به دلیل توسعه روز افزون اخیر در شبکه ­های عصبی، بنظر می ­آید که شبکه عصبی پیشرفتی جدید در زمینه علوم کامپیوتری باشد. گرچه، قبل از ظهور کامپیوترها ایجاد شده بود. اولین نرون مصنوعی توسط فیزیولوژیست اعصاب، Warren McCulloh و منطقدان، Walter Pits، در سال ۱۹۴۳ اختراع شد. امکانات و تکنولوژی موجود آن زمان اجازه پیشرفت تکنولوژی شبکه ­های عصبی را نمی­داد. اما همزمان با ظهور کامپیوترها و تکنولوژی­های برتر، شبکه ­های عصبی نیز پیشرفت زیادی کردند. گرچه، بعد از همان شروع، زمینه شبکه ­های عصبی برای چند سال از بدنامی و نا امیدی نجات پیدا کرد و بعد از گذشت زمانی ظهور مجدد علاقه و پیشرفت در این زمینه شکل گرفت. در اواخر دهه ۱۹۷۰ و اوایل ۱۹۸۰، زمینه شبکه عصبی شروع به برخورداری از تجدید حیات علاقه و افزایش تامین سرمایه کرد. این باعث شکل گیری بسیاری از پیشرفت­ها در زمینه شبکه عصبی همراه با کاربرد آن در چندین حوزه جدید شد.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

یک نرون بیولوژیک با جمع ورودی‌های خود که از طریق دندریت‌ها با یک وزن سیناپسی خاص به نرون اعمال می‌شوند ، با رسیدن به یک حد معین تولید خروجی می‌کند . این حد معین که همان حد آستانه می‌باشد ، در حقیقت عامل فعالیت نرون یا غیر فعال بودن آن است .
با توضیحات فوق می‌توان گفت که در مدل‌سازی یک نرون بیولوژیک به طور مصنوعی می‌بایست به سه عامل توجه شود :
نرون یا فعال است یا غیر فعال،
خروجی تنها به ورودی‌های نرون بستگی دارد،
ورودی‌ها باید به حدی برسند تا خروجی ایجاد گردد [۲۵].
در شکل ‏۳‑۱۵ ساختار یک نورون مصنوعی را مشاهده می­کنید. سیگنال­های ورودی X1 تا Xn ، معادل سیگنال­های عصبی ورودی و وزن­های Wi1 تا Win ، معادل مقادیر اتصالات سیناپسی ورودی­های نورون می‌باشند که مجموعاً، ورودی نورون را تشکیل می‌دهند. تابع جمع کننده تمامی عملیات هسته سلول را انجام می‌دهد. خروجی نورون توسط تابع فعال­سازی نشان داده شده در معادله مشخص می‌شود.

معادله ‏۳‑۳۶

شکل ‏۳‑۱۵: ساختار یک نورون مصنوعی.
مغز انسان توسط یک فرایند یادگیری می‌آموزد که در پاسخ به یک ورودی، چه خروجی را تولید کرده و ارسال کند. این فرایند یادگیری، در حقیقت، توسط تنظیم اتصالات سیناپسی در نورون­های طبیعی و معادل آنها در ANN ها، یعنی تنظیم وزنهای Wij نورون­های مصنوعی انجام می‌شود. در حقیقت در طراحی یک نورون مصنوعی، فقط کافیست وزن های Wij را مشخص کنیم تا شبکه عصبی بتواند خروجی مورد نظر را از ورودی خاص تولید کند. روش­های مختلف یادگیری وجود دارند که در آنها می‌توان بر اساس زوج مرتبهای <خروجی، ورودی> مقدار وزن­ها را به‌دست آورد.
