وبلاگ

شبکه عصبی مصنوعی، ماشینی است که به قصد مدلسازی شیوه های مغز برای حل مسائل، طراحی شده و توسط قطعات الکترونیکی و یا شبیه سازیهای کامپیوتری پیاده‌سازی می‌شود. شبکه عصبی را می توان به صورت زیر تعریف کرد:

شبکه­ عصبی مصنوعی، یک پردازشگرِ موازی توزیع شده است که از واحدهای پردازشی ساده تشکیل شده است که دارای تمایل ذاتی برای یادگیری و ثبتِ تجربه و استفاده از آن می‌باشد. شبکه عصبی مصنوعی از دو جنبه شبیه مغز می‌باشد:

1. 1. شبکه طی فرایند یادگیری، از محیط اطلاعات دریافت می‌کند.

   

1. شدت ‌اتصال‌های بین نرونی، که وزنهای سیناپسی نامیده می‌شود، برای ذخیره اطلاعات مذکور استفاده می‌شود.

یک شبکه عصبی مصنوعی از عناصر پردازشگری (شبیه به نرون های سیستم عصبی زیستی ) در یک شـبکه به هم پیوسـته تشکیل شده است. هر یک از این عناصر پردازشـگر، دروندادها را می‌پذیرد، آن ها را پردازش می‌کند و سپـس به صورت یک برونداد در می‌آورد و برای استفاده در اختیار سایر عنـاصر پردازشـگر قرار می‌دهد. ایجاد شبکه های عصبی با به کارگیری مثال‌هایی از حل مسئله­ خاص در دنیای واقعی ممکن می‌شود. این مثال‌های واقعی مربوط به یک زمینه کاربردی خاص است و نقش آموزش‌دهنده به شبکه عصبی را بازی می‌کند. در صورت طراحی صحیح و مثال‌های آموزشی کافی یک سیستم شبکه عصبی مصنوعی عملیاتی می‌تواند برونداد صحیح را ایجاد کند و برای حل مسائل عملی مفید واقع شود. پس از آنکه یک شبکه عصبی به اندازه کافی آموزش دید، طراح یا کاربر شبکه می‌تواند پارامترهای شبکه را قفل کند (هر چند که در مواردی پارامترهای شبکه آزاد گذارده می‌شوند تا در طول کاربرد واقعی بازهم شبکه آموزش ببیند). در این مرحله شبکه عصبی برای کاربرد واقعی خود و حل مسائل آماده خواهد بود.

۲-۴-۲٫ ساختار شبکه های عصبی مصنوعی

نگاره­ ۲-۱ ساختار کلی شبکه های عصبی را نشان می‌دهد. در این شکل هر گره نماینده­ یک سلول عصبی مصنوعی است. اطلاعات از طریق گره‌های لایه­ی ورودی به شبکه وارد می شود. این ورودی ها از طریق رابط‌ها به گره‌های لایه‌های پنهان منتقل شده و بعد از پردازش از طریق لایه‌های مختلف از گره‌های لایه خروجی خارج می‌شوند..

نگاره­۲-۱٫ ساختار کلی شبکه های عصبی مصنوعی

یک شبکه عصبی مصنوعی، مجموعه‌ای از نرون‌های به هم متصل در لایه‌های مختلف است که اطلاعاتی را برای یکدیگر ارسال می‌کننند. اولین لایه در سمت چپ در شکل، لایه ورودی و لایه آخر نیز لایه خروجی است. داده ها از لایه ورودی وارد می‌شود. تمام لایه‌های شبکه عصبی به جز لایه ورودی کار پردازش را انجام داده و در نهایت خروجی به دست می‌آید. لایه‌های بین لایه ورودی و لایه­ خروجی را لایه‌های میانی یا لایه‌های پنهان می‌نامند. ساده‌ترین شکل شبکه فقط دو لایه دارد. لایه ورودی و لایه خروجی شبکه، شبیه یک سیستم ورودی-خروجی عمل می‌کند و ارزش نرون‌های ورودی را برای محاسبه ارزش نرون خروجی مورد استفاده قرار می‌دهد.

نرون‌ها به صورت طبیعی به روش خاصی به هم اتصال می‌یابند تا یک شبکه عصبی را تشکیل دهند. ساختار شبکه های عصبی مصنوعی به صورت گراف‌های جهت‌دار موزونی است که نرو‌ن‌های مصنوعی، گره‌ها هستند و پیکانهای جهت‌دار (به همراه وزن ها)، ارتباط بین آن ها را نشان می‌دهند. نحوه قرار گرفتن نرون‌ها می‌تواند به گونه‌ای باشد که شبکه تک لایه یا چند لایه را به وجـود آورد. تعداد دیـواره‌های وزنه‌ای حـائل بیـن دو لایه از نرون‌هـا مشـخص کننده تعـداد لایه‌هاست.

نگاره ۲-۲ ‌گرافی ساده از یک نرون عصبی مصنوعی را نشان می‌دهد. هر نرون می‌تواند از یک و یا چند ورودی تشکیل شود. در اینجا نیز، بردار ‌p ، بردار ورودی نرون عصبی مصنوعی می‌باشد.

نگاره۲-۲٫ نرون عصبی مصنوعی

حال به تعریف اجزای یک نرون می پردازیم :

‌ ورودی‌ها : مجموعاً تشکیل لایه اول را می‌دهند. در حقیقت ورودی‌ها نقش همان متغیرهای مستقل را در رگرسیون ایفا می‌کنند . در این بررسی از ورودی‌های مدل ریس و همکاران استفاده می‌شود.

وزن‌ها : هر ورودی با یک بردار که درجـه اهمیت آن ورودی را نشـان می‌دهـد، داخل پردازشـگر می‌شود.

اریب : برای جابه‌جایی تابع فعال سازی مورد استفاده قرار می‌گیرد. در توابع فعال‌ساز خطی،‌ اریب (بایاس) می‌تواند همان نقش عرض از مبدأ در رگرسیون را دارا باشد .