است كه تلاشي در زمينه شناخت و شبيه سازي رفتارهاي ذهني است. يک شبکه عصبي مصنوعي ايده‌اي است براي پردازش اطلاعات، که از سيستم عصبي زيستي الهام گرفته و مانند مغز به پردازش اطلاعات مي‌پردازد. عنصر کليدي اين ايده، ساختار جديد سيستم پردازش اطلاعات است. اين سيستم از شمار زيادي عناصر پردازشي فوق العاده بهم پيوسته به نام نرون تشکيل شده که براي حل يک مسأله با هم هماهنگ عمل مي‌کند. شبكههاي عصبي مصنوعي، نظير انسان‌ها، با مثال آموزش می‌یابند[15].
هر چند شبكههاي عصبي مصنوعي، سيستم عصبي در بدن موجودات زنده مي‌باشد، ليكن بايد توجه داشت كه اين شبكه‌ها سعي در حفظ پيچيدگي مغز در ساختار خود را ندارند و فقط اصول كلي و پايه‌اي خود را از علم بيولوژي سلول‌هاي عصبي موجودات زنده مي‌گيرند.
شبكههاي عصبي مصنوعي دارای ويژگي‌هايي هستند كه آنها را در بعضي از كاربردها مانند تفكيك الگو، رباتيك و به طور كلي در هر جا كه نياز به يادگيري خطي و يا غيرخطي باشد متمایز مي‌نمايد. اين ويژگي‌ها عبارتند از :
— نگاشت و دسته‌بندي
شبكههاي عصبي قادر به تصوير كردن ورودي‌هاي خود به خروجي‌هاي مطلوب و يا ايجاد خوشه‌ها و يا دسته‌هايي با ويژگي مشابه هستند، به طوري كه هر ورودي در كلاس خود قرار گيرد. در واقع مرز بين كلاس‌هاي مختلف مشخص گردد.
— پردازش موازي
سرعت بالاي شبكههاي عصبي در تشخيص الگوي ورودي، ناشي از عملكرد هم زمان تعداد زيادي نرون است. بنابراين نه فقط شبكههاي عصبي به طور ساختاري موازي هستند بلكه روند پردازش نيز موازي و هم زمان است.
— خاصيت تطبيقي
شبكههاي عصبي، قابليت‌هاي پردازش تطبيقي از طريق انطباق، يادگيري تطبيقي و قوانين خودسازمانده را فراهم مي‌سازند. درواقع خاصيت تطبيقي را خاصيت اصلاح شبكه گويند که شامل موارد زير است:
الف : يادگيري
قابليت يادگيري به معني توانايي تنظيم پارامترهاي شبكه در مسير زمان كه محيط شبكه تغيير مي‌كند، با اين هدف كه اگر شبكه براي يك وضعيت خاص آموزش ديد و تغيير كوچكي در شرايط محيطي آن رخ داد، شبكه بتواند با آموزش مختصر براي شرايط جديد نيز كارآمد باشد. ديگر اين كه اطلاعات در شبكههاي عصبي مصنوعي در سيناپس‌ها ذخيره شده و هر نرون درشبكه به صورت بالقوه از فعاليت ساير نرون‌ها متاثر مي‌شود، در نتيجه اطلاعات از نوع مجزا از هم نبوده بلكه از كل شبكه تاثير مي‌پذيرند.
ب: خودسازماندهي
وقتي كه يك شبكه عصبي، نرون‌هايش را طبق قاعده يادگيري آرایش مي‌دهد به اين معني است كه وزن‌هاي شبكه اصلاح شده و پاسخ به ورودي تغيير مي‌يابد. خودسازماندهي در واقع، مبتني بر تغيير بسياري از عناصر پردازشگر شبكه در يك مرحله است.
ج: تعميم دهي
شبكههاي عصبي با بكارگيري روش‌هاي مناسب آموزش مي‌توانند چگونگي انجام يك نگاشت يا دسته بندي را در حالت كلي بياموزند و نتايج اين آموخته‌ها را به موارد مشاهده نشده نيز تعميم دهند. تعميم دهي در واقع عبارت است از استخراج معيارها و يا قوانين كلي، با مشاهده چند نمونه، يا رسيدن از واقعيت‌هاي جزئي به كلي و يا توصيف يك مجموعه از روي اجزاء آن. تعمیم دهي از خواص بسيار مهم شبكههاي عصبي و يا هر سيستم هوشمند (مانند مغز انسان) است كه آن را قادر مي‌سازد تا تنها از روی تعداد محدودي از نمونه‌ها يك قانون كلي، را به دست آورد. قابليتي كه در صورت عدم وجود آن، يك سيستم ناچار است تعداد بينهايت از واقعيت‌ها و روابط و جزئيات را به خاطر بسپارد.
