تحقیق رایگان درمورد شبکه عصبی، شبکه عصبی مصنوعی، پرسپترون چند لایه، حل مسئله

تحقیق رایگان درمورد شبکه عصبی، شبکه عصبی مصنوعی، پرسپترون چند لایه، حل مسئله

تحقیق رایگان درمورد شبکه عصبی، شبکه عصبی مصنوعی، پرسپترون چند لایه، حل مسئله

ته شده است و گاه ترکیبی از ابزارهای فوق در تحلیل یک مسئله مورد استفاده قرار گرفته شده است.
ساختار کلی شبکههای عصبی مصنوعی از شبکه بیولوژیکی مغز انسان الهام گرفته شده است و تحقیقات پیرامون شبکههای عصبی با شناخت و بررسی ساختار و کار یادگیری مغز انسان همراه است. شبکههای عصبی مصنوعی سیستمهایی هستند که قادر به انجام عملیاتی همانند سیستمهای عصبی طبیعی بوده‌اند یا به عبارت دیگر توانسته‌اند بعضی ویژگیهای شبیه مغز انسان را به نمایش درآورند. هنگامی که شناخت و توصیفی صریح و دقیق از یک مسئله وجود داشته باشد، بکارگیری قوانین و روابط شناخته شده در رابطه با مسئله به حل آن کمک کرده و مناسبترین راه بوده است، ولی در شرایطی که مجموعه قوانین لازم برای حل مسئله وجود نداشته باشد و یا شناخت پدیده بسیار پیچیده باشد، کاربرد این روش ممکن است چندان سودمند نباشد. از این رو دانشمندان به فکر کاربرد یک سیستم هوش مصنوعی که قابلیتهای یادگیری، خلاقیت و انعطاف پذیری (مانند سیستم بیولوژیکی) انسان را دارا باشد افتاده و در این راستا روش‌های محاسباتی عصبی۵۶ را ارائه دادند. در این روش محاسباتی احتیاجی به مجموعه قوانین خاصی جهت حل مسئله وجود ندارد و تکیه اساسی بر تربیت تدریجی سیستم بوده است.
شبکههای عصبی مصنوعی با پردازش روی دادههای تجربی، دانش یا قانون نهفته در ورای دادهها را به ساختار شبکه منتقل کرده‌اند. به همین خاطر به این سیستمها هوشمند گفته شده است چرا که براساس محاسبات روی دادههای عددی یا مثالها، قوانین کلی را فرا گرفته‌اند. در ساختار این سیستمها پارامترهایی وجود دارند که قابل تنظیم بوده‌اند. تنظیم این پارامترها برای آنست که سیستم رفتار مطلوبی را در برابر تحریکات و اطلاعات خارجی از خود نشان دهد که به اصطلاح به این عمل آموزش۵۷ آن سیستم گفته شده است. در واقع این سیستمها قادرند یاد بگیرند و از راه یادگیری دانش لازم برای برخورد مناسب با یک پدیده را جمعآوری نمایند و از آن دانش به هنگام نیاز بهره ببرند. فرایند یادگیری این سیستمها میتواند به روش‌های گوناگونی صورت پذیرد که مبحث عمده پژوهش در تولید شبکههای عصبی مصنوعی را تشکیل داده است. مدلهای شبکه عصبی مصنوعی پیوسته در حال توسعه و بهبودند و کاربرد آنها نیز همراه با پیشبرد پایههای تئوری مدلها بیشتر شده است (نوح زانگ, ۲۰۰۶).
۱-۱۷ سیستمهای عصبی بیولوژیکی۵۸
دستگاه عصبی انسان بسیار پیچیده و شامل میلیونها یاخته عصبی است که نرون نامیده شده‌اند و هر نرون با هزاران نرون دیگر در ارتباط است، بدین معنی که از آنها سیگنالهایی دریافت کرده و سیگنالهایی را به آنها ارسال کرده است. در شکل (۱-۱) یک نرون زیستی و اجزای آن نمایش داده شده است.
شکل (۱-۱) ساختار یک نرون و اجزای آن
هر یاخته عصبی یا نرون از بدنه سلول که شامل هسته و ضمائم دیگر است، یک آکسون۵۹ برای ارسال سیگنال به نرون دیگر و دندریتها۶۰ که تودهای نخ مانند هستند و سیگنالها را از نرونهای دیگر دریافت میکنند، تشکیل شده است. انتهای آکسون شاخهشاخه است و پایانههای عصبی را بوجود آورده‌اند، همچنین پایانههای عصبی با دندریتهای عصبی سلولهای دیگر تلاقی پیدا کرده و پیوندگاه یا سیناپس۶۱ را بوجود آورده‌اند. پیامهای عصبی به صورت یکطرفه و از دندریتها به بدنهی سلول و از بدنه سلول به سمت آکسون حرکت کرده‌اند.
