مقاله رایگان با موضوع شبکه های عصبی مصنوعی، شبکه های عصبی، شبکه عصبی، مدل ریاضی

دانلود پایان نامه ارشد

سطح ملی شناخته شود. ویژگی و شاخصه مهم این مدل جامعیت آن، امکان استفاده از آن جهت ارزیابی کیفیت در یک مقیاس وسیع و امکان مرتبط ساختن کیفیت با رفتار مشتری می باشد(کاوسی و سقایی، 1384).

2-3-6-3- مدل اسکمپر34
تکنیک اسکمپر توسط دکتر « اسبورن » ارائه شده است و یکی از مدلهای جلب رضایت مشتری و ایجاد خلاقیت و ابتکار در رسیدن به هدف است. این تکنیک به نام سوالات ایده برانگیز و یا صورت تطبیقی نیز معروف است. کلمه ی اسکمپر از حروف اول هفت کلمه تشکیل شده است.هر یک از آنها نشانه ی یک جهت و سمت و سوی فکری است که شامل یک سری سئوالات تیپ می باشد. این تکنیک که کاربرد اصیلش بر پایه ایده یابی فردی طراحی شده است، می تواند به نحو بسیار اثر بخشی برای گروه ها نیز مفید باشد. به عنوان مثال می توان از آن، قبل از جلسات یورش فکری استفاده کرد. هدف اصلی این تکنیک تحریک قدرت تصور است تا آنرا در جهات و ابعاد مختلف و ضروری به حرکت در آورد. این تحریک بوسیله یک سری سئوالات تیپ و ایده برانگیز صورت می گیرد که شخص در رابطه با مسئله مورد نظرش از خود سئوال می کند و نهایتا با افزایش ایده ها، کیفیت ایده ها تضمین و ارتقا می یابد. نظر به اهمیت و فراگیری این تکنیک، برای هر یک از جهات فکری، تعدادی سئوال نمونه و تعدادی مثال واقعی ارائه و در پایان، تمریناتی برای هر یک از آنها تهیه شده است.لازم به توضیح است که مقصود از تمرینات این بخش گرفتن نتیجه ای کاربردی، دقیق و صحیح و قابل اجرا نیست بلکه انتظار می رود خواننده با کوشش ذهنی که در این تمرینات به عمل می آورد آمادگی بیشتری برای ایده یابی در مسایل و امور واقعی و اجرایی خود پیدا کند(دیواندری و دلخواه، 1384).

2-3-6-4- مدل سروکوال35
این مدل در اوایل دهه 80 میلادی توسط پاراسورامن و همکاران معرفی شد. در این مدل رضایت مشتریان از کیفیت خدمات ارائه شده سنجیده می شود. در این مدل پرسشنامه ای طراحی گردیده که شامل 22 معیاری بود که گیرندگان خدمات و مشتریان در گروه های کانونی تشکیل شده توسط این گروه محقق، جهت ارزیابی کیفیت خدمات به کار می بردند، این 22 پرسش، 5 جنبه مختلف خدمات کیفیت را شامل می شد و در سال 88 میلادی جنبه دیگری نیز به آن اضافه شد که برخی از جنبه ها و ابعاد مدل سروکوال عبارتند از(دیواندری و دلخواه، 1384):
محسوس ها: شامل وسایل فیزیکی، تجهیزات، ظاهر کارکنان و وسایل ارتباطی به لحاظ ظاهری.
قابلیت اطمینان : تونایی انجام خدمات تعهد شده با دقت کامل و قابل اطمینان.
پاسخ دهی : شامل رغبت کمک به مشتری و فراهم کردن فوری خدمات.
تضمین : شامل دانش و نزاکت کارکنان و توانایی آنان در القای اعتماد به درستی خدمات.
همدلی : شامل توجه اختصاصی که شرکت برای مشتریان ویژ خود فراهم می آورد.
بهبود : شامل توانایی سازمان در اصلاح مشکلات بوجود آمده احتمالی.

