiاوير،بiiه كiiار می‌رونiiد.دركنترل يا مدل‌سiiازی سيستم‌هايی كه ساختار داخلی ناشناخته يا بسيار پيچيده‌ای دارند نيز بiiه صiiورت روز افiiزون از شبكه‌های عصبی مصنوعی اسiiتفاده می‌شiiود .بiiه عنiiوان مثiiال می‌تiiوان در كنiiترل ورودی يك موتور از يك ANNاستفاده نمود كiiه در اين صiiورت شiiبكه عصiiبی خiiود تiiابع كنiiترل را ياد خواهد گرفت. :مراجع و منابع  http://www.wikipedia.com/  http://dbase.irandoc.ac.ir/ Thank you Question?