شبکه عصبی تک لایه
ساخت شبکه عصبی چند لایه با دستور newff
در برنامه زیر نحوه ساخت شبکه عصبی چند لایه ارائه شده است: در این برنامه ورودی دو متغیر با چهار دسته جواب گرفته شده و خروجی تک متغیره آن نیز وارد می شود سپس با دستور newff شبکه عصبی دو لایه ساخته شده است. سپس با دستور train شبکه عصبی اموزش داده شده است. در نهایت جواب با دستور sim مشاهده شده است.P = [ -1 -1 2 2 ;0 5 0 5]; T = [-1 -1 1 1]; net = newff( minmax(P),[3 1],{'tansig','purelin'}, 'traingd'];[net, tr]= train(net, P, T); a = sim(net, P);
شبکه عصبی چند لایه
همان‌گونه كه پيشتر و در طی اين سلسله مقالات ديديم آنچه كه عموما و در طبيعت به نام هوشمندی شناخته می‌شود خصلتی پيوندگرا (Connectionism) دارد، بدين معنی كه اطلاعات كاملا به صورت موازی و نيز توزيع شده پردازش می‌شوند. شبكه‌های عصبی مصنوعی(ANN: Artificial Neural Networks) درواقع از ساختار درهم و توده‌ای مغز پستانداران الهام گرفته شده است، كه در آن ميليون‌ها سلول عصبی (نورون) از طريق ارتباطاتی كه با يكديگر دارند (سيناپس‌ها)، به حل مسائل يا ذخيره‌سازی اطلاعات می‌پردازند. اين شبكه‌ها مجموعه‌ای از مدلهای متفاوتند كه توسط رياضيدانان و مهندسين برای شبيه‌سازی بخشی از عملكرد مغز پيشنهاد شده‌اند. ساختار اصلی شبكه‌های عصبی مصنوعی بر اساس دو جزء اصلی گره‌ها (نورون‌ها) و ارتباطات وزن‌دار(سيناپس‌ها) میباشد(شكل 1). يادگيری در سيستم‌های طبيعی به صورت تطبيقی اتفاق می‌افتد. بدين معنی كه در اثر يادگيري، در سيناپس‌ها تغييراتی رخ می‌دهد. عين همين مسئله نيز در مورد شبكه‌های عصبی مصنوعی نيز صادق است. در اين شبكه‌ها يادگيری از طريق مثال انجام می‌شود(Learning By Example). بدين معنی كه اغلب(و نه همواره) مجموعه‌ای از ورودی و خروجی‌های درست به شبكه عصبی داده می‌شود و شبكه عصبی با استفاده ازين مثالها، وزن(Weight) ارتباطات خود را به گونه‌ای تغيير می‌دهد كه در صورت دادن ورودی‌های جديد پاسخ‌های درستی را توليد كند. در واقع دانش شبكه عصبی در وزن ارتباطات آن ذخيره می‌شود. شبكه‌های عصبی از دهه 50 شناخته شده بودند اما تنها در اواسط دهه 80 بود كه الگوريتم‌ها و روشهای مربوط به شبكه‌های عصبی مصنوعی به درجه‌ای از پيشرفت رسيد كه در حل مسائل واقعی از آنها استفاده شد. امروزه شبكه‌های عصبی در كاربردهای مختلفی نظير مسائل تشخيص الگو(Pattern Recognition) كه خود شامل مسائلی مانند تشخيص خط(Character Recognition)، شناسايی گفتار(Speech Recognition)، پردازش تصوير(Image Processing) و مسائلی ازاين دست می‌شود و نيز مسائل دسته‌بندي(Classification) مانند دسته‌بندی(Classification Problems) متون و يا تصاوير، به كار می‌روند. در كنترل يا مدل‌سازی سيستم‌هايی كه ساختار داخلی ناشناخته يا بسيار پيچيده‌ای دارند نيز به صورت روز افزون از شبكه‌های عصبی مصنوعی استفاده می‌شود. به عنوان مثال می‌توان در كنترل ورودی يك موتور از يك ANN استفاده نمود كه در اين صورت شبكه عصبی خود تابع كنترل را ياد خواهد گرفت. مزيت اصلی استفاده از شبكه عصبی در هريك از مسائل فوق قابليت فوق‌العاده شبكه عصبی در يادگيری و نيز پايداری شبكه عصبی در مقابل اغتشاشات ناچيز وروداست. به عنوان مثال اگر از روشهای عادی برای تشخيص ...
