
شبکه عصبی استفاده شده است . یک شبکه عصبی از اتصال چندین عصب مصنوعی به وجود می آید . با توجه به آرایش اتصال عصب ها انواع مختلفی از این شبکه ها ارایه شده اند . به عنوان مثال شبکه های پیش رونده و برگشتی که هریک می توانند صورت تک لایه ای و یا چند لایه ای داشته باشند .(فلاحتی ، 1389)
2-17-1-هوش محاسباتی
موفقیتهای قابل توجهی از طریق مدلسازی هوش طبیعی و زیستی به دست آمده است. که نتیجه آن در سیستمهای هوش محاسباتی حاصل شد. الگوریتمهای هوش محاسباتی شامل شبکههای عصبی مصنوعی، الگوریتمهای تکاملی، هوش جمعی و سیستمهای فازی هستند. همه اینها با هم به علاوه استدلال منطقی قیاسی، سیستمهای تخصصی، استدلال بر پایه نمونهها و سیستمهای یادگیری ماشینی سمبلیک بخشی از هوش مصنوعی را شکل میدهند. با دیدن این تنوع در تکنیکهای هوش مصنوعی میتوان دریافت که هوش مصنوعی قابلیت ترکیب چندین نظام را دارا میباشد. (مومن نژاد، 1383)
بنابراین هوش محاسباتی6 شاخهای از هوش مصنوعی7 است. و به مطالعه مکانیسمهای انطباق برای توانمندسازی یا تجهیز رفتار هوشمند در محیط در حال تغییر و پیچیده میپردازد. این مکانیسمها شامل الگوهایی از هوش مصنوعی است که توانایی یادگیری یا تردید نسبت به موقعیتهای جدید، تعمیم، تجزیه، کشف و تخصیص را دارا هستند. الگوهای به کار گرفته شده در هوش محاسباتی عبارتند از: (Engelbrecht, 2007)
الگوریتمهای تکامل
هوش جمعی
سیستمهای ایمنی مصنوعی
سیستمهای فازی
شبکههای عصبی مصنوعی
هر کدام از الگوهای فوق از سیستمهای زیستی نشات گرفتهاند و هیچ الگویی ارجح بر دیگر الگوها در همه موقعیتها نیست.(Engelbrecht, 2007)
بیشتر کشورهای درحال توسعه فاقد آمار و ارقام صحیح، مناسب و مدون هستند و به طور کلی، ماهیت اطلاعات در این کشورها، ضعیف، ناقص و محدود است. در نتیجه، این وضعیت باعث عدم طراحی و تهیه طرحهای کاربردی موفقیتآمیز و حل مسائل و مشکلات جامعه در مقایسه با الگوهای متداول برنامهریزی در کشورهای پیشرفته میشود.
در واقع شرایط حاکم در بیشتر کشورهای در حال توسعه و توسعه نیافته، جمع آوری آمار دقیق و صحیح در زمینههای اقتصادی، اجتماعی و سیاسی را غیر ممکن مینمایاند. تنها راه علاج برای چنین موقعیتی استفاده از روشها و الگوهایی در فرآیند برنامهریزی است که بر مبنای اطلاعات ناقص و ناکافی بنا شده است. یکی از این الگوها، استفاده از نظریه مجموعههای فازی و شبکههای عصبی است که در آن اطلاعات ذهنی و غیردقیق افراد خبره و متخصص میتواند با چارچوبی مناسب در تحلیل فرآیندهای تصمیمگیری به کار رود. (اسرافیل کسرایی، 1376)
به هیمن دلیل در این مجموعه از الگوی شبکه مصنوعی جهت مدلسازی استفاده شده است. بنابراین در ادامه این الگو را از میان الگوهای موجود در حوزه هوش محاسباتی توضیح داده خواهد شد.
2-17-2-الگوی شبکههای عصبی مصنوعی
در این بخش ساختار و ویژگیهای شبکههای عصبی مصنوعی بررسی و توضیحاتی در مورد نحوۀ آموزش شبکههای عصبی و مسائل مربوط به آن داده میشود.
2-17-3-مقدمهای در باب شبکههای مصنوعی
با توجه به تشابه سیستمهای هوشمند با تواناییهای زیاد مغز آدمی در آموزش و یادگیری مسائل مختلف، سالهای زیادی است که این سیستمها مورد توجه محققین مختلف قرار گرفتهاند. یکی از این سیستمها، شبکههای عصبی مصنوعی نام دارد. شبکههای عصبی مصنوعی و به عبارت سادهتر شبکههای عصبی با نامهایی مثل مدلهای پردازش کننده با توزیع موازی، مدلهای ارتباطی و سیستمهای نرومورفیک نیز شناخته میشوند(1995، Ramesh). در مجموع میتوان شبکههای عصبی را به صورت مجموعهای از واحدهای پردازشگر ساده ( نورون ) که نحوه عمل آنها تا حدی شبیه واحد عصبی مغز انسان و حیوانات است تعریف کرد که قابلیت پردازش اطلاعات و یادگیری شبکه در ارتباطات بین این واحدها از طریق فرآیند تنظیم و تطابق آنها به کمک یک سری از الگوهای آموزش دهنده حاصل میشود. هرچند این مدلهای مصنوعی بسیار سادهتر از مدل واقعی مغز انسان میباشند، اما قابلیتها و تواناییهای بسیار زیادی را دارا هستند. به عبارت دیگر شبکههای عصبی، ساختار منحصر به فردی را برای مسائلی که توسط روشهای معمول و مرسوم به سختی حل میشوند ارائه میدهند. بسیاری از محققین بر این اعتقاد هستند که مدلهای شبکه عصبی با ساختار موازی محاسباتی قادر هستند بسیاری از مشکلات محاسبات موجود در رایانهها را حل کنند. شبکههای عصبی، امروزه برای حل مسائل پیچیده و گوناگون علمی، مهندسی و تجاری به طور وسیعی به کار گرفته میشوند(Smith,1993- Sawhney,1992).