۱-۱۸ ویژگی کلی نرونهای مصنوعی
بدنه اصلی هر شبکه عصبی مصنوعی از تعدادی گره و پارهخطهای جهت داری که گرهها را به هم وصل کرده‌اند، تشکیل شده است. در شکل (۱-۲) مدل یک نرون مصنوعی نشان داده شده است.
شکل (۱-۲) مدل یک نرون مصنوعی
مدل مصنوعی نرونهای بیولوژیکی انسان توسط مک کالو و پیتز ارائه گردید. این نرون در واقع سنگ بنای هر شبکهی عصبی را تشکیل داده است. شبکههای عصبی امروزی این نرون پایه را با معماریهایی مختلف ترکیب کرده‌اند تا قابلیتهای محاسباتی متنوعی را بدست آورند.
همانطور که در شکل (۱-۲) ملاحظه شده است، هر نرون بوسیله یک مجموع خطی وزن دار n و یک تابع که میتواند خطی یا غیرخطی باشد، نشان داده شده است. تابع که مقدار خروجی را بر اساس ورودیها مشخص ساخته، تابع فعالیت۶۲ یا تابع انتقال نامیده شده است.
اگر سیگنال ورودی iام از نرون jام را با و وزن آن را با (وزن سیگنال iام به نرونjام ) نشان داده ‌شود، در نهایت مجموع سیگنالهای وزن دار شده به صورت رابطه (۱-۴) محاسبه گردیده است:
(۱-۴)
البته گاهی اوقات مقدار ثابتی در هر نرون به رابطه (۱-۴) به نام وزن بایاس۶۳ افزوده شده که این مقدار معمولاً در هر نرون متفاوت است. با اضافه شدن این ترم، رابطه (۱-۵) بدست آمده است:
(۱-۵)
سپس با انجام یک عمل معمولاً غیر خطی توسط تابع فعالیت مانند روی ورودیهای وزن‌دار شده، خروجی نرون حاصل شده است.
(۱-۶)
۱-۱۹ مراحل ساخت یک مدل با شبکههای عصبی مصنوعی
یک شبکه عصبی مصنوعی از تعداد زیادی گره و پارهخطهای جهتدار که گرهها رابه هم ارتباط داده‌اند، تشکیل شده است. گرههایی که در لایه ورودی هستند گرههای حسی۶۴ و گرههای لایهی خروجی، گرههای پاسخ دهنده۶۵ نامیده شده‌اند. بین نرونهای ورودی وخروجی نیز لایههای پنهان۶۶ قرار دارند. اطلاعات از طریق گرههای ورودی به شبکه وارد شده و سپس از طریق اتصالات به لایههای پنهان منتقل شده، در نهایت خروجی شبکه از گرههای لایه خروجی بدست آمده است.
در ساخت یک مدل بر مبنای شبکه عصبی، اولین کار انتخاب نوع شبکه است. پس از آن پارامترهای ورودی که در خروجی تاثیر گذار هستند، انتخاب گردیده و سپس معماری شبکه ( تعداد لایهها، تعداد گرههای و چگونگی اتصال گرهها) و نوع توابع انتقال و پارامترهای مؤثر در آموزش شبکه تعیین گردیده‌اند. بعد از تعیین نوع شبکه و معماری آن یک سری اطلاعات ورودی- خروجی به شبکه داده شده و شبکه بر اساس این اطلاعات آموزش یافته ‌است. این مرحله، مرحله آموزش۶۷ یا تربیت۶۸ شبکه نامیده شده است.
در مرحله آموزش با توجه به نوع الگوریتم یادگیری، وزنهای اتصالات شبکه تغییر یافته‌اند. با تغییر توابع انتقال، تعداد لایهها و تعداد گرههای لایه پنهان و عوامل مؤثر در تغییر وزنها به صورت سعی و خطا، مناسبترین مدل شبکه عصبی مصنوعی برای مسئله مورد نظر بدست آمده است. برای اطمینان از عملکرد مطلوب شبکه از یک سری ورودی به عنوان اطلاعات آزمایشی استفاده گردیده و خروجیهای آنها با خروجیهای شبکه مقایسه شده‌اند. این مرحله آزمایش یا امتحان۶۹ شبکه عصبی مصنوعی نامیده شده است. بعد از امتحان شبکه و رسیدن به خطای کمتر، مدل شبکه عصبی مصنوعی قابل استفاده خواهد بود.
۱-۲۰ انواع شبکههای عصبی مصنوعی
۱-۲۰-۱ انواع شبکههای عصبی بر مبنای روش یادگیری
بطور کلی بسته به چگونگی آموزش شبکه، شبکههای عصبی به سه دسته تقسیم شده‌اند:
