فصل 1 : مقدمه انسان و کامپیوتر انسان ها از کامپیوترها باهوش ترند.
چرا چنین گفته میشود؟
درست است که بعضی از اعمالی را که ما به سختی انجام می دهیم یک کامپیوتر به سرعت و به راحتی انجام می دهد ،مانند جمع چندصد عدد ، اما این مطلب باعث نمی شود که ما یک کامپیوتر را باهوشتر از انسان بدانیم چون این سیستم هرگز قادر نمی باشد که اعمالی را که نیاز یه استدلال دارد و یا حل آنها از طریق شهودی و حدس و گمان می باشد را به طور مطلوب انجام دهد.
شاید بهتر است بگوییم آنهاموجودات منطقی ای هستند و تنها اعمال منطقی را به خوبی انجام می دهند.
مسئله دیگر شاید این باشد که یک کامپیوتر می تواند بعضی کارها را که ما در مدت زمان قابل ملاحظه ای انجام می دهیم را در زمان بسیار کوتاه تری انجام می دهد.ویا بعضی از اطلاعات را پس از گذشت ماه ها ویا سالها به خاطر می آورد .
به همین دلیل از کامپیوتر ها انتظار داریم در زمینه های دیگر نیز چنین رفتاری را از خود نشان دهند و چون نمی توانند تمام انتظارات ما را بر آورده کنند ما مایوس می شویم.در واقع این هدفی است که دست اندرکاران هوش مصنوعی دنبال می کنند اما هنوز پس از گذشت 30 سال تحقیقات گسترده نمی توانند این ادعا را داشته باشند که به چنین کامپیوتری دست پیدا کرده اند.
هدف هوش مصنوعی را می توان در این جمله خلاصه کرد که می خواهد در نهایت به کامپیوترهایی دست یابد که اغلب در فیلم های سینمایی مشاهده می شود، ماشینهای بسیار توانمند تر از انسان – هدفی که بسیار از دنیای واقعی به دوراست .
دنیایی که اغلب به خاطراشتباهات فاحش کامپیوترها هزینههای بسیار زیادی را متحمل می شود .
اگر به داخل یک کامپیوتر نگاه کنیم چیزی جز تعدادی تراشه های الکترونیکی ، مدارها ،مقاومتها و سایر قطعات الکترونیکی نخواهیم دید.
اما اگر به درون مغز نگاه کنیم ، به هیچ صورت چنین ساختاری را مشاهده نخواهیم کرد.
بررسی اولیه ما چیزی جزمجموعه ای گره خورده از مادهای خاکستری رنگ نشان نمی دهد.
بررسی بیشتر و روشن می کند که مغز از اجزایی ریز تشکیل شده است .
لیکن این اجزاء به شیوهای بی نهایت پیچیده، مرتب شدهاند و هز جزء به هزاران جزء دیگر متصل است.
شاید این تفاوت در شیوه ساختار ، علت اصلی اختلاف بین مغز و کامپیوتر است.
کامپیوترها طوری طراحی شده اند که یک عمل را بعد از عمل دیگر باسرعت بسیار زیاد انجام دهند .
لیکن مغز ما با تعداد اجزای بیشتر اما با سرعتی بسیار کمتر کار میکند .
در حالی که سرعت عملیات در کامپیوترها به میلیونها محاسبه در ثانیه بالغ می شود، سرعت عملیات در مغز تقریباً بیشتر از ده بار در ثانیه نمیباشد.
لیکن مغز در یک لحظه با تعداد زیادی اجزاء به طور هم زمان کار می کند، کاری که از عهده کامپیوتر بر نمیآید .
کامپیوتر ماشینی سریع اما پیاپی کار است در حالی که مغز شدیداً ساختاری موازی دارد.
کامپیوترها می توانند عملیاتی را که با ساختار آنها سازگاری دارند به خوبی انجام دهند.
برای مثال شمارش و جمعکردن اعمالی پیاپی است که یکی بعد از دیگری انجام می شود .
لیکن دیدن و شنیدن، اعمالی شدیداً موازیاند که در آنها دادههای متضاد و متفاوت هر کدام باعث اثرات و ظهور خاطرات متفاوتی در مغز می شوند وتنها از طریق ترکیب مجموعه این عوامل متعدد است که مغز میتواند چنین اعمال شگفتی را انجام دهد .
نتیجهای که می توان گرفت این است که مسائل مورد نظر ما شدیداً خاصیت موازی دارند.
این مسائل نیازمند پردازش حجم زیادی از اطلاعات متفاوت هستند که باید در تقابل با یکدیگر به حل مسأله بیانجامد.
نتیجه مهم آن که سرعت عامل مهمی نیست .
آنچه مهم است موازی بودن است و مغز به خوبی برای این کار مهیا شده است .
شیوه برخورد روش محاسباتی شبکه های عصبی، تسخیر اصول راهبردی است که زیر بنای فرآیند مغز برای پاسخگویی به این سؤالات و به کارگیری آنها در سیستم های کامپیوتری است .
