الگوریتم شبکه‌های عصبی مصنوعی

شبکه‌های عصبی

شبکه‌های عصبی مصنوعی

شبکه‌های عصبی Artificial neural network از تعداد زیادی عنصر پردازشی فوق‌العاده به‌هم‌پیوسته به نام نرون تشکیل‌شده که برای حل یک مسئله با یکدیگر به‌صورت هماهنگ عمل می‌کند. دسته‌بندی شبکه‌های عصبی شبکه‌ای از لایه‌هاست، معمولاً لایه‌ای که اطلاعات ورودی به آن‌ها داده می‌شود تحت عنوان لایه‌ی ورودی و لایه‌ای که داده‌های خروجی از آن دریافت می‌شود تحت عنوان لایه‌ی خروجی نامیده می‌شود و به لایه‌های دیگر بین این دولایه (در صورت وجود) لایه‌های پنهان گفته می‌شود.

شبکه‌های عصبی

جهت حرکت‌ها سیگنال‌ها همواره از سمت لایه‌ی ورودی به‌سوی لایه‌ی خروجی است بنابراین در این روش واحدهای ورودی معمولاً کلمه‌ها یا عبارات سند را نمایش می‌دهند و واحد (های) خروجی نشان‌دهنده دسته یا موضوع سند می‌باشند. برای دسته‌بندی یک سند تستی، وزن کلمه‌ها برای واحدهای ورودی تعیین می‌شود و فعال کردن این واحدها از طریق لایه‌های مختلف روبه‌جلو در شبکه انجام می‌شود و مقدار واحد خروجی به‌عنوان یک نتیجه در تصمیم‌گیری دسته‌ها تعیین می‌شود. برخی از محققان از پرسپترون یک لایه استفاده می‌کنند چون پیاده‌سازی آن ساده است و پرسپترون چند لایه که بسیار پیچیده بوده و پیاده‌سازی گسترده‌ای برای کار دسته‌بندی لازم دارد.

الگوریتم شبکه عصبی

شبکه‌های عصبی مصنوعی (ANN)، سیستم های محاسباتی هستند که توسط شبکه‌های عصبی زیستی الهام گرفته شده اند که مغز حیوانات را تشکیل می دهند. شبکه عصبی یک الگوریتم نیست بلکه یک چارچوب برای بسیاری از الگوریتم های مختلف از جمله یادگیری ماشین برای همکاری و پردازش اطلاعات پیچیده است. چنین سیستم هایی برای انجام وظایف با در نظر گرفتن نمونه ها و به طور کلی بدون برنامه ریزی با هیچ قواعد خاصی، یاد می گیرند. برای مثال، در تشخیص تصاویر، شبکه های عصبی مصنوعی تصاویری را که حاوی گربه هستند را با تجزیه و تحلیل تصاویر نمونه یاد می گیرند یعنی به صورت دستی به عنوان تصاویر گربه نامگذاری شده اند را شناسایی کرده و با استفاده از نتایج برای شناسایی گربه ها در تصاویر دیگر آنها را پیدا می کنند. شبکه های عصبی این کار را بدون هیچ گونه دانش پیشین در مورد گربه ها انجام می دهند.

کاربردهای عمومی شبکه های عصبی

  • تشخیص الگو (گروه‌بندي اشكالي كه مشابه هم هستند)
  • ذخيره كردن و بازبيني داده‌ها
  • تقریب تابع (رگرسیون غیر خطی، تخمین و پیشگویی)
  • بهينه سازي و تعيین جواب با وجود قيود متعدد
  • داده کاوی (استخراج دانش کلان ، قابل استناد و جديد از پايگاه داده ها ي بزرگ )

به طور کلی هر جا که سخن از تخمین، تشخیص الگو یا طبقه بندی باشد می توان از شبکه‌های عصبی مصنوعی استفاده کرد.

مدل ریاضی یک نرون

مدل ریاضی یک نرون

ساختار شبکه‌های عصبی

نرون ها به صورت طبيعي به روش خاصي اتصال مي يابند تا يک شبکه عصبي را تشکيل دهند نحوه اتصال نرون ها مي تواند به گونه اي باشد که شبکه تک لايه يا چند لايه باشد. شبکه هاي چند لايه از يک لايه ورودي، يک لايه خروجي و يک يا چند لايه بين آنها (لایه پنهان) که مستقيما به داده هاي ورودي و نتايج خروجي متصل نيستند تشکيل يافته اند.

واحدهاي لايه ورودي صرفا وظيفه توزيع مقادير ورودي را به لايه بعد برعهده دارند. و هيچ گونه تاثيري بر روي سيگنال هاي ورودي ندارند. به همين دليل در شمارش تعداد لايه ها به حساب نيامده اند. شبکه شامل يک لايه خروجي است که پاسخ سيگنال هاي ورودي را ارائه مي دهد. که تعداد نرون ها در لايه ورودي و لايه خروجي برابر با تعداد ورودي ها و خروجي ها مي باشد و لايه يا لايه هاي پنهان وظيفه ارتباط دادن لايه ورودي به لايه خروجي را بر عهده دارند. شبکه با داشتن اين لايه هاي پنهان قادر مي گردد که روابط غير خطي را از داده هاي ارائه شده به شبکه استخراج کند.

