بخش ويژه شبكه عصبي - WEBSITE X5 UNREGISTERED VERSION - Matlab Pajooh

Go to content

Main menu:

بخش ويژه

از قرن نوزدهم به طور همزمان اما جداگانه از سويي نروفيزيولوزيست‌ها سعي كردند سامانه يادگيري و تجزيه و تحليل مغز را كشف كنند و از سوي ديگر رياضيدانان تلاش كردند تا مدل رياضي بسازند كه قابليت فراگيري و تجزيه و تحليل عمومي مسائل را دارا باشد. اولين كوشش‌ها در شبيه سازي با استفاده از يك مدل منطقي توسط مك كلوك و والتر پيتز انجام شد كه امروزه بلوك اصلي سازنده اكثر شبكه‌هاي عصبي مصنوعي است. اين مدل فرضيه‌هايي در مورد عملكرد نورون‌ها ارائه مي‌كند. عملكرد اين مدل مبتني بر جمع ورودي‌ها و ايجاد خروجي است. چنانچه حاصل جمع ورودي‌ها از مقدار آستانه بيشتر باشد اصطلاحا نورون برانگيخته مي‌شود. نتيجه اين مدل اجراي توابع ساده مثل AND و OR بود. نه تنها نروفيزيولو?يست‌ها بلكه روان شناسان و مهندسان نيز در پيشرفت شبيه سازي شبكه‌هاي عصبي تاثير داشتند. در سال 1958 شبكه پرسپترون توسط روزنبلات معرفي گرديد. اين شبكه نظير واحدهاي مدل شده قبلي بود. پرسپترون داراي سه لايه به همراه يك لايه وسط كه به عنوان لايه پيوند شناخته شده مي‌باشد، است. اين سامانه مي‌تواند ياد بگيرد كه به ورودي داده شده خروجي تصادفي متناظر را اعمال كند. سامانه ديگر مدل خطي تطبيقي نورون مي‌باشد كه در سال 1960 توسط ويدرو و هاف (دانشگاه استنفورد) به وجود آمد كه اولين شبكه‌هاي عصبي به كار گرفته شده در مسائل واقعي بودند Adalaline (Adaptive Linear Element) يك دستگاه الكترونيكي بود كه از اجزاي ساده‌اي تشكيل شده بود، روشي كه براي آموزش استفاده مي‌شد با پرسپترون فرق داشت.
در سال 1969 ميسكي و پاپرت كتابي نوشتند كه محدوديت‌هاي سامانه‌هاي تك لايه و چند لايه پرسپترون را تشريح كردند. نتيجه اين كتاب پيش داوري و قطع سرمايه گذاري براي تحقيقات در زمينه شبيه سازي شبكه‌هاي عصبي بود. آنها با طرح اينكه طرح پرسپترون قادر به حل هيچ مساله جالبي نمي‌باشد، تحقيقات در اين زمينه را براي مدت چندين سال متوقف كردند. با وجود اينكه اشتياق عمومي و سرمايه گذاري‌هاي موجود به حداقل خود رسيده بود، برخي محققان تحقيقات خود را براي ساخت ماشين‌هايي كه توانايي حل مسائلي از قبيل تشخيص الگو را داشته باشند، ادامه دادند. از جمله گراسبگ كه شبكه‌اي تحت عنوان Avalanch را براي تشخيص صحبت پيوسته و كنترل دست ربات مطرح كرد. همچنين او با همكاري كارپنتر شبكه‌هاي ART (Adaptive Resonance Theory) را بنانهادند كه با مدل‌هاي طبيعي تفاوت داشت. اندرسون و كوهونن نيز از اشخاصي بودند كه تكنيك‌هايي براي يادگيري ايجاد كردند. ورباس در سال 1974 شيوه آموزش پس انتشار خطا را ايجاد كرد كه يك شبكه پرسپترون چندلايه البته با قوانين نيرومندتر آموزشي بود. پيشرفت‌هايي كه در سال 1970 تا 1980 بدست آمد براي جلب توجه به شبكه‌هاي عصبي بسيار مهم بود. شبكه هاي عصبي مصنوعي (Artificial Neural Network) الگويي براي پردازش اطلاعات مي باشند كه با تقليد از شبكه هاي عصبي بيولو?يكي مثل مغز انسان ساخته شده اند.عنصر كليدي اين الگو ساختار جديد سيستم پردازش اطلاعات آن مي باشد و از تعداد زيادي عناصر (نرون) با ارتباطات قوي داخلي كه هماهنگ با هم براي حل مسائل مخصوص كار مي كنند تشكيل شده اند. شبكه هاي عصبي مصنوعي با پردازش روي داده هاي تجربي، دانش يا قانون نهفته در وراي داده ها را به ساختار شبكه منتقل مي كند كه به اين عمل يادگيري مي گويند. اصولاً توانايي يادگيري مهمترين وي?گي يك سيستم هوشمند است. سيستمي كه بتواند ياد بگيرد منعطف تر است وساده تر برنامه ريزي ميشود، بنابراين بهتر ميتواند در مورد مسايل و معادلات جديد پاسخگو باشد.
انسانها از زمانهاي بسيار دور سعي بر آن داشتند كه بيوفيزيولو?ي مغز را دريابند چون همواره مسئله هوشمندي انسان و قابليت يادگيري ،تعميم،خلاقيت،انعطاف پذيري و پردازش موازي در مغز براي بشر جالب بوده و بكارگيري اين قابليتها در ماشينها بسيار مطلوب مي نمود.روشهاي الگوريتميك براي پياده سازي اين خصايص در ماشينها مناسب نمي باشند در نتيجه مي بايست روشها مبتني بر همان مدلهاي بيولو?يكي باشد.ANN درست مثل انسانها با استفاده از مثالها آموزش مي بيند، همانطور كه يك بچه با ديدن انواع مختلف از يك حيوان قادر به تشخيص آن مي باشد.
3-2- اجزاي يك شبكه عصبي
در سيستم عصبي نرون (سلول عصبي) به عنوان اصلي ترين عنصر پردازش شناخته شده است. بطور كلي در بدن انسان در حدود 100 تريليون نرون وجود دارد كه تمام آنها از سه قسمت اصلي تشكيل شده اند:
(soma) بدنه سلول
(dendrite) دندريت
(axon) اكسون
همانطور كه از شكل 1 معلوم است هر نرون داراي تعدادي دندريت و يك اكسون است. دندريت ها به عنوان مناطق دريافت سيگنال هاي الكتريكي ، شبكه هاي تشكيل يافته از فيبرهاي سلولي هستند كه داراي سطح نامنظم و شاخه هاي انشعابي بي شمار مي باشند. دندريت ها سيگنال هاي الكتريكي را به هسته سلول منتقل مي كنند. بدنه سلول انر?ي لازم را براي فعاليت نرون فراهم كرده و بر روي سيگنال هاي دريافتي عمل مي كنند ، كه با يك عمل ساده جمع و مقايسه با يك سطح آستانه مدل مي گردد.
اكسون بر خلاف دندريت ها از سطحي هموارتر و تعداد شاخه هاي كمتري برخوردار مي باشد. اكسون طول بيشتري دارد و سيگنال هاي الكتروشيميايي دريافتي از هسته سلول را به نرون هاي ديگر منتقل مي كند. محل تلاقي يك اكسون از يك سلول به دندريت هاي سلول هاي ديگر را سيناپس مي گويند. توسط سيناپس ها ارتباطات ما بين نرون ها برقرار مي شود.

