بخشی از مقاله

شبکه های عصبی مصنوعی


این مقاله مقدمه ای بر شبکه های عصبی مصنوعی است. گونه های مختلف شبکه های عصبی توضیح و شرح داده شده است و کاربرد های شبکه های عصبی، نظیر ANN ها در پزشکی بیان شده و همچنین سابقه ای تاریخی از آن به تفصیل آورده شده است. همچنین رابطه بین چیزهای ساختگی و واقعی مورد بررسی قرار گرفته و در مورد آن توضیح داده شده است و سر انجام به شرح مدل های ریاضی در رابطه با این موضوع می پردازیم.
________________________________________


یک شبکه عصبی چیست؟

یک شبکه عصبی مصنوعی (Artificial Neural Network (ANN)) ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد . عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پرداز شی فوق العاده بهم پیوسته تشکیل شده (neurons)که برای حل یک مسأله با هم هماهنگ عمل می کند.ANN ها ،نظیر انسانها ، با مثال یاد می گیرند .

یک ANN برای انجام وظیفه های مشخص ، مانند شناسایی الگو ها و دسته بندی اطلاعات ، در طول یک پروسه یاد گیری ، تنظیم می شود . در سیستم های زیستی یاد گیری با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است . این روش ANN ها هم می باشد.
________________________________________
سابقه تاریخی :

به نظر می آید شبیه سازی های شبکه عصبی یکی از پیشرفت های اخیر باشد . اگرچه این موضوع پیش از ظهور کامپیوتر ها بنیان گذاری شده و حداقل یک مانع بزرگ تاریخی و چندین دوره مختلف را پشت سر گذاشته است.

خیلی از پیشرفت های مهم با تقلید ها و شبیه سازی های ساده و ارزان کامپیوتری بدست آمده است. در پی یک دوره ابتدائی اشتیاق و فعالیت در این زمینه ، یک دوره ی بی میلی و بدنامی راهم پشت سر گذاشته است .

در طول این دوره سرمایه گذاری و پشتیبانی حرفه ای از این موضوع در پایین ترین حد خود بود ، پیشرفت های مهمی به نسبت تحقیقات محدود در این زمینه صورت گرفت . که بدین وسیله پیشگامان قادر شدند تا به گسترش تکنولوژی متقاعد کننده ای بپردازند که خیلی برجسته تر از محدودیت هایی بود که توسط Minsky و Papert شناسانده شد. Minsky و Papert ،کتابی را در سال 1969 منتشر کردند که در آن عقیده عمومی راجع به میزان محرومیت شبکه های عصبی را در میان محققان معین کرده بود و بدین صورت این عقیده بدون تجزبه و تحلیل های بیشتر پذیرفته شد. هم اکنون ، زمینه تحقیق شبکه های عصبی از تجدید حیات علایق و متناطر با آن افزایش سرمایه گذاری لذت می برد.


اولین سلول عصبی مصنوعی در سال 1943 بوسیله یک neurophysiologist به نامWarren McCulloch و یک منطق دان به نام Walter Pits ساخته شد . اما محدودیتهای تکنولوژی در آن زمان اجازه کار بیشتر به آنها نداد.
________________________________________


چرا از شبکه های عصبی استفاده می کنیم ؟
شبکه های عصبی ، با قابلیت قابل توجه آنها در استنتاج معانی از داده های پیچیده یا مبهم ، میتواند برای استخراج الگوها و شناسایی روشهایی که آگاهی از آنها برای انسان و دیگر تکنیک های کامپیوتری بسیار پیچیده و دشوار است به کار گرفته شود. یک شبکه عصبی تربیت یافته می تواند به عنوان یک متخصص در مقوله اطلاعاتی ای که برای تجزیه تحلیل به آن داده شده به حساب آید.از این متخصص می توان برای بر آورد وضعیت های دلخواه جدید و جواب سؤال های " چه می شد اگر " استفاده کرد.

مزیتهای دیگر آن شامل موارد زیر می شود :

یادگیری انطباق پذیر: قابلیت یاد گیری نحوه انجام وظایف بر پایه اطلاعات داده شده برای تمرین و تجربه های مقدماتی .
سازماندهی توسط خود: یک ANN می تواند سازماندهی یا ارائه اش را ، برای اطلاعاتی که در طول دوره یادگیری در یافت می کند، خودش ایجاد کند.


عملکرد بهنگام(Real time ) : محاسبات ANN می تواند بصورت موازی انجام شود، و سخت افزارهای مخصوصی طراحی و ساخته شده است که می تواند از این قابلیت استفاده کند.
تحمل اشتباه بدون ایجاد وقفه در هنگام کد گذاری اطلاعات : خرابی جزئی یک شبکه منجر به تنزل کارایی متناظر با آن می شود اگر چه تعدادی از قابلیت های شبکه ممکن است حتی با خسارت بزرگی هم باقی بماند.
________________________________________
شبکه های عصبی در مقابل کامپیوتر های معمولی:

شبکه های عصبی نسبت به کامپیوتر های معمولی مسیر متفاوتی را برای حل مسئله طی می کنند . کامپیوتر های معمولی یک مسیر الگو ریتمی را استفاده می کنند به این معنی که کامپیوتر یک مجموعه از دستورالعمل ها را به قصد حل مسئله پی می گیرد. بدون اینکه، قدم های مخصوصی که کامپیوتر نیاز به طی کردن دارد، شناخته شده باشند کامپیوتر قادر به حل مسئله نیست. این حقیقت قابلیت حل مسئله ی کامپیوتر های معمولی را به مسائلی ،محدود می کند که ما قادر به درک آنها هستیم و می دانیم چگونه حل میشوند. اما اگر کامپیوتر ها می توانستند کار هایی را انجام دهند که ما دقیقا نمیدانیم چگونه انجام دهیم ، خیلی پر فایده تر بودند.