عمليات شبکه‌های عصبی (بخش سوم)
تا اینجا تمام توجه معطوف به ساختار درونی یک نرون مصنوعی یا المان پردازشی بود. اما بخش مهم دیگری در مراحل طراحی یک شبکه عصبی نیز وجود دارد. در واقع هنر یک طراح شبکه‌های عصبی میتواند در چگونگی ترکیب نرونها در یک شبکه (Neuron Clustering) متجلی شود. علوم بیولوژی نشان داده‌اند که کلاسترینگ نرونها در شبکه عصبی مغز به‌گونه‌ای است که فرد را قادر می‌سازد تا اطلاعات را به‌صورتی پویا ، تعاملی و خودسامان (Self Organizing) پردازش کند. در شبکه‌های عصبی بیولوژیک ، نرونها در ساختاری سه بعدی به یکدیگر اتصال یافته‌اند. اتصالات بین نرونها در شبکه‌های عصبی بیولوژیک آنقدر زیاد و پیچیده است که به هیچ وجه نمی‌توان شبکه مصنوعی مشابهی طراحی کرد. تکنولوژی مدارات مجتمع امروز این امکان را می‌دهد که شبکه‌های عصبی را در ساختارهای دوبعدی طراحی کرد. علاوه بر این ، چنین شبکه‌های مصنوعی دارای تعداد محدودی لایه و اتصالات بین نرونها خواهند بود. بدین ترتیب ، این واقعیات و محدودیتهای فیزیکی تکنولوژی فعلی دامنه کاربردهای شبکه‌های عصبی مبتنی بر تکنولوژی سیلیکونی را مشخص می‌سازند.ساختار شبکه‌های عصبی امروزی از لایه‌های نرونی تشکیل شده است. در چنیـن ساختاری ، نرونها علاوه بر آن که در لایه خود به شکل محدودی به یکدیگر اتصال داده شده‌اند ، از طریق اتصال بین لایه‌ها نیز به نرون‌های طبقات مجاور ارتباط داده می‌شوند.تلاش محققان در زمینه شبکه‌های عصبی نشان داده است که شبکه‌های عصبی ، چیـزی بیش از مقداری نرون که به یکدیگر اتصال داده شده‌اند هستند. حتی گروهی از محققان سعی داشته‌اند که از اتصالات تصادفی برای ارتباط دادن نرون به یکدیگر استفاده کنند که در این زمینه به نتایج جالب توجهی دست نیافتند. امروزه مشخص شده است که در ساده‌ترین مغزهای بیولوژیک مانند مغز مارها هم ارتباطات بین نرونها بسیار ساختار یافته است. در حال حاضر یکی از ساده‌ترین روشهای ارتباط دهی نرونها در شبکه‌های عصبی آن است که ابتدا نرونها در گروه‌های مشخصی به صورت لایه‌هـای نرونی سازماندهی می‌شوند و پس از تأمین ارتباطات بین نرونی در هر لایه ، ارتباطات بین لایه‌ها نیز برقرار می‌شوند.اگرچه در کاربردهای مشخصی می‌توان با موفقیت از شبکه‌های عصبی تک لایه استفاده کرد ، اما رسم بر آن است که شبکه‌های عصبی حداقل دارای سه لایه باشند (لایه ورودی ، لایه خروجی و نهایتاً لایه پنهان یا لایه میانی.)در بسیاری از شبکه‌های عصبی ، اتصالات بین نرونی به گونه‌ای است که نرون‌های لایه‌های میانی ، ورودی خود را از تمام نرون‌های لایه پایینی خود (به طور معمول ...