بخش سوم: مروری بر شبکه های عصبی مصنوعی36
2-4- شبکه های عصبی مصنوعی
2-4-1- تاریخچه شبکه های عصبی مصنوعی
از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوژیست‌ها سعی کردند سامانه یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوشش‌ها در شبیه سازی با استفاده از یک مدل منطقی توسط مک کلوک37 و والتر پیتز38 انجام شد که امروزه بلوک اصلی سازنده اکثر شبکه‌های عصبی مصنوعی است. این مدل فرضیه‌هایی در مورد عملکرد نورون39‌ ها ارائه می‌کند. عملکرد این مدل مبتنی بر جمع ورودی‌ها و ایجاد خروجی است. چنانچه حاصل جمع ورودی‌ها از مقدار آستانه بیشتر باشد اصطلاحا نورون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده مثل AND و OR بود.
نه تنها نروفیزیولوژیست‌ها بلکه روان شناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه‌های عصبی تاثیر داشتند. در سال 1958 شبکه پرسپترون40 توسط روزنبلات41 معرفی گردید. این شبکه نظیر واحدهای مدل شده قبلی بود. پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده می‌باشد، است. این سامانه می‌تواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند. سامانه دیگر مدل خطی تطبیقی نورون می‌باشد که در سال 1960 توسط ویدرو42 و هاف43 (دانشگاه استنفورد) به وجود آمد که اولین شبکه‌های عصبی به کار گرفته شده در مسائل واقعی بودند.آدالاین44 یک دستگاه الکترونیکی بود که از اجزای ساده‌ای تشکیل شده بود، روشی که برای آموزش استفاده می‌شد با پرسپترون فرق داشت.در سال 1969 میسکی45 و پاپرت46 کتابی نوشتند که محدودیت‌های سامانه‌های تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیش داوری و قطع سرمایه گذاری برای تحقیقات در زمینه شبیه سازی شبکه‌های عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله جالبی نمی‌باشد، تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.
با وجود اینکه اشتیاق عمومی و سرمایه گذاری‌های موجود به حداقل خود رسیده بود، برخی محققان تحقیقات خود را برای ساخت ماشین‌هایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند، ادامه دادند. از جمله گراسبگ47 که شبکه‌ای تحت عنوان آوالانج48 را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد. همچنین او با همکاری کارپنتر49 شبکه‌های ART 50را بنا نهادند که با مدل‌های طبیعی تفاوت داشت. اندرسون51 و کوهونن52 نیز از اشخاصی بودند که تکنیک‌هایی برای یادگیری ایجاد کردند. ورباس53 در سال 1974 شیوه آموزش پس انتشار خطا را ایجاد کرد که یک شبکه پرسپترون چند لایه البته با قوانین نیرومندتر آموزشی بود.
پیشرفت‌هایی که در سال 1970 تا 1980 بدست آمد برای جلب توجه به شبکه‌های عصبی بسیار مهم بود. برخی فاکتورها نیز در تشدید این مساله دخالت داشتند، از جمله کتاب‌ها و کنفرانس‌های وسیعی که برای مردم در رشته‌های متنوع ارائه شد. امروز نیز تحولات زیادی در تکنولوژی شبکه های عصبی مصنوعی ایجاد شده‌است(عسکری، 1390).

2-4-2- مفهوم شبکه
از روش هاي كارآمد در حل مسائل پيچيده، شكستن آن به زيرمسأله هاي ساده تر است كه هر كدام از اين زيربخش ها به نحو ساده تري قابل درك و توصيف باشند. در حقيقت يك شبكه، مجموع هاي از اين ساختارهاي ساده است كه در كنار يكديگر سيستم پيچيده نهايي را توصيف مي كنند. شبكه ها انواع مختلفي دارند اما همگي آ نها از دو مؤلفه تشكيل مي شوند:
مجموعه اي از گرهها؛ هر گره در حقيقت واحد محاسباتي شبكه است كه ورود يها را گرفته و برروي آن پردازش انجام ميدهد تا خروجي بدست آيد. پردازش انجام شده توسط گره مي تواند از ساده ترين نوع پردازش ها نظير جمع كردن ورودي ها تا پيچيده ترين محاسبات را شامل شود. در حالت خاص، يك گره مي تواند خود، شامل يك شبكه ديگر باشد.
اتصالات بين گره ها؛ اين اتصالات نحوه گذر اطلاعات بين گر هها را مشخص مي كند. در حالت كلي اتصالات مي توانند تك سويه54 يا دوسويه55 باشند.
تعامل بين گره ها از طريق اين اتصالات سبب بروز يك رفتار كلي از سوي شبكه مي گردد كه چنين رفتاري به تنهايي در هيچ يک از المانهای شبکه دیده نمی شود. جامع بودن اين رفتار كلي بر عملكرد موجود در هر گره سبب تبديل شبكه به يك ابزار توانمند مي شود. به عبارت ديگر، مجموعه ساده اي از المان ها وقتي در قالب يك شبكه باشند مي توانند رفتاري از خود بروز دهند كه هيچ يك از آن المان ها به تنهايي قادر به بروز چنين مشخصه اي نبود.

2-4-3- یک شبکه عصبی مصنوعی

آنچنانكه بيان شد انواع مختلفي از شبكه ها وجود دارد. در اين بين شبكه اي وجود دارد كه گره را به عنوان يك نرون مصنوعي درنظر مي گيرد. در اصطلاح، اين چنين شبكه هايي را شبكه عصبي مصنوعي يا به اختصار ANN مي نامند.

شکل (2-5): یک نمونه عصب واقعی (صیادی، 1387)
يك نرون مصنوعي در حقيقت مدلي محاسباتي است كه از نرون هاي عصبي واقعي انسان، الهام گرفته است. نرون هاي طبيعي، ورودي خود را از طريق سيناپس دريافت مي كنند. اين سيناپس ها برروي دندريت ها يا غشاء عصب قرار دارند. در يك عصب واقعي، دندريت ها دامنه پالس هاي دريافتي را تغيير ميدهند كه نوع اين تغيير در طول زمان يكسان نمي ماند و در اصطلاح، توسط عصب ياد گرفته مي شود. اگر سيگنال دريافتي به حد كافي قوي باشد (از يك مقدار آستانه بيشتر شود)، عصب فعال شده و سيگنالي را در طول اكسون منتشر مي كند. اين سيگنال نيز به نوبه خود مي تواند به يك سيناپس ديگر وارد شده و ساير اعصاب را تحريك كند. شكل (2-5) يك نمونه عصب واقعي را نشان مي دهد(صیادی،1387).