زماني كه سيگنال عصبي از اكسون به نرون ها و ديگر عناصر بدن مثل ماهيچه ها مي رسد باعث تحريك آنها مي شود. نرون ها از هر يك از اتصالات ورودي خود يه ولتا? كم دريافت مي كند(توسط سيگنال هاي عصبي ورودي) و آن ها را با هم جمع مي زند اگر اين حاصل جمع به يك مقدار آستانه رسيد نرون آتش مي كند و روي اكسن خود يك ولتا? خروحي ارسال مي كند كه اين ولتا? به دندريت هايي كه به اين اكسون متصل اند رسيده و باعث يكسري فعل و انفعالات شيميايي در اتصالات سيناپسي مي شود و مي تواند باعث آتش كردن نرون هاي ديگر شود. تمامي فعاليت هاي مغزي انسان توسط همين آتش كردن ها انجام مي شود. حافظه كوتاه مدت انسان جرقه هاي لحظه اي الكتريكي مي باشد و حافظه بلند مدت به صورت تغييرات الكتروشيميايي در اتصالات سيناپسي ذخيره مي شود كه عموتا منجر به تغيير يون ها مي شود.
با اين ديد اجمالي از نحوه عملكرد نرون، بايد سيستمي طراحي گردد كه حاوي تعدادي ورودي بوده كه بسته به اهميت هريك آنها را با يكديگر جمع ساده جبري نمايد و توسط يك تابع موسوم به تابع تبديل انان را به نرون هاي ديگر ارسال نمايد


