منابع پایان نامه ارشد درباره لايه، عصبي، ورودي، شبكههاي

دانلود پایان نامه ارشد

را ميتوان مانند وزنه w در نظر گرفت با اين تصور كه ميزان تاثير ورودي ثابت 1 را روي نرون منعكس ميسازد.
بايد توجه داشت كه پارامترهايw و bقابل تنظيم مي باشد و تابع محرك f نيز توسط طراح انتخاب ميشود. بر اساس انتخاب f و نوع الگوريتم يادگيري پارامترهايw و b تنظيم ميشوند. يادگيري بدين معنا است كه w و b طوري تنظيم ميكند تا رابطه ورودي و خروجي نرون با هدف خاصي مطابقت نمايد.
تابع محرک f ميتواند خطي يا غيرخطي باشد يك تابع محرك بر اساس نياز خاص حل يك مسئله، مسئلهاي كه قرار است به وسيله شبكه عصبي حل شود، انتخاب ميشود. در عمل تعداد محدودي از توابع محرك مورد استفاده قرار ميگيرند كه در اينجا به عنوان يك مثال تابع محرك زيگموئيدي را معرفي ميكنيم.
اين تابع با فرمول كلي زير بيان ميشود:

مقدار c وسعت ناحيه خطي بودن تابع را تعيين ميكند. مثلا اگر c خيلي بزرگ باشد شكل منحني به تابع پلهاي نزديكتر ميشود اين تابع در شبكههاي عصبي مورد استفاده زيادي دارد.

2-10-1-2- توابع مورد استفاده در شبكه عصبي

اين توابع بسته به كاربردهاي مختلف به صورت متفاوت انتخاب ميشود كه برخي از آنها رادر زير معرفي ميكنيم.
1- تابع خطي

2-تابع بايناري تك قطبي

3- تابع بايناري دو قطبي

4- تابع شيب

5- تابع سيگموئيد تك قطبي

6- تابع سيگموئيد دو قطبي

شكل 2-8: توابع مورد استفاده در مدل سلول عصبي

2-10-1-3- مدل نرون چند قطبي

عموماً يك نرون بيش از يك ورودي دارد. شكل 2-4 يك مدل نرون با R ورودي را نمايش ميدهد. بردار ورودي را باP نمايش ميدهيم. اسكالرهاي pi ، (i=1,2,…,R) عناصر بردار P هستند. مجموعه سيناپسهاي wi,j را با ماتريس وزن W ميدهيم. در اين حالت يك بردار سطري با عناصر wi,j است هر عنصر از بردار ورودي P در عنصر متناظر از W ضرب ميشود. نرون يك جمله باياس b دارد كه با حاصلضرب ماتريس وزن W با بردار ورودي P جمع ميشود.
ورودي n مطابق فرمول زير محاسبه ميشود

كه درآن و است و در نهايت خروجي نرون به صورت زير خواهد بود

شكل 2-9: مدل چند ورودي يک نرون
بايد خاطر نشان ساخت كه در نمايش ماتريسها دومين انديس، مبدأ سيگنال ورودي نرون را نشان ميدهد و انديس اول به شماره خود نرون اشاره ميكند.
فرم خلاصه شده نرون چندورودي را در شكل2-5 نشان داده شده است. همانگونه كه در شكل مشاهده ميشود. بردار ورودي P با يك ستون عمومي در منتها اليه سمت چپ نمايش داده مي شود. ابعاد P در زير آن R×1 مشخص شده است. اين نماد نشان دهنده آن است كه بردار ورودي P داراي R عنصر است. بردار P در يك ماتريس W با R ستون ضرب ميشود. مقدار ثابت 1 به عنون يك ورودي به نرون اضافه شده و در جمله اسكالر باياس b ضرب ميشود ورودي n به تابع f اعمال شده و خروجي مربوطه به وجود ميآيد. a عملا نشاندهنده شبكه تكنروني است و در اين حالت يك اسكالر با ابعا د 1×1 است .