شبکه های عصبی اطلاعات را به روشی مشابه با کاری که مغز انسان انجام می دهد پردازش می کنند. آنها از تعداد زیادی از عناصر پرداز شی(سلول عصبی) که فوق العاده بهم پیوسته اند تشکیل شده است که این عناصر به صورت موازی باهم برای حل یک مسئله مشخص کار می کنند .شبکه های عصبی با مثال کار می کنند و نمی توان آنها را برای انجام یک وظیفه خاص برنامه ریزی کرد مثال ها می بایست با دقت انتخاب شوند در غیر این صورت زمان سودمند، تلف می شود و یا حتی بدتر از این شبکه ممکن است نا درست کار کند. امتیاز شبکه عصبی این است که خودش کشف می کند که چگونه مسئله را حل کند ، عملکرد آن غیر قابل پیش گویی است.


از طرف دیگر ، کامپیوتر های معمولی از یک مسیر مشخص برای حل یک مسئله استفاده می کنند . راه حلی که مسئله از آن طریق حل می شود باید از قبل شناخته شود و به صورت دستورات کوتاه و غیر مبهمی شرح داده شود. این دستورات سپس به زبان های برنامه نویسی سطح بالا برگردانده می شود و بعد از آن به کدهایی که کامپیوتر قادر به درک آنها است تبدیل می شود. به طور کلی این ماشین ها قابل پیش گویی هستند و اگر چیزی به خطا انجام شود به یک اشتباه سخت افزاری یا نرم افزاری بر می گردد.

شبکه های عصبی و کامپیوتر های معمولی با هم در حال رقابت نیستند بلکه کامل کننده یکدیگرند . وظایفی وجود دارد که بیشتر مناسب روش های الگو ریتمی هستند نظیر عملیات محاسباتی و وظایفی نیز وجود دارد که بیشتر مناسب شبکه های عصبی هستند . حتی فراتر از این ، مسائلی وجود دارد که نیازمند به سیستمی است که از تر کیب هر دو روش بدست می آید (بطور معمول کامپیوتر های معمولی برای نظارت بر شبکه های عصبی به کار گرفته می شوند ) به این قصد که بیشترین کارایی بدست آید.

شبکه های عصبی معجزه نمی کنند اما اگر خردمندانه به کار گرفته شوند نتایج شگفت آوری را خلق میکنند.
________________________________________
انسان و سلول های عصبی مصنوعی- در جستجوی شباهت ها
چگونه مغز انسان می آموزد ؟
مسائل زیادی راجع به این که مغز چگونه خود را برای پردازش اطلاعات آموزش می دهد، نا شناخته باقی مانده است بنابر این تئوری های فراوانی وجود دارد. در مغز انسان یک سلول سیگنال ها را از دیگران از طریق یک گروه از ساختار های ریز به نام dendrites جمع آوری می کند سلول عصبی جهش سریع فعالیت الکتریکی را در طول یک پایه بلند و نازک که axon نامیده میشود ، می فرستد که به داخل هزاران شاخه گسترش می یابد و کشیده می شود .

در انتهای هر شاخه ، ساختاری که synapse نامیده می شود این فعالیت را ازaxon به اثرات الکتریکی تبدیل می کند که فعالیت یکaxon به صورت اثرات الکتریکی فعال کننده یا غیر فعال کننده تبدیل می شود که این کار باعث برانگیخته شدن یا آرام شدن سلول های عصبی مرتبط می شود. وقتی یک سلول عصبی پیام های فعال کننده را در یافت می کند، که بطور قانع کننده و وسیعی با پیام های ورودی غیر فعال کننده اش مقایسه شده باشد ،در این زمان این سلول نیز یک جهش از فعالیت الکتریکی را به داخل axon خودش می فرستد.

یاد گیر ی با تغییر تاثیر synapses اتفاق می افتد در نتیجه تاثیر یک سلول بر دیگران تغییر میکند.