شبکه عصبی چیست؟
تاریخچه 1. از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوژیستها سعی کردند سیستم یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوششها در شبیه سازی با استفاده از یک مدل منطقی توسط مک کلوک و والتر پیتز انجام شد که امروز بلوک اصلی سازنده‌ی اکثر شبکه های عصبی مصنوعی است . این مدل فرضیه‌هایی در مورد عملکرد نرونها ارائه می کند. عملکرد این مدل مبتنی بر جمع ورودیها و ایجاد خروجی است . چنانچه حاصل جمع ورودیها از مقدار آستانه بیشتر باشد اصطلاحا نرون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده منطقی مثل OR وAND بود. 2. نه تنها نروفیزیولوژیستها بلکه روانشناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه‌های عصبی تأثیر داشتند. در 1958 شبکه پرسپترون توسط روزنبلات معرفی گردید. این شبکه نظیر واحدهای مدل شده‌ی قبلی بود. پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده میباشد است. این سیستم میتواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند. سیستم دیگر مدل خطی تطبیقی نرون یا Adalaline (Adaptive linear element ) میباشد که در 1960 توسط ویدرو و هاف ( دانشگاه استنفورد ) بوجود آمد که اولین شبکه های عصبی بکار گرفته شده در مسائل واقعی بوده‌اند. Adalalineیک دستگاه الکترونیکی بود که از اجزای ساده‌ای تشکیل شده بود روشی که برای آموزش استفاده میشد با پرسپترون فرق داشت. 3. در 1969 مینسکی و پاپرت کتابی نوشتند که محدودیتهای سیستمهای تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیشداوری و قطع سرمایه گذاری برای تحقیقات در زمینه شبیه سازی شبکه‌های عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله جالبی نمی‌باشد تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند. 4. با وجود اینکه اشتیاق عمومی و سرمایه گذاری های موجود به حداقل خود رسیده بود برخی محققان تحقیقات خود را برای ساخت ماشینهایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند ادامه دادند . از جمله گراسبرگ که شبکه‌ای تحت عنوان Avalanch را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد. همچنین او با همکاری کارپنتر شبکه های ( Adaptive resonance theory ) ART را بنا نهادند که با مدلهای طبیعی تفاوت داشت. اندرسون و کوهونن نیز از اشخاصی بود که تکنیکهایی برای یادگیری ایجاد کردند. ورباس در 1974 شیوه آموزش پس انتشار خطا یا Back Propagation را ایجاد کرد که یک شبکه پرسپترون چند لایه البته با قوانین نیرومندتر ...
شبکه های عصبی و الگوریتم های ژنتیک در تجارت
عنوان مقاله: شبکه های عصبی و الگوریتم های ژنتیک در تجارتمولف/مترجم: دکتر حمید رضا جعفریه ، نگارمعتمدی، الهه ملاییموضوع: شبکه های عصبیسال انتشار(میلادی): 2007وضعیت: تمام متنمنبع: ماهنامه تدبیر-سال هجدهم-شماره 177تهیه و تنظیم: پایگاه مقالات مدیریت www.SYSTEM.parsiblog.comچکیده:در عصر حاضر در بسیاری از موارد ماشین ها جایگزین انسانها شده اند و بسیاری از کارهای فیزیکی که در گذشته توسط انسانها انجام می گرفت امروزه توسط ماشین ها صورت می گیرد . اگرچه قدرت کامپیوترها در ذخیره، بازیابی اطلاعات و اتوماسیون اداری ،.. غیر قابل انکار است، اما همچنان مواردی وجود دارد که انسان ناچار است خودش کارها را انجام دهد. اما به طور کلی ، موارد مرتبط با ماشین شامل سیستم هایی است که در آن به علت ارتباطات پیچیده بین اجزا، مغز انسان از درک ریاضی این ارتباطات قاصر است . مغز انسان به مرور زمان با مشاهده توالی رفتارهای سیستم و گاه آزمایش نتیجه ای که بر اثر دستکاری یکی از اجزای سیستم به دست می آید تا حدی می تواند عادتهای سیستم را شناسایی کند . این روند یادگیری بر اثر مشاهده مثالهای متنوع از سیستم ، به کسب تجربه منجر می شود. در چنین سیستم‌هایی مغز قادر به تجزیه و تحلیل داخلی سیستم نیست و تنها با توجه به رفتارهای خارجی، عملکرد داخلی سیستم را تخمین می زند و عکس العملهای آن را پیش بینی می کند. چگونگی اداره حجم انبوه اطلاعات و استفاده موثر از آنها در بهبود تصمیم گیری ، از موضوعات بحث برانگیز در عصرحاضر است. یکی از مسائل مهم تحقیقاتی در زمینه علوم کامپیوتر، پیاده سازی مدلی شبیه به سیستم داخلی مغز انسان برای تجزیه و تحلیل سیستم های مختلف بر اساس تجربه است .