بطور کلی شبکههای عصبی دارای اجزاء مشترکی هستند ولی با اعمال محدودیتهای مختلف بر این اجزاء، انواع شبکههای عصبی حاصل میشوند. به عبارت دیگر اختلاف در شبکههای عصبی ناشی از روشهای یادگیری، نحوه پردازش اطلاعات و ساختار آنها میباشد و البته شبکههای عصبی نیز با توجه به این ویژگیها کاربردهای گوناگونی پیدا میکنند.
2-17-4-ساختار شبکههای عصبی واقعی
واحد سازنده شبکههای عصبی نورونهای عصبی هستند. هر بافت عصبی از اجتماع نورونها تشکیل شده است. نورونها نه تنها بسیار پیچیده هستند بلکه ساختار بسیار جالبی نیز دارند. مغز انسان شامل سلول عصبی یا نورون است و تعداد ارتباطات بین این نورونها میباشد. در شکل شماره 2 نمای شماتیکی از اجزاء اصلی یک نورون نشان داده شده است.
بدنه سلول یا سوما که شامل هسته، میتوکندری و بخشهای دیگر است در بیشتر سلولهای بدن وجود دارد. اختلاف اصلی یک نورون از ديگر سلولها که امکان پردازش سیگنالها را به آن میدهد ناشی از خصوصیات پوشش ( غشاء ) آن است که حجم زیادی از فرآیندهای الکتروشیمیایی را حمایت میکند. از دید مورفولوژی نیز این اختلاف ناشی از رشتههای خارج شونده از بدنه سلول است. یکی از این رشتهها اکسون نام دارد که وظیفه آن انتقال سیگنالها از یک نورون به نورونهای دیگر است. بقیه رشتههای یک نورون، دندریت نام دارند که سیگنالها را از نورونهای دیگر به بدنه سلول حمل میکنند. هر نورون به کمک دندریتها از هزاران نورون دیگر سیگنالها را دریافت میکند. آکسون نیز در Axon collaterals منشعب شده و بدین طریق خروجی یک نورون به نورونهای مختلف فرستاده میشود. اکسونها در نواحیای به نام سیناپس با دندریتهای یک نورون خاص ارتباط برقرار میکنند. در این شرایط بین غشای پریسیناپتیک ترمینال اکسون و غشای پست سیناپتیک دندریت یک شکاف 200 نانومتری قرار دارد(Gurney,1997-Kohonen,1998).
شكل 2-2- نماي شماتيكي از يك سلول عصبي
ماخذ: (Sanchez,1992)
سیناپسها نقش کنترل کننده سیگنالهای وارد شونده به هسته سلول را دارند و میتوانند باعث تقویت و یا تضعیف آنها شوند. در شکل شماره 2-3 نمای شماتیکی از سیناپسهای تقویتکننده و تضعیفکننده نشان داده شده است(Patterson,1996).
شكل 2-3- نماي شماتيكي از سيناپسهاي تقويتكننده و تضعيفكننده
ماخذ: (Patterson,1996)
نحوه عملکرد یک نورون را بدین صورت میتوان تشریح کرد (Gurney,1997):
سیگنالهای الکتریکی از طریق دندریتها و پس از عبور از سیناپسها به هسته یک سلول میرسند، در این ناحیه سیگنالها به نحوی با یکدیگر ترکیب شده و سپس سیگنال تولید شده با یک آستانه مقایسه میگردد. اگر این سیگنال از این حد بالاتر باشد نورون یک علامت الکتریکی را در پاسخ تولید میکند و این سیگنال با استفاده از آکسون به نورونهای دیگر منتقل میشود و در غیر این صورت، نورون خروجی نخواهد داشت.
2-17-5- خصوصیات شبکههای عصبی مصنوعی
خصوصیات شبکههای عصبی مصنوعی که با الهام از شبکههای عصبی واقعی طراحی شدهاند در قسمتهای بعد ذکر میگردند.