اجزاي يك شبكه عصبي عبارتند از:

 :ورودي ‏ها
:ورودي‏ها ميتوانند خروجي ساير لايه‏ها بوده و با آنكه به حالت خام در اولين لايه و به صورت‏هاي ذيل باشد
الف)داده‏هاي عددي و رقمي
 ....ب) متون ادبي، فني و
ج) تصوير و يا شكل

:وزن ها
.ميزان تاثير ورودي x بر خروجي y توسط مشخصه وزن اندازه‏گيري مي‏شود

:تابع جمع
در شبكه‏هاي تك نروني ، تابع جمع در واقع خروجي مسئله را تا حدودي مشخص مي‏كنند و در شبكه‏هاي چند نروني نيز تابع جمع ميزان سطح فعاليت نرون در لايه‏هاي دروني را مشخص مي‏سازد

 :تابع تبديل
بديهي است كه تابع جمع پاسخ مورد انتظار شبكه نيست، تابع تبديل عصوي ضروري در شبكه‏هاي عصبي محسوب مي‏گردد. انواع و اقسام متفاوتي از توابع تبديل وجود دارد كه بنا به ماهيت مسئله كاربرد دارنداين تابع توسط طراح مساله انتخاب مي گردد و بر اساس انتخاب الگوريتم يادگيري پارامترهاي مساله (وزن ها) تنظيم مي گردد.

:خروجي
منظور از خروجي، پاسخ مسئله است

مجموعه جامع آموزش شبكه هاي عصبي در متلب

در عصر حاظر هر روز روش ها و كارهاي جديدي ارائه ميگردد و شبكه هاي عصبي يكي از مباحث جديدي است كه توانست توجه افراد زيادي را در دنيا به خود جلب كند بخاطر اينكه در اكثر موارد به عنوان بهترين و تنها راه حل مطرح مي شود. مي توان گفت كتاب حاظر يكي از بهترين كتابها در اين زمينه است كه نويسنده اين كتاب آقاي Howard Demuthمي باشد كه از نويسندگان مشهور هستند. اميد آن هست كه اين كتاب بتواند راهنما و مشكل گشاي اساتيد و دانشجويان گرامي بخصوص در زمينه نفت،مكانيك و برق باشد

:لينك هاي دانلود



توجه: در صورت نياز به آموزش سريع و كوتاه مدت در مورد كاربرد شبكه هاي عصبي مصنوعي در متلب مي توانيد به بخش جزوات آموزشي متلب پژوه مراجعه نماييد. 
 
Back to content | Back to main menu