در مدلسازی سیستمهای اصلی مغز، باید راه کاری را بیابیم که بیشتر با ساختار موازی مغز سازگاری داشته باشد نه با ساختار پیدرپی آن .
به هر صورت ساختار طبیعتاً موازی سیستم های شبکه های عصبی آن ها را مناسب به کارگیری در ماشین های موازی می کند.
که می تواند مزایای بیش تری از نظر سرعت و قابلیت اطمینان داشته باشد.
یکی از بارزترین ویژگیهای مغز توان فراگیری آن می باشد.
مغز میتواند به خود آموزش دهد .
یادگیری از طریق مثال همان شیوهای است که توسط آن اطفال زبان را فرا میگیرند .
نوشتن، خوردن و آشامیدن را می آموزند و مجموعه معیارها و نکات اخلاقی را کسب می کنند .
چنین تحولی درسیستمهای کامپیوتری متعارف مشاهده نمی شود .
کامپیوترها معمولاً از برنامههای از پیش نوشته شدهای پیروی می کنند که قدم به قدم دستورات مشخصی را در کلیه مراحل عملیاتی به آن ها می دهند هر مرحله از کار بایدبه وضوح شرح داده شود.
روشن است که انسان این گونه عمل نمی کند.زیرا برای نوشتن چنین برنامه ای باید ساعت ها وقت صرف کنیم و با دقت موضوع خود را به صورت بر نامه قابل فهم کامپیوتر بنویسیم .که این کار مشکلات خود را دارا می باشد.حال آیا بهتر نیست که به جای برنامه های کامپیوتری ،کامپیوتر را رها کنیم که خود از طریق مشاهده مثال ها آن کار را فرا گیرد؟
البته امکان دارد که این کامپیوتر نیز در ابتدا دارای BUG باشد وگاه اشتباه کند ،لیکن به تدریج به اشتباه خود پی خواهد برد و آنها را تکرار نخواهد کرد.
12 ساختار مغز مغز انسان از واحدهای کو چکی به نام نرون[1] تشکیل شده است.میدانیم که مغز تقریباً دارای 1010 واحد پایه به نام نرون است و هر نرون تقریباً به 104 نرون دیگر اتصال دارد.
نرون عنصر اصلی مغز است و به تنهایی مانند یک واحد پردازش منطقی عمل می کند .
نرونها دو نوع هستند .
نرونهای داخلی مغز که در فاصلههای حدود 100 میکرون به یکدیگر متصل اند و نرونهای خارجی که قسمتهای مختلف مغز را به یکدیگر و مغز را به ماهیچهها و اعضای حسی را به مغز متصل میکنند .
نحوه عملیات نرون بسیار پیچیده است و هنوز در سطح میکروسکوپی چندان شناخته شده نیست، هر نرون بسیار پیچیده است و هنوز در سطح میکروسکوپی چندان شناخته شده نیست ، هر چند قوانین پایه آن نسبتاً روشن است .هر نرون ورودیهای متعددی را پذیراست که با یکدیگر به طریقی جمع میشوند .
اگر در یک لحظه ورودیهای فعال نرون به حد کفایت برسد نرون نیز فعال شده و آتش میکند .
در غیر این صورت نرون به صورت غیر فعال وآرام باقی می ماند.
نمایشی از ویژگی های عمده نرون در شکل 1-1 آمده است.
بدنه نرون سوما[2] نامیده می شود .
به سوما رشتههای نامنظم طولانی متصل است که به آنها دندریت[3] میگویند .
قطر این رشتهها اغلب از یک میکرون نازکتر است و اشکال شاخهای پیچیدهای دارند.
دندریتها نقش اتصالاتی را دارند که ورودی ها را به نرون ها می رساند .
این سلول ها می توانند مشخصات اصلی یک نرون بیولوژیک.
عملیاتی پیچیدهتر از عملیات جمع ساده را بر ورودی های خود انجام دهند، لیکن عمل جمع ساده را میتوان به عنوان تقریب قابل قبولی از عملیات واقعی نرون به حساب آورد.
یکی از عناصر عصبی متصل به هسته نرون آکسون[4] نامیده می شود.
این عنصر بر خلاف دندریت از نظر الکتریکی فعال است و به عنوان خروجی نرون عمل میکند.اکسونها همیشه در روی خروجی سلولها مشاهده می شوند .
لیکن اغلب در ارتباطهای بین نرونی غایباند.
اکسون وسیلهای غیر خطی است که در هنگام تجاوز پتانسیل ساکن داخل هسته از حد معینی پالس ولتاژی را به میزان یک هزارم ثانیه، به نام پتانسیل فعالیت، تولید می کند .
این پتانسیل فعالیت در واقع یک سری از پرش های سریع ولتاژ است.
شکل 1-2 این حالت « همه یا هیچ » را نشان می هد.
شکل 1-2 ورودی های نرون باید از آستانه معینی تجاوز کندتا نرون بتواند کنش کند.
رشته اکسون در نقطه تماس معینی به نام سینا پس قطع می شود و در این مکان به دندریت سلول دیگر وصل می گردد.