در این راستا شبکه های عصبی یکی از پویاترین حوزه‌های تحقیق در دوران معاصر هستند که افراد متعددی از رشته های گوناگون علمی را به خود جلب کرده است .استفاده از شبکه‌های عصبی و الگوریتم های ژنتیک در حل مسائل پیچیده کاربردی این روزها بیش از بیش رواج یافته است . در این مقاله پس از معرفی اجمالی شبکه های عصبی و الگوریتم های ژنتیک، ارتباط وسهم آن ها در تصمیم گیری در حوزه تجارت وکسب وکار مورد بررسی قرارگرفته است . مقدمهتوجه به کاربرد تکنیک های هوش مصنوعی و ابزارهای مدل سازی در حوزه کسب و کار به طور فزاینده ای در حال افزایش است. در این راستا سیستم های خبره جایگاه ویژه ای یافته اند. در چند دهه گذشته دو عنوان شبکه های عصبی و الگوریتم های ژنتیک از موضوعاتی بوده اند که توجه بسیاری از دانشگاهیان را به خود جلب کرده اند . این دو به عنوان ابزاری نیرومند در حل مسائلی که دیگر توسط متدلوژی ها و روش های سنتی گذشته ...
شبکه های عصبی
شبکه عصبی چیست؟ شبکه های عصبی مصنوعی (Artificial Neural Network) الگویی برای پردازش اطلاعات می باشند که با تقلید از شبکه های عصبی بیولوژیکی مثل مغز انسان ساخته شده اند.عنصر کلیدی این الگو ساختار جدید سیستم پردازش اطلاعات آن می باشد و از تعداد زیادی عناصر (نرون) با ارتباطات قوی داخلی که هماهنگ با هم برای حل مسائل مخصوص کار می کنند تشکیل شده اند. انسانها از زمانهای بسیار دور سعی بر آن داشتند که بیوفیزیولوژی مغز را دریابند چون همواره مسئله هوشمندی انسان و قابلیت یادگیری ،تعمیم،خلاقیت،انعطاف پذیری و پردازش موازی در مغز برای بشر جالب بوده و بکارگیری این قابلیتها در ماشینها بسیار مطلوب می نمود.روشهای الگوریتمیک برای پیاده سازی این خصایص در ماشینها مناسب نمی باشند در نتیجه می بایست روشها مبتنی بر همان مدلهای بیولوژیکی باشد.ANN درست مثل انسانها با استفاده از مثالها آموزش می بیند ; همانطور که یک بچه با دیدن انواع مختلف از یک حیوان قادر به تشخیص آن می باشد. تاریخچه: تاریخچه پیدایش ANN را می توان به مراحل زیر تقسیم کرد: 1. از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوژیستها سعی کردند سیستم یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد.اولین کوششها در شبیه سازی با استفاده از یک مدل منطقی توسط مک کلوک و والترپیتز انجام شد که امروز بلوک اصلی سازنده ی اکثر شبکه های عصبی مصنوعی است .این مدل فرضیه هایی در مورد عملکرد نرونها ارائه می کند .عملکرد این مدل مبتنی بر جمع ورودیها و ایجاد خروجی است . چنانچه حاصل جمع ورودی ها از مقدار آستانه بیشتر باشد اصطلاحا نرون برانگیخته می شود.نتیجه این مدل اجرای توابع ساده منطقی مثل OR وAND بود . 2. نه تنها نروفیزیولوژیستها بلکه روانشناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه های عصبی تأثیر داشتند. در 1958 شبکه پرسپترون توسط روزنبلات معرفی گردید.این شبکه نظیر واحدهای مدل شده ی قبلی بود پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده میباشد است. این سیستم میتواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند . سیستم دیگر مدل خطی تطبیقی نرون یا Adalaline (Adaptive linear element ) می باشد که در 1960 توسط ویدرو و هاف ( دانشگاه استنفورد ) بوجود آمد که اولین شبکه های عصبی بکار گرفته شده در مسائل واقعی بوده اند. Adalalineیک دستگاه الکترونیکی بود که از اجزای ساده ای تشکیل شده بود روشی که برای آموزش استفاده میشد با پرسپترون فرق داشت. 3. ...
