بخشی از مقاله
تقدير وتشكر:
درابتدا لازم است اززحمات استاد ارجمند جناب آقاي دكتر اكبرزاده براي راهنمايي دلسوزانه ايشان تشكركنم . ازكمك وياري كرده مهندسي كامپيوتر دانشگاه فردوسي مشهد بخصوص جناب آقاي دكتر دلداري ودوست ارجمند جناب آقاي حسين معين زاده كه بدون كمك هاي ايشان انجام اين پروژه بسيار مشكل وطاقت فرسا مي شد تشكر كنم اميدوارم بدينوسيله توانسته باشم ذره اي اززحمات اين بزرگواران راجبران كنم.
مقدمه:
خلاصه سازي روشي است براي فشرده سازي منتهاي بسياربزرگ كه به دليل روش بيشترين درمرتبط نرين اطلاعات موجود درمتن استخراج مي شودآنچه كه مارادراين محدود مي نمايد استخراج مرتبط ترين اطلاعات وعامل مهم ديگرخواندني بودن وقابل فهم بودن متن است.
باتوجه به افزايش روزافزون اطلاعات موجود دراينترنت كه به صورت الكترونيكي ارائه مي شود، تحقيقات وسيعي برروي اين زمينه درحال انجام است تابتوان هرچه سريع تر به مرتبط ترين اطلاعات است يافت مثلاٌ :اگر شما دراينترنت به دنبال موضوعي باشيد حجم وسيعي ازصفحات اينترنتي دراختيار شما قرار ني گيرد حال بايد تك تك اين صفحات رابه طور كامل مطالعه ؟؟؟؟؟ به اطلاعات موردنياز دست پيداكنيم . ولي به كمك روشهاي خلاصه سازي مي توان به راحتي خلاصه يك صفحه اينترنتي رادرچند جمله مشاهده كنيد وسپس به به طور خلاصه سازي كلي صورت مي پذيرد:
1- خلاصه سازي مبتني برفهم مطلب
2- خلاصه سازي مبتني براستخراج مطالب مهم
روش اول كه نام ديگرآن (پرورش طبيعي زباني) (NLP) مي باشد يعني سعي وآموزش سيستم درفهميدن متن وباتوجه كه قواعد وساختار هاي زباني درباره وبايك ساختار جديد تري متن راخلاصه كند دراين روش مانياز مند گرامر ونحوه جمله نويسي يك زبان خاص هستيم.
قدرت واهميت اين روش دراين است كه ازدقت بالاتري برخوردار است ولي به دليل سرعت پائين وپيچيدگي بسيار زياد كمتراستفاده مي شود.
روش دوم كه به روش هاي آماري معروف هستند ابتدا متن رابه تعداد جملات خود افراد كرده وهر جمله رابايك بردار نگاشت مي كنيم كه اين بردار ها مثال يك سري ويژگي هاي خاص نظير تعداد كلمات بعد وياتعداد اتفاقيي افتادن كلمات كليدي درآن و... مي باشد ازاين روش نيازمند يهاي زيادي هستيم تابه يك كليت ارتمام تنها بوسيله ازاين روش براساس يك سري ويژگي كه بردار هرجمله تشكيل مي دهند يادميگيريم كه چ=گونه جملات مزتبط بامفهوم متن راپيدا كنيم.
درساليان اخير شاهد حركتي مستمر ، ازتحقيقا ت صرفاً تئوري به تحقيقات كاربردي بخصوص درزمينه پردازش اطلاعات ، براي مسائلي كه براي آنه ا راه حلي موجود نيست ويا براحتي قابل حل نيستندبوده ايم. باعنايت به اين امر ، علاقه فرازينده اي درتوسعه تئوريك سيستمهاي ديناميكي هوشمند كه مبتني برداده ها تجربي هستتند – ايجاد شد ه است شبكه هاي عصبي مصنوعي جزء اين دسته ازسيستماي ديناميكي قراردارند، كه باپردازش روي داده ها ي تجربي ، دانش ياقانون نهفته دروراي داده ها رابه ساختار شبكه منتقل مي كنند. به همين خاطر به اين سيستمها هوشمند گويند چراكه براساس محاسبات روي داده ها ي عددي يامثالها، قوانين كلي رافرار مي گيرند .اين سيستمها درمدلسازي ساختار نرو- سيناتپتيكي مغز باشد.
پياد ه سازي ويژگيهاي شگف انگيز مغز دريك سيستم مصنوعي (سيستم ديناميكي ساخته دست بشر) هميشه وسوسه انگيز ومطلوب بوده است محققيني كه طي سالها در اين زمينه فعاليت كرده اند بسيارند؛ ليكن نتيجه اي ن تلاشها ، صرف نظر ازيافته هاي ارزشمند، باور هرچه بيشتر اين اصل بوده اس ت كه مغز بشر دست نيافتني است.
