برای جستجو در بین هزاران پایان نامه در موضوعات مختلف     

      و دانلود متن کامل آنها با فرمت ورد اینجا کلیک کنید     

 
دانلود پایان نامه

شبکههای عصبی مصنوعی هم دارای ساختار کاملا موازی هستند. اگرچه بیشتر شبکههای عصبی مصنوعی هم اکنون توسط کامپیوترهای سریع پیادهسازی میشوند، اما ساختار موازی شبکههای عصبی، این امکان را فراهم میآورد که به طور سختافزاری، توسط پردازشگرهای موازی، سیستمهای نوری و تکنولوژی پیاده سازی شوند.
شبکههای عصبی مصنوعی با وجود این که با سیستم عصبی طبیعی قابل مقایسه نیستند ویژگیهایی دارند که آنها را در بعضی از کاربردها مانند تفکیک الگو، رباتیک، کنترل و به طور کلی در هرجا که نیاز به یادگیری یک نگاشت خطی و یا غیرخطی باشد، ممتاز مینماید. این ویژگی ها به شرح زیر هستند:
قابلیت یادگیری: استخراج نتایج تحلیلی از یک نگاشت غیرخطی که با چند مثال مشخص شده، کار سادهای نیست. زیرا نرون یک دستگاه غیرخطی است و در نتیجه یک شبکه عصبی که از اجتماع این نرونها تشکیل میشود نیز یک سیستم کاملا پیچیده و غیرخطی خواهد بود. بهعلاوه، خاصیت غیرخطی عناصر پردازش، در کل شبکه توزیع میگردد. پیادهسازی این نتایج با یک الگوریتم معمولی و بدون قابلیت یادگیری، نیاز به دقت و مراقبت زیادی دارد. در چنین حالتی سیستمی که بتواند خود این رابطه را استخراج کند، بسیار سودمند بهنظر میرسد. خصوصا افزودن مثالهای احتمالی در آینده به یک سیستم با قابلیت یادگیری، به مراتب آسانتر از انجام آن در یک سیستم بدون چنین قابلیتی است، چراکه در سیستم اخیر، افزودن یک مثال جدید به منزله تعویض کلیه کارهای انجام شده قبلی است. قابلیت یادگیری یعنی توانایی تنظیم پارامترهای شبکه(وزنهای سیناپتیکی) در مسیر زمان که محیط شبکه تغییر میکند و شبکه شرایط جدید را تجربه میکند، با این هدف که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی آن(وضعیت خاص) رخ داد، شبکه بتواند با آموزش مختصر برای شرایط جدید نیز کارآمد باشد.
پراکندگی پردازش اطلاعات بهصورت متن: آنچه شبکه فرا میگیرد(اطلاعات یا دانش) در وزنهای سیناپسی مستتر میباشد. رابطه یکبهیک بین ورودیها و وزنهای سیناپتیکی وجود ندارد. میتوان گفت که هر وزن سیناپسی مربوط به همه ورودیها است ولی به هیچیک از آنها به طور منفرد و مجزا مربوط نیست. بهعبارت دیگر هر نرون در شبکه، از کل فعالیت سایر نرونها متاثر است. در نتیجه، اطلاعات بهصورت متن توسط شبکههای عصبی پردازش میشوند. بر این اساس چنانچه بخشی از سلولهای شبکه حذف شوند و یا عملکرد غلط داشته باشند باز هم احتمال رسیدن به پاسخ صحیح وجود دارد. اگر چه این احتمال برای تمام ورودیها کاهش یافته ولی برای هیچ یک از بین نرفته است.
قابلیت تعمیم: پس از آنکه مثالهای اولیه به شبکه آموزش داده شد، شبکه میتواند درمقابل یک ورودی آموزش داده نشده قرار گیرد و یک خروجی مناسب ارائه کند. این خروجی بر اساس مکانیزم تعمیم، که همانا چیزی جز فرایند درونیابی نیست به دست میآید. به عبارت روشنتر، شبکه، تابع را یاد میگیرد، الگوریتم را میآموزد یا رابطه تحلیلی مناسبی را برای تعدادی نقاط در فضا به دست میآورد.
پردازش موازی: هنگامیکه شبکه عصبی در قالب سختافزار پیاده میشود، سلولهایی که در یک تراز قرار میگیرند میتوانند بهطور همزمان به ورودیهای آن تراز پاسخ دهند. این ویژگی باعث افزایش سرعت پردازش میشود. در واقع در چنین سیستمی، وظیفه کلی پردازش بین پردازندههای کوچکتر مستقل از یکدیگر توزیع میگردد.
مقاوم بودن: در یک شبکه عصبی هر سلول به طور مستقل عمل میکند و رفتار کلی شبکه، برآیند رفتارهای محلی سلولهای متعدد است؛ این ویژگی باعث می شود تا خطاهای محلی از چشم خروجی نهایی دور بمانند.
مبانی محاسباتی شبکه های عصبی مصنوعی
در شکل های 2-2 و 2-3 الگوی کلی یک شبکه عصبی مصنوعی نشان داده شده است. در الگوی نشان داده شده در شکل 2-2، سه لایه قابل تشخیص است.
شکل 2- 2: الگوی کلی از یک شبکه عصبی
لایه ورودی
لایه ورودی: یک لایه از نرونها که اطلاعات را از منابع بیرونی دریافت میکنند و آنها را به شبکه منتقل میکنند.
لایه پنهانی
لایه پنهانی: یک لایه از نرونها که اطلاعات را از لایه ورودی دریافت میکنند و آنها را به صورت مخفی پردازش می کنند.
لایه خروجی
لایه خروجی:لایهای از نرونها که اطلاعات پردازششده را دریافت میکنند و آنها را به سیستم میفرستند.
شکل 2- 3: شماتیک ارتباطات بین لایه ها و وزن های سیناپتیکی در شبکه عصبی
بایاس: مانند یک افست روی سیستم عمل میکند. عمل بایاس به اینگونه است که یک سرآغاز برای فعال سازی نرون ایجاد میکند. بایاس روی لایه مخفی و لایه خروجی عمل میکند.
تناظر بین شبکه عصبی و شبکه عصبی مصنوعی در شکل 2-4 قابل مشاهده است.
شکل 2- 4: تناظر بین شبکه عصبی و شبکه عصبی مصنوعی
تعداد نرونهای ورودیها به تعداد متغیر ورودی و تعداد نرونهای خروجی به تعداد متغیرهای پاسخ بستگی دارد. تعداد نرونهای لایه مخفی هم به کاربرد شبکه بستگی دارد. مهمترین عنصر شبکههای عصبی، نرون است. نرونها شامل عناصر محاسباتی هستند که عمل یک شبکه عصبی را انجام می دهند. شکل 2-5 یک نرون از شبکه عصبی را نشان میدهد.
شکل 2- 5: نمای شماتیک یک نرون
عناصر محاسباتی یک نرون
دسته بندی : علمی