شبکه های عصبی مصنوعی
شبکههای عصبی مصنوعی پدیدهای جدید هستند که در بسیاری از علوم و مهندسی استفاده میشود. ساختار این شبکهها به صورتی است که از عملکرد سیستم اعصاب انسان تقلید میکند و مشابه نرونهای عصبی انسان، دادهها را دریافت، پردازش و منتقل میکند. روشهای یادگیری و آموزشی که برای شبکههای عصبی مصنوعی بکار میرود بر اساس سیستم یادگیری و اعصاب انسان است و در واقع کاملترین الگو برای ابداع روشهای یادگیری انسان است. شبکههای عصبی مصنوعی برای اولین بار در سال ۱۹۶۵ میلادی توسط محققین علوم طبیعی معرفی گردید. در مدل بیولوژیکی که توسط آنها ارایه شد در هر نرون محاسبات ریاضی انجام میشود و در حین آموزش شبکه، مقادیر وزنهای ارتباطی یا پارامترهای محاسباتی تغییر میکنند بصورتی که نهایتا شبکه عصبی بتواند عمل مورد نظر را بطور صحیح انجام دهد.
در ادامه ابتدا شبکه عصبی و به طور خاص شبکه عصبی پروسپترون چند لایه و کاربردهای آن و همچنین چگونگی آموزش آن تشریح میشود.
۱٫۱٫۲ ساختار کلی شبکه های عصبی
در حالت کلی یک شبکهعصبی ساختاری مشابه با شکل ۲-۳ دارد. در این شکل هر گره نماینده یک سلول عصبی مصنوعی است. اطلاعات از طریق گرههای لایه ورودی به شبکه وارد میشود. این ورودیها از طریق رابطها به گرههای لایههای پنهان منتقل شده و بعد از پردازش از طریق لایههای مختلف از گرههای لایه خروجی خارج میشوند. یک شبکه عصبی مصنوعی، مجموعهای از نرونهای[۱] به هم متصل در لایههای مختلف است که اطلاعاتی را برای یکدیگر ارسال میکنند. اولین لایه در سمت چپ در شکل لایه ورودی است و لایه آخر نیز لایه خروجی نامیده میشود. دادهها در لایه ورودی وارد میشود.
تمام لایههای شبکه عصبی به جزء لایه ورودی کار پردازش را انجام داده و در نهایت خروجی بدست میآید.
شکل ۲-۳٫ ساختار شبکه های عصبی مصنوعی
لایههای بین لایه ورودی و لایه خروجی را لایههای میانی یا لایههای پنهان مینامند. سادهترین شکل شبکه فقط دو لایه دارد. لایه ورودی و لایه خروجی شبکه، شبیه یک سیستم ورودی خروجی عمل میکنند و ارزش نرونهای ورودی را برای محاسبه ارزش نرون خروجی مورد استفاده قرار میدهد. به طور کلی نقش نرونها در شبکههای عصبی، پردازش اطلاعات است و این امر در شبکههای عصبی مصنوعی به وسیله یک پردازشگر ریاضی که همان تابع فعالسازی است انجام میشود. تابع فعالسازی میتواند خطی یا غیرخطی باشد. یک تابع فعالسازی بر اساس نیاز خاص مسئلهای که قرار است به وسیله شبکه عصبی حل شود، از سوی طراح انتخاب میشود. برای مثال، زمانی که ارزشهای خروجی مسئله تنها صفر و یک است، دیگر استفاده از یک تابع فعال سازی خطی مناسب نیست و باید از توابع دیگری که بر اساس مقادی ورودی مختلف تنها مقادیر صفر و یک را نتیجه میدهد مثل تابع آستانهای استفاده کرد.
نمونهای که در بالا به آن اشاره شد برای نرون یا نرونهای خروجی یک تابع فعالسازی خطی را میپذیرد. برای بهرهبرداری واقعی از توانایی شبکههای عصبی، باید از توابع فعالسازی غیرخطی استفاده کرد. تقریبا تمام شبکههای عصبی در بخشهایی از شبکه از توابع فعالسازی غیرخطی استفاده میکنند (منهاج، ۲۰۰۸).
این مسئله اجازه میدهد که شبکه الگوهای غیرخطی مناسبی از مجموعه داده های پیچیده تولید کند. به صورت ایدهآل تابع فعالسازی باید پیوسته مشتق پذیر و یکنواخت باشد زیرا این مسئله عمل پیدا کردن ضرایب مقتضی الگوریتم بهینهیابی را تسهیل میکند (منهاج، ۱۳۸۷).
[۱] -Neuron
نظرات شما عزیزان:
تبادل لینک هوشمند