در واقع این تماس به صورت اتصال مستقیم نیست بلکه از طریق ماده شیمیایی موقتی صورت میگیرد .
سیناپس پس از آن که پتانسیل آن از طریق پتانسیل های فعالیت دریافتی از طریق آکسون به اندازه کافی افزایش یافته از خود ماده شیمیایی به نام منتقل کننده عصبی[5] ترشح میکنند.
منتقل کننده عصبی ترشح شده درشکاف بین اکسون و دندریت پخش می شود و باعث می گردد که دروازههای موجود در دندریتها فعال شده و باز شود و بدین صورت شارژ شده وارد دندریت شوند .
این جریان یون است که باعث میشود پتانسیل دندریت افزایش یافته و باعث یک پالس ولتاژ در دندریت شود که پس از آن منتقل شده و وارد بدن نرون دیگر می شود .
یک نرون خود به تنهایی میتواند دارای ورودی های سیناپسی متعددی در روی دندریتهای خود باشد و ممکن است باخروجی های سیناپسی متعددی به دندریتهای نرونهای دیگر وصل شود.
1-2-1 یادگیری در سیستمهای بیولوژیک تصور می شود یادگیری هنگامی صورت میگیرد که شدت اتصال یک سلول و سلول دیگر در محل سیناپسها اصلاح می گردد.
شکل 1-3 ویژگیهای مهم سیناپس را با جزئیات بیش تر نشان می دهد.
به نظر میرسد که این مقصود از طریق ایجاد سهولت بیشتر در میزان آزاد شدن ناقل شیمیایی حاصل می گردد.
این حالت باعث می شود که دروازههای بیشتری روی دندریتهای سمت مقابل باز شود و به این صورت باعث افزایش میزان اتصال دو سلول شود .
تغییر میزان اتصال نرونها به صورتی که باعث تقویت تماسهای مطلوب شود از مشخصههای مهم در مدلهای شبکههای عصبی است .
اجزائ مختلف یک سیناپس 1-3 تفاوت ها همچنین دیدم که ساختار مغز به گونهای است انجام این فعالیتها را به آسانی امکانپذیر می سازد و در عوض در زمینههای دیگر کارآیی مغز را محدود می کند.
روند تکامل مغز متأثر از فعالیت هایی بوده که اهمیت بیش تری داشته است، از آنجایی که توانایی دین و شنیدن صدا در انسان از توانایی جمع کردن دقیق اعداد اهمیت بیشتری داشته و این امر باعث تکامل این جنبه مغز شده است.
مغز دارای ساختاری شدیداً موازی که در آن تعداد زیادی واحدهای محاسباتی ساده به صورت مشترک انجام فعالیت را به عهده دارند، به جای این که تمام بار فعالیت را بر دوش یک واحد سریع قرار دهند، این تقسیم کار پیامدهای مثبت دیگری نیز دارد، چون تعداد زیادی نرون در یک زمان درگیر فعالیت هستند سهم هر یک از نرونها چندان حائز اهمیت نیست .
بنابراین اگر یکی راه خطا رود نتیجه آن تأثیر چندانی بر دیگران نخواهد داشت .
این نحوه توزیع کار که اصطلاحاً پردازش توزیع شده نامیده می شود، دارای این خاصیت است که لغزش های احتمالی در جای جای سیستم پردازی تا اندازهای قابل چشمپوشی می باشد.
در واقع مغز با توجه به توانایی یادگیری می تواند نقصان همیشگی یکی از نرونهای خود را با وارد کردن نرونهای دیگر جبران کند.
توان انجام فعالیت در حالی که فقط تعدادی از نرونها به درستی کار می کنند را در محافل محاسباتی تحمل خطا میگویند، زیرا که سیستم، مثلاً مغز ، میتواند بدون ایجاد خروجی های بی معنی خطاها را تحمل کند .
این یکی از ویژگیهای بارز مغز است ، کامپیوترها در ساختار بسیار متفاوت اند .
کامپیوترها در ساختار بسیار متفاوتاند.
به جای استفاده از میلیونها واحد پردازش اطلاعات نسبتاً کند و بسیار متصل به یکدیگر مانند مغز، از یک یا چند واحد پردازش بسیار سریع استفاده میکنند که می توانند میلیونها محاسبه را در هر ثاینه انجام دهند.
این توانایی و سرعت کامپیوترها را در انجام عملیات ساده و تکراری مانند جمع اعداد بسیار کارآمد میکند ولی آنها را در انجام عملیاتی چون بینایی که نیاز به پردازش انواع مختلف داده به صورت موازی دارد ناتوان میسازد .
آن ها همچنین به علت عدم توانایی در توزیع فعالیت نسبت به خطا توانایی چشمپوشی و اغماض ندارند.
چنانچه واحد پردازش کامپیوتر از کار بیفتد داستان خاتمه یافته است .
این مسائل نهایتاً موجب تمایلات جاری به ایجاد کامپیوترهای متفاوت شده است .
