بخشی از مقاله
چکیده
شبکههای عصبی زیرمجموعهای از تکنیکهای هوش مصنوعی هستند که امروزه برای حل بسیاری از مسائل، شامل پیشبینی، مدلسازی و شناسایی الگوها رایج شدهاند. شبکههای عصبی مصنوعی از حدود سال1990 برای تجزیه و تحلیل دادههای سنجش از دور در کاربردهای گوناگون مانند طبقهبندی تصاویر ماهوارهای به منظور ایجاد نقشههای کاربری زمین، پیشبینی گسترش رشد شهری و پیشبینی تغییرات کاربری زمین به کار گرفته شده است.
از جمله تواناییهای این روش قدرت تکرار و یادگیری روابط غیرخطی در مقایسه با روشهای معمول نظیر روش رگرسیون لجستیک، حداقل فاصله، حداکثر احتمال، طبقهبندی متوازی السطوح، فیشر و شبکه خودکار میباشد. شبکههای عصبی نیازی به فرضیههای محدودکننده آماری ندارند و در سالهای اخیر از این ابزار به دلیل کاربرد و انعطافپذیری بالای آن در مطالعات مختلف استفاده شده است.
در مقاله حاضر برخی مدلهای شبکههای عصبی مصنوعی از جمله شبکه عصبی پرسپترون چند لایه، فازی آرتمپ و شبکه خودسامانده معرفی و نحوه کاربرد آنها در مطالعات طبقهبندی تصاویر ماهوارهای به منظور تهیه نقشه کاربری زمین بررسی شده است. نتایج کاربرد روش شبکه عصبی در مطالعات انجام شده برای اکثر کاربردها، نشان داد که شبکههای عصبی مصنوعی میتوانند نتایج دقیقتر و سریعتری نسبت به سایر روشها ارائه دهند، لذا استفاده از این روش به عنوان یک رهیافت مناسب جهت طبقهبندی تصاویر ماهوارهای و ایجاد نقشه کاربری/پوشش زمین پیشنهاد میشود.
مقدمه:
شبکههای عصبی مصنوعی1 ویژگیهایی نظیر قابلیت یادگیری و انطباق با محیط، تعمیم، پراکندگی اطلاعات و پردازش موازی دارند - منهاج، . - 1379 مزیت مهم این مدلها نسبت به سایر مدلهای ساختاری این است که به معادلات ریاضی حاکم بر روابط پدیدهها کاری ندارند بلکه تنها به تاریخچه یا فراوانی آن پدیده میپردازند. در واقع یک سیستم شبکه عصبی با به خاطر سپاری تاریخچه و فراوانی یک پدیده میتواند آن را پیشبینی کرده و در صورتی که از اطلاعات جامع و کامل استفاده شده باشد، برای پیشبینی رفتار این پدیده در مناطق دیگر نیز استفاده کند
به عبارت دیگر با استفاده از شبکه عصبی مصنوعی میتوان روابط بین متغیرها را هرچند پیچیده باشند، توسط کامپیوتر فراگرفت و از آن برای پیشبینی مقادیر آتی استفاده کرد. در طراحی این مدلها نیازی به اعمال فرضهای آماری مربوط به نحوه ارتباط بین متغیرها نیست.
مدلهای متفاوتی از شبکه عصبی مصنوعی جهت طبقهبندی تصاویر ماهوارهای و ایجاد نقشه کاربری/پوشش زمین به کار گرفته شده است. سه روش مرسوم در طبقهبندی تصاویر که از توانایی بالایی در تفکیک طبقات مختلف کاربری زمین برخوردار هستند، عبارت هستند از شبکه عصبی پرسپترون چند لایه2، فازی آرتمپ3 و شبکه خودسامانده 4 این مقاله ضمن توضیح مختصری درباره این سه مدل شبکه عصبی، برخی کاربردهای آنها را به صورت مرور منابع بیان میکند.
شبکه عصبی مصنوعی شبکه عصبی مصنوعی معمولا از لایههای ورودی، پنهان و خروجی تشکیل شده است. لایه ورودی فقط اطلاعات را دریافت کرده و مشابه متغیر مستقل عمل میکند، لایه خروجی نیز همانند متغیر وابسته عمل کرده و تعداد نرونهای آن بستگی به تعداد متغیر وابسته دارد اما برخلاف لایههای ورودی و خروجی، لایه پنهان، اصلیترین بخش پردازش شبکه عصبی است که میتواند شامل چند لایه و نرونهای متنوع باشد.
