| شبکه های عصبی مصنوعی | |
| تعداد صفحات | ۲۹ |
| نوع فایل | Word |
| حجم فایل | ۳۴۰ kb |
در این قسمت پروژه با موضوع شبکه های عصبی مصنوعی به صورت فایل word برای دانلود ارائه شده است.
قسمتی از متن پروژه در زیر نشان داده شده است.
مقدمه
دهه‌هاي آغازين سده بيستم ميلادي و دوران پيشرفت شگرف صنعتي، همراه با توليد خودرو بود كه انقلاب همه جانبه اين درترابري، افزايش شتاب جابجايي و صدها كار و پيشه جديد دررشته‌ها بازرگاني بوجود آورده است به نظر مي‌رسد كه سمبل دوران فراصنعتي و نماد فرآورده‌هاي بي‌همتاي قرن آينده «هوش مصنوعي» است. امروزه موضوع هوش مصنوعي داغ ترين بحث ميان كارشناسان دانش رايانه واطلاعات و ديگر دانشمندان و تصميم‌گيرندگان است. در سراسرتاريخ تا به امروز انسان از جنبه تن و روان، مركز و محور بحث‌ها و پژوهش‌ها بوده است. ولي اكنون موجودي با رتبه‌اي پائين‌تر، بي‌جان و ساختگي مي‌خواهد جانشين او شود، امري كه بدون شك مي‌توان ادعا نمود بيشتر انسان‌ها با آن مخالفند.هوش مصنوعي چنانچه به هدف‌هاي والاي خود برسد، جهش‌بزرگي در راه دستيابي بشر به رفاه بيشتر و حتي ثروت افزون‌ترخواهد بود. هم اكنون نمونه‌هاي خوب و پذيرفتن از هوش مصنوعي‌در دنياي واقعي ما به كار افتاده است. چنين دستاوردهايي ، صرف‌منابع لازم در آينده را همچنان توجيه خواهد كرد. از سوي ديگر، منتقدين هوش مصنوعي چنين استدلال مي‌كنند كه صرف زمان و منابع ارزشمند ديگر در راه ساخت فراورده‌اي كه پر از نقص و كاستي و دست‌آوردهاي مثبت اندكي است ، مايه بدنام كردن و زير پا گذاشتن توانمندي‌ها و هوشمندي‌هاي‌انسان مي‌باشد. تلخ‌ترين انتقادها بر اين باور است كه هوش‌مصنوعي، توهين آشكار به گوهر طبيعت و نقش انسان است.شبکه عصبی مصنوعی روشی عملی برای یادگیری توابع گوناگون نظیر توابع با مقادیر حقیقی، توابع با مقادیر گسسته و توابع با مقادیر برداری میباشد. یادگیری شبکه عصبی در برابر خطاهای داده های آموزشی مصون بوده و شبکه با موفقیت به مسائلی نظیر شناسائی گفتار، شناسائی و تعبیر تصاویر، و یادگیری روبات اعمال شده اند.