از سلول های عصبی انسانی تا سلول های عصبی مصنوعی

ما این شبکه های عصبی را با تلاش اولیه در جهت یافتن خصوصیات اساسی سلول های عصبی و اتصالات آنها ، هدایت می کنیم. سپس بطور معمول یک کامپیوتر را برای شبیه سازی این خصوصیات برنامه ریزی می کنیم .اگر چه بدلیل اینکه دانش ما از سلول های عصبی ناقص است و قدرت محاسبات ما محدود است ، مدل های ما لزوما آرمان های خام و ناقصی از شبکه های واقعی سلول های عصبی است

شبکه های عصبی


کاربرد تکنیک شبکه های عصبی و رگرسیون چندگانه به منظور پیش بینی سرعت امواج برشی از داده های لاگ برای یک مخزن کربناته در جنوب غربی ایران

محاسبه سرعت امواج برشی (Vs) با استفاده از داده های لاگ یکی از مهمترین زمینه ها در اکتشافات لرزه ای و توصیف مخزن خیدروکربوری می باشد. تا کنون اکثر مدل هایی که برای محاسبه سرعت امواج برشی استفاده می شدند، مدل های ریاضی بودند که فقط یک یا دو پارامتر پتروفیزیکی را در نظر گرفته و قابلیت تعمیم نداشتند.


هدف اصلی این مقاله محاسبه سرعت امواج برشی با استفاده از رگرسیون چندگانه و نیز تکنیک شبکه های عصبی می باشد. شبکه های عصبی قادر به ساخت مدلی هستند که بتوانند Vs را محاسبه نماید و این در مقایسه با رگرسیون چندگانه به رگرسیون دینامیک معروف است.


در این مطالعه پس از اینکه پارامترهای موثر در سرعت امواج برشی مشخص شدند، از روش آماری برای پیش بینی رابطه بین پارامترهای یاد شده و سرعت امواج برشی استفاده خواهند شد. پس از یک شبکه عصبی سریع جهت پیش بینی Vs از پارامترهای یاد شده استفاده می شود. مدل مورد نظر از نوع جعبه سیاه (black box type) نیست زیرا ما از نتایج رگرسیون چندگانه استفاده می کنیم. راهکار بدست آمده قادر به پیش بینی سرعت امواج برشی از پارامترهای پتروفیزیکی با ضریب همبستگی در حدود 0.94 برای رگرسیون چندگانه و 0.96 برای شبکه های عصبی خواهد بود.


معرفی
پیچیدگی طبیعی که در سیم مخازن نفتی وجود دارد همواره فکر زمین شناسان را به خود معطوف نموده است. عدم وجود داده قابل اعتماد سبب فهم نادرست از رفتار مخزن و به تبع آن پیش بینی ضعیف شده است. در دو دهه گذشته ابزار های پردازش داده کلاسیک و نیز مدل های فیزیکی برای حل مسائل ساده مربوط به زمین شناسی مناسب بوده است. با گذشت زمان با مسائل پیچیده تری روبرو می شویم که نشان از کم کاربرد شدن روش های معمولی می باشد. سرعت امواج برشی کاربرد زیادی در مطالعات پتروفیزیکی، لرزه نگاری و ژئوشیمیایی دارد. در بسیاری از میادین توسعه یافته تنها امکان محاسبه سرعت امواج تراکمی با استفاده از لاگ صوتی می باشد. در بسیاری از موارد کاربردی مانند مدل سازی لرزه ای آنالیز AVO و کاربرد های مهندسی، سرعت امواج برشی مورد نیاز می باشد. در کاربرد های ذکر شده بدست آوردن سرعت موج برشی از سرعت امواج تراکمی، چه بصورت تجربی و یا تئوری بسیار مهم می باشد. در علم فیزیک سنگ و کاربردهای آن، سه روش بطور معمول جهت مطالعه خواص الاستیک سنگ ها استفاده می شود: مطالعه محل و تئوری، تحقیقات و اندازگیری های آزمایشگاهی و روابط تجربی و آماری. رگرسیون چندگانه در واقع مدلی توسعه یافته از آنالیز رگرسیون می باشد که متغیر های غیر وابسته بیشتری را در معادله پیشگو لحاظ می کند.
شبکه های عصبی مصنوعی سیستم های پردازش موازی و تطبیقی هستند که دارای توانایی بسط روابط تابعی بین داده ها و نیز بدست آوردن یک ابزار توانمند برای درون یابی های غیر خطی و چند بعدی می باشند.


وجود چنین خصوصیاتی در شبکه های عصبی باعث شده که جایگزین مناسبی برای رابطه غیر خطی موجود که قادر به فهم دقت رابطه بین ورودی و خروجی نیست، باشد. مهمترین کاربرد های شبکه های عصبی در لرزه نگاری، آنالیز لاگ و مدلسازی سه بعدی مخزن می باشند. کاربرد آنها شامل مشخص نبودن لیتولوژی، تخلخل، تراوایی و اشباع سیال از لاگ ها و ساخت لاگ های مصنوعی از دیگر لاگ ها می باشد.


در طول سال های گذشته بسیاری از مطالعات بر روی سرعت امواج الاستیک و رابطه آن با خواص پتروفیزیک سنگ ها معطوف شده است. ولی متاسفانه بسیاری از این مطالعات برای مخازن ماسه سنگی بوده در حالی که در ایران مخازن کربناته می باشند . مطالعه بیشتری را در مورد خواص پتروفیزیکی این مخازن را طلب می کند.