شبکه ­های عصبی به طور کلی برای حل هر مسئله ای، سه مرحله را طی می­ کنند که این مراحل به ترتیب شامل آموزش، تعمیم[۴۲] و اجرا[۴۳] می­باشند. «آموزش» فرایندی است که در آن شبکه می­آموزد تا الگوی موجود در ورودی­ ها را (که به صورت مجموعه ­ای از داده ­های آموزشی است)، بشناسد. به این ترتیب که داده ­های وارد شده در نورون، پس از آنکه با وزن­های شبکه ترکیب شدند، وارد بدنه سلول شده و عملیات پردازش داده ­ها و یا آموزش انجام شده و در نهایت به صورت خروجی از نورون خارج می­ شود. پس از اینکه خروجی­ها محاسبه شدند، این مقادیر با مقادیر هدف که شامل رخساره ­های به دست آمده از مغزه­ها هستند، مقایسه شده و در صورت وجود اختلاف بین این مقادیر، وزن­های جدیدی تنظیم و عملیات آموزش تکرار می­ شود. این فرایند تا زمانی که اختلاف بین مقادیر خروجی شبکه با مقادیر هدف زیاد باشد، تکرار می­ شود. «تعمیم»، توانایی شبکه برای ارائه جواب قابل قبول در برابر ورودی­هایی است که در مجموعه آموزشی قرار نداشته­اند. فرایند «اجرا» نیزبرای بهبود عملکرد شبکه انجام می گیرد (شکل ‏۳‑۱۶). اما لازم به بیان است که در این پایان نامه، دو مرحله آخر انجام نمی­ شود. بنابراین در این مطالعه، پس از جمع­آوری و آماده ­سازی داده ­ها، ابتدا آموزش شبکه انجام و سپس برای بررسی میزان دقت نتایج به دست آمده از شبکه، اعتبار سنجی [۴۴]دروندادهای شبکه انجام می­ شود.

شکل ‏۳‑۱۶: ساختار یک شبکه عصبی مصنوعی.
کاربردهای شبکه های عصبی
بسیاری از کاربردهایی که وجود دارند در آنها از شبکه ­های عصبی استفاده می­ شود. بعضی از کاربردهای جالب شبکه های عصبی در [۲۶] آورده شده ­اند. تعداد کمی از مثال­های نمونه که شبکه ­های عصبی به شکلی موفقیت­آمیز در آن­ها اعمال شده ­اند در ادامه آمده است.
پیش ­بینی قیمت سهام در بازارهای سهام: شبکه ­های عصبی توسط بسیاری از تحلیلگران فنی برای انجام پیش بینی هایی در مورد قیمت­های سهام بر اساس تعداد زیادی از عوامل­ همچون سابقه عملکرد دیگر سهام­ها و دیگر شاخص­ های گوناگون اقتصادی، استفاده شده ­اند.
تشخیص پزشکی: تعدادی از نشانه­ های مرتبط با سلامت (مثل، ترکیبی از تعداد ضربان قلب، سطح مواد مختلفی از مواد در خون، تعداد تنفس و غیره) می­توانند نظارت شوند. شروع وضعیت پزشکی خاصی می تواند با ترکیبی پیچیده از تغییرات بر زیر مجموعه ­ای از متغیرهایی که در حال مانیتور شدن هستند، همبسته باشند. شبکه ­های عصبی برای شناخت این الگوی پیش ­بینی استفاده شده­اند تا بشود درمان مناسبی را تجویز کرد.
تصویر مجازی در کامپیوتر: شبکه عصبی به طور اساسی در بسیاری از الگوریتم­های تصویر مجازی کامپیوتر استفاده می­ شود.
OCR: شبکه عصبی برای شناخت کاراکتر بصری برای زبان­های مختلف استفاده می­ شود.
مدیریت موتور: شبکه های عصبی برای تجزیه و تحلیل ورودی سنسورهای موتور استفاده می­شوند. شبکه عصبی پارامترهای گوناگونی را که موتور تحت آنها کار می­ کند، برای دست یابی به هدفی خاص، همچون حداقل کردن مصرف سوخت، کنترل می­ کند.