شبکه های عصبی و الگوریتم های ژنتیک در تجارت
عنوان مقاله: شبکه های عصبی و الگوریتم های ژنتیک در تجارتمولف/مترجم: دکتر حمید رضا جعفریه ، نگارمعتمدی، الهه ملاییموضوع: شبکه های عصبیمنبع: ماهنامه تدبیر-سال هجدهم-شماره 177چکیده:در عصر حاضر در بسیاری از موارد ماشین ها جایگزین انسانها شده اند و بسیاری از کارهای فیزیکی که در گذشته توسط انسانها انجام می گرفت امروزه توسط ماشین ها صورت می گیرد . اگرچه قدرت کامپیوترها در ذخیره، بازیابی اطلاعات و اتوماسیون اداری ،.. غیر قابل انکار است، اما همچنان مواردی وجود دارد که انسان ناچار است خودش کارها را انجام دهد. اما به طور کلی ، موارد مرتبط با ماشین شامل سیستم هایی است که در آن به علت ارتباطات پیچیده بین اجزا، مغز انسان از درک ریاضی این ارتباطات قاصر است . مغز انسان به مرور زمان با مشاهده توالی رفتارهای سیستم و گاه آزمایش نتیجه ای که بر اثر دستکاری یکی از اجزای سیستم به دست می آید تا حدی می تواند عادتهای سیستم را شناسایی کند . این روند یادگیری بر اثر مشاهده مثالهای متنوع از سیستم ، به کسب تجربه منجر می شود. در چنین سیستم‌هایی مغز قادر به تجزیه و تحلیل داخلی سیستم نیست و تنها با توجه به رفتارهای خارجی، عملکرد داخلی سیستم را تخمین می زند و عکس العملهای آن را پیش بینی می کند. چگونگی اداره حجم انبوه اطلاعات و استفاده موثر از آنها در بهبود تصمیم گیری ، از موضوعات بحث برانگیز در عصرحاضر است. یکی از مسائل مهم تحقیقاتی در زمینه علوم کامپیوتر، پیاده سازی مدلی شبیه به سیستم داخلی مغز انسان برای تجزیه و تحلیل سیستم های مختلف بر اساس تجربه است .در این راستا شبکه های عصبی یکی از پویاترین حوزه‌های تحقیق در دوران معاصر هستند که افراد متعددی از رشته های گوناگون علمی را به خود جلب کرده است .استفاده از شبکه‌های عصبی و الگوریتم های ژنتیک در حل مسائل پیچیده کاربردی این روزها بیش از بیش رواج یافته است . در این مقاله پس از معرفی اجمالی شبکه های عصبی و الگوریتم های ژنتیک، ارتباط وسهم آن ها در تصمیم گیری در حوزه تجارت وکسب وکار مورد بررسی قرارگرفته است . مقدمهتوجه به کاربرد تکنیک های هوش مصنوعی و ابزارهای مدل سازی در حوزه کسب و کار به طور فزاینده ای در حال افزایش است. در این راستا سیستم های خبره جایگاه ویژه ای یافته اند. در چند دهه گذشته دو عنوان شبکه های عصبی و الگوریتم های ژنتیک از موضوعاتی بوده اند که توجه بسیاری از دانشگاهیان را به خود جلب کرده اند . این دو به عنوان ابزاری نیرومند در حل مسائلی که دیگر توسط متدلوژی ها و روش های سنتی گذشته قابل حل نبودند، شناخته شده و مورد استفاده قرارگرفته اند. این روزها استفاده از آنها به زندگی ...