در منطقه مطالعه شده که یک میدان نفتی کربناته در حوضه زاگرس، جنوب ایران می باشد، داه های مربوط به امواج برشی در هیچ کدام از چاهها مشخص نیست لذا مطالعه Vs از لاگها ضروری می باشد. در این مطالعه یک روش آماری جهت ایجاد رابطه بین پارامترهای پتروفیزیکی موثر و صرعت امواج برشی در سنگ های کربناته استفاده شده است. روش معرفی شده قادر به محاسبه Vs با ضریب همبستگی 0.96 از شبکه عصبی تعمیم یافته می باشد.


منابع داه ها
مجموعه داده ای که مورد استفاده قرار گرفت شامل سرعت اموج برشی در 35 نمونه مغزه کربناته (شامل 23 نمونه سنگ آهک و بقیه دولومیت) بود. سرعت در دو حالت خشک و اشباع شده با آب محاسبه شد. این داده ها در فرکانس ما فوق صوت 0.5 – 1 MHZ جمع آوری شده است. روش های XRD و SEM نیز جهت مشخص نمودن کانی شناسی، حجم کانی های مشخص و نیز دیگز مشخصه های رسوب شناسی میکروسکوپی مورد استفاده قرار گرفت.
پارامتر های پتروفیزیکی بدست آمده از نمونه های مغزه در طیف وسیعی از تخلخل (29% - 20%)، تراوایی، میزان رس (15% - 0%)، میزان کلسیت (98% - 47%) و دولومیت (49% - 0%) قرار داشت.


داده های پتروفیزیکی لاگ، بعد از اینکه داده های نادرست حذف شدند و نیز از لحاظ محیطی تصحیحات لازمه صورت گرفت، جمع شده و با مقایسه تخلخل مغزه این داده ها، عمق یابی شدند.
(Predictor) پیشگوی سرعت امواج برشی
به منظور ساخت پیشگوی Vs، 35 نمونه از سرعت امواج برشی جمع آوری شد. این داده ها به منظور پیدا کردن یک مدل برای پیش بینی Vs مورد استفاده قرار گرفت و با توجه به اینکه داده کافی برای آموزش شبکه در اختیار ما قرار نداشت برخی از مجموعه داده ها بوسیله رگرسیون چندگانه بدست آمد و در مرحله آموزش مورد استفاده قرار گرفت. همچنین از بقیه داده ها در مرحله تست شبکه به منظور پیش بینی توانایی مدل استفاده شد.


پارامترهای ورودی
با توجه به اینکه پیدا کردن Vs از تمام خصوصیات مربوط به سنگ و سیال کار ساده ای نیست، تنها از پارامترهای معمول مربوط به سنگ و سیال که از داده های لاگ می توان بدست آورد به عنوان پارامتر ورودی استفاده شد. البته لازم به ذکر است که این پارامترها تاثیر چشم گیری بر روی Vs دارند. برای مشخص کردن پارامترهای موثر بر روی Vs ما می توانیم از روابط تجربی متعددی که پارامترهای پتروفیزیکی را به Vs مربوط می کنند، استفاده کنیم. (یکی از مهمترین این روابط که ما در اینجا از آن استفاده خواهیم کرد، castagna است).
اگرچه پیشگویی هایی که از داده های لاگ و کار آزمایشگاهی صورت می گیرد باید در هر دو یکسان باشد (البته در صورتی که اندازه گیری ها بدون خطا باشد) اما اندازه گیری های انجام شده بوسیله لاگ نشان داده که پیشگویی با استفاده از امواج تراکمی قابل اعتماد تر است. شکل شماره 1 رابطه بین Vp و Vs را برای چاه شماره 3 نشان می دهد. شکل شماره 2 ترسیم شده Vs را که با استفاده از مطالعه castagna پیش بینی شده در مقابل داده مربوط به نمونه های ............ نشان می دهد. باید توجه داشت که اندازه گیری های مربوط به Vp از لاگ صوتی بدست آمده است. معادله castagna et al برای سنگ آهک و دولومیت بصورت زیر می باشد:


در معادله بالا Vp بر حسب km/s می باشد.
معادله زیر دارای ضریب همبستگی بهتری نسبت به معادله castagna et al می باشد.

شکل شماره 3 نمودار مربوط به Vs بدست آمده از معادله 3 می باشد. این معادله دارای یک ورودی بوده و ضریب همبستگی آن 0.80 است. بقیه پارامترها مانند NPHI، LLD، GR، RHOB، نیز برای بالا بردن دقت در پیش بینی Vs در معادله وارد شد. شکل های شماره 4 تا 7 تخلخل، محتوای رس، چگالی کل و مقاومت ناحیه عمیق را بر روی Vs نشان می دهند.