شكل 2-10: فرم ساده شده نرون با R ورودي

2-10-2- ساختار شبكههاي عصبي

بايد توجه داشت كه معمولا حتي يك نرون با تعداد وروديهاي زياد نيز به تنهايي براي حل مسائل فني مهندسي كفايت نميكند مثلاً براي مدلسازي نگاشتهايي كه داراي دو خروجي هستند احتياج به دو نرون داريم كه به طور موازي عمل كنند. دراين حالت يك لايه خواهيم داشت كه از اجتماع چند نرون تشكيل شده است.

2-10-2-1- شبكه تك لايه

يك شبكه تك لايه با S نرون درشكل 2-6 نشان داده شده است. توجه داريم كه هر يك از وروديها به همه نرونها متصل شده است ماتريس W در اين حالت داراي S سطر و R ستون ميباشد. همانگونه كه از شكل پيداست لايهها شامل ماتريس وزن، جمعكنندهها، بردار باياس b (داراي S عنصر ) و تابع تبديل f هستند.

شكل 2-11: شبکه تک لايه با S نرون

2-10-2-3- شبكههاي چند لايه

يك شبكه ميتواند شامل چندين لايه باشد كه هر لايه داراي يك ماتريس وزن W ، يك بردار باياس b و يك بردار خروجيa ميباشد. جهت تمايز متغيرهاي فوق و اينكه كدام متغير به كدام لايه تعلق دارد نياز داريم كه علامت ديگري را هم به متغيرهاي فوق تخصيص دهيم. از اين رو از بالانويس براي مشخص نمودن لايه استفاده ميكنيم. بنابراين ماتريس وزن براي لايه اول را با W1 مشخص ميكنيم. با به خاطر سپردن اين نماد، يك شبكه پيشخور سه لايه را ميتوان به شكل 3-7 ترسيم نمود. همانگونه كه از اين شكل پيداست تعداد R ورودي، تعداد S1 نرون در لايه اول، تعداد S2 نرون در لايه دوم و تعداد S3 نرون در لايه سوم موجود است. همچنين در لايههاي مختلف توابع محرك مختلف داريم.

شكل 2-12: شبکه پيشخور سه لايه
لايهاي كه خروجي آن خروجي شبکه عصبي پيشخور باشد به لايه خروجي موسوم است. لايههاي ديگر به لايههاي مياني31 موسوماند. شبكه موجود در شكل 2-7 داراي دو لايه مياني است. در اينجا لايه خروجي با ماتريس وزن W3 ، بردار باياس b3 و تابع محرك f3 مشخص ميشود. لايه مياني اول با ماتريس وزن W1، بردار باياس b1و تابع محرك f1 و لايه مياني دوم با ماتريس وزن W2 بردار باياس b2و تابع محرك f2 مشخص ميشوند. به چنين شبکهاي شبکه پيشخور32 گفته ميشود.
شبكههاي عصبي چند لايه داراي توانايي بيشتري نسبت به شبكههاي عصبي تكلايه هستند. ميتوان ثابت كرد كه شبكههاي عصبي پيشخور دو لايه با توابع زيگموئيد در لايه اول قادرند هر تابعي را با دقت دلخواه تقريب بزنند. در حالي كه شبكههاي عصبي تكلايه از چنين توانايي برخوردار نيستند.
توپولوژيهاي شبکهها و چگونگي ارتباط آنها با هم شبکههاي مختلف را ايجاد کرده است. در ادامه چند نوع از شبکههاي معمول را بيان ميکنيم.