این کامپیوترها از اصولی پیروی می کنند که پدیده تکامل درطول میلیونها سال شکل داده است، و آن چنین است ، استفاده از عناصر ساده و اتصال تنگاتنگ عناصر و انجام کار مشترک توسط انبوهی از عناصرمی باشد.
نتیجه گیری همان گونه که در این فصل گفته شد سیستم مغز یک سیستم موازی می باشد .در حل یک مسئله سرعت حل ملاک نیست بلکه آن چیزی که مهم می باشد پردازش به صورت موازی است.مغز از سلولهای کوچک به نام نرون تشکیل شده است که هر گاه میزان ورودی آنها از طریق دندریت ها به حد کافی برسد نرون آتش کرده از اکسون پالسی ارسال می شود.
ارتباط از طریق نقاط اتصال شیمیایی به نام سیناپس صورت می گیرد.
همان گونه که در این فصل گفته شد سیستم مغز یک سیستم موازی می باشد .در حل یک مسئله سرعت حل ملاک نیست بلکه آن چیزی که مهم می باشد پردازش به صورت موازی است.مغز از سلولهای کوچک به نام نرون تشکیل شده است که هر گاه میزان ورودی آنها از طریق دندریت ها به حد کافی برسد نرون آتش کرده از اکسون پالسی ارسال می شود.
فصل 2 : نگرش کلی به شبکه های عصبی مصنوعی 2-1 تعریف شبکه های عصبی آنچه در ادامه عنوان می گردد، تعریف عملی و تاحدی عمومی از ابزاری است که بعداً آن را مطالعه خواهیم کرد.
در قسمت های باقیمانده کتاب، این تعریف تصحیح و تخصصی خواهد گردید.
شبکه های عصبی مصنوعی، ساختاری(شبکه ای) است متشکل ازتعدادی واحد(نرون های مصنوعی) که در داخل شبکه به هم وصل شده اند.
هر واحد دارای یک مشخصه ورودی/خروجی(I /o) می باشد و محاسبه یا عملی جزئی را اجرا می کند.
خروجی هر واحد، با توجه به مشخصه (I /o) آن ، اتصالات درونیش به سایر واحدها و(احتمالاً) ورودی های خارجی تعیین می گردد.
از آنجا که آموزش دستی شبکه امکان پذیر است، از این رو شبکه معمولاً کارکردی کلی از یک حالت یا حالت های بیشتری از آموزش را به دست می آورد.
ANNمتشکل از یک شبکه نیست ، بلکه خانواده ای متشکل از شبکه های گوناگون می باشد.
عمل یا عملکرد کلی شبکه های عصبی مصنوعی ، توسط توپولوژی شبکه، خصوصیات نرون منفرد و تاکتیک یادگیری و داده های آموزش معین می شود.
به منظور کاربردی شدن ، یک ANN می بایستی ابزارهایی برای ارتباط با دنیای خارج داشته باشد.
با این وجود نیازی به تعریف فوق نیست؛ به طور نمونه، خصوصیات واحد ورودی / خروجی (I/o) ، بسیار ساده است (و بین همه واحدها مشترک است) و تعداد واحدها کاملاً زیاد است.
توجه نمایید که تعریف، ما را وادار می سازد که میان یک واحد تنها و یک شبکه تمایز قایل شویم .
در نهایت، ساختارهای محاسباتی که در این تحقیق شرح می دهیم، ممکن است با شماری از راه های غیر بیولوژیکی هم قابل انجام باشند که بیشترین این نمونه ها در میان عناصر الکترونیکی است؛ بنابراین ، اغلب عنوان«مصنوعی» قابل قبول است 2-2 مفاهیم اساسی شبکه های عصبی موارد زیر ، جنبه های کلیدی محاسبات عصبی می باشند: همان گونه که تعریف بخش 2-1 نشان می دهد، مدل کلی محاسباتی ، شامل اتصالات درونی قابل تغییر مجدد از عناصر ساده یا واحدهاست.
شکل 1.2 دو شبکه فرضی با مقیاس کوچک را نشان می دهد که در آن واحدها به صورت دایره های و اتصالات درونی به وسیله کمان هایی نشان داده شده اند.
شکل 1.2 (الف) یک تاکتیک اتصال درونی غیر بازگشتی را نشان میدهد که شامل هیچ مسیر اتصال درونی بسته ای نیست.
به نمایش گروهی واحدهایی که در لایه ها قرار گرفته اند، توجه نمایید.
در مقابل، شکل 1.2 (ب) شبکه ای با تاکتیک اتصال درونی بازگشتی را نمایان می سازد که در آن انعطاف پذیری اتصالات درونی اختیاری این امکان را میسر می سازد که مسیرهای حلقه بسته (پس خورد) وجود داشته باشد.
این تاکتیک اجازه می دهد که شبکه در مقایسه با تاکتیک (حلقه ـ باز) شکل 1.2 (الف) دینامیک زمانی بسیار پیچیده تری را نشان دهد.
همچنین ، توجه نمایید که توپولوژی های شبکه ، ممکن است دینامیک یا استاتیک باشد.
در نهایت ، توجه کنید که در شکل 1.2 بعضی واحدها به صورت مستقیم با دنیای بیرون در ارتباط اند، در حالی که سایرین «مخفی» یا درونی هستند.