در شبکههای عصبی از دو مرحله یادگیری و مرحله تست استفاده میشود و نخست باید شبکه را آموزش داد و سپس بهکار گرفت. برای آموزش نیز شبکهها به تکرار فرایند انطباق ورودی با خروجی میپردازند که به آن تکرار5 رفت و برگشت شبکه میگویند که هزار یا مضربی از هزار است. شبکههای عصبی کار خود را برای اتصال نرونها6 با وزنهای تصادفی آغاز میکنند و در هر رفت و برگشت براساس توابع یادگیری7 به تغییر این وزنها میپردازند بهگونهای که انطباق بیشتر و بیشتری میان ورودیها و خروجیها بهدست میآید و در پایان این وزنهای تدقیق و تنظیم شده ذخیره میشوند تا در مرحله استفاده از شبکه بهکار گرفته شوند
اجرای فرایند طبقهبندی توسط شبکه بستگی به چگونگی آموزش شبکه دارد. در طول مرحله آموزش، شبکه عصبی قوانین حاضر را از دادههای آموزشی یاد میگیرد و این قوانین را به دادههای جدید و ناشناخته تعمیم میدهد. هرچند که ویژگیهایی مانند معماری شبکه8، نرخ یادگیری9، تعداد تکرار رفت و برگشت و الگوریتم یادگیری، همگی بر صحت طبقهبندی شبکه عصبی اثر میگذارند، قانون واضحی برای تعیین ارزش این پارامترها وجود ندارد و تنها تجربیات سایر محققان میتواند موثر باشد
بهطور معمول، نحوه آموزش در شبکههای عصبی مصنوعی به دو بخش نظارت شده و نظارت نشده تقسیم میشود. در روش نظارت شده معلوم است که پاسخ نهایی چه میتواند باشد و با تهیه و در اختیار قرار دادن آنها به شبکه، به آموزش آن پرداخته میشود.
به عبارت دیگر در روش نظارت شده کاربر نشانهای طیفی کاربریهای مشخص مانند جنگل و شهر را تهیه نموده و سپس مدل شبکه عصبی، هر سلول موجود در تصویر را به آن کاربری که بیشترین شباهت را با نشان طیفی مورد نظر دارد اختصاص میدهد. معمولا از روش اول برای ساخت مدلهای پیشبینی و طبقهبندی استفاده میشود. در روش نظارت نشده، مشخص نیست که پاسخ چیست یا نمونههایی از آنها در دست نیست و خود روش است که همانند خوشهبندی دادهها آنها را تقسیمبندی میکند
به عبارت دیگر در روش دوم کاربر با توجه به خوشههای ایجاد شده، هر خوشه را به یکی از طبقات کاربری مورد انتظار، مربوط میسازد. در حقیقت هدف از این نوع طبقهبندی، افزایش دقت و صحت طبقهبندیکننده شبکه عصبی مصنوعی میباشد
شبکه عصبی پرسپترون چند لایه شبکه عصبی پرسپترون چندلایه با قانون یادگیری پس انتشار خطا10 که از سادهترین و پرکاربردترین نوع شبکه عصبی است توسط Rumelhart و همکاران - 1988 - ایجاد و توسعه داده شد.
یک شبکه پرسپترون چندلایه، متشکل از لایههای ورودی، پنهان و خروجی است که ارتباط غیر خطی میان دادههای ورودی و خروجی را نشان میدهد. این عمل از طریق اتصال نرونهای هر لایه به لایههای قبلی و بعدی انجام میشود. هر واحد پردازش اطلاعات - نرون - در هر واحد لایههای میانی و خروجی، دو عمل را انجام میدهد. ابتدا مجموع حاصلضرب اطلاعات ورودی و وزنهای ارتباطی را محاسبه میکنند، سپس میزان محاسبه شده را از طریق یک تابع تبدیل به واحد پردازش لایه جلوتر انتقال میدهند
تعداد نسبتا وسیعی از توابع خطی و غیرخطی میتوانند در این مرحله مورد استفاده قرار گیرند - مشیری، . - 1380 در مرحله آموزش، به واحد محاسباتی پرسپترون - نرون - اطلاعات آموزشی داده میشود، سپس وزنهای شبکه به گونهای تنظیم میشوند که خطای بین خروجی فعلی و هدف حداقل گردند و یا این که تعداد دفعات آموزش، به مقداری که از پیش تعیین شده است، برسد. پس از آن برای ارزیابی صحت فرایند آموزش، یک سری ورودیهای تجربه نشده به شبکه اعمال میشود. این ورودیها از ورودیهای به کار رفته در فرایند آموزش شبکه متفاوت هستند. عمومأ آموزش شبکههای عصبی بسیار پیچیده و با تعداد متغیر زیاد است
