منابع پایان نامه ارشد درباره پردازش اطلاعات، سرعت پردازش، قرن نوزدهم

دانلود پایان نامه ارشد

به شناخت ساختمان مغز انسان و چگونگي انجام محاسبات و پردازشها در آن بودهاند آنچه باعث توجه گسترده به اين موضوع شده اموري است كه مغز آنها را در كسري از ثانيه انجام ميدهد (مثل شناسايي چهره آشنا) در حالي كه رايانههاي ديجيتال براي انجام آنها نياز به زمان زيادي دارند، بنابراين مغز براي محاسبات خود اساسا از ساختاري كاملا مغاير با ساختار رايانههاي متداول برخوردار ميباشد.
احساس نياز بشر براي دستيابي به هوش مصنوعي به منظور نزديكتر كردن ارتباط انسان و ماشين و دستيابي به ماشينهاي هوشمندي كه بتواند از عهده وظايف پيچيدهتر برآيند انگيزه اصلي تحقيقات گسترده بر روي سيستم عصبي انسان و ديگر موجودات زنده و تلاش در جهت شبيهسازي مصنوعي آن بوده است. شبکه عصبي مصنوعي13 (ANN)  ايدهاي است براي پردازش اطلاعات که از سيستم عصبي زيستي الهام گرفته شده و مانند مغز به پردازش اطلاعات ميپردازد . عنصر کليدي اين ايده ، ساختار جديد سيستم پردازش اطلاعات است.
2-7- نرون14 بيولوژيكي

همانطوركه گفته شد شبكههاي عصبي مصنوعي الهام گرفته از سيستمهاي بيولوژيكي هستند. اما اختلافهاي عمدهاي بين معماري و قابليت شبكههاي عصبي مصنوعي و طبيعي وجود دارد.
مغز انسان به عنوان يك سيستم پردزاش اطلاعاتي با ساختار موازي از 100 تريليون (1011) نرونهاي به هم مرتبط با تعداد كل (1016) ارتباط ميباشد كه اين نرونها از طريق شبكهاي از آكسونها15 و سيناپسها16 با چگالي تقريبي10 هزار سيناپس در هر نرون ، با هم ارتباط دارند.
محيط عملكرد اين نرونها يك محيط شيميايي است. گيرندههاي حسي تحريكات را هم از محيط و هم از داخل بدن دريافت ميكند. اين تحريكات كه به صورت ايمپالس17هاي الكتريكي هستند اطلاعات را به شبكه نرون ها وارد ميكنند. سيستم عصبي مركزي، اطلاعات دريافتي را پردازش ميكند و با كنترل انگيزندهها18 پاسخ انسان را به صورتهاي مختلف بروز ميكند.

شكل 2-6: اجزاي اصلي يک شبکه عصبي بيولوژيک
سلول عصبي يا نرون كه عنصر اساسي شبكه عصبي است در شكل 2-6 نشان داده شده است اجزا اين سلول عبارتند از : بدنه سلول19 ، اكسون ، دندريت20 ، سيناپس