شکل 2-1 توپولوژی های شبکه های عصبی مصنوعی توجه کنید که نمایش ترسیمی ، به ه9مراه واحدهیی که به صورت گره نمایش داده شده اند و اتصالات درونی محسوس جهت دار که به صورت کمان هایی نشان داده شده اند، عملکرد مفیدی به منظور درک توپولوژی است.
واحدهای منفرد، هر یک ایفا کننده عملکردی موضعی می باشند و شبکه کلی با تصالات درونی واحدها،, عملی مطابق آن شبکه را نمایش می دهد.
تحلیل این عملیات مگر به واسطه آموزش یا آزمایش های نمونه، اغلب دشوار است.
علاوه براین، کاربردها معمولاً ، از طریق مشخصات ، عملکرد مورد نیاز را مشخص می کنند.
این وظیفه طراح ANN است که پارامترهای شبکه را که این مشخصات را برآورده می سازد، معین کند.
یک معیار کلیدی یادگیری اطلاح الگوهای ارتباط عناصر درونی براساس تابعی از داده های آموزش است.
به عبارت دیگر، دانش سیستم ، تجربه یا آموزش به شکل اتصالات داخلی شبکه، ذخیره می گردند.
به منظور قابل استفاده بودن ، سیستم های عصبی باید توانایی ذخیره اطلاعات را داشته باشند(به عبارت دیگر،آنها باید«آموزش پذیر» باشند.) سیستم های عصبی به شکل مورد انتظار آموزش می یابند تا بعداً در زمانی که الگوی جدیدی به منظور تشخیص یا طبقه بندی به آنها عرضه شود، همواره رفتاری صحیح ارائه دهند.
بنابراین، هدف در مرحله آموزش شبکه ، گسترش یک ساختار درونی است که شبکه را قادر سازد تا الگوهای جدید و مشابه را به طرز صحیحی مشخص یا طبقه بندی کند.
هر دو روش آموزش ، با نظارت و بدون نظارت را مورد توجه قرار می دهیم.
شبکه عصبی، یک سیستم دینامیکی است؛ حالات آن (مثلاً ، خروجی های هر واحد و شدت اتصالات درونی ) در پاسخ به ورودی های خارجی یا یک حالت اولیه (گذرا) با زمان تغییر می یابد.
2-3 معرفی اصطلاحات و علائم قراردادی اصطلاحات کلیدی با نمایش فهرستی کوتاه از مفاهیم برجسته ، مبحث را شروع می کنیم: سیستم های تطبیقی1: سیستمی که قابلیت سازگار کردن عملکردش (معمولاً پارامتری) با افزایش تقاضا یا قابلیت سازگاری با محیط های کاری نامعین را دارا است.
الگوریتم: یک روش یا رویه به منظور رسیدن به یک هدف یا راه حل است.
ساختار: تتشکیلات سخت افزاری یا نرم افزاری است.
طبقه بندی2: قابلیت نسبت دادن ورودی اعمالی به یک طبقه است.
تقاطع1: پروسه ای است که در الگوریتم های ژنتیک به منظور شبیه سازی تولید مثل جنسی به کار برده می شود.
شاخص2 : چیزهایی هستند که یک ویژگی از یک شیء یا موقعیتی را مشخص می کنند.
منطق فازی3: یک توسعه از منطق قطعی است که در آن مقادیر صحت به مقادیر دودویی محدود نمی شوند.
تعمیم : توانایی جوابگویی به مثال های بیشتر ، برخلاف تخصیص است؛ رفتار شبکه ای که ورودی هارا نه صرفاً از مجموعه آموزش(h) به کار می برد.
اکتشافی4: یک قانون تجربی است که برای حل کردن مسائلی به کار برده می شود؛ اما حل کردن مساله ای را تضمین نمی کند.
برگردانی: معین کردن ورودی از روی خروجی داده شده و مدل سیستم است.
شبکه: ادغامی از موجودیت هایی است که در داخل به هم متصل شده اند.
جستجو: مساله ای موجود در همه جاست که در آن باید یک فضای جستجو، یا زیر فضا، جستجو وارزیابی شود.
توپولوژی: ساختار یک شبکه است.
آموزش : شبیه یادگیری است.
واحد: عنصر «هسته ای» از یک ANN است؛ ابزار یک نگاشت موضعی است.
Vlsi: مدارات مجتمع با مقیاس بسیار بزرگ است (وسایل ساخته شده از سیلیکن) معمولاً توانایی های پردازش یا حافظه را افزایش می دهد.
2-4 کاربردهای محاسبات عصبی خصوصیات مسائلی که کاربرد ANN در حل آنها مناسب می باشد پیاده سازی ساختارهای محاسباتی سیستم های بیولوژیکی می تواند منجر به ایجاد الگوهای محاسباتی بهتری برای گروههای معینی از مسائل شود.