موضوع سمينار : شبكه عصبي مصنوعي در شيمي و مهندسي شيمي
فهرست مطالب<?xml:namespace prefix = o ns = "urn:schemas-microsoft-com:office:office" /> عنوان صفحه فصل دوم: مبانی شبکه های عصبی مصنوعی--- 2-1- مقدمه ---------------------------------- 22 2-2- معنای شبکه عصبی ------------------------ 23 2-3- تاریخچه شبکه های عصبی ------------------ 24 2-4- کاربرد شبکه های عصبی------------------- 26 عنوان صفحه 2-5- مدل نرون ------------------------------- 27 2-5-1- مدل تک ورودی ------------------------ 27 2-5-2- توابع محرک----------------------------- 29 2-5-3- مدل چند ورودی ------------------------ 29 2-5-3-1- فرم خلاصه شده ----------------------- 30 2-6- ساختار شبکه های عصبی ------------------- 31 2-6-1- شبکه تک لایه -------------------------- 31 2-6-2- شبکه های چند لایه --------------------- 32 2-7- تعریف لایه خروجی ------------------------ 33 2-8- پرسپترون -------------------------------- 35 2-8-1- پرسپترون تک لایه ----------------------- 35 2-8-2- شبکه های عصبی چند لایه پرسپترون(MultilayerPerceptron(M.L.P)) 36 2-8-3- خصوصیات ساختار پرسپترون چند لایهM.L.P--- 38 2-9- فرآیند یادگیری شبکه عصبی --------------- 39 2-10- روشهای ﻣﺆثر در آموزش شبکه ------------- 42 2-10-1- روش آموزش پس انتشار خطای بیشترین شیب - 43 2-10-2- روش آموزش پس انتشار خطای مارکوآرت-لونبرگ-- 49 2-11- آموزش الگو به الگو -------------------- 52 2-12- آموزش گروهی --------------------------- 53 2-13- ملاحظاتی در مورد آموزش شبکه ------------ 56 2-13-1- پردازش اطلاعات(Data Processing) ------------ 56 2-13-2- نحوه ارائه داده های یادگیری ---------- 57 2-13-3- انتخاب مقدار اولیه پارامترهای شبکه --- 58 2-13-4- تعمیم پذیری شبکه -------------------- 60 2-13-5- چند نکته در مورد تعمیم پذیری شبکه --- 61 2-13-5-1- تنظیم ----------------------------- 64 2-13-5-2- تنظیم خودکار پارامترها (روش Bayesian) - 65 2-13-5-3- روش توقف بهنگام(Early Stopping) ---------- 66 تلفن : 09177410962 E-mail : [email protected] [email protected]
شبکه های عصبی
· ۱ توصیف · ۲ شبکه‌های عصبی زیستی · ۳ معرفی شبکه عصبی مصنوعی · ۴ تاریخچه شبکه‌های عصبی مصنوعی · ۵ چرا از شبکه‌های عصبی استفاده می‌کنیم · ۶ شبکه‌های عصبی در مقایسه با کامپیوترهای سنتی · ۷ نورون مصنوعی · ۸ از نورون‌های انسان تا نورون مصنوعی · ۹ ساختار شبکه‌های عصبی · ۱۰ تقسیم بندی شبکه‌های عصبی · ۱۱ کاربرد شبکه‌های عصبی · ۱۲ معایب شبکه‌های عصبی · ۱۳ شبکه عصبی و هوش مصنوعی · ۱۴ جستارهای وابسته · ۱۵ منابع شبکه عصبی مجموعه‌ای از نورون‌های زیستی به هم متصل است. در استفاده‌های جدیدتر این عبارت به شبکه عصبی مصنوعی که ازنورون‌هایی مصنوعی ساخته شده‌است هم اشاره دارد. بنابراین عبارت 'شبکه عصبی' در حالت کلی به دو مفهوم مختلف اشاره دارد: 1. شبکه عصبی زیستی 2. شبکه عصبی مصنوعی توصیف : در حالت کلی، یک شبکه عصبی زیستی از مجموعه یا مجموعه‌ای