2-8- شبكههاي عصبي مصنوعي

شبکههاي عصبي، نظير انسانها، با مثال ياد ميگيرند . يک ANN براي انجام وظيفههاي مشخص، مانند شناسايي الگوها و دستهبندي اطلاعات، در طول يک پروسه يادگيري، تنظيم ميشود . در سيستمهاي زيستي يادگيري با تنظيماتي در اتصالات سيناپسي که بين اعصاب قرار دارد همراه است. اين روش آموزش ANN ها نيز ميباشد.
در اين قسمت شبكههاي عصبي را بر اساس ساختار شبكههاي عصبي بيولوژيكي كه مطرح شد معرفي ميكنيم. اما قبل از آن شباهتهاي بين اين دو شبكه را عنوان ميكنيم.
بلوكهاي ساختاري در هر شبكه دستگاههاي محاسباتي خيلي سادهاي هستند و مضاف بر اين نرونهاي مصنوعي از سادگي بيشتري برخوردار ميباشند.
ارتباطات بين نرونها عملكرد شبكه را تعيين ميكند.
اما با وجود اينكه نرونهاي بيولوژيكي از نرونهاي مصنوعي كه توسط مدارات الكتريكي ساخته ميشوند بسيار كندتر هستند (يك ميليون بار)، عملكرد مغز خيلي سريعتر از عملكرد يك رايانه معمولي است. علت اين پديده بيشتر به دليل ساختار كاملا موازي نرونها ميباشد و اين يعني اينكه همه نرونها معمولا به طور همزمان كار ميكنند و پاسخ ميدهند از آنجائي كه شبكههاي عصبي مصنوعي هم داراي ساختار موازي هستند اما توسط رايانههاي سري پيادهسازي ميشوند و اين مسأله باعث افت سرعت شديد در اين شبكهها ميشود.
با وجود اين كه شبكههاي عصبي مصنوعي با سيستم عصبي طبيعي قابل مقايسه نيستند ويژگيهايي دارند كه آنها را در بعضي از كاربردها مانند تفكيك الگو ، رباتيك ، كنترل و به طور كلي در هر جا كه نياز به يادگيري يك نگاشت خطي يا غير خطي باشد ممتاز مينمايند. اين ويژگي ها به شرح زير هستند:
قابليت يادگيري: استخراج نتايج تحليلي از نگاشت غير خطي كه با چند مثال مشخص شده كار ساهاي نيست. چون ميدانيم كه يك نرون يك دستگاه غير خطي است در نتيجه يك شبكه عصبي كه از اجتماع اين نرونها تشكيل ميشود هم يك سيستم كاملا پيچيده و غيرخطي خواهد بود. به علاوه خاصيت غيرخطي عناصر پردازش در كل شبكه توزيع مي گردد هنگام پياده سازي اين نتايج با يك الگوريتم معمولي وبدون قابليت يادگيري نياز به دقت و مراقبت زيادي دارد درچنين حالتي سيستمي كه بتواند خود اين رابطه را استخراج كند بسيار سودمند به نظر ميرسد . خصوصاً اينكه افزودن مثالهاي اجتماعي در آينده به يك سيستم با قابليت يادگيري، به مراتب آسانتر از انجام آن در يك سيستم بدون چنين قابليتي است.
قابليت يادگيري يعني توانايي تنظيم پارمترهاي شبكه (وزنهاي سيناپتيكي) در مسير زمان كه محيط شبكه تغيير ميكند و شبكه شرايط جديد را تجربه ميكند، با اين هدف كه اگر شبكه براي يك وضعيت خاص آموزش ديد و تغيير كوچكي در شريط محيطي شبكه رخ داد، شبكه بتواند با آموزش مختصر براي شريط جديد نيز كارآمد باشد. ديگر اينكه اطلاعات در شبكههاي عصبي در سيناپسها ذخيره و هر نرون در شبكه، به صورت بالقوه ازكل فعاليت ساير نرونها متأثر ميشود. در نتيجه، اطلاعات از نوع مجزا از هم نبوده، بلكه متأثر از كل شبكه ميباشد.
2- پراكندگي اطلاعات: آنچه كه شبكه فرا ميگيرد و يا به عبارت ديگراطلاعات يا دانش، در وزنهاي سيناپسي مستتر ميباشد و رابطه يك به يك بين وروديها و وزنهاي سيناپتيكي وجود ندارد. ميتوان گفت كه هر وزن سيناپسي مربوط به همه وروديها است ولي به هيج يك از آنها به طور منفرد مربوط نيست به عبارت ديگر هر نرون در شبكه از كل فعاليت ساير نرونها متأثر ميباشد در نتيجه اطلاعات به صورت زمينهاي توسط شبكههاي عصبي پردازش ميشود.
3- قابليت تعميم21: پس از آنكه مثالهاي اوليه به شبكه آموزش داده شد شبكه مي تواند در مقابل يك ورودي آموزش داده نشده قرار مي گيرد و يك خروجي مناسب ارائه نمايد. اين خروجي بر اساس مكانسيم تعيمم كه همانا چيزي جز پروسه درونيابي نيست بدست مي آيد.
4- پردازش موازي22: هنگاميكه شبكه عصبي در قالب سخت افزار پياده مي شود سلول هايي كه در يك تراز قرار مي گيرند ميتواننند به طور همزمان به ورودي هاي ان تراز پاسخ دهند. اين ويژگي باعث افزايش سرعت پردازش مي شود در واقع در چنين سيستمي ، وظيفه كلي پردازش ، بين پردازنده هاي كوچكتر مستقل از يكديگر توزيع مي گردد.
5- مقاوم بودن23: در يك شبكه عصبي ، هر سلول به طور مستقل عمل مي كند و رفتار كلي شبكه برآيند رفتارهاي محلي سلول هاي متعددي است. اين ويژگي باعث مي شود تا خطاهاي محلي از چشم خروجي نهايي دور بمانند. به عبارت ديگر سلول ها در يك روند همكاري، خطاهاي محلي يكديگر را تصحيح مي كنند اين خصوصيت باعث افزايش قابليت مقاوم بودن در سيستم مي گردد.