هوش مصنوعي و هوش انساني
براي شناخت هوش مصنوعي شايسته است تا تفاوت آن را با هوش انساني به خوبي بدانيم مطالعه شبکه های عصبی مصنوعی تا حد زیادی از سیستم های یادگیر طبیعی نشآت گرفته است که در آنها یک مجموعه پیچیده از نرونهای به هم متصل درکاریادگیری دخیل هستند.مغز انسان از تعداد ۱۰ ۱۱ نرون تشکیل شده که هر نرون با تقریبا ۱۰۴ نرون دیگر در ارتباط است.سرعت سوئیچنگ نرونها در حدود ۱۰-۳ ثانیه است آدمی قادر است در ۰٫۱ ثانیه تصویر یک انسان را بازشناسائی نماید. مغز انسان از ميلياردها سلول يا رشته عصبي درست شده است و اين سلول‌ها به صورت پيچيده‌اي به يكديگرمتصل‌اند. شبيه سازي مغز انسان مي‌تواند از طريق سخت‌افزار يا نرم‌افزارانجام گيرد. تحقيقات اوليه نشان داده است شبيه‌سازي مغز، كاري مكانيكي و ساده مي‌باشد. براي مثال، يك كرم داراي چند شبكه عصبي‌است. يك حشره حدود يك ميليون رشته عصبي دارد و مغز انسان ازهزار ميليارد رشته عصبي درست شده است. با تمركز و اتصال رشته‌هاي‌عصبي مصنوعي مي‌توان واحد هوش مصنوعي را درست كرد.هوش انساني بسيار پيچيده‌تر و گسترده‌تر از سيستم‌هاي رايانه‌اي است و توانمندي هاي برجسته‌اي مانند:استدلال، رفتار، مقايسه، آفرينش و بكار بستن مفهوم ها را دارد.هوش انساني توان ايجاد ارتباط ميان موضوع‌ها و قياس ونمونه سازيهاي تازه را دارد. انسان همواره قانون‌هاي تازه‌اي مي‌سازد و يا قانون پيشين را در موارد تازه بكار مي‌گيرد. توانايي بشر در ايجاد مفهوم‌هاي گوناگون در دنياي پيرامون خود، از ويژگي‌هاي ديگر اوست. مفهوم‌هاي گسترده‌اي همچون روابط علت و معلولي، زمان و يا مفهوم هاي ساده تري مانند گزينش وعده‌هاي خوراك (صبحانه، ناهار و شام) را انسان ايجاد كرده است. انديشيدن در اين مفهوم‌ها و بكاربستن آنها، ويژه رفتار هوشمندانه انسان است.هوش مصنوعي در پي ساخت دستگاههايي است كه بتوانند توانمندهاي ياد شده (استدلال، رفتار، مقايسه و مفهوم آفريني) را از خودبروز دهند. آنچه تاكنون ساخته شده نتوانسته است خود را به اين پايه‌برساند، هر چند سودمندي‌هاي فراواني به بار آورده است.نكته آخر اينكه، يكي از علل رويارويي با مقوله هوش مصنوعي،ناشي از نام گذاري نامناسب آن مي‌باشد. چنانچه جان مك كارتي در سال ۱۹۵۶ ميلادي آن را چيزي مانند «برنامه‌ريزي پيشرفته » ناميده بود شايد جنگ و جدلي در پيرامون آن رخ نمي‌داد.هوش مصنوعي به تعدادي ميدانهاي فرعي تقسيم شده است و سعي دارد تا سيستم‌ها و روشهايي را ايجاد كند كه بطور تقليدي مانند هوش ومنطق تصميم گيرندگان عمل نمايد.در زير به شبكه هاي عصبي ميپردازيم.
شبکه‌های عصبی زیستی
شبکه‌های عصبی زیستی مجموعه‌ای بسیار عظیم از پردازشگرهای موازی به نام نورون اند که به صورت هماهنگ برای حل مسئله عمل می‌کنند و توسط سیناپس‌ها (ارتباط های الکترومغناطیسی) اطلاعات را منتقل می‌کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‌ها می‌توانند نبود آن را جبران کرده و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یاد گیری اند. مثلا با اعمال سوزش به سلول‌های عصبی لامسه، سلول‌ها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سامانه می‌آموزد که خطای خود را اصلاح کند. یاد گیری در این سامانه ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده از مثال‌ها وزن سیناپس‌ها به گونه ای تغییر می‌کند که در صورت دادن ورودی‌های تازه سامانه پاسخ درستی تولید کند.
تاریخچه شبکه‌های عصبی مصنوعی
از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوزیست‌ها سعی کردند سامانه یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوشش‌ها در شبیه سازی با استفاده از یک مدل منطقی توسط مک کلوک و والتر پیتز انجام شد که امروزه بلوک اصلی سازنده اکثر شبکه‌های عصبی مصنوعی است. این مدل فرضیه‌هایی در مورد عملکرد نورون‌ها ارائه می‌کند. عملکرد این مدل مبتنی بر جمع ورودی‌ها و ایجاد خروجی است. چنانچه حاصل جمع ورودی‌ها از مقدار آستانه بیشتر باشد اصطلاحا نورون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده مثل AND و OR بود.
