بخشی از مقاله
چکیده
موضوع اي که در این مقاله مورد بررسی قرار گرفته شبکه هاي عصبی است ، که شامل موضوعاتی از قبیل اینکه : شبکه عصبی چیست ،چرا ازشبکه هاي عصبی استفاده کنیم ، شامل چه مواردي است ، ازچه بخش هایی تشکیل شده ،چه کاربردي دارد و اینکه چگونه کار میکند ، می باشد. از آنجا که شبکه هاي عصبی نسل جدیدي از شبکه می باشد لذا داراي دنیاي از اطلاعات جدید در زمینه شبکه و علم آن است.از جمله نتایج ارزشمند این مقاله می توان به آشنایی مبتدي با شبکه عصبی و طریقه کار آن و استانداردهاي به کار رفته در آن اشاره کرد ، که پایه و مقدمه اي براي آشنایی هر چه بیشتر با این علم جدید می باشد ، و ما در پایان این مقاله هر چند کوتاه با پیشرفت هاي شگرف در زمینه شبکه آشنا خواهیم شد.
-1مقدمه
قرن بیست و یکم را قرن ارتباطات و اطلاعات نام نهاده اند و این خود کوچکترین دلیل براي اهمیت برقراري ارتباط در دنیاي امروز است .امروزه یک نگاه متخصص میتواند براي بسیاري از مشکلات و مسائلی که به ظاهر لاینحل هستند، یک راه حل مبتنی بر فن- آوري اطلاعات و ارتباطات به سادگی و به نحو شایسته ارائه کند .به عنوان مثال میتوان به شبکه عصبی اشارهنمود که میتواند با بکارگیري سیستم هاي کامپیوتري، هم در بین افراد مختلف در سر تا سر دنیا ارتباطی مطمئن و باکیفیت برقرار کند و هم حجم بسیار زیادي از محاسبات را در زمان بسیار کوتاهی انجام دهد. دانشمندانی که در پی توسعه این شبکه هستند، دنیایی را به تصویر می کشند که هر شخصی می تواند به راحتی وارد یک شبکه شود و از توان محاسباتی موجود در شبکه استفاده کند.
در شیوه هاي نوین به جاي استفاده از رایانه هاي اختصاصی براي حل مسائل بزرگ ، با استفاده از رایانه هاي موجود پراکنده که از همه توان محاسباتی خود استفاده نمی کنند، سعی می شود با جمع آوري این توانهاي پراکنده که اغلب بی استفاده می مانند، کارهاي خود را انجام دهندمخصوصاً. اینکه هزینه هاي نگهداري به عهده مالکین منابع می باشد و مدیریت این سیستمصرفاً از منابع برخط در زمانبندي برنامه ها استفاده می کنند . با استفاده از شبکه عصبی توان کامپیوتر ها دیگر بی معنا است ، صرف نظر از آن که کامپیوتر شما ضعیف و ابتدایی است ، می توانید به بیش از قدرت کامپیوتري دست یابید که هم اکنون در پنتاگون وجود دارد
-2شبکه عصبی چیست.
شبکه هاي عصبی را میتوان با اغماض زیاد، مدلهاي الکترونیکی از ساختار عصبی مغز انسان نامید .مکانیسم فراگیري و آموزش مغزاساساً بر تجربه استوار است. مدلهاي الکترونیکی شبکه هاي عصبی طبیعی نیز بر اساس همین الگو بنا شده اند و روش برخورد چنین مدلهایی با مسائل، با روشهاي محاسباتی که به طور معمول توسط سیستمهاي کامپیوتري در پیش گرفته شده اند، تفاوت دارد.میدانیم که حتی سادهترین مغزهاي جانوري هم قادر به حل مسائلی هستند که اگر نگوییم که کامپیوترهاي امروزي از حل آنها عاجز هستند، حداقل در حل آنها دچار مشکل میشوند .
به عنوان مثال، مسائل مختلف شناسایی الگو، نمونهاي از مواردي هستند که روشهاي معمول محاسباتی براي حل آنها به نتیجه مطلوب نمیرسند .درحالیکه مغز ساده ترین جانوران به راحتی از عهده چنین مسائلی بر می آید .تصور عموم کارشناسان IT بر آن است که مدلهاي جدید محاسباتی که بر اساس شبکه هاي عصبی بنا میشوند، جهش بعدي صنعت IT را شکل میدهند .تحقیقات در این زمینه نشان داده است که مغز، اطلاعات را همانند الگوها - - pattern ذخیره میکند .
این حوزه از دانش محاسباتی - - computation به هیچ وجه از روشهاي برنامه نویسی سنتی استفاده نمیکند و به جاي آن از شبکه هاي بزرگی که به صورت موازي آرایش شده اند و تعلیم یافته اند، بهره می جوید. یک شبکه عصبی مصنوعی Artificial Neural - Network - ANN - - ایده اي است براي پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد . عنصرکلیدي این ایده ، ساختار جدید سیستم پردازش اطلاعات است .این سیستم از شمار زیادي عناصر پردازشی فوق العاده بهم پیوسته تشکیل شده - neurons - که براي حل یک مسأله با هم هماهنگ عمل می کند ANN .ها ،نظیر انسانها ، با مثال یاد میگیرند .