2-9- تاريخچه شبكههاي عصبي مصنوعي

گرچه برخي از پيش زمينههاي شبكههاي عصبي در اوائل قرن بيستم و اواخر قرن نوزدهم در فيزيك، روانشناسي و نروفيزيولوژي مطرح گرديد، ولي ديدگاه جديد شبكههاي عصبي در دهه 40 قرن بيستم شروع شد. در سال 1943 اولين مدل نرون بر مبناي ساختمان نرون بيولوژيكي توسط McCulloch و Pitts ارائه شد كه به نرون M-P مشهور است . در اين نرون وزنها به دو دسته تحريك (1+) و بازدارنده (1-) تقسيم ميشوند. وروديها و خروجي نرون تنها ميتواند مقادير باينري صفر و يك را بگيرند. نرون وقتي فعال است كه ميزان كلي تحريك از يك مقدار يا حد آستانه بيشتر شود. با اين مدل ميتوان عمليات منطقي نظير AND ، OR و NOT را انجام داد.
در سال 1949، اولين قانون يادگيري به نام قانون يادگيري Hebb ارائه شد. هب در كتاب مشهور خود بيان كرد كه ارتباط بين نرونهاي مغز همراه با يادگيري تغيير ميكند. بر طبق نظريه هب، تحريك مكرر يك نرون توسط نروني ديگر از طريق يك ارتباط خاص، هدايت آن ارتباط را افزايش ميدهد. در سال 1958، Rosenblat يك شبكه عصبي موسوم به پرسپترون24 را معرفي كرد كه شبكهاي متشكل از نرون هاي M-P بود. پرسپترون متشكل از يك لايه ورودي بود كه به وسيله وزنهايي قابل تنظيم به نرونها متصل ميشد. قاعده يادگيري پرسپترون بر مبناي تحصيح وزن در يك روش تكراري است كه قويتر از قاعده يادگيري هب است.
در اوايل دهه 60 Widrow و شاگردش Hoff يك قاعده يادگيري كه به نام ويدرو – هوف يا قاعده دلتا ناميده ميشود، ارائه دادند كه مشابه قاعده يادگيري پرسپترون بود.
قاعده دلتا وزنها را براي كاهش خطاي مابين ورودي به نرون خروجي و خروجي مطلوب تصحيح ميكند اين شبكه به نام آدلاين25 ناميده ميشود بعدها شبكههاي چند لايه از آدلاين به نام مادلاين26 به وجود آمدند.
اين شبكهها كاربرد گستردهاي در زمينه مخابرات شناسايي الگو و مسائل كنترل داشتند. اما در سال 1969 ،Minsky و Papert محدوديتهاي پرسپترون را در تمايز گذاشتن بين برخي الگوهاي ساده نشان دادند و متذكر شدند كه يك نرون M-Pنميتواند عنصر محاسباتي كاملي باشد. همچنين نبود رايانههاي سريع به اين مشكل دامن ميزند از اينجا دوران ركود در شبكههاي عصبي شروع شد كه اين ركود تا اواسط دهه 80 ادامه داشت.
در اواسط دهه 80 رشد تكنولوژي VLSI از دو جهت باعث رشد عملي شبكههاي عصبي شد. با پيشرفت تكنولوي VLSI قدرت و سرعت ميكروپروسسورها به درجهاي رسيد كه ميتوانستند شبكههاي چند لايه بزرگ را شبيهسازي كنند، تكنولوژي VLSI براي پيادهسازي سختافزاري شبكههاي عصبي به منظور بهره بردن از خواص موازي بالاي آنها مناسب به نظر ميرسيد. از طرف ديگر نظريههاي جديد نيز باعث رشد تئوريك اين شبكههاي شدند. استفاده از مكانيزم تصادفي جهت توضيح عملكرد يك طبقه وسيع از شبكههاي برگشتي27 كه ميتوان آنها را جهت ذخيره سازي اطلاعات استفاده نمود. اين ايده توسط Hopfield فيزيكدان آمريكايي در سال 1982 مطرح شد دومين ايده مهم كه كليد توسعه شبكههاي عصبي در دهه 80 مطرح شد الگوريتم پس انتشار خطا28 ميباشد كه توسط Rummelhurt در سال 1986 مطرح گرديد. با بروز اين دو ايده شبكههاي عصبي متحول شدند.
در ده سال اخير هزاران مقاله نوشته شده است و شبكههاي عصبي كاربردهاي زيادي در رشتههاي مختلف علوم پيدا كردهاند. شبكههاي عصبي در هر دو جهت توسعه تئوريك و عملي در حال رشد ميباشند. بيشتر پيشرفتها در شبكههاي عصبي به ساختارهاي نوين و روشهاي يادگيري جديد مربوط ميشود آنچه كه در مورد آينده ميتوان گفت اين است كه شبكههاي عصبي جايگاه مهمي به عنوان يك ابزار علمي كه بتواند براي حل مسائل خاص مورد استفاده قرار گيرد خواهند داشت.