د: آموزش
يادگيري شبكههاي عصبي، مبتني بر روش آموزش آنها است که در بخش‌هاي بعدي آورده شده است.
— همگرايي
به توانايي يك شبكه عصبي براي اينكه به گونه‌اي تغيير حالت دهد تا به سمت پايداري حركت كند، گفته مي‌شود. به عبارتی دیگر حرکت شبکه در روند یادگیری به گونه‌ای باشد که به جوابی منطقی ختم شود.
— مقاوم در برابر خطا
قابليت مقاوم بودن در يك سيستم به معني تحمل در مقابل خطاهاي موجود در ساختار است. به اين صورت كه رفتار كلي شبكه برآيند رفتارهاي محلي سلولي‌هاي متعدد است. اين ويژگي باعث مي‌شود تا خطاهاي محلي از چشم خروجي نهايي دور بماند؛ به عبارت ديگر سلول‌ها در يك روند همكاري خطاهاي منطقه‌اي را تصحيح مي‌كنند.
— به هنجار كردن
به هنجار كردن، قابليت يك شبكه عصبي است به گونه‌اي كه وزن‌هاي شبكه تغيير يابد تا همواره خروجي بتواند در محدوده موردنظر و قابل دسترسي باشد.
— انعطاف پذيري
يك شبكه عصبي بايستي هم به حد كافي پايدار باشد تا اطلاعات فراگرفته خود را حفظ نمايد و هم قابليت تطبيق و انعطاف داشته باشد تا بدون از دست دادن تجارب و اطلاعات گذشته اطلاعات جديدي كه قبلاً مشاهده نكرده است را فرا گرفته و پاسخ مطلوب از خود نشان دهد.
6-1-1-4 اجزاء و ساختمان واحدهای مصنوعی
يک شبکه، از عناصر پردازش که همان نرون‌هاي مصنوعي باشند تشکيل شده است که اين نرون‌ها به روش‌هاي مختلف براي شکل دادن ساختار شبکه، سازماندهي شده اند. پيش از توضيح اجزاي يك نرون لازم است فاكتورهاي وزن و باياس معرفي شوند. وزن در شبكههاي عصبي مصنوعي معادل شدت سيناپس مجموعه جمع كننده و تابع محرك، هم ارز هسته سلول مي‌باشند. تاثير جمله باياس b را مي‌توان مانند وزن w در نظر گرفت. با اين تصور كه ميزان تاثير ورودي ثابت را روي نرون منعكس مي‌سازد. پارامترهاي b ,w قابل تنظيم‌اند و تابع محرك f توسط طراح انتخاب مي‌شود بر اساس انتخاب f و نوع الگوريتم يادگيري پارامترهاي b ,w تعيين مي‌شوند. اين دو فاكتور طوري تغيير مي‌كنند كه رابطه ورودي و خروجي نرون با هدف خاصي مطابقت نمايد.
شكل 6-3 ساختار يك نرون تک ورودي را نشان مي‌دهد. اسكالرهاي pو aبه ترتيب ورودي و خروجي مي‌باشند. ميزان تاثيرp روي a به وسيله مقدار اسكالر w تعيين مي‌شود. wهمان وزن موثر بر ورودي مي‌باشد آن گاه p.w با b (باياس) جمع مي‌شود و سپس تابع f (تابع محرك) به آنها اثر گذاشته و خروجي را تعيين مي‌كند..[16,17]
شکل 6-3 ساختار يک نرون تک ورودي[18]
هر يک از اين نرون‌هاي مصنوعي، ورودي‌ها را دريافت مي‌کنند، اين ورودي‌ها را پردازش مي‌کنند و يک سيگنال خروجي را تحويل مي‌دهند. ورودي مي‌تواند داده خام يا خروجي عناصر پردازش ديگر باشد. خروجي مي‌تواند محصول نهايي باشد، يا اينکه بعنوان ورودي براي نرون ديگر استفاده می‌شود. در شکل 6-4، يک نرون با R ورودي و يک خروجي نشان داده شده است:
شکل 6-4 ساختار يک نرون R ورودي[18]
هر شبکه عصبي مصنوعي، از مجموعه‌اي از نرون‌ها که در لايه‌هايي گروه‌بندي شده‌اند، تشکيل شده است. قرار گرفتن اين نرون‌ها در لايه‌هاي مختلف و نحوه اتصال آنها به يکديگر، تعداد نرون‌ها در هر لايه، تعداد لايه‌ها و … ساختار شبکه عصبي را تعيين مي‌کند. يک ساختار نمونه در شکل 6-5 نمايش داده شده است.