از آن جمله، گروهی از مسائل سخت NP ، که شامل مسائل نشانه گذاری، مسائل جدول بندی، مسائل جستجو و سایر مسائل برآورد قیود1 می باشد؛ گروهی از مسائل تشخیص الگو/ موضوع، که در مفاهیم بصری و گفتاری قابل ملاحظه هستند و گروهی از مسائلی که با داده های ناقص، کم، متناقض، مبهم یا احتمالی مورد بررسی قرار می گیرند، می باشند.
این مسائل با برخی یا همه موارد زیر توصیف شده اند: دامنه ای با ابعاد گسترده برای مساله ؛ رفتار متقابل، پیچیده ، مبهم یا رفتاری که منشاء ریاضی دارد، میان متغیرهای مساله و مجموعه ای از راه حل ها که ممکن است تهی باشد یا شامل یک راه حل واحد یا (در بیشتر موارد) شامل یک مجموعه از راه حل های سودمند(تقریباً یکسان) باشد.
علاوه بر این (بر اساس لیستی که در پایین نشان داده می شود)، شبکه های عصبی مصنوعی به عنوان راه حل پیشنهادی مسائلی که شامل ورودی های حسی انسان، مانند گفتار، بینایی و تشخیص دستخط هستند و به نظر می رسند.
توجه داشته باشید که نگاشت مساله دلخوا ه با راه حل شبکه عصبی کار آسانی نیست.
2-5 کاربردهای نمونه شبکه های عصبی مصنوعی نگاهی جامع به همه کاربردهای شبکه های عصبی مصنوعی (کاربردهایی که روی آنها کار شده است یا موفقیت آمیز بوده اند یا کاربردهای تصوری) غیر عملی است .
با این وجود، نگاهی به مطبوعات، مجلات علمیوکنفرانس ها،مثالهایروشنی را در این زمینه فراهم می کند.
این کاربردها عبارت اند از : پردازش تصویر وتصاویر رایانه ای ، شامل مقایسه تصاویر، پیش پردازش، شبکه سازی و تحلیل، تصویر رایانه ای (برای مثال بازبینی برد مدار)، فشرده سازی تصویر ، بینایی استریو، پردازش و درک تصاویر متغییر با زمان می باشد.
پردازش سیگنال، شامل تحلیل سیگنال و مورفولوژی است.
تشخیص الگو، شامل استخراج طرح [sau89] ، طبقه بندی و تحلیل سیگنال رادار، شناسایی و تشخیص صدا، شناسایی اثر انگشت، تشخیص شاخص (حرف یا عدد) و تحلیل دستخط (رایانه های ”notepad“) است.
پزشکی [pvg90] ، شامل تحلیل سیگنال الکتروکاردیوگراف و فهم و تشخیص بیماریهای گوناگون و پردازش تصاویر پزشکی است.
سیستم های نظامی ، شامل مین در زیر دریا, طبقه بندی اغتشاشات رادار و تشخیص مکالمه رمزی است.
سیستم های مالی ، شامل بررسی سهام بازار [rzf94]، تعیین قیمت واقعی موجودی ، صدور کارت اعتبار [ott94] و امنیت تجارت [bvdbw94] خواهد بود.
طراحی ، کنترل و تحقیق ، شامل عملکرد موازی مسائل برآورد قیود (csps)، راه حل های فروشنده سیار، مشابه csp ها ، و کنترل روباتیک است.
هوش مصنوعی ، شامل سیستم های قیاسی و پیاده سازی سیستم های خبره [cal93].
سیستم های قدرت، شامل پیش بینی وضعیت سیستم، تشخیص حالت های گذرا و طبقه بندی،شناسایی و رفع خطا، پیش بینی بار و تشخیص ایمنی می باشد.
2-6 فواید و معایب شبکه های عصبی مصنوعی از آنجا که شبکه های عصبی مصنوعی، الگوهای محاسباتی نسبتاً جدیدی هستند، می توان گفت که فواید، کاربردها و روابط آن با محاسبات مرسوم هنوز کاملاً شناخته نشده است.
انتظارات(بعضی ممکن است که به آن بی جا بگویند) در این زمینه بسیار زیاد است.
شبکه های عصبی به ویژه برای کاربردهای واقعی ، ارتباط الگوهای آموزش پذیر مناسب هستند.
عنوان این مطلب که شبکه های عصبی مصنوعی می توانند همه مسائل ، یا حتی تمامی مسائل نگاشت را به صورت استدلال خود کار حل کنند، احتمالاً غیر واقعی است.
فواید ذاتاً به صورت گسترده ای موازی، امکان چشم پوشی در برابر خطا به خاطرعملکرد موازیش، ممکن است به صورت تطبیقی طراحی گردد؛ نیاز کم به ویژگی های گسترده مساله (غیر از درون مجموعه آموزش).
معایب عدم وجود قواعد صریح یا راهنمایی های طراحی برای کاربرد مورد نظر، عدم وجود روشی عمومی برای تشخیص عملیات داخلی شبکه، آموزش ممکن است مشکل یا حتی غیر ممکن باشد؛ پیش بینی عملکرد شبکه در آینده مشکل است(تعمیم).
