بخشی از پاورپوینت

اسلاید 1 :

      مقدمه

در سالیان اخیر شاهد حرکتی مستمر از تحقیقات صرفاً تئوری به تحقیقات کاربردی علی الخصوص در پردازش اطلاعات مسائلی  که برای آنها راه حلی موجود نیست و یا براحتی قابل حل نیستند ، بوده ایم . با عنایت باین حقیقت ، علاقه فزاینده ای در توسعه تئوریک سیستمهای دینامیکی هوشمند که مبتنی بر داده های تجربی هستند ، ایجاد شده است .“ شبکه های عصبی مصنوعی “ جزء این دسته از سیستمهای دینامیکی قرار دارند که با پردازش روی داده های تجربی دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل میکند . به همین خاطر به این سیستمها هوشمند گویند چرا که بر اساس محاسبات روی داده های عددی یا مثالها قوانین کلی را فرا میگیرند . این سیستمهای مبتنی بر هوش محاسباتی سعی در مدلسازی ساختار نرو -سیناپتیکی مغز بشر دارند .

اسلاید 2 :

انگیزه های بیولوژیکی

تحقیقات و علاقه مندی به شبکه های عصبی از زمانی شروع شد که مغز به عنوان یک سیستم دینامیکی با ساختار موازی و پردازشگری کاملاً مغایر با
پردازشگرهای متداول شناخته شد . مغز به عنوان یک سیستم پردازش اطلاعاتی با ساختار موازی از 100 تریلیون نرونهای به هم مرتبط تشکیل شده است . نرونها ساده ترین واحد ساختاری سیستمهای عصبی هستند. بافتهایی که عصب نامیده می شوند ، اجتماعی از نرونها می باشند . این نرونها اطلاعات و پیامها را از یک قسمت بدن به قسمت دیگر منتقل میکنند .
بیشتر نرونها از سه قسمت اساسی تشکیل شده اند :
1) بدنه سلول که شامل هسته و قسمتهای حفاظتی دیگر میباشد.
2) دندریت
3) اکسون
که دوتای آخر عناصر ارتباطی نرون را تشکیل می دهند .
پیامهای عصبی تنها بصورت یکطرفه حرکت می کنند : از دندریتها به بدنه سلول و سپس به اکسون.

اسلاید 3 :


تشابه شبکه های مصنوعی و بیولوژیکی در این است که دستگاه های محاسباتی خیلی ساده ای هستند و ارتباطات بین نرونها عملکرد شبکه را تعیین می کند.
شبکه های عصبی مصنوعی با وجود اینکه با سیستم عصبی طبیعی قابل مقایسه نیستند ، ویژگیهایی دارند که آنها را در بعضی از کاربردها مانند تفکیک الگو ، رباتیک ، کنترل ، و به طور کلی در هر جا که نیاز به یاد گیری یک نگاشت خطی و یا غیر خطی باشد ، ممتاز می نماید . این ویژگیها به شرح زیر هستند:

1- قابلیت یادگیری
2- پردازش اطلاعات  به صورت متن
3- قابلیت تعمیم
4- پردازش موازی
5- مقاوم بودن

اسلاید 4 :


1-قابلیت یادگیری
قابلیت یادگیری یعنی توانایی تنظیم پارامترهای شبکه(وزنهای سیناپتیکی) در مسیر زمان که محیط شبکه تغییر می کند و شبکه شرایط جدید را تجربه می کند ، با این هدف که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی شبکه رخ داد، شبکه بتواند با آموزش مختصر برای شرایط جدید نیز کار آمد باشد.