شکل شماره 1- رابطه بین Vp و Vs در چاه شماره 3

شکل شماره 2- Vs محاسبه شده از معادله Castagna و همکاران در برابر Vs

شکل شماره 3- Vs پیش بینی شده با استفاده از رگرسیون خطی در مقابل Vs محاسبه شده


شکل شماره 6- اثر چگالی کل بر روی Vs در شرایط اشباع

شکل شماره 7- اثر مقاومت ناحیه عمیق روی Vs در شرایط اشباع
رگرسیون چندگانه
رگرسیون چند گانه یک مدل توسعه یافته از رگرسیون است که پارامترهای غیروابسته بیشتری را در معادله پیشگو وارد می کند. برای هر میدان یا ناحیه جدید بایستی معادله پیشگوی خاص آن را در نظر گرفت. حال ما می توانیم پنج پارامتری را که قبلا عنوان شد را مد نظر بگیریم. معادله زیر یک مدل چند متغیره برای بدست آوردن پارامتر های ثابت a1، a2، ... و a5 برای پارامترهای مورد نظر می باشد.

بر اساس سهمی که هر پارامتر بر روی Vs دارد وزن مربوط به آن به عنوان متغیر ورودی پیش بینی می شود، که البته این کار توسط رگرسیون چند گانه صورت می گیرد. با توجه به اینگه دو پارامتر LLD و GR از تاثیر کمتری برخوردارند لذا ما این دو پارامتر را حذف کرده و بر تاثیر سه پارامتر دیگر بر طبق معادله زیر می افزاییم:

Vs محاسبه شده از معادله 5 تطابق خوبی را از Vs اندازه گیری شده، نشان می دهد (شکل شماره 8). شکل شماره 9، Vs محاسبه شده ار رگرسیون چندگانه و نیز داده مغزه در چاه شماره 3 را نشان می دهد. در مجموع نتیجه ای که بدست آمد اینست که روش های آماری به مراتب دقیق تر از روش های تجربی می باشند.

شکل شماره 8- Vs ییش بینی شده با استفاده از رگرسیون چندگانه در برابر Vs محاسبه شده

شکل شماره 9- Vs محاسبه شده با استفاده از روش رگرسیون چندگانه برای چاه شماره 3
طراحی شبکه عصبی
شبکه های عصبی سیستم های پردازش موازی هشتند که برای تشخیص الگو های بسیار پیجیده در بین داده ها بکار می روند. یک شبکه عصبی مصنوعی یک سیستم پردازش اطلاعات است که دارای برخی مشخصه های مشترک با شبکه های عصبی بیولوژیکی می باشد. لذا هر شبکه از مجموعه ای از نرون ها که بصورت خاصی چیده شده اند، تشکیل شده است. اصلی ترین قسمت یک شبکه عصبی نرون ها و خطوط ارتباط بین آنها می باشد. یک شبکه عصبی چند لایه از یک لایه ورودی، یک یا چند لایه میانی و یک لایه خروجی تشکیل شده است.


لایه ای که اطلاعات ورودی را دریافت می کند را لایه ورودی می نامند و عملا کاری بر روی ورودی ها انجام می دهد. خروجی شبکه از لایه خروجی آن تولید می شود. بقیه لایه ها به لایه های مخفی معروف می باشند، بخاطر اینکه هیچ گونه ارتباطی با محیط خارج ندارند. Topology یا ساختار یک شبکه نحوه اتصال لایه های مختلف را بیان می کند.

در این مطالعه سه پارامتر تخلخل نوترون، چگالی کل و مدت زمان انتقال (DT) که دارای نفوذ زیادی روی Vs هستند، مد نظر می باشند. پارامترهای دیگری چون اشعه گاما، مقاومت جانبی با عمق نفوذ زیاد و مختصات x و y می توانند اطلاعات خوبی را به عنوان ورودی به شبکه بدهند. (شکل شماره 10)

شکل شماره 10- شبکه عصبی استفاده شده در این مطالعه
توابع ریاضی جهت ترکیب ورودی با برخی وزن های ارتباطی با استفاده از یک الگریتم بروز کننده بکار رفته و بعد از تعدادی تکرار وزن های نهایی را تولید می کنند. به این عمل فرایند یادگیری گفته می شود. عمل یادگیری می تواند توسط الگریتم های با ناظر و یا بدون ناظر صورت گیرد. در یادگیری با ناظر هم به ورودی و هم به خروجی ولی در یادگیری بدون ناظر فقط ورودی مورد نیاز می باشد.


در فرایند تفسیر داده توسط یک شبکه عصبی داده ها به دو گروه آموزش (training) و آزمون (test) تقسیم می شوند. ذر این فریند خروجی مشخص به ورودی متناظر با آن به منظور آموزش و تنظیم وزن های ارتباطی در بین فرون ها مورد استفاده قرار می گیرد. (یادگیری با ناظر)


در این مطالعه پیشگوهای (DT (DT,S Predictors با استفاده از یک شبکه نیز انتشار (BPV) که یکی از انواع شبکه های پیشخور هستند و نیز از قاعده یادگیری دلت تبعیت می کنند، تولید شدند. زمانیکه وزن ها و مقدار bias شبکه مشخص شد، شبکه جهت آموزش آماده می باشد. بعد از آموزش شبکه با استفاده از مثال های متنوع بایستی به تست شبکه پرداخت. همچنین تابع محرک tangent signoid نیز برای ایجاد خروجی در بازه (1و1-) در لایه های مخفی و خروجی هر نرون مورد استفاده قرار گرفت. (شکل 11)

شکل شماره 11- تابع محرک استفاده شده برای تمام نرون های لایه میانی و خروجی
در طی فرایند آموزش BPV ها استاندارد، نرخ آموزش ثابت نگه داشته می شود. بنابراین نسبت به در نظر گرفتن نرخ آموزش مناسب بسیار حساس می باشند.