2-7 معیارهای مهندسی به منظور محاسبات عصبی سؤالات اولیه یک رهیافت مهندسی برای حل مسائل ، عبارت است از ترکیب همه متغیرها و اطلاعات مناسب مساله به گونه ای ساختار یافته، به منظور فرموله کردن یک راه حل.
سؤالات اساسی که در این زمینه مطرح می گردند، عبارت اند از: آیا فنون ANN برای مسائل موجود ، مفید یا حتی عملی هستند؟
آیا مساله، یک راه حل یا تعداد بیشترین راه حل دارد؟
آیا می تواینم ساختارهای ANN مناسب هر وضعیت را به دست آوریم یا اصلاح کنیم و در صورت لزوم، ANN را آموزش دهیم(پارامترها را تعیین کنیم)؟
آیا ابزار رسمی و اکتشافی که بتوان برای تعیین کردن ویژگی های راه حل ANN به کار برد، وجود دارد؟(مثلاً ، ترکیب محاسباتی اتخاذ شده برای روند تحلیل چیست؟) روش های مهندسی عصبی: جایگزینی طراحی با آموزش به طور نمونه، فرایند کلاسیک مهندسی «طراحی» ، شامل کاربردی اصولی از قواعد علمی و ریاضی به منظور طرح سیستمی که با یک مجموعه مشخصات سرو کار دارد، می باشد.
از این جهت ممکن است، طراحی شامل قضاوت، بینش و احتمالاً تکرار باشد.
فرایند«آموزش»، به عبارت دیگر ، به صورت نمونه شامل برخی روش های تعلیم دادن است تا در موقعی که سیستم با مشخصاتی مواجه می گردد، آن را به انجام رفتارهایی وادار سازد.
اغلب اوقات، کاملاً این تعلیم دهی شامل تصحیح یا سازگاری پارامترهای سیستم است، برای اینکه در تکرار یا آزمایش بعدی، پاسخ سیستم به آنچه که مطلوب است، نزدیک باشد.
مهندسی عصبی تعیین اجزای مربوط به راه حل ANN ، شامل طراحی ANN کلی، توپولوژی های شبکه ، پارامترهای یک واحد و یک روندمرحله به مرحله آموزش (یادگیری) را جایگزین طرح های مهندسی کلاسیک می کند.
گرچه ممکن ست این ارزیابی آسان به نظر برسد، لیکن به دیدگاه مهندسی (عصبی) قابل توجهی نیازمند است.
وجود انتخاب های ممکن بسیار در توپولوژی ها و پارامترها منجر به مطالعات خسته کننده یا منجر به شبکه فاقد توان که از لحاظ مهندسی غیر عملی است، می گردد.
علاوه بر این ، همانطور که قبلاً ذکر گردید، کارایی راه حل ANN باید مشخص باشد.
2-8 مراحل مهندسی سیستم ANN به هنگام طراحی راه حل های مبتنی بر شبکه های عصبی ، سؤالات زیادی مطرح می شود؛مثلاً: آیا شبکه می تواند به منظور انجام عملیات مورد نظر آموزش داده شود؟
آیا وجود برخی ابهامات ذاتی در مساله ای می تواند سبب غیر ممکن گردیدن حل آن شود؟
با فرض اینکه مساله قابل حل است، چه ساختار یا توپولوژی شبکه ای مناسب است؟
کدام یک از انواع منابع محاسباتی برای آموزش و اجرای شبکه موجوداند (زمان، حافظه، ذخیره سازی اطلاعات ، پردازشگرها)؟
در کاربردهای واقعی ، طراحی سیستم ANN ، کاری مشکل و معمولاً همراه با تکرار و اثرات متقابل است.
گرچه فراهم کردن یک روش الگوریتمی جامع و فراگیر غیر ممکن است، اما مراحل وابسته وساختار یافته که در زیر آمده است، انعکاس نمونه تلاش ها و کارهایی است که در این زمینه شده است.
بسیاری از پارامترهای طراحی ANN عبارت اند از: ساختار اتصالات درونی /توپولوژی شبکه /ساختار شبکه.
خصوصیات یک واحد(ممکن است در درون شبکه و بین قسمت های فرعی شبکه ، مانند لایه ها متفاوت باشد).
مرحله (مراحل آموزش).
مجموعه های تست و آموزش.
نمایش (های) ورودی / خروجی و پیش و پس پردازش.
یک فرایند اساسی طراحی می تواند به شکل زیر باشد: مرحله 1: طبقات، اندازه ها یا الگوهای تحت بررسی را به منظور دستیابی ویژگی های ممکن(به صورتی مطلوب از نظر مقداری) ، مطالعه کنید.
این موضوع شامل تعیین ساختار (قابلیت کیفیت)، ویژگی های احتمالی و شناسایی اندازه های مشابه یا غیر مشابه آن طبق خواهد بود.
علاوه براین، خصوصیات ثابت یا متغییر ممکن و ویژگی های منابع «نویز» در این مرحله مورد توجه قرار می گیرند.
مرحله 2: وجود داده های اندازه گیری شده (ورودی) یا شاخص (پیش پردازش شده) را بررسی کنید.