نه تنها نروفیزیولوژیست‌ها بلکه روان شناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه‌های عصبی تاثیر داشتند. در سال ۱۹۵۸ شبکه پرسپترون توسط روزنبلات معرفی گردید. این شبکه نظیر واحدهای مدل شده قبلی بود. پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده میباشد، است. این سامانه می‌تواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند. سامانه دیگر مدل خطی تطبیقی نورون میباشد که در سال ۱۹۶۰ توسط ویدرو و هاف (دانشگاه استنفورد) به وجود آمد که اولین شبکه‌های عصبی به کار گرفته شده در مسائل واقعی بودند. Adalaline یک دستگاه الکترونیکی بود که از اجزای ساده‌ای تشکیل شده بود، روشی که برای آموزش استفاده می‌شد با پرسپترون فرق داشت.
در سال ۱۹۶۹ میسکی و پاپرت کتابی نوشتند که محدودیت‌های سامانه‌های تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیش داوری و قطع سرمایه گذاری برای تحقیقات در زمینه شبیه سازی شبکه‌های عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله جالبی نمی‌باشد، تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.
با وجود اینکه اشتیاق عمومی و سرمایه گذاری‌های موجود به حداقل خود رسیده بود، برخی محققان تحقیقات خود را برای ساخت ماشین‌هایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند، ادامه دادند. از جمله گراسبگ که شبکه‌ای تحت عنوان Avalanch را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد. همچنین او با همکاری کارپنتر شبکه‌های ART را بنا نهادند که با مدل‌های طبیعی تفاوت داشت. اندرسون و کوهونن نیز از اشخاصی بودند که تکنیک‌هایی برای یادگیری ایجاد کردند. ورباس در سال ۱۹۷۴ شیوه آموزش پس انتشار خطا را ایجاد کرد که یک شبکه پرسپترون چندلایه البته با قوانین نیرومندتر آموزشی بود.
پیشرفت‌هایی که در سال ۱۹۷۰ تا ۱۹۸۰ بدست آمد برای جلب توجه به شبکه‌های عصبی بسیار مهم بود. برخی فاکتورها نیز در تشدید این مساله دخالت داشتند، از جمله کتاب‌ها و کنفرانس‌های وسیعی که برای مردم در رشته‌های متنوع ارائه شد. امروز نیز تحولات زیادی در تکنولوژی ANN ایجاد شده‌است.
فهرست مطالب
مقدمه
هوش مصنوعي و هوش انساني
شبکه‌های عصبی زیستی
تاریخچه شبکه‌های عصبی مصنوعی
شبكه عصبي (Neural Network) چيست؟
نورون مصنوعی
شبکه عصبی مصنوعي(ANN) چیست؟
ساختار شبکه‌های عصبی
شبکه‌های عصبی در مقایسه با کامپیوترهای معمولي
چرا از شبکه‌های عصبی استفاده می‌کنیم؟
تقسیم بندی شبکه‌های عصبی
شبکه عصبی چه قابلیتهائی دارد؟
کاربرد شبکه‌های عصبی
انواع شبكه عصبي
شبکه عصبی پرسپترون
شبکه های چند لایه
یک سلول واحد
شبكه عصبي هاپفيلد
شبکه عصبي همينگ
شبکه عصبی خود سازمانده مدل کوهنن
شبکه عصبی تأ خير زمانی
شبكه انتشار رو به عقب
معایب شبکه‌های عصبی
منابع
| شبکه های عصبی مصنوعی | |
| تعداد صفحات | ۲۹ |
| نوع فایل | Word |
| حجم فایل | ۳۴۰ kb |