مزیت های شبکه ­های عصبی
مزیت­هایی برای استفاده از شبکه ­های عصبی نسبت به دیگر رده­بندها وجود دارند. بعضی از آنها بدین ترتیب هستند:
پردازش دائمی اطلاعات: یکی از مزیت­های تکنیک­های شبکه ­های عصبی که آنها را برای استفاده در سیستم­های زمان واقعی جذاب­تر می­ کند، توانایی آنها برای پردازش اطلاعات بطور دائمی است یعنی ورودی­ ها می­توانند همزمان با ورودشان پردازش شوند. بطور نسبی، در تکنیک­های آماری، هیچ تصمیمی در مورد رده­بندی هیچ­کدام از الگوها را نمی­ توان تا زمان در دسترس بودن تمامی الگوها گرفت.
یادگیری تطبیقی: شبکه ­های عصبی دارای توانایی یادگیری شیوه انجام وظایف بر اساس داده ­های موجود از آموزش ها هستند.
خود سازمان دهی: یک شبکه عصبی یا سازمان و یا ارائه اطلاعات خودش را که در زمان یادگیری دریافت می­ کند، ایجاد می­ کند.
هیچ فرض قطعی­ای وجود ندارد: شبکه ­های عصبی راه­حل تحلیلی فرعی­ای را برای تکنیک­های مرسوم که اغلب توسط فرض­های قطعی از نرمال بودن ، خطی بودن، مستقل بودن متغیر و غیره، محدود می شوند را فراهم می­ کنند.
عملکرد: شبکه ­های عصبی در حوزه ­های دشوار غیرخطی که در آنها استفاده از دیگر رویکرد­ها همانند درخت­های تصمیم ­گیری، یا سیستم­های القای قاعده که فضای نمونه­ها را در موازات با نسبت محورها کم می­ کنند، بخوبی عمل می کنند. آنها همچنین تا حدی در حوزه های صدا دار بهتر عمل می کنند.
هم راستا با این مزیت ها، محدودیت­ها و مسائلی وجود دارند که باید در زمان پیاده­سازی شبکه ­های عصبی شرح داده شده و در ادامه بحث خواهد شد.
محدودیت­های شبکه ­های عصبی
بعضی از محدودیت­های اصلی شبکه ­های عصبی نشان داده شده در مقالات به شرح زیر می­باشند.
فرایند یادگیری آهسته در مقایسه با رده­بند­های آماری همچون درخت­های تصمیم ­گیری. این تفاوت می ­تواند به اندازه­ های مختلفی باشد.
هیچ نمایش معلومات صریحی به شکل قواعدی یا دیگر شکل­هایی که به آسانی قابل تفسیرباشند، در دسترس نیست. مدل مورد نظر غیرصریح بوده و در ساختار شبکه و وزن­های بهینه­سازی شده بین نود­ها، مخفی می­باشد. از اینرو، مدل مذکور بدون وجود پایه تحلیلی عموماً جعبه سیاه یا جدول ورودی/خروجی است.
اگرچه شبکه ­های عصبی، دارای رده­بندهای بی-پارامتر و داده-اجرا می­باشد، گزینش درست ساختارهای شبکه ای اثرات مهمی بر مواردی مهم در شبکه ­های عصبی که «بیش برازش» و «کم برازش» خوانده می شوند، دارند.
این مزیت­های و محدودیت­های شبکه ­های عصبی در زمان طراحی رده­بند سیستم­های CAT مد نظر قرار خواهند گرفت.