2- پردازش اطلاعات به صورت متن
3-قابلیت تعمیم
4-پردازش موازی
5- مقاوم بودن

اسلاید 5 :

1- قابلیت یادگیری
2-پردازش اطلاعات به صورت متن
رابطه یک به یک بین ورودیها و وزن های سیناپتیکی وجود ندارد . می توان گفت که هر وزن سیناپسی مربوط به همه ورودیها است ولی به هیچ یک از آنها به طور منفرد و مجزا مربوط نیست . به عبارت دیگر هر نرون در شبکه از کل فعالیت سایر نرونها متاثر می باشد . در نتیجه اطلاعات به صورت متن توسط شبکه های عصبی پردازش می شود . بر  این اساس چنانچه بخشی از سلولهای شبکه حذف شوند و یا  عملکرد غلط داشته باشند باز هم احتمال رسیدن به پاسخ صحیح وجود دارد . اگر چه این احتمال برای تمام ورودیها کاهش یافته ولی برای هیچ یک از بین  نرفته است .
3-قابلیت تعمیم
4- پردازش موازی
5- مقاوم بودن

اسلاید 6 :

1- قابلیت یادگیری
2-پردازش اطلاعات به صورت متن

3-قابلیت تعمیم
پس از آنکه مثالهای اولیه به شبکه آموزش داده شد ، شبکه می تواند در مقابل یک ورودی آموزش داده نشده قرار گیرد و یک خروجی مناسب ارائه نماید . این خروجی بر اساس مکانیزم تعمیم که همانا چیزی جز پروسه درونیابی نیست بدست می آید. به عبارت روشنتر شبکه  تابع را یاد می گیرد ، الگوریتم را می آموزد و یا رابطه تحلیلی مناسبی را برای تعداد نقاط در فضا بدست می آورد.

4-پردازش موازی
5- مقاوم بودن

اسلاید 7 :


1- قابلیت یادگیری
2-پردازش اطلاعات به صورت متن
3- قابلیت تعمیم

4-پردازش موازی
هنگامی که شبکه عصبی در قالب سخت افراز پیاده می شود ، سلولهایی که در یک تراز قرار می گیرند ، می توانند به طور همزمان به ورودیهای آن تراز پاسخ دهند.
این ویژگی باعث افزایش سرعت پردازش می شود . در واقع در چنین سیستمی وظیفه کلی پردازش بین پردازنده های کوچکتر مستقل از یکدیگر توزیع می گردد.

5-مقاوم بودن

اسلاید 8 :

1-قابلیت یادگیری
پردازش اطلاعات به صورت متن
3-قابلیت تعمیم
4- پردازش موازی

5-مقاوم بودن
در یک شبکه عصبی هر سلول به طور مستقل عمل می کند و رفتار کلی شبکه برآیند رفتارهای محلی سلولهای متعددی است. این ویژگی باعث می شود تا خطاهای محلی از چشم خروجی نهایی بدور بمانند . به عبارت دیگر سلول ها در یک روند همکاری خطاهای محلی یکدیگر را تصحیح می کنند . این خصوصیت باعث افزایش قابلیت مقاوم بودن در سیستم می گردد .

اسلاید 9 :

کاربرد شبکه های عصبی

کاربرد شبکه های عصبی حوزه وسیعی از مسائل در زمینه های مختلف فنی و مهندسی و اجتماعی از قبیل سیستمهای هوا فضا ، وسائل اتوماتیک خانگی ،بانکداری ،الکترونیک ، صنایع دفاعی ، وسائل سرگرم کننده ، پزشکی ، صدا و تصویر ، روباتها ، ارتباط راه دور، سیستمهای حمل و نقل و ... را در بر خواهد گرفت.
آنچه که شبکه های عصبی را در آینده محبوبتر خواهد نمود سرعت محاسباتی بالای کامپیوترها و الگوریتم های یادگیری سریعتر است که استفاده بیشتر از شبکه های عصبی را در مسائل صنعتی با محاسبات زیاد الزامی می نماید .

اسلاید 10 :

مدل تک ورودی
یک نرون کوچکترین واحد پردازشگر اطلاعات است. شکل زیر ساختار یک نرون تک ورودی را نشان می دهد اسکالرهای p وa به ترتیب ورودی و خروجی می باشند .

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