كار با هر شبکه عصبی شامل سه مرحله می باشد: آموزش، تعمیم و اجرا.

  1. در مرحله آموزش، شبکه الگوهای موجود در داده هاي ورودي را یاد می گیرد. هر شبکه عصبی برای یادگیری از قانون خاص استفاده می کند.
  2. تعمیم، قدرت شبکه عصبی در ایجاد پاسخ های قابل قبول برای ورودی هایی است که عضو مجموعه آموزشی نبوده اند.
  3. در مرحله اجرا نیز شبکه عصبی برای عملکردی که به آن منظور طراحی گردیده است، استفاده می شود.

 آموزش، تعمیم و اجرا

یادگیری در شبكه‌هاي عصبي مصنوعي

هدف از آموزش شبکه‌های عصبی، رسيدن به شرايطي است كه شبكه قادر به پاسخگويي صحيح به داده‌هاي ارائه شده در آموزش شبكه (به خاطر سپردن) و همچنين داده‌هاي مشابه و متفاوت از ورودي هايي كه از آنها براي آموزش شبكه استفاده شده است(تعميم دادن)،باشد. برتري عمدة شبكه‌هاي عصبي آموزش داده‌شده بر محاسبات كلاسيك اين است كه نتايج مورد نياز با تلاش كمتر و در زمان كمتري قابل حصول است.در نتيجه اين مزايا خصوصاً براي مسائلي كه مستلزم محاسبات طولاني هستند بسيار مفيد و موثر واقع گردد.

دو نوع آموزش شبكه به شكل زير است:  الف‌ ـ‌ آموزش با ناظر ب‌ ـ‌ آموزش بدون ناظر

آموزش شبكه‌هاي عصبي مصنوعي

الف‌- آموزش با ناظر : آموزش اكثر شبكه‌هاي عصبي با استفاده از زوج بردارهاي نمونه صورت مي‌گيرد به طوري كه به هر بردار ورودي يك بردار خروجي مشخص نسبت داده مي‌شود.با ارائة اين مجموعه بردارها به شبكه،وزنها بر اساس الگوريتم يادگيري شبكه اصلاح مي‌گردند.اينگونه آموزش را آموزش با ناظر مي‌نامند.

شبکه­ های دلتا، آدالاین ، مادالاین، تابع پایه شعاعی (RBF) و پس­ انتشار (BP) نمونه هایی از این نوع می باشد.

ب-آموزش بدون ناظر: در اين نوع آموزش، بردارهاي ورودي به شبكه ارائه گرديده بدون اينكه بردارهاي خروجي مربوط به شبكه داده شوند، وزن هاي شبكه بصورتي اصلاح مي‌شوند كه بردارهاي ورودي مشابه در يك گروه‌بندي قرار گيرند. پاسخ شبكه بر اساس نزديكترين بردار به بردار ورودي خواهد بود. یادگیری بدون ناظر را خود یادگیری هم میگویند. از شبکه های به کارگیرنده الگوریتم بدون ناظر میتوان به شبکه های هب، کوهونن و هاپفیلد اشاره کرد.

الگوريتم هاي يادگيري

منظور از يادگيري در شبکه‌های عصبی، تنظيم وزن ها و باياس هاي شبكه مي باشد. بر اين اساس الگوريتم هاي متفاوتي بيان شده، كه معمول ترين آنها عبارتند از:

  1. يادگيري هب: در اين روش وزن مربوط به ورودي يك نرون، زماني افزايش مي يابد كه سيگنال ورودي و خروجي هر دو بالا باشند که در واقع منظور تقويت كردن آن ورودي است.
  2. قانون يادگيري دلتا: اين الگوريتم كه بعضاً ميانگين مربع خطا (LMS) نيز ناميده مي شود وقتي استفاده مي‌گردد كه سيگنال خطا مينيمم شود كه به واقع اختلاف بين خروجي واقعي شبكه و خروجي مورد انتظار (مطلوب) مينيمم باشد. در اين روش سيگنال خطا جهت اصلاح وزن ها و باياس‌هاي نرون ها به عقب منتشر مي‌شود. الگوريتم پس انتشار خطا معمول ترين روش پياده سازي از قانون يادگيري دلتا است كه دست كم در 75% از كاربردهاي شبكه هاي عصبي مصنوعي استفاده مي‌گردد.
  3. يادگيري رقابتي: در اين روش عناصر پردازشي جهت اصلاح وزن ها و باياس هاي خودشان با هم رقابت مي كنند.

 

محصولات مرتبط

مطالب زیر را حتما بخوانید

دیدگاه ها

  1. programstore گفت:

    نظرات و دیدگاه های خود را برای هرچه بهتر قرار دادن مطالب با ما در میان بگذارید.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

این سایت از اکیسمت برای کاهش هرزنامه استفاده می کند. بیاموزید که چگونه اطلاعات دیدگاه های شما پردازش می‌شوند.