زمانیکه عمل آموزش پایان یافت، شبکه به منظور مشخص کردن قابلیت تعمیم دهی آن مورد تست قرار می گیرد. برای پی بردن به قابلیت تعمیم دهی شبکه بایستی از داده هایی که قبلا در مراحل آموزش و تست شبکه مورد استفاده قرار گرفته اند، استفاده شود.


بررسی نتایج بدست آمده:
در این مطالعه، 35 نمونه مغزه کربناته، از چهار چاه، مورد استفاده قرار گرفت. Vp، Vs، تخلخل و تراوایی برای تمام نمونه ها اندازگیری شد. در ابتدا پارامترهای اصلی که روی Vs تاثیر داشتند مشخص شده و از تمام نمونه ها جهت ایجاد رگرسیون چندگانه استفاده شد. متغیر هایی از جمله Vp، چگالی کل و تخلخل نوترون در معادله نهایی مورد استفاده قرار گرفت. شبکه عصبی سیر انتشار با 10 نرون در لایه میانی و تابع محرک ligistic در نرون های مربوط به لایه میانی و خروجی طراحی شد. یکی از معایبی که رگرسیون چندگانه دارد، عدم قابلیت تعمیم می باشد،

یعنی به ازای ورودی مربوط به چاههای جدید خروجی مطلوب را ارائه می دهد. این مسئله را می توان با سیستم های هوشمند مانند شبکه های عصبی مشنوعی حل نمود به همین خاطر به آنها سیستم رگرسیون دینامیک گفته می شود. شکل شماره 12، Vs بدست آمده از لاگ، رگرسیون چندگانه و شبکه عصبی را نشان می دهد.

همانطور که مشاهده می شود تطابق خوبی بین آنها وجود دارد. بنظر می رسد که شبکه های عصبی به خاطر قابلیت در کشف کردن روابط بین داده های وروردی و خروجی به صورت روزافزون در مسائل مهندسی مخصوصا مهندسی نفت کاربرد پیدا می کنند.

شکل شماره 12- مقایسه بین Vs بدست آمده آمده از مغزه، رگرسیون چندگانه و تکنیک شبکه های عصبی در چاه شماره 3

شبکه های عصبی مصنوعی

پياده سازي ويژگي هاي شگفت انگيز مغز در يك سيستم مصنوعي (سيستم ديناميكي ساخته بشر) هميشه وسوسه انگيز و مطلوب بوده است. محققيني كه طي سالها در اين زمينه فعاليت كرده اند بسيارند ليكن نتيجه اين تلاشها، صرف نظر از يافته هاي ارزشمند، باور هر چه بيشتر اين اصل بوده است كه مغز بشر دست نيافتني است.

با تاكيد بر اين نكته كه گذشته از متافيزيك، دور از دسترس بودن ايده آل هوش طبيعي را مي توان با عدم كفايت دانش موجود بشر از فيزيولوژي عصبي پذيرفت، بايد اذعان داشت كه عالي بودن هدف و كافي نبودن دانش موجود، خود سبب انگيزش پژوهش هاي بيشتر و بيشتر در اين زمينه بوده و خواهد بود، همچنان كه امروزه شاهد بروز چنين فعاليت هايي در قالب شبكه هاي عصبي مصنوعي هستيم.


انگيزه هاي بيولوژيكي
تحقيقات و علاقه مندي به شبكه هاي عصبي از زماني شروع شد كه مغز به عنوان يك سيستم ديناميكي با ساختار موازي و پردازشگرهاي كاملاًً مغاير با پردازشگرهاي متداول شناخته شد. نگرش نوين در مورد كاركرد مغز نتيجه تفكراتي بود كه در اوايل قرن بيستم توسط رامون سگال در مورد ساختار مغز به عنوان اجتماعي از اجزاي محاسباتي كوچك به نام نرون شكل گرفت. در اين بخش، هدف آن است كه بطور مختصر آن دسته از ويژگي ها، كاركرد و ساختار مغز را كه انگيزه اي جهت توسعه شبكه هاي عصبي مصنوعي به حساب مي آيند، تشريح شوند.


مغز به عنوان يك سيستم پردازش اطلاعات با ساختار موازي، از 1011 نرون به هم مرتبط با تعداد 1016 ارتباط تشكيل شده است. نرون ها ساده ترين واحد ساختاري سيستم هاي عصبي هستند. بافت هايي كه عصب ناميده مي شوند اجتماعي از نرون ها هستند كــــــه اطلاعات و پيام ها را از يك قسمت بدن به قسمت ديگر منتقل مي كنند.