از نورون‌های به صورت فیزیکی به هم متصل یا از لحاظ عملکردی به هم وابسته تشکیل شده‌است. هر نورون میتواند به تعداد بسیار زیادی از نورون‌ها وصل باشد و تعداد کل نورون‌ها و اتصالات بین آنها میتواند بسیار زیاد باشد. اتصالات، که به آنها سیناپس گفته می‌شود، معمولاً از آکسون‌ها و دندریت‌ها تشکلیل شده‌اند. هوش مصنوعی و مدل سازی شناختی سعی بر این دارند که بعضی از خصوصیات شبکه‌های عصبی را شبیه سازی کنند. این دو اگرچه در روش‌هاشان به هم شبیه هستند اما هدف هوش مصنوعی حل مسائل مشخصی است در حالی که هدف مدل سازی شناختی ساخت مدلهای ریاضی سامانه‌های نورونی زیستی است. شبکه های عصبی زیستی : شبکه‌های عصبی زیستی مجموعه‌ای بسیار عظیم از پردازشگرهای موازی به نام نورون اند که به صورت هماهنگ برای حل مسئله عمل می‌کنند و توسط سیناپس‌ها (ارتباط‌های الکترومغناطیسی) اطلاعات را منتقل می‌کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‌ها می‌توانند نبود آنرا جبران کرده و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری اند. مثلا با اعمال سوزش به سلول‌های عصبی لامسه، سلول‌ها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سامانه می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سامانه‌ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثال‌ها وزن سیناپس‌ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‌های تازه سامانه پاسخ درستی تولید کند. معرفی شبکه عصبی مصنوعی : شبکه عصبی مصنوعی ...
ساختار شبکه‌های عصبی
ساختار شبکه‌های عصبی یک شبکه عصبی شامل اجزای سازنده لایه‌ها و وزن‌ها میباشد. رفتار شبکه نیز وابسته به ارتباط بین اعضا است. در حالت کلی در شبکه‌های عصبی سه نوع لایه نورونی وجود دارد: 1. لایه ورودی : دریافت اطلاعات خامی که به شبکه تغذیه شده‌است. 2. لایه‌های پنهان : عملکرد این لایه‌ها به وسیله ورودیها و وزن ارتباط بین آنها و لایه‌های پنهان تعیین می‌شود. وزن‌های بین واحدهای ورودی و پنهان تعیین می‌کند که چه وقت یک واحد پنهان باید فعال شود. 3. لایه خروجی : عملکرد واحد خروجی بسته به فعالیت واحد پنهان و وزن ارتباط بین واحد پنهان و خروجی می‌باشدشبکه‌های تک لایه و چند لایه‌ای نیز وجود دارند که سازماندهی تک لایه که در آن تمام واحدها به یک لایه اتصال دارند بیشترین مورد استفاده را دارد و پتانسیل محاسباتی بیشتری نسبت به سازماندهی‌های چند لایه دارد. در شبکه‌های چند لایه واحدها به وسیله لایه‌ها شماره گذاری می‌شوند (به جای دنبال کردن شماره گذاری سراسری). هر دو لایه از یک شبکه به وسیله وزن‌ها و در واقع اتصالات با هم ارتباط می‌یابند. در شبکه‌های عصبی چند نوع اتصال و یا پیوند وزنی وجود دارد: پیشرو : بیشترین پیوندها از این نوع است که در آن سیگنال‌ها تنها در یک جهت حرکت می‌کنند. از ورودی به خروجی هیچ بازخوردی (حلقه) وجود ندارد. خروجی هر لایه بر همان لایه تاثیری ندارد. پسرو : داده‌ها از گره‌های لایه بالا به گره‌های لایه پایین بازخورانده می‌شوند. جانبی : خروجی گره‌های هر لایه به عنوان ورودی گره‌های همان لایه استفاده می‌شوند.