2-4-4- مدل ریاضی یک سلول عصبی
به هنگام مدل كردن اعصاب، از پيچيدگي هاي آن ها صرف نظر مي شود و تنها به مفاهيم پايه اي بها داده مي شود، چرا كه در غير اين صورت رويكرد مدلسازي بسيار دشوار خواهد شد. در يك نگاه ساده، مدل يك عصب بايد شامل ورودي هايي باشد كه در نقش سيناپس انجام وظيفه كنند. اين ورودي ها در وزنهايي ضرب مي شوند تا قدرت سيگنال را تعيين كنند. نهايتاً يك عملگر رياضي تصميم گيري مي كند كه آيا نرون فعال شود يا خير و اگر جواب مثبت باشد، ميزان خروجي را مشخص مي سازد. بنابراين شبكه عصبي مصنوعي با استفاده از مدل ساده شده عصب واقعي به پردازش اطلاعات مي پردازد. با توجه به اين توضيحات، مي توان مدل ساده اي براي توصيف يك نرون (یک گره در شبكه عصبي مصنوعي) پيشنهاد كرد. اين مدل در شكل (2-6) نشان داده شده است. جداي از ساده سازي هاي اعمال شده، تفاوت اصلي اين مدل با واقعيت در اين است كه در شبكه واقعي، وروديها سيگنال هاي زماني هستند حال آن كه در اين مدل، اعداد حقيقي ورودي اند.
در مدل ارائه شده در شكل(2-6)، تنوع هاي بسياري وجود دارد. از جمله اين كه وزن هاي يك شبكه عصبي، كه مقدار خروجي را منتقل مي كنند، مي توانند مثبت يا منفي باشند. از طرفي، توابع مورد استفاده براي آستانه گذاري مي توانند بسيار متنوع باشند. از جمله مشهورترين اين توابع ميتوان به تابعهايي نظير آرکسین56 ، آرکتان57 و سیگموئید58 اشاره كرد. اين توابع بايد پيوسته و هموار بوده و مشتق پذير باشند. همچنين تعداد گره هاي ورودي ميتواند متغير باشد. البته با زياد شدن تعداد اين گره ها، به وضوح تعيين وزن ها را با مشكل روبرو مي كند. لذا بايد به دنبال روش هايي براي حل اين موضوع باشيم. روند تعين وز نهاي بهينه و تنظيم مقادير آنها عمدتاً به صورت بازگشتي انجام مي شود. بدين منظور شبكه را با استفاده از قواعد و داده ها آموزش داده و با استفاده از قابليت يادگيري شبكه، الگوريتم هاي متنوعي پيشنهاد ميگردد كه همگي سعي در نزديك كردن خروجي توليد شده توسط شبكه به خروجي ايده آل و مورد انتظار دارند( صیادی،1387).

شکل (2-6): مدل ریاضی ساده شده عصب واقعی (صیادی، 1387)

2-4-5- ساختار کلی شبکه عصبی مصنوعی
یک شبکه عصبی شامل اجزای سازنده لایه‌ها و وزن‌ها می‌باشد. رفتار شبکه نیز وابسته به ارتباط بین اعضا است. در حالت کلی در شبکه‌های عصبی سه نوع لایه نورونی وجود دارد:
1. لایه ورود اطلاعات:
در این لایه اطلاعات اولیه که همان مقادیر مربوط به متغیر های مستقل و وابسته است مطرح می باشند که وارد شبکه می شوند. تعداد سلول های لایه ورودی به تعداد ورودی هاست. در عمل سعی بر این است که کلیه پارامترهایی که در پاسخ تاثیر دارند در نظر گرفته شوند، البته باید در نظر گرفت که اطلاعات بی استفاده ورودی کار شبکه را مشکل تر می کند، زیرا اگر چه شبکه عصبی به نویز (داده های دارای خطا) مقاوم است اما در هر صورت اگر میزان نویز بیش از حد زیاد باشد ممکن است شبکه نتواند همگرا شود.

2. لایه یا لایه های محاسباتی:
این لایه یا لایه ها که بر مبنای پیچیدگی تحلیل ها، تعداد آنها نیز افزایش می یابد، وظیفه ایجاد روابط منطقی میان متغیرهای مستقل و وابسته اولیه و یافتن فرمول بین این متغیر ها را بر عهده دارد. در این لایه واحدهای پردازشگر

پایان نامه
Previous Entries مقاله رایگان با موضوع رضایت مشتری، رضایت مشتریان، مدل کانو، مصرف كننده Next Entries مقاله رایگان با موضوع شبکه های عصبی، طراحی معماری، شبکه عصبی مصنوعی، شبکه عصبی