2- 10- مدلهاي شبكههاي عصبي مصنوعي

براي مدل كردن آسانتر سيستم عصبي بيولوژيكي، در شبكههاي عصبي مصنوعي فرض بر اين است كه اطلاعات در اتصالات مابين نرونها و توابع انتقالي آنها قرار دارد بسته به نوع كاربرد شكبههاي عصبي با ساختارهاي مختلف وجود دارند دركل ميتوان شبكههاي را از سه جهت دستهبندي كرد.
ساختمان و عملكرد هر نرون
ساختنمان شبكه و نحوه ارتباط مابين لايه ها
نوع آموزش ( يادگيري )

2-10-1- مدل رياضي ساختمان و عملكرد نرونها

همانطور كه گفتيم يك نرون كوچكترين واحد پردازشگر اطلاعات است كه اساس عملكرد شبكههاي عصبي را تشكيل ميدهد، بنابراين در اين قسمت مدل سادهاي از يك نورن ارائه ميشود.
2-10-1-1- مدل نرون تك ورودي

شكل 2-2 ساختار يك نرون تك ورودي را نشان مي دهد اسكالرهاي p و a به ترتيب ورودي و خروجي ميباشند. ميزان تاثير p روي a به وسيله مقدار اسكالر w تعيين ميشود. ورودي ديگر كه مقدار ثابت 1 است درجمله باياس b ضرب شده و سپس با wp جمع ميشود. اين حاصل جمع، ورودي 29n براي تابع محرك30 (يا تابع تبديل )f خواهد بود بدين ترتيب خروجي نرون با معادله زير تعريف مي شود.

شكل 2-7: مدل نرون تک ورودي
با مقايسه اين مدل تك ورودي با يك نرون بيولوژيكي ، عملا w معادل شدت سيناپس جمعكننده و تابع محرك معادل هسته سلول و سيگنال خروجي نرون، a ، معادل سيگنال گذرنده از آكسون خواهند بود. نكتهاي كه بايد به آن توجه شود اهميت و تأثير جمله باياس b است. اين جمله

پایان نامه
Previous Entries منابع پایان نامه ارشد درباره حمل و نقل، مصرف کنندگان، شبکه معابر، تابع تقاضا Next Entries منابع پایان نامه ارشد درباره لايه، عصبي، ورودي، شبكههاي