۱- آموزش با وزنهای ثابت۷۰: در روش وزنهای ثابت براساس اطلاعات داده شده، وزنها یکبار محاسبه و ثابت مانده‌اند. این روش در بهینهسازی اطلاعات و فشرده سازی اطلاعات و همچنین بازیابی الگو کاربرد دارد.
۲- آموزش با مربی۷۱: در یادگیری با مربی، شبکه بصورت یک سیسم ورودی- خروجی عمل کرده، به عبارت دیگر شبکه با دریافت بردار ورودیx، بردار خروجی y را تولید کرده ‌است. در این روش دنبالهای از زوجهای آموزش دهنده به شبکه داده شده است. مولفه اول، بردار ورودی و مولفه دوم، بردار خروجی است. از بردار خروجی به عنوان مربی (آموزش دهنده) استفاده شده است. بعد از اعمال بردار ورودی به شبکه، خروجی به عنوان تقریبی از ساخته شده است و از بردار خطای به عنوان عاملی برای تربیت شبکه و اصلاح وزنها استفاده گردیده است. در این روش بردارهای آموزشی بصورت دستهای۷۲ و یا لحظهای۷۳ به شبکه داده شده‌اند و سپس بر اساس بردارهای خطای محاسبه شده، وزنهای شبکه آنقدر تغییر کرده‌اند تا اختلاف خروجی شبکه و خروجی مطلوب به حداقل مورد نظر برسد.
۳- آموزش بدون مربی۷۴: در یادگیری بدون مربی، بردار خطا وجود ندارد و وزنها فقط بر اساس ورودی اصلاح شده‌اند، قوانینی که در این دسته قرار گرفته‌اند در پاسخ به ورودی شبکه و با کشف همبستگی و خواص آماری بین ورودیهای مختلف، وزنهای شبکه را اصلاح کرده‌اند و باعث تفکیک و دستهبندی و یا کلاسهای مختلف از یکدیگر شده‌اند. در بکارگیری این نوع قوانین یادگیری برای تربیت شبکههای عصبی دو فرض زیر را باید در نظر داشت:
الف- تمام الگوهای ورودی که دارای ویژگیهای مشترکی هستند در یک کلاس قرار گرفته‌اند.
ب- شبکه باید قادر باشد ویژگیهای مشترک را تنها با استفاده از ورودیها کشف کند.
۱-۲۰-۲ انواع شبکههای عصبی بر مبنای نوع اتصالها در شبکه
براساس چگونگی اتصال گرهها در معماری شبکه به یکدیگر، شبکههای عصبی به انواع زیر تقسیم شده‌اند:
۱- شبکههای عصبی پیشرو (پیشخور)۷۵: در این نوع شبکه، گرهها در لایههای متوالی قرار گرفتهاند و ارتباط آنها یکطرفه است و زمانی که یک الگوی ورودی به شبکه اعمال شده، اولین لایه مقادیر خروجی را محاسبه کرده و در اختیار لایه بعدی قرار داده است. لایه بعدی این مقادیر را به عنوان ورودی دریافت کرده و مقادیر خروجیاش را به لایه بعدی منتقل کرده و هرگره فقط به گره لایه بعدی سیگنال ارسال کرده است. شبکه های پرسپترون چند لایه (MLP)76 جزء این شبکهها بوده‌اند که در ادامه به این نوع از شبکهها نیز پرداخته شده است.
۲- شبکههای عصبی پسرو (پسخور)۷۷: در این نوع شبکهها، گرههای لایههای بالاتر به گرههای لایههای پایینتر سیگنال منتقل کرده اند. شبکههای پسخور از توانایی بالقوه بیشتری نسبت به شبکههای پیشخور برخوردارند و بهتر میتوانند رفتار مربوط به ویژگیهای زمانی سیستمها را نشان دهند.
۳- شبکههای عصبی با پیوندهای جانبی گرهها۷۸: در این نوع شبکهها، گرههای هر لایه به گرههای همان لایه سیگنال منتقل کرده‌اند.
۱-۲۱ شبکه عصبی پرسپترون۷۹
این نوع شبکه از سادهترین شبکه بوده که برای الگوهای مختلف به کار برده شده است. شبکه پرسپترون تک‌لایه از یک لایه با s نورون تشکیل شده که دارای R پارامتر ورودی بوده ‌است. شکل (۱-۳) مدل این شبکه را نمایش داده ‌است:
شکل (۱-۳) مدل شبکه پرسپترون تک لایه
شکل (۱-۴) یک شبکه عصبی پرسپترون چند لایه را نشان داده است. بطور کلی اینگونه شبکهها دارای مشخصات

مطلب مرتبط :   منبع تحقیق با موضوعتکنولوژی، تکنولوژی آموزشی، استاندارد، نظام آموزشی

admin2

No category

No description. Please update your profile.

You must be logged in to post a comment