سبكه هاي عصبي چه دربعد آناليز وتوسعه ساختاري وچه دربعد پياده سازي سخت افزار ازنظر كمي وكيفي وتوانايي درحال رشد وپيشرفت مي باشد وتكنيكهاي مختلف محاسبات عصبي ازلحاظ تعداد همچنان درحال افزايش است فعاليت علمي و كاربردي درمسائل فني – مهندسي ازقبيل سيستمهاي كنترلي ،پردازش سيگنالهاو شناسايي الگو گسترش يافته است. بااذعان بخه اين مسائل، دراين بخش قصد داريم به معناي شبكه هاي عصبي مصنوعي ، حدود انتظارات ماازاين شبكه هاوشباهتهاي آنها با شبكه هاي واقعي بپردازيم.
هنگامي كه اين جملات رامطالعه مي كنيد درعمل ازيك سيستم شبكه هاي عصبي بيولوژيكي پيچيده ، جهت فهم مطالب كتاب مي ناييدازمغز به عنوان يك سيستم پردازش اطلاعات باساختار موازي وكاملاً پيچيده كه دو درصد وزن بدن راتشكيل مي دهد.
وبيش از بيست درصد كل اكسيژن بدن را مصرف مي كند براي خواندن، نفس كشيدن ، حركت، تفكر وتفحص وكليه اعمال آگاهانه وبسياري ازرفتارهاي ناخودآگاه استفاده مي شود. جهت واضح شدن توانائي مغز، يك بازي تنيس رادرنظر بگيريد بازيكن اول به توپ ضربه مزند وتوپ باسرعتي بيش از 130كيلومتر درساعت ب ه زمين حريف مي رس د حريف مقابل نيز با سرعتي معادل 60 كيلومتر درساعت به توپ ارسالي پاسخ مي دهد.تصور نماييد كه چه حجم عظيمي ازاطلاعات وسيگانلها جهت اين كار ودرطي زماني كمتر از چندثانيه بايستي جمع آوري وحاسبه شود. اين كه چگونه مغز اين كارها راانجا م مي دهد اززماني مطرح شد كه دريافتند مغز براي محاسبات خود، از ساختاري كاملاً مغاير باساختار متداول برخوردار مي باشد.تلاش براي فهم اين موضوع خصوصاً ازسال 1911قوت گرفت ، زماني كه براي نخستين بارشخصي به نام سگال اعلام كرد كه مغز ازعناصر اصلي ساختاري به نام نرون تشكيل يافته است.
هرنرون بيولوژيكي به عنوان اجتماعي ازموادآلي اگر چه داراي پيچيدگي يك ميكروپروسسور مي باشد ولي داراي سرعت محاسباتي برابر بايك ميكروپروسسور نيست.
بعضي ازساختارهاي نروني درهنگام تولد ساخته مي شوند وقسمتهاي ديگر درطول مسير حيات ، مخصوصاً دراوايل زندگي به و.جود مي آيند وقوام مي گيرند دانشمندان علم بيولوژيكي به تازگي دريافته اند كه عملكرد نرونهاي بيولوژيكي ازقبيل ذخيره سازي وحفظ بيولوژيكي درخودنرونها وارتباطات بين نرونها ن هفته است. به عبارت فني تر ، يادگيري به عنوان ايجاد ارتباطات جديد بين نرونها وتنظيم مجدد ارتباطات موجود استنباط مي شود.
اگر چه دانش كمي ازعملكرد نرونها داريم، ليكن سوال اين جاست كه آيا مي توان يك شبكه كوچك تزنرونها ي مصنوعي ساده ساخت، بطوري كه جهت حل مسائل پيچيده – كه دراصل چيزي جز يادگيري نگاشتها نيست- آموزش پذير باشد؟ پاسخ مثبت است واين كتاب دراصل جوابي براين مدعاست.