شکل 6-5 يک ساختار نمونه از شبکه عصبی مصنوعي[18]
ساختار اتصالات در يك شبكه، شامل اتصالات درون لايه‌اي و برون لايه‌اي است. رفتار شبكه نيز شديداً وابسته به ارتباط بين اين اجزاء است. در حالت كلي، در شبكههاي عصبي، سه نوع لايه نروني (لايه ورودي، لايه‌هاي پنهان، لايه خروجي) وجود دارد:
هر سه لايه از يك شبكه، بوسيله وزن‌ها و در واقع اتصالات با هم ارتباط مي‌يابند. در شبكههاي عصبي، در مجموع، چهار نوع اتصال و يا پيوند وزني وجود دارد؛ پيشرو، پسخور، جانبي و تأخير زماني.
الف- اتصالات پيشرو42
بيشترين پيوندها از اين نوع بوده و شامل اتصالاتي است كه گره لايه ام را به گره لايه ام وصل مي‌نمايد. به عبارت ديگر داده‌ها را از گره‌هاي لايه پاييني به سوي گره‌هاي لايه بالاتر به طور پيشرو انتشار مي‌دهد.
ب- اتصالات پس خور43
در اين حالت، داده‌ها از گره‌هاي لايه‌هاي بالا به گره‌هاي لايه‌هاي پايين‌تر بازخورانده و يا آورده مي‌شوند.
ج- اتصالات جانبي44
در اين نوع پيوند، خروجي گره‌هاي لايه مثلاً ام، به عنوان ورودي به گره‌هاي همان لايه اعمال مي‌شود. در بعضي از موارد نيز، خروجي يك گره به عنوان ورودي همان گره مي‌تواند استفاده شود (شکل 6-6).
شكل 6-6 نحوه اتصالات در شبكههاي عصبي[15]
د- اتصالات حاوي تأخير زماني
از اين پيوندها براي تولید مدل‌هاي ديناميك زماني استفاده مي‌شود. اجزاء تأخيردار در شبكه به كار گرفته مي‌شوند تا بتوانند مدل‌هاي پوياي زماني را پديد آورند. اين شبكه‌ها، ساختارهاي مناسبي براي تشخيص الگوهاي زماني به شمار مي‌روند.
6-1-1-5 پردازش اطلاعات در شبکه
مهمترین فرآیند مدل سازی با شبکه عصبی پردازش اطلاعات و تعدیل وزن‌ها برای رسیدن به جواب مناسب است. چند مفهوم اصلي در رابطه با جريان پردازش وجود دارد که در اين قسمت به شرح آن پرداخته مي‌شود[19]
— ورودي‌ها
هر ورودي به يک ويژگي خاص مربوط است. براي مثال، در صورتي که مسئله تصميم گيري بر روي تصويب يا عدم تصويب يک وام است، بعضي از ويژگي‌ها مي‌توانند سطح درآمد متقاضي، سن و مالکيت منزل باشند. مقدار عددي يا بازنمايي يک ويژگي، ورودي به شبکه است. انواع مختلف داده‌ها نظير متن، صدا و تصوير مي‌توانند بعنوان ورودي استفاده شوند بنابراين ممکن است حتي نياز به پيش پردازش هم وجود داشته باشد. شبکه‌های عصبي تنها مي‌تواند اعداد را پردازش نمايد. اگر يک مسئله با ويژگي‌هاي کيفي يا تصاوير سر و کار داشته باشد، بايد قبل از اينکه توسط شبکه عصبي به آن پرداخته شود، اين ويژگي‌ها به معادل عددي آنها تبديل شود.
— خروجي‌ها
خروجي‌هاي شبکه، راه حل يک مسئله است. اين خروجي‌ها مقاديري عددي هستند. هدف شبکه، محاسبه مقادير خروجي است. اغلب، پس‌پردازش داده‌ها نيز نياز است.
— وزن‌ها
يک عنصر کليدي در يک شبکه عصبي مصنوعي، «وزن» اتصالات آن است. وزن‌ها، قدرت نسبي (ارزش رياضي) داده‌هاي ورودي يا اتصالات متعددي که داده‌ها را از لايه‌اي به لايه ديگر انتقال می‌دهند، بيان مي‌کند. به عبارت ديگر، وزن‌ها اهميت نسبي هر ورودي را براي يک عنصر پردازش تعيين مي‌کنند. وزن‌ها بسيار حياتي هستند و از طريق تکرار در تنظيم آنهاست که شبکه، آموزش داده می‌شود[15]
— تابع مجموع
تابع مجموع، جمع وزن‌هاي همه عناصر ورودي را که به هر نرون پردازش وارد مي‌شوند، پيدا مي‌کند. يک تابع مجموع، هر مقدار ورودي را در وزن آن ضرب مي‌کند و همه آنها را براي يک مجموع وزني با هم جمع مي‌کند.
— تابع انتقال
