29 شهریور
شبکه عصبی چیست؟

شبکه عصبی چیست؟

شبکه‌هاي عصبی مصنوعی از مباحث جدیدي است که دانشمندان علوم کامپیوتر به آن علاقمند شده‌اند و براي پیشرفت هر چه بیشتر علوم کامپیتر وقت و هزینه بسیاري را صرف آن کرده و می‌کنند . این موضوع با ایده گرفتن از سیستم عصبی بدن انسان و با هدف شبیه‌سازي هر چه بیشتر کامپیوتر به انسان شکل گرفت و تا به حال به خوبی پیشرفت کرده است.

بشر یادگیري‌هاي فراوانی از طبیعت صورت داده و از آن الگو برداري کرده است. و در حال حاضر به دنبال این موضوع است که بتواند از بعضی از ویژگی‌هاي ادراکی و هوشی مغز انسان، الگوبرداري نماید . شبکه عصبی رویکردي است که سعی در تقلید از توانایی‌هاي پردازشی ویژه مغز انسان دارد. این روش یادگیري ماشینی می‌تواند با استفاده از پردازش‌هاي موازي انبوه به فراگیري موجود در داده‌ها بپردازد.

یافته‌هاي اکثر محققان نشان می‌دهد که فناوري شبکه عصبی به شدت در حال افزایش باشد . یافته‌هاي اکثر محققان نشان می‌دهد که فناوري شبکه عصبی توانسته با موفقیت در مسائل تجاري به کار گرفته شود و اکثر مواقع بر سایر تکنیک‌ها و فناوري‌هاي سنتی برتر بوده است.  شبکه‌هاي عصبی مصنوعی یکی از انواع الگوریتم‌هاي هیوریستیک هستند. هیوریستیک‌ها عبارتند از : معیارها، روش‌ها یا اصولی براي تصمیم‌گیري بین چند گزینه خط‌مشی و انتخاب اثربخش‌ترین براي دستیابی به اهداف مورد نظر . هیوریستیک‌ها نتیجه برقراري اعتدال بین دو نیاز هستند : نیاز به ساخت معیارهاي ساده و در همان زمان توانایی تمایز درست بین انتخاب‌هاي خوب و بد.

یکی از مهمترین پیشرفت‌هاي اخیر در رویکردهاي حل مسئله شبیه‌سازي شبکه‌هاي عصبی است. شبکه‌هاي عصبی داراي قابلیت بسیار بالایی در استنتاج نتایج از داده‌هاي مبهم و پیچیده جهت استخراج الگو‌ها هستندو در شناسایی روش‌هایی که آگاهی از آنها براي انسان و تکنیک‌هاي کامپیوتري دیگر پیچیده و دشوار است، بسیار مثمر ثمراند . یک شبکه عصبی آموزش دیده می‌تواند به عنوان یک متخصص در مقوله‌اي که براي تجزیه و تحلیل به آن داده شده ، عمل کند و برآوردهایی از وضعیت‌هاي دلخواه و پیش‌بینی‌هاي آینده را ارائه دهد.

ساختار شبکه‌ها‌ي عصبی به گونه‌اي است که قابلیت حل مسئله بدون کمک فرد خبره یا متخصصان را دارا می‌باشد و الگوهایی را در اطلاعات و داده‌ها شناسایی می‌کند که هیچ کس از وجود آنها اطلاع ندارد.

 

تاریخچه شبکه‌های عصبی

اولین شبکه عصبی در سال 1943 توسط وارن مک کالچ و والتر بتیس ساخته شد. اما محدودیت‌هاي تکنولوژي اجازه پیشرفت و کار بیشتري را نداد. از آن پس اقدامات بسیار زیادي در این خصوص صورت گرفت، ولی توفیق چندانی حاصل نشد و در همین راستا مینسکی و پاپرت در سال 1969 کتابی منتشر کردند که در آن دلایل عدم توفیق شبکه‌هاي عصبی را توضیح دادند و به محدودیت‌هاي آن پرداختند . با پیشرفت متدهاي برنامه‌نویسی کامپیوتر و علاقه محققان براي ساختن ماشین‌هاي هوشمند، پیشرفت‌هاي بسیار خوبی از اواسط دهه 1980 میلادي به وجود آمد و شبکه‌هاي عصبی مورد استفاده کنونی را پایه گذاري کرد.