انتظارات
شبكه هاي عصبي باوجود اين كه باسيستم عصبي طبيعي قابل مقايسه نيستند ويژگيهايي دارند كه آنها رادربعضي ازكابردهايي مانند تفكيك الگو، رباتيك ، كنترل، وبطور كلي درهرجا كه نياز به يادگيري يك نگاشت خطي وياغير خطي باشد، ممتاز مي نمايند اين ويژگيها به شرح زير هستند:
1- قابليت يادگيري:
استخراج نتايج تحليلي ازيك نگاشت غير خطي كه باچند مشخص شده، كار ساده اي نيست، زيرا نرون يك دستگا ه غيرخطي است ودرنتيجه يك شبكه عصبي كه از اجتماع اين نرونها تشكيل مي شود نيز يك سيستم كاملاً پيچيده وغير خطي خواهد بود. به علاوه، خاصيت غير .خطي عناصر پردازش، ذدركل شبكه توزيع مي گردد. پياده سازي اين نتايج با يك الگوريتم معمولي وبدون قابلي ت يادگيري ، نياز به دقت ومراقبت زيادي دارد. درچنين حالتي سيستمي كه بتواند خود اي ن رابطه رااستخراج كند بسيار سودمند به نظر مي رسدخصوصاًافزودن مثالهاي احتمالي درآينده به يك سيستم باقابليت يادگيري ، به مراتب آسانتر ازانجام آن دريك سيستم بدون چنين قابليتي است، چراكه درسيستم اخير ، افزودن يك مثال جديد به منزله تعويض كليه كارهاي انجام شده قبلي است.
قابليت يادگيري يعني توانايي تنظيم پارامترهاي شبكه( وزنهاي سيناپتيكي) درمسيرزماني كه محيط شبكه تغيير مي كند وشبكه شرايط جديد راتجربه مي كند بااين هدف كه اگر شبكه براي يك وضعيت خاص آموزش ديد وتغيير كوچكي ئرشرايط محيطي آن (وضعيت) رخ داد، شبكه بتواند باآموزش مختصر براي شرايط جديد نيزكارآمد باشد.ديگر اين كه اطلاعات درشبكه هاي عصبي درسيناپسها ذخيره مي گرددوهرنرون در شبكه، به صورت بالقوه از.كل فعاليت ساير نرونها متأثرمي شود ودرنتيجه ، اطلاعات ازنوع مجزا ازهم نبوده بلكه متأثر ازكل شبكه مي باشد.
2- پراكندگي اطلاعات پردازش اطلاعات به صورت متن:
آنچه كه شبكه فرامي گيرد(اطلاعات يادانش)، دروزنهاي سيناپسي مستتر مي باشد. رابطه يك به يك بين وروديها و وزنهاي سيناپتيكي وجود ندارد. مي توان گفت كه هروزن سيناپسي مربوط به همه روريهاست ولي به هيچ يك از آنها بطور منفرد ومجزا مربوط نيست. به عبارت ديگر هرنرون درشبكه ،ازكل فعاليت ساير نرونها متاثر مي باشد، در نتيجه ، اطلاعات به صورت متن توسط شبكه هاي عصبي پردازش مي شوند.براين اساس چناچه بخشي ازسلولهاي شبكه حذف شوند وياعملكرد غلط داشته باشندبازهم احتمال رسيدن به پاسخ صحيح وجوددارد.اگر چه اي ن احتمال براي تمام وروديه ا كاهش يافته ولي براي هيچ يك ازبين نرفته است.
3- قابليت تعميم:
پس از آنكه مثالهاي اوليه به شبكه آموزش داده شد، شبكه مي تواند درمقابف يك ورودي آموزش داده نشده قرارگيرند ويك خروجي مناسب ارائه نمايند.اين خروجي بر اساس مكانيسم تعميم، كه همانا چيزي جز فرايند درونيابي نيست به دست مي .ايد .به عبارت روشنتر ،شبكه ، تابع راياد مي گيرد، الگوريتم رامي آموزد ويا رابطه تحليلي مناسبي رابراي تعدادي نقاط درفضا به دست مي اورد.
4- پردازش موازي:
هنگامي كه شبكه عصبي درقالب سخت افزار پياده سلولهايي كه دريك تراز قرار ميگيرند مي توانند بطور همزمان به وروديهاي آن تراز پاسخ دهند .اين ويژگي باعث افزايش سرعت پردازش مي شود .درواقع درچنين سيستمي ،وظيفه كلي پردازش بين پردازنده هاي كوچكتر مستقل ازيكديگر توزيع مي گردد.
5- مقاوم بودن:
دريك شبكه عصبي هرسلول بطور مستقل عمل مي كند ورفتار كلي شبكه ، برايند رفتارهاي محلي سوللهاي متعدد است.اين ويژگي باعث مي شود تاخطاها ي محلي ازچشم خروجي نهايي دوربمانند.به عبارت ديگر، سلولها دريك روند همكاري ،خطاها ي محلي يكديگر راتصحيح ميكنند. اين خصوصيت باعث افزايش قابليت مقاوم بودن، (تحمل پذيري خطاها) درسيستم مي گردد.