2-10-2-3- شبکه پرسپترون

شکل 2-13 يک نرون پرسپترون را نشان ميدهدکه داراي تابع Hard limit است. شبکههاي پرسپترون پايه معمولا يک لايه هستند. روش آموزشي که در اين ساختار استفاده ميشود، به قانون يادگيري پرسپترون معروف ميباشد. شبکههاي پرسپترون مخصوصا براي مسائلي چون دستهبندي الگوها مناسب است و معمولا شبکههايي سريع و مناسب در اين زمينهاند. اين شبکهها از نوع شبکههاي پيشخور هستند.
.
شكل 2-13: نرون شبکه پرسپترون

2-10-2-4- شبكههاي پسخور يا برگشتي33

تفاوت شبكههاي پسخور با شبكههاي پيشخور كه در بخش قبل مورد بررسي قرار گرفت در اين است كه در شبكههاي پس خور، حداقل يك سيگنال برگشتي از نرون به همان نرون يا نرونهاي همان لايه و يا لايه قبل وجود دارد. جهت نمايش اينگونه شبكهها، بلوك ساده شكل 3-9 را تعريف ميكنيم. اين شكل، معرف تأخير زماني يك مرحلهاي است. به عبارت واضحتر خروجي بلوك (a) در لحظه زماني t برابر با ورودي بلوك در يك واحد عقبتر (يعني مقدار u در لحظه t-1) است. واضح است كه براي بهدست آوردن رابطه ورودي و خروجي اين بلوك بايد مقدار اوليه خروجي در لحظه اوليه (صفر) معلوم باشد اين مقدار اوليه با a(0) در شكل نشان داده شده است.
.
شكل 2-14: بلوک تاخير زماني
اكنون ميتوانيم شبكههاي پسخور رامعرفي كنيم. يك نوع متداول از شبكه پسخور گسسته در حوزه زمان در شكل 2-15 ترسيم شده است.
براي اين شبكه خاص، بردار ورودي P نشاندهنده شريط اوليه شبكه است (به عبارت ديگر داريم a(0)=P) رفتار شبكه به وسيله معادله زير بيان ميشود.
.
شكل 2-15: شبکه تک لايه برگشتي

شبكههاي پسخور نسبت به شبكههاي پيشخور از توانايي بالقوه بيشتري برخوردارند و بهتر ميتوانند رفتار مربوط به ويژگيهاي زماني سيستمها را نشان دهند.

2-11 مزيتهاي استفاده از شبکههاي عصبي

شبکههاي عصبي، با قابليت قابل توجه  آنها در استنتاج معاني از دادههاي پيچيده يا مبهم، ميتواند براي استخراج الگوها و شناسايي روشهايي که آگاهي از آنها براي انسان و ديگر تکنيکهاي کامپيوتري بسيار  پيچيده و دشوار است  به کار گرفته شود. يک شبکه عصبي تربيت يافته ميتواند به عنوان يک متخصص در مقوله اطلاعاتياي که براي تجزيه تحليل به آن داده شده به حساب آيد. از اين متخصص ميتوان  براي بر آورد وضعيتهاي دلخواه جديد و جواب سؤالهاي ” چه ميشد اگر ”  استفاده کرد. از مزيتهاي آن ميتوان به موارد زير اشاره کرد. يادگيري انطباق پذير: قابليت يادگيري نحوه انجام وظايف بر پايه اطلاعات داده شده براي تست و تجربههاي مقدماتي. سازماندهي توسط خود: يک ANN ميتواند سازماندهي يا ارائهاش را، براي اطلاعاتي که در طول دوره يادگيري دريافت ميکند، خودش ايجاد کند.
عملکرد به هنگام (Real time): محاسبات  ANN  ميتواند بصورت موازي انجام شود و سختافزارهاي مخصوصي طراحي و  ساخته شده است که ميتواند از اين قابليت استفاده کند. تحمل اشتباه بدون ايجاد وقفه در هنگام کدگذاري اطلاعات: خرابي جزئي يک شبکه منجر به تنزل کارايي متناظر با آن ميشود اگر چه تعدادي از قابليتهاي شبکه ممکن است حتي با خسارت بزرگي هم باقي بماند.