در دهه 40 میلادي ، دانشمندان مک کلوث و والتر پیتز نشان دادند که شبکه‌هاي عصبی می‌توانند هر تابع حسابی و منطقی را محاسبه نمایند . که اینجا را می‌توان نقطه‌اي براي شروع حوزه علمی شبکه‌هاي عصبی مصنوعی دانست.

در سال 1956 در کنفرانس تحقیقاتی دارتموث ، هوش مصنوعی مطرح و مباحث مختلف آن عنوان گردید ، که این کنفرانس به توسعه و پیشرفت آن دسته از برنامه‌هاي کامپیوتري منجر شد که می‌توانند ماشین‌ها را به انجام کارهاي هوشمندانه یا کارهاي شبیه انسان وادار نمایند. بعد از این کنفرانس در سال 1958 نخستین کاربرد عملی شبکه‌هاي عصبی فرانک روز نبالت، از آزمایشگاه پرواز کرنل بود که یک مدل محاسباتی به نام پرسپترون براي شبکیه چشم ایجاد نمود.

در سال 1972 کوهنن و جیمز اندرسون ، به طور مستقل و بدون اطلاع از هم ، شبکه‌هاي عصبی جدیدي را معرفی نمودند که قادر بودند به عنوان عناصر ذخیره‌ساز، عمل نمایند.

در سال 1982 ایده‌اي توسط جان هاپفیلد ، فیزیکدان آمریکایی مطرح شد که مبتنی بود بر استفاده از مکانیسم تصادفی جهت توضیح عملکرد یک طبقه وسیع از شبکه‌هاي برگشتی که می‌توان آنها را جهت ذخیره‌سازي اطلاعات استفاده نمود. و نیز ایده دوم توسط دیوید راملهارت و جیمز مکلند ، الگوریتم پس انتشار خطا می‌باشد که این دو ایده در دهه هشتاد قرن بیستم به علاوه رشد تکنولوژي میکروپروسسورها و تحقیقات روي شبکه‍‌هاي عصبی زمینه را براي شکوفایی مجدد بحث شبکه‌هاي عصبی مصنوعی را ایجاد نمود.

 

معایب شبکه عصبی:

معایب شبکه‌هاي عصبی با وجود برتري‌هایی که شبکه‌هاي عصبی نسبت به سیستم‌هاي مرسوم دارند، معایبی نیز دارند که پژوهشگران این رشته تلاش دارند که آنها را به حداقل برسانند، از جمله:

  • قواعد یا دستورات مشخصی براي طراحی شبکه جهت یک کاربرد اختیاري وجود ندارد

. • در مورد مسائل مدل سازي، صرفاً نمیتوان با استفاده از شبکه عصبی به فیزیک مساله پی برد. به عبارت دیگر مرتبط ساختن پارامترها یا ساختار شبکه به پارامترهاي فرآیند معمولا غیر ممکن است

. • دقت نتایج بستگی زیادي به اندازه مجموعه آموزش دارد

. • آموزش شبکه ممکن است مشکل ویا حتی غیر ممکن باشد

. • پیش بینی عملکرد آینده شبکه (عمومیت یافتن) آن به سادگی امکان پذیر نیست.