ميليونها نرون در بدن انسان وجود دارند. حتي ساده ترين كارهاي روزمره انسان از قبيل پلك زدن تنها از همكاري همه جانبه اين نرون ها ميسر است. بيشترين تعداد نرون ها در مغز و باقي در نخاع و سيستم هاي عصبي جانبي تمركز يافته اند. گرچه همه نرون ها كاركرد يكساني دارند، ولي اندازه و شكل آنها بستگي به محل استقرارشان در سيستم عصبي دارد. با وجود اين همه تنوع، بيشتر نرون ها از سه قسمت اساسي تشكيل شده اند:


- بدنه سلول (كه شامل هسته و قسمت هاي حفاظتي ديگر مي باشد.)
- دندريت
- آكسون
كه دو قسمت آخر عناصر ارتباطي نرون را تشكيل مي دهند. شكل زير ساختمان سلول عصبي را نشان مي دهد.

نواحي اصلي يك سلول عصبي بيولوژيك
دندريت ها به عنوان مناطق دريافت سيگنال هاي الكتريكي، شبكه هايي تشكيل شده از فيبرهاي سلولي هستند كه داراي سطح نامنظم و شاخه هاي انشعابي بي شمار مي باشند، به همين علت آنها را شبكه هاي دريافتي درخت گونه گويند. دندريت ها سيگنال هاي الكتريكي را به هسته سلول منتقل مي كنند. بدنه سلول، انرژي لازم را براي فعاليت نرون فراهم كرده و بر روي سيگنال هاي دريافتي عمل مي كند كه با يك عمل ساده جمع و مقايسه با يك سطح آستانه انجام مي شود. آكسون برخلاف دندريت ها از سطحي هموارتر (تعداد شاخه هاي كمتر) برخوردار مي باشد.

آكسون طول بيشتري داشته و سيگنال الكتروشيميايي دريافتي از هسته سلول را به نرون هاي ديگر منتقل مي كند. محل تلاقي يك آكسون از يك سلول به دندريت هاي سلول ديگر را سيناپس مي گويند. سيناپس ها واحد ساختاري كوچك تابعي هستند كه ارتباط بين نرونها را برقرار مي سازند. سيناپسها انواع مختلفي دارند كه يكي از مهمترين آنها، سيناپس هاي شيميايي است.


پيامهاي عصبي تنها به صورت يك طرفه حركت مي كنند، از دندريت ها به بدنه سلول و سپس به آكسون. سالها محققان بيولوژي فكر مي كردند كه سيگنال هاي عصبي تنها از نوع الكتريكي مي باشند. جزئيات فعاليت هاي عصبي همچنان نامشكوف بود، تا اين كه محققان با دستيابي به تكنولوژي معاصر توانستند پاسخ هاي يك سلول عصبي منفرد را اندازه بگيرند. نتيجه اين بود كه اين پالس هاي عصبي توسط يك فرآيند الكتروشيميايي به انجام مي رسند.


تشابهات و انتظارات
با توجه به مقدمات فوق، مي توان گفت كه با تمام اغراق ها در مورد شبكه عصبي مصنوعي، اين شبكه ها اصلاًً سعي در حفظ پيچيدگي مغز ندارند. اكنون موضوع ياد شده را تحت دو عنوان تشابهات و انتظارات مورد بررسي قرار مي دهيم.


تشابهات
1- بلوكهاي ساختاري در هر دو شبكه مصنوعي و بيولوژيكي، دستگاه هاي محاسباتي خيلي ساده اي هستند و علاوه بر اين، نرون هاي مصنوعي از سادگي بيشتري برخوردار مي باشند.


2- ارتباط هاي بين نرون ها، عملكرد شبكه را تعيين مي كند.گرچه نرون هاي بيولوژيكي از نرون هاي مصنوعي، بسيار كندتر هستند (يك ميليون بار)، اما عملكرد مغز، خيلي سريعتر از عملكرد يك كامپيوتر معمولي است. علت اين پديده، بيشتر به خاطر ساختار كاملاًً موازي نرونها مي باشند و اين يعني اين كه همه نرون ها معمولاًً به طور همزمان كار مي كنند و پاسخ مي دهند . شبكه هاي عصبي مصنوعي نيز داراي ساختار موازي هستند.


انتظارات
شبكه هاي عصبي مصنوعي با وجود اينكه با سيستم عصبي طبيعي قابل مقايسه نيستند ويژگي هايي دارند كه آنها را در بعضي از كاربردها مانند تفكيك الگو، رباتيك، كنتــرل و به طور كلي در هر جا كه نياز به يادگيري خطي يا غيرخطي باشد، ممتاز مي نمايند. اين ويژگي ها به شرح زير هستند:
- قابليت يادگيري
- پراكندگي اطلاعات
- قابليت تعميم


- پردازش موازي
- مقاوم بودن (قابليت تحمل خطا)
مدل سازي سيستم هاي عصبي
پس از روشن شدن ساختار و نحوه اتصال سلول هاي عصبي كوشش هاي زيادي براي ايجاد يك مدل رياضي با عملكرد مشابه سلول هاي عصبي صورت گرفت. در سال 1943، مك كالوچ يك عصب شناس و يك رياضي دان به نام پيتز براي نخستين بار يك مدل رياضي براي بهينه سازي عملكرد يك سلول عصبي پيشنهاد كردند. اين مدل كاملاًً ساده بوده و امروزه به نام خود آنها معروف است.