-3پیشینه تحقیق
به نظر می آید شبیه سازي هاي شبکه عصبی یکی ازپیشرفت هاي اخیر باشد . اگرچه این موضوع پیش از ظهور کامپیوتر ها بنیان گذاري شده و حداقل یک مانع بزرگ تاریخی و چندین دوره مختلف را پشت سر گذاشته است .خیلی از پیشرفت هاي مهم با تقلیدها وشبه سازي هاي ساده و ارزان کامپیوتري بدست آمده است . Minsk و Papert ،کتابی را در سال 1191 منتشر کردندکه در آن عقیده عمومی را جع به میزان محرومیت شبکه هاي عصبی را در میان محققان معین کرده بود وبدین صورت این عقیده بدون تجزیه و تحلیل هاي بیشتر پذیرفته شد .
هم اکنون ، زمینه تحقیق شبکه هاي عصبی از تجدید حیات علایق و متناطر با آن افزایش سرمایه گذاري لذت می برد. اولین سلول عصبی مصنوعی در سال 1193 بوسیله یک neurophysiologisبه نام Warren McCulloch ویک منطق دان به نام Walter Pits ساخته شد . اما محدودیتهاي تکنولوژي در آن زمان اجازه کار بیشتر به آنها نداد.
-4 چرا از شبکه هاي عصبی استفاده میکنیم
شبکه هاي عصبی ، با قابلیت قابل توجه در استنتاج معانی از داده هاي پیچیده یا مبهم ، براي استخراج الگوها و شناسایی روشهایی که آگاهی از آنها براي انسان و دیگر تکنیک هاي کامپیوتري بسیار پیچیده و دشوار است به کار گرفته می شوند .یک شبکه عصبی تربیت یافته می تواند به عنوان یک متخصص در مقوله اطلاعاتی اي که براي تجزیه تحلیل به آن داده شده به حساب آید .از این متخصص می توان براي بر آورد وضعیت هاي دلخواه جدید و جواب سؤال هاي " چه می شد اگر " استفاده کرد.
-5 تفاوتهاي شبکه هاي عصبی باروشهاي محاسباتی متداول و سیستمهاي خبره
گفتیم که شبکه هاي عصبی روش متفاوتی براي پردازش و آنالیز اطلاعات ارائه می دهند.اما نباید اینگونه استنباط شود که شبکه هاي عصبی میتوانند براي حل تمام مسائل محاسباتی مورد استفاده واقع شوند. روشهاي محاسباتی متداول همچنان براي حل گروه مشخصی از مسائل مانند امور حسابداري، انبارداري و محاسبات عددي مبتنی بر فرمولهاي مشخص، بهترین گزینه محسوب میشوند.
تلاشهایی که براي اجرایی کردن سیستمهاي خبره به کارگرفته شده اند، با مشکلات مشترکی مواجه بوده اند .با افزایش سطح پیچیدگی سیستمها، منابع کامپیوتري مورد نیاز سیستم به شدت افزایش مییابند و سیستم باکندي بیش از حد روبرو میشود .در حقیقت تجربه نشان داده است که در وضعیت فعلی، سیستمهاي خبره تنها میتوانند در مواقعی مفید واقع شوند که هدف محدود و مشخصی تعیین شده باشد..
-6کاربردهاي شبکه هاي عصبی
سیستم آنالیز ریسک کنترل هواپیما بدون خلبان ،ردیابی انحراف هواپیما ،شبیه سازي مسیر،سیستم راهنمایی اتوماتیک اتومبیل، سیستمهاي بازرسی کیفیت، آنالیز کیفیت جوشکاري و... میباشد.
-7 الگوریتم ژنتیک
الگوریتم ژنتیک که بعنوان یکی از روشهاي تصادفی بهینه یابی شناخته شده ,توسط جان هالند در سال 1191ابداع شده است . بعدها این روش با تلاشهاي گلدبرگ , 1191 مکان خویش را یافته و امروزه نیز بواسطه توانایی هاي خویش , جاي مناسبی در میان دیگر روشها دارد . روال بهینه یابی در الگوریتم ژنتیک براساس یک روند تصادفی هدایت شده استوار می-باشد.
این روش , بر مبناي نظریه تکامل تدریجی و ایده هاي بنیادین داروین پایه گذاري شده است.در این روش, ابتدا براي تعدادي ثابت که جمعیت نامیده می شود مجموعه اي از پارامترهاي هدف بصورت اتفاقی تولید می شود , پس از اجراي برنامه شبیه ساز عددي را که معرف انحراف معیار و یا برازش آن مجموعه از اطلاعات است را به آن عضو از جمعیت مذکور نسبت می دهیم.