تعمیم شبکه[۴۵]
تعمیم یکی از مسائل مهمی است که باید در استفاده از شبکه ­های عصبی در نظر گرفته شود. تعمیم یعنی شبکه چقدر خوب می ­تواند برای موردهایی که در دسته آموزش نیستند، پیش ­بینی کند. این مسئله مهمی در توسعه شبکه ­های عصبی است. اگر شبکه بخوبی آموزش داده نشود و دقت در تست کردن در داده آموزش و همچنین در داده ارزیابی نویدبخش نباشد آنوقت گفته می­ شود که شبکه مذکور کم آموزش دیده یا کم­برازش است. از سویی دیگر، اگر شبکه، دسته­داده های آموزش را یادگرفته و دارای دقت بسیار خوبی در زمان تست کردن بر داده آموزش باشد، درحالی که در زمان تست کردن بر روی دسته داده جدید نتایجی نپذیرفتنی را داشته باشند، در آنصورت گفته می­ شود که شبکه بیش از حد آموزش داده شده یا بیش­برازش است. هردوی کم­برازش و بیش­برازش در مغایرت با تعمیم شبکه عصبی بوده و باید حتما برطرف شوند.
استراتژی های زیادی برای اجتناب از بیش­برازش و کم­برازش وجود دارند. که بعضی از آنها در زیر مطرح شده است:
استفاده کردن از میزان زیادی از داده های آموزش: یک قاعده کلی استفاده مورد­های آموزش به میزان ۳۰ برابر تعداد وزن­ها در شبکه می­باشد. این بیشتر بیش­برازش را کاهش می­دهد. برای داده ­های ساده­تر (بدون صدا) مورد­های آموزش به تعداد ۵ برابر بیشتر از تعداد وزن­ها امکان دارد که کافی باشد.
بی ثباتی: اضافه صدا بطور عمدی به نمونه­های ورودی در زمان آموزش.
توقف سریع: توقف آموزش زمانی که بنظر می­رسد شبکه دارد بیش از حد آموزش­دهی می­ شود. این با کمک بردارهای تصدیق ارزیابی انجام می­ شود.
کم شدن وزن: جریمه برای تابع اشتباه. استفاده از کاهش وزن در وزن­های بسیار بزرگ که ممکن است باعث پیچیده شدن بیش از حد تابع خروجی که احتمالاً همراه با ناپیوستگی همراه خواهد بود، اجتناب می­ شود.
استراتژی­ های یادگیری
شبکه نیاز دارد تا قبل از اینکه برای تولید خروجی­هایی مورد استفاده قرار گیرد، آموزش ببیند. یادگیری با تنظیم ماتریس­های وزن در شبکه مطابقت دارد. سه نوع از استراتژی یادگیری استفاده شده در شبکه ­های عصبی، بنام تحت نظارت، نظارت نشده، و یادگیری تقویتی وجود دارند. در این پایان نامه از طرح­ یادگیری نظارت شده استفاده خواهد شد که در مستندات مربوط به تخمین توانایی در تست های سنتی رایج هستند. یادگیری نظارت شده شامل یادگیری یک تابع توسط مثال­هایی از ورودی­ ها و خروجی­هایش می­ شود. گرچه، یادگیری نظارت نشده شامل یادگیری الگو در ورودی، زمانی که هیچ ارزش خروجی خاصی در دسترس قرار گذاشته نشده است، می باشد.
پیش ­بینی با بهره گرفتن از شبکه ­های عصبی
مسائل پیش ­بینی را می­توان به دو طبقه بنام رده­بندی و رگرسیون تقسیم کرد. در رده­بندی، هدف تعیین این است که مورد ورودی مفروض به کدام یک از دسته­های مجزا تعلق دارد. مثال­ها شامل تعیین اعتبار (مثل آیا این شخص خوب است یا بد)، اکتشاف سرطان (مثل آیا مریض مورد نظر سرطان دارد یا نه)، تشخیص امضا (مثلا آیا جعلی است یا واقعی) یا مانند مورد آزمون انطباقی است (مثل قبول شدن یا شکست). از سویی دیگر هدف رگرسیون، پیش ­بینی ارزش یک متغیر (معمولاً) دائمی است (مثل، قیمت سهام فردا، مصرف سوخت یک ماشین، سود های سالیانه آتی و غیره).

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...