آن ها در بررسي هاي خود يك تابع منطقي را به طور دلخواه جهت نشان دادن حد آستانه نرون هاي رياضي خود پيشنهاد كردند كه خاصيت همه يا هيچ داشت اما نتوانستند راهي براي آموزش سلولهاي عصبي پيشنهادي ارائه دهند. در سال 1949 هب لگوي يادگيري موثري براي آموزش سلول هاي عصبي بهينه سازي شده ارائه داد كه امروزه به الگوي آموزشي هبيان معروف است . اين الگو راه حل عملي را جهت آموزش سلول هاي عصبي مصنوعي و شبكه هاي حاصل از آنها در پيش روي محققين قرار دارد. به اين ترتيب سلول هاي عصبي بهينه سازي شده به عنوان اجزاء اصلي سازنده شبكه هاي عصبي مصنوعي مورد استفاده قرار گرفت.


عنصر پردازش
عنصر پردازش در شبكه هاي عصبي مصنوعي نقش مشابه سلول عصبي را در سيستم هاي عصبي موجودات زنده دارد. در واقع واحد اصلي سازنده شبكه هاي عصبي مصنوعي عنصــر پردازش نام داد. شكل يك عنصر پردازش را نشان مي دهد. هر عنصر پردازش داراي x ورودي xij مي باشد. زيرنويس i مي تواند مقداري بين 1 و n داشته باشد و نشان دهنده سيگنال ورودي به عنصر پردازش است. هر ورودي xij قبل از ورود به عنصر پردازش وزن مي گيرد. وزن را با Wij نشان مي دهند و مقدار آن متناظر با قدرت اتصالات سيناپسي است.

هر وزن در ورودي مربوط به خودش ضرب مي شود. هر عنصر پردازش داراي يك ترم باياس و يك حد آستانه است. جمع سيگنال هاي دروني عنصر پردازش بايد از يك حد آستانه تجاوز كند تا سيگنال خروجي ايجاد شود. يك تابع انتقال نيز مسئول ايجاد سيگنال هاي خروجي است. از اين سيگنال خروجي مي توان به عنوان ورودي براي ساير عناصر پردازش استفاده كرد. معمولاًً به هر عنصر پردازش كه جزئي از يك شبكه با تعداد زيادي عناصر پردازش است، گره مي گويند. معادله رياضي مربوط به عملكرد عنصرپردازش i به صورت زير نوشته مي شود:


انديس i نشان دهنده نرون موردنظر و j نشان دهنده ورودي هايي است كه به عنصر پردازش موردنظر وارد شده است. fi نيز نشان دهنده تابع انتقال مورد استفاده است.

نماي كلي يك عنصر پردازش
- توابع انتقال
تابع انتقال f مي تواند خطي يا غيرخطي باشد. يك تابع انتقال براساس نياز خاص حل يك مساله، مساله اي كه قرار است به وسيله شبكه عصبي حل شود، انتخاب مي شود. در عمل تعداد محدودي از توابع انتقال مورد استفاده قرار مي گيرند. توابع انتقال بايد دو شرط اصلي داشته باشند:


1- مقدار تابع بايد در محدوده مشخصي تعريف شده باشد.
2- مقدار تابع بايد به صورت يكنواختي افزايش يابد.
در اغلب موراد از توابع انتقال سيگموئيدي استفاده مي شود. چون اين توابع داراي محدوده معيني هستند، مشتق آنها به سادگي قابل محاسبه بوده و غيرخطي مي باشند. خروجي اين توابع همواره بين صفر و يك است.


لازم به ذكر است كه m متغير ورودي ممكن است متغيرهاي ورودي اوليه و يا خروجــي نرون هاي لايه قبلي باشد كه به عنوان ورودي براي لايه بعدي محسوب مي شود. تعداد نرون هاي موجود در هر لايه و تعداد لايه ها در هر شبكه بستگي به كاربرد ويژه شبكه عصبي طراحي شده دارد. معمولاًً لايه اي كه اطلاعات ورودي به آنها داده مي شود

تحت عنوان لايه ورودي و لايه اي كه داده هاي خروجي از آن دريافت مي شود تحت عنوان لايه خروجي ناميده مي شود و به لايه هاي ديگر موجود بين اين دو لايه، لايه يا لايه هاي پنهاني گفته مي شود و جهت حركت سيگنال ها همواره از سمت لايه ورودي به سوي لايه خروجي است.

شمايي از يك شبكه عصبي مصنوعي
ويژگي هاي شبكه عصبی مصنوعي
از نظــــــر كلي شبكه هاي عصبي مصنوعي شبكه هايي سازش پذيرند كه مي توانند پس از آموزش ، خروجي هاي مطلوبي را توليد كنند. از نظر رياضي، شبكه هاي فوق يك سيستم ديناميكي بوده كه مي توانند بصورت تعدادي از معادلات نشان داده شوند. اين شبكه ها قادر به جمع آوري، پردازش و ذخيره اطلاعات مي باشند.

در متن اصلی مقاله به هم ریختگی وجود ندارد. برای مطالعه بیشتر مقاله آن را خریداری کنید