مرحله 3: به قیود مربوط به عملکرد سیستم مورد نظر و منابع محاسباتی آن توجه کنید.
مرحله 4: به موجود بودن و کیفیت داده آموزش و آزمایش توجه کنید.
مرحله 5: به موجود بودن ساختارهای شناخته شده و مناسب ANN توجه کنید.
مرحله 6: شبیه سازی ANN را به دست آورید.
مرحله 7: سیستم ANN را آموزش دهید.
مرحله 8: بازدهی سیستم ANN را با به کار بردن مجموعه (های) آزمایش شبیه سازی کنید.
مرحله 9: مراحل پیشین را تکرار کنید تا به بازده مطلوب برسید.
2-9 توپولوژی های شبکه و خصوصیات در نگرش کمی به توپولوژی ها و ساختارهای شبکه براساس توابع اتصالات درونی هر واحد، می توانیم مفاهیم چندی را مشخص کنیم: شبکه های بازگشتی شبکه های غیر بازگشتی شبکه های لایه لایه ، متوالی یا سایر ساختارهای شبکه ای متشابه ساختارهای به هم پیوسته رقابتی گونه های 1و2 متقابلاً مجزا هستند؛ با این وجود، گونه های 3و4 ممکن است هم ساختارهای بازگشتی و هم غیر بازگشتی را به کار برند.[fie94] عمیقاً این موضوع را که مشتمل بر ایجاد «لایه ها» و «قطعه ها» و تشخیص دادن اتصالات درونی متقارن از غیر متقارن است، بررسی می کند.
فصل 3 3-1 چشم انداز طرح شناسی برای درک بیش تر مسأله طرح شناسی فعالیتی که برای اکثر مردم مشترک است یعنی بینایی را در نظر بگیرید.
بخش عمده اطلاعات که ما جذب می کنیم ( به عبارت دیگر به سیستم بیولوژیکی شبکههای عصبی ما وارد می شود ) به صورت طرح به ما عرضه می گردد .
متنی که اکنون مطالعه می کنید طرح های متنوع و پیچیدهای را به صورت رشتههای حروف به شما نشان می دهد .
قبل از این که درگیر فهم جملات شویم ، سیستم بینایی باید مسأله شناسایی طرحها را حل کند، به عبارت دیگر لکههای کج و معوج مرکب منقوش بر این صفحه را به عنوان حروف شناسایی کند.
با وجود این شناخت حروف یکی از مسائل نسبتاً ساده «طبقهبندی» محسوب می گردد.
این مسئله را میتوان با استفاده از روش تطبیق الگوها حل کرد .
حال فرض کنید خط متن ما تغییر کند .
اگر برای خط جدید الگوهای مناسب نداشته باشیم روش طبقهبندی ما به احتمال زیاد به سختی شکست خواهد خورد .
شناسایی متون تنهاا یکی از نمونه مسئلههای طرح شناسی است .
دامنه این شکل هنگامی که ما توجه خود رابه سایر زمینههای طرح شناسایی چون شناسایی صداها و حتی شناسایی روند سهام بازار بورس معطوف می کنیم بسیار گستردهتر می شود .
3-2 تعریف بازشناسی الگوها هدف اصلی بازشناسی الگوها طبقهبندی است.
بازشناسی الگوها را می توان به دو مرحله تقسیم کرد.
اول مرحله استخراج مشخصهها و دوم مرحله طبقهبندی .
مشخصه به معنی کمیتی است که برای طبقهبندی طرح اندازهگیری می شود.
مثلاً اگر مسأله شناسایی متون را دوباره در نظر بگیریم، برا ی تشخیص حرف «f » از حرف « E » لازم است که تعداد خطوط عمودی واقعی و افقی را مقایسه کنیم.
مشخصهها در اختیار دستگاه های طبقهبندی کننده قرار می گیرند .
وظیفه دستگاه طبقه بندی کننده انعکاس این مشخصهها در فضای طبقهبندی است به عبارت دیگر با داشتن مشخصههای ورودی، این دستگاه باید تصمیم بگیرد که طرحهای داده شده به کدام طبقه بیشترین تطابق را نشان می دهند .
3-3 بردارهای مشخصات و فضای مشخصات طبقهبندی به ندرت بر پایه یک مشخصه یا اندازهگیری منفرد از الگوهای ورودی صورت میگیرد.
معمولاً اندازهگیریهای متعدد لازم است تا بتوان الگوهای متعلق به گروههای مختلف را به حد کافی از یکدیگر تمیز داد.
اگر n اندازهگیری از الگوی ورودی به عمل آوریم و هر اندازهگیری نمایانگر یک مشخصه معین از طرح ورودی باشد، می توانیم از علائم جبری استفاده کنیم و مجموعه مشخصهها را به صورت یک بردار نشان دهیم.
در این صورت بردار مذکور را بردار مشخصات می نامیم.
تعداد ابعاد بردار (تعداد عناصر بردار) فضایی n بعدی ایجاد می کند که فضای مشخصات می نامیم.