2-11-1- شبکههاي عصبي در مقابل کامپيوترهاي معمولي

شبکههاي عصبي نسبت به کامپيوترهاي معمولي مسير متفاوتي را براي حل مسئله طي ميکنند. کامپيوترهاي معمولي يک مسير الگوريتمي را استفاده ميکنند، به اين معني که کامپيوتر يک مجموعه از دستورالعملها را به قصد حل مسئله پي ميگيرد. بدون اينکه، قدمهاي مخصوصي که کامپيوتر نياز به طي کردن دارد، شناخته شده باشند کامپيوتر قادر به حل مسئله نيست. اين حقيقت قابليت حل مسئله کامپيوترهاي معمولي را  به مسائلي، محدود ميکند که ما قادر به درک آنها هستيم  و ميدانيم چگونه حل ميشوند. اما  اگر کامپيوترها ميتوانستند کارهايي را انجام دهند که ما دقيقا نميدانيم چگونه انجام دهيم، خيلي  پرفايدهتر بودند.
شبکه هاي عصبي اطلاعات را به روشي مشابه با کاري که مغز انسان انجام مي دهد پردازش مي کنند. آنها از تعداد زيادي از عناصر پردازشي (سلول عصبي) که فوقالعاده به هم پيوستهاند تشکيل شده است که اين عناصر به صورت موازي با هم براي حل يک مسئله مشخص کار ميکنند. شبکههاي عصبي با مثال کار ميکنند و نميتوان آنها را براي انجام يک وظيفه خاص برنامهريزي کرد مثالها ميبايست با دقت انتخاب شوند در غير اين صورت زمان سودمند، تلف ميشود و يا حتي بدتر از اين شبکه ممکن است نادرست کار کند. امتياز شبکه عصبي اين است که خودش  کشف ميکند که چگونه مسئله را حل کند، عملکرد آن غيرقابل پيشگويي است.
از طرف ديگر، کامپيوترهاي معمولي از يک مسير مشخص براي حل يک مسئله استفاده ميکنند. راه حلي که مسئله از آن طريق حل ميشود  بايد از قبل شناخته  شود و به صورت دستورات  کوتاه و غير مبهمي شرح داده شود. اين دستورات سپس به زبانهاي برنامه نويسي سطح بالا برگردانده ميشود و بعد از آن به کدهايي که کامپيوتر قادر به درک آنها است تبديل مي شود. به طور کلي اين ماشينها قابل پيشگويي هستند و اگر چيزي به خطا انجام شود به يک اشتباه سختافزاري يا نرمافزاري بر ميگردد. شبکههاي عصبي و کامپيوترهاي معمولي با هم در حال رقابت نيستند بلکه کاملکننده يکديگرند. وظايفي وجود دارد که بيشتر مناسب روشهاي الگوريتمي هستند نظير عمليات محاسباتي و وظايفي نيز وجود دارد که بيشتر مناسب شبکههاي عصبي هستند. حتي فراتر از اين، مسائلي وجود دارد که نيازمند به سيستمي است که از ترکيب هر دو روش بدست ميآيد (بطور معمول کامپيوترهاي معمولي براي نظارت بر شبکههاي عصبي به کار گرفته ميشوند) به اين قصد که بيشترين کارايي بدست آيد.

2-12- رگرسيون

در بسياري از مسائل علمي و مهندسي لازم است رابطه اي بين مجموعه اي از متغيرها تعيين کنيم. مثلا در يک واکنش شيميايي ممکن است بخواهيم رابطه ايي بين نتيجه آزمايش، درجه حرارتي که واکنش انجام گرفته و مقدار کاتاليزور به کار رفته را به دست آوريم. دانستن چنين رابطه اي کمک مي کند که نتيجه را براي مقادير مختلف درجه حرارت و ميزان کاتاليزور پيش بيني کنيم.
در بسياري از موارد يک متغير جواب Y که به آن متغير وابسته نيز گفته مي شود وجود دارد که به مقدار مجموعه ايي از وروديها يا متغير هاي وابسته x_1,…, x_r بستگي دارد. ساده ترين نوع رابطه بين

پایان نامه
Previous Entries منابع پایان نامه ارشد درباره پردازش اطلاعات، سرعت پردازش، قرن نوزدهم Next Entries منابع پایان نامه ارشد درباره حمل و نقل، دانشگاهها، عملکرد بنگاه، عرضه و تقاضا