• • پیشرفتهایی که در ۱۹۷۰ تا ۱۹۸۰ بدست آمد برای جلب توجه به شبکه‌های عصبی بسیار مهم بود. برخی فاکتورها نیز در تشدید این مسئله دخالت داشتند از جمله کتابها و کنفرانسهای وسیعی که برای مردم در رشته‌های متنوع ارائه شد. امروز نیز تحولات زیادی در تکنولوژی ANN ایجاد شده است.

  ( 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. )

۳-۱۰-۳- شبکه های پرسپترون چند لایه
شبکه هایی که از یک نرون ساخته شده اند دارای محدودیت هایی می باشند. این شبکه ها توانایی پیاده سازی توابع غیر خطی را ندارند به عنوان مثال توسط این شبکه ها نمی توان تابع XOR را پیاده سازی نمود. برای حل این مشکل شبکه های دیگری پیشنهاد شده که از جمله ی آن ها شبکه های پرسپترون می باشد. دلیل دیگر معرفی این نوع شبکه، استفاده از آن در این تحقیق است.
مدل عمومی شبکه های پرسپترون ، شبکه پیش خور با روال تعلیم انتشار به عقب است. این دسته شبکه هایی هستند که ورودی های لایه اول نرون های آن به لایه های بعدی متصل بوده و در هر سطح این مسئله صادق است تا به لایه خروجی برسد. روال انتشار به عقب بدین معنی است که پس از مشخص شدن خروجی شبکه ، ابتدا وزن های لایه آخر تصحیح شده و بعد به ترتیب اوزان لایه های قبلی تصحیح می شوند. شبکه های پرسپترون از یک لایه ورودی ، تعدادی لایه پنهان و یک لایه خروجی تشکیل شده است. در این شبکه ها شرایط زیر وجود دارد :
– نرون های هر لایه تنها به نرون های لایه بعدی متصل می باشند.
– هر نرون به تمامی نرون های لایه بعد متصل است.
– نرون های لایه ورودی عملی را انجام نمی دهند و اوزان آن ها ثابت و برابر یک می باشد. این نرون ها فاقد تابع فشرده سازی می باشند.
– انتشار عملگر رو به جلو است. تمامی نرون ها به غیر از لایه ورودی جمع کننده بوده و هر نرون می تواند تابع فشرده سازی مستقلی داشته باشد.
– هر نرون می تواند دارای بایاس مستقل باشد.
– تعداد لایه های پنهان مشخص نمی باشد.
الگوریتم یادگیری یک پرسپترون به شکل زیر می باشد:
۱- مقادیر تصادفی به وزن ها نسبت می دهیم.
۲- پرسپترون را به تک تک مثال های آموزشی اعمال می کنیم، اگر مثال غلط ارزیابی شود مقادیر وزن های پرسپترون را تصحیح می کنیم.
۳- آیا تمامی مثال های آموزشی درست ارزیابی می شوند؟
بله. پایان الگوریتم
خیر. انجام مرحله دوم
بنابراین سطح خطا به صورت یک سهمی خواهد بود. عموما مقدار دهی اولیه اوزان و بایاس ها به صورت تصادفی با مقادیر کوچک انجام می شود. ثابت شده است که انتخاب هر مقدار اولیه برای وزن ها و بایاس ها به سمت مقدار صحیح آن ها همگرا است. بدین معنی که هر مقداری برای آن ها انتخاب کنیم، پارامترهای شبکه تنظیم خواهند شد. تنها تفاوتی که وجود دارد ، در صورت فاصله زیاد مقادیر اولیه وزن ها و بایاس ها با مقادیر صحیح آن ها ، برای رسیدن به مقادیر مطلوب تعداد دوره ها زیاد خواهد بود .
شبکه‌های عصبی با توانایی قابل توجه خود در استنتاج نتایج از داده های پیچیده و مبهم می‌توانند در استخراج الگوها و شناسایی گرایشهای مختلفی که برای انسانها و کامپیوتر شناسایی آنها بسیار دشوار است استفاده شوند. با وجود برتری‌هایی که شبکه‌های عصبی نسبت به سامانه‌های مرسوم دارند، معایبی نیز دارند که پژوهشگران این رشته تلاش دارند که آنها را به حداقل برساننددر جدول زیر مزایا و معایب آن به اختصار شرح داده شده است.

مزایا
معایب
جدول ۳-۳ : مزایا ومعایب شبکه عصبی

یادگیری تطبیقی: توانایی یادگیری اینکه چگونه وظایف خود را بر اساس اطلاعات داده شده به آن و یا تجارب اولیه انجام دهد در واقع اصلاح شبکه را گویند.
قواعد یا دستورات مشخصی برای طراحی شبکه جهت یک کاربرد اختیاری وجود ندارد.

محاسبات در ANN می‌تواند به صورت موازی و به وسیله سخت‌افزارهای مخصوصی که طراحی و ساخت انها برای دریافت نتایج بهینه قابلیت‌های ANN است انجام شود.
مورد مسائل مدل سازی، صرفاً نمی‌توان با بهره گرفتن از شبکه عصبی به فیزیک مساله پی برد. به عبارت دیگر مرتبط ساختن پارامترها یا ساختار شبکه به پارامترهای فرایند معمولاً غیر ممکن است.

تحمل خطا : با ایجاد خرابی در شبکه مقداری از کارایی کاهش می‌یابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ می‌شود.
دقت نتایج بستگی زیادی به اندازه مجموعه آموزش دارد.

دسته بندی : شبکه های عصبی قادر به دسته بندی ورودیها برای دریافت خروجی مناسب می‌باشند.
آموزش شبکه ممکن است مشکل ویا حتی غیر ممکن باشد.

تعمیم دهی : این خاصیت شبکه را قادر می‌سازد تا تنها با برخورد با تعداد محدودی از یک نمونه‌های یک قانون کلی آن را به دست آورده نتایج این آموخته‌ها را به موارد مشاهده نشده از قبل نیز تعمیم دهد. توانایی که در صورت نبود آن سیستم باید بی‌نهایت واقعیتها و روابط را به خاطر بسپارد.
پیش بینی عملکرد آینده شبکه (عمومیت یافتن) آن به سادگی امکان پذیر نیست.

انعطاف پذیری- پایداری : یک شبکه عصبی هم به حد کافی پایدار است تا اطلاعات فراگرفته‌ی خود را حفظ کند و هم قابلیت انعطاف و تطبیق را دارد و بدون از دست دادن اطلاعات قبلی می‌تواند موارد جدید را بپذیرد.

خود سازماندهی : یک ANN به صورت خودکار سازماندهی و ارائه داده هایی که در طول آموزش دریافت کرده را انجام دهد. نرونها با قاعده‌ی یادگیری سازگار شده و پاسخ به ورودی تغییر می‌یابد.