-قابلیت یادگیری یک نگاشت
یک شبکه عصبی مصنوعی میتواند به صورت یک جعبه سیاه در نظر گرفته شود که بردارهای ورودی x را که دارای n بعد هستند به خروجی m بعدی y تبدیل میکند ( y F: x ). نگاشت مطلوب، به ساختار خاص شبکه بستگی دارد. به طور کلی نگاشت F یا به صورت دستیابی از الگوی ناقص و اغتشاشدار به الگوی اصلی است و یا ایجاد یک نگاشت از یک الگوی ورودی به الگوی خروجی متفاوتی میباشد(Patterson,1996).
-یادگیری و قابلیت تعمیم
منظور از قابلیت تعمیم، فرآیند تشریح کل از جز و یا تعریف یک کلاس از الگوها با آگاهی از یک یا چند نمونه میباشد. درحقیقت عمومیت بخشی، یک روش بسیار مفید را در به خاطر سپاری اطلاعات ارائه میدهد. بدون این ویژگی مجبور خواهیم شد که تعداد نامحدودی از اتفاقات مشخص و روابط و جزئیات مربوط به آنها را حفظ کنیم. به عبارت سادهتر قابلیت تعمیم، یک خاصیت اساسی سیستمهای هوشمند است. به طورکلی با یادگیری استقرایی از چند مثال و الگوی مشخص است که یک شبکه قابلیت تعمیم پیدا میکند(Smith,1993).
-مقاوم بودن
شبکههای عصبی مصنوعی به عنوان یک سیستم محاسبه کننده بسیار قوی به شمار میآیند. در صورتی که بخشی از شبکه خراب باشد و یا اطلاعات اشتباه وارد شبکه شود، این مدلها به خوبی عمل میکنند و به اصطلاح تحمل خطا را دارند. علت این ویژگی به توزیع شدن اطلاعات ذخیره شده در شبکه در تعداد زیادی واحدهای پردازشگر و ارتباطات بین آنها بر میگردد. این ویژگی در تضاد کامل با سیستم رایانههای مرسوم است. عدم وجود یک ترانزیستور یا جزء دیگر در یک رایانه باعث ایست کامل آن میشود (Patterson,1996).
-پردازش موازی اطلاعات
سرعت بسیار بالای پردازش اطلاعات در شبکههای عصبی مصنوعی و مغز انسان بسیار مبهوتکننده است. به عنوان مثال در صورتیکه پردازش یک تصویر به وسیله رایانههای بسیار مدرن امروزی چند ثانیه زمان ببرد این کار در سیستمهای عصبی در چند میلی ثانیه انجام میشود. علت این اختلاف مسلماً به علت محاسباتی است که به موازات یکدیگر در سیستمهای عصبی انجام میشود. در شبکههای عصبی به طور همزمان دهها هزار محاسبه در حال انجام است. دو عاملی که باعث شده است شبکههای عصبی مصنوعی به طور موازی عمل کنند عبارتند از(Smith,1993):
1- هر واحد پردازشگر مستقل از دیگر واحدها عمل میکند.
2- هر واحد پردازشگر احتیاج به یکسری اطلاعات محلی دارد و هیچ نیازی به اطلاع از چگونگی وزنهای ارتباطی بین واحدهای دیگر ندارد.
2-17-6-ساختار شبکههای عصبی مصنوعی
شبکههای عصبی مصنوعی با الهام از سیستم عصبی و عناصر تشکیل دهنده آن به وجود آمدهاند. این مدلها نسبت به شبکههای عصبی طبیعی دارای گستردگی و قابلیتهای بسیار کمتری هستند. با این حال آنچه عملاً مورد توجه است توانایی محاسباتی شبکه در انجام برخی فعالیتها مثل تقریب زدن یک تابع غیر خطی میباشد(Gurney,1997). معادل مصنوعی نورونهای عصبی، واحدهایی هستند که نمای شماتیکی از آنها در شکل شماره 4 نشان داده شده است.
شكل 2-4- شمای شماتيكي از يك واحد پردازشگر( نورون مصنوعي)
ماخذ: (Gurney,1997)
در شبکههای عصبی مصنوعی سیناپسها به وسیله یک وزن معادل میشوند تا هر ورودی قبل از وارد شدن به بدنه واحد پردازشگر، تحت تأثیر قرار گیرد. در مرحله بعد ورودیهای وزندار شده با یکدیگر جمع میشوند و در نهایت مقدار خروجی یک نورون به وسیله یک تابع محرک بر اساس ورودیهای آن تعیین میگردد. اولین تابع استفاده شده در یک نورون مصنوعی، تابع پلهای بوده است (Gurney,1997).
همانطور که در شکل شماره 2-4 نیز نشان داده شده است در صورت استفاده از این تابع، پس از جمع شدن ورودیهای وزندار شده با یکدیگر، این مقادیر با یک حد آستانه مقایسه شده و خروجی نورون در صورت بزرگتر بودن ورودی از آن حد برابر یک و در غیر این صورت برابر صفر میشود (همان). عنوان شبکه برای هر سیستمی که دارای نورونهای مصنوعی باشد، اطلاق میشود و این شبکه میتواند از یک نورون و یا مجموعهای از نورونهای مرتبط به هم تشکیل شده
