منبع مقاله درباره هوش مصنوعی، شبکه عصبی، پردازش اطلاعات

دانلود پایان نامه ارشد

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

پایان نامه
Previous Entries منبع مقاله درباره نظام مالی، نظام مالیاتی، عوامل اقتصادی Next Entries منبع مقاله درباره شبکه عصبی، پردازش اطلاعات، شبکه عصبی مصنوعی