 

تقسیم بندی شبکه های عصبی

بر مبناي روش آموزش به چهار دسته تقسیم می‌شوند:

-وزن ثابت: آموزشی در کار نیست و مقادیر وزن‌ها به هنگام نمی‌شود. کاربرد: ·

  1. بهینه سازي اطلاعات (کاهش حجم ، تفکیک پذیري و فشرده سازي)
  2.  حافظه‌هاي تناظري

 

-آموزش بدون سرپرست:وزن‌ها فقط بر اساس ورودی‌ها اصلاح می‌شوند وخروجی مطلوب (معلم) وجود ندارد تا با مقایسه خروجی شبکه با آن و تعیین مقدار خطا وزن‌ها اصلاح شود . وزن‌ها فقط براساس اطلاعات الگوهاي ورودي به هنگام می‌شوند.هدف استخراج مشخصه‌هاي الگوهاي ورودي بر اساس استراتژي خوشه‌یابی و یا کلاس‌بندي و تشخیص شباهت‌ها (تشکیل گروه‌هایی با الگوي مشابه) می‌باشد ، بدون اینکه خروجی یا کلاس‌هاي متناظر با الگوهاي ورودي از قبل مشخص باشد. این یادگیري معمولا بر پایه شیوه‌ي برترین هم خوانی انجام می‌گیرد. شبکه بدون سرپرست وزن‌هاي خود را بر پایه خروجی حاصل شده از ورودي تغییر می‌دهد تا در برخورد بعدي پاسخ مناسبی را براي این ورودي داشته باشد.در نتیجه شبکه یاد می‌گیرد چگونه به ورودي پاسخ بدهد. اصولا هدف این است که با تکنیک نرون غالب ، نرونی که بیشترین تحریک آغازین را دارد برگزیده شود . بنابراین در شبکه‌هاي بدون سرپرست یافتن نرون غالب یکی از مهمترین کارها است .

 

-آموزش با سرپرست: به ازاي هر دسته از الگوهاي ورودي خروجی‌هاي متناظر نیز به شبکه نشان داده می‌شود و تغییر وزن‌ها تا موقعی صورت می‌گیرد که اختلاف خروجی شبکه از این الگوهاي آموزشی نسبت خروجی‌هاي مطلوب ( معلم) در حد خطاي قابل قبولی باشد در این روش‌ها یا از خروجی‌ها به وزن‌ها ارتباط پسخور وجود دارد و یا خطا بصورت پس انتشار از لایه خروجی به ورودي توزیع شده است و وزن‌ها اصلاح می‌شوند . هدف طرح شبکه‌اي است که ابتدا با استفاده از داده‌هاي آموزشی موجود، آموزش ببیند و سپس با ارائه بردار ورودي به شبکه که ممکن است شبکه آن را قبلا فرا گرفته یا نگرفته باشد کلاس آن را تشخیص دهد چنین شبکه‌اي به طور گسترده براي کارهاي تشخیص الگو به کار گرفته می‌شود.

 

-آموزش تقویتی: کیفیت عملکرد سیستم بصورت گام‌به‌گام نسبت به زمان بهبود می‌یابد الگوهاي آموزشی مشخصی وجود ندارد اما با استفاده از سیگنالی به نام نقاد بیانی از خوب و یا بد بودن رفتار سیستم بدست می‌آید .حالتی بین یادگیري با سرپرست و بدون سرپرست .

 

نظر دادن

از پر شدن تمامی موارد الزامی ستاره‌دار (*) اطمینان حاصل کنید. کد HTML مجاز نیست.

تهران ، خ کارگر شمالی ، کوچه اشراقی ، خیابان هئیت ، ساختمان گرد آفرید، پارک علم و فناوری دانشگاه تربیت مدرس تهران، پ 15 شماره تماس : 02166582371

درباره ما

امروزه بهره گیری از فناوری اطلاعات در امر یادگیری و یاد دهی یکی از ضرورت های انکارناپذیر است. کاربست فناوری در یادگیری و یاددهی در سطوح مختلف صورت می پذیرد. در آینده کسانی موفق خواهند بود که یاد بگیرند، چگونه یاد بگیرند. روند رشد فناوری اطلاعات و ارتباطات به عبارت دقیق تر فناوری های دانش کاربست آنها در فضاهای یادگیری را اجتناب ناپذیر نموده است. ادامه ..

آمار بازدید

امروز13
دیروز201
این هفته1444
این ماه5012
مجموع166169

6
آنلاین
شنبه, 02 شهریور 1398 03:08
توسعه یافته توسط مارال وب