تحقیق مقاله آشنایی با شبکه های عصبی مصنوعی

تعداد صفحات: 90 فرمت فایل: مشخص نشده کد فایل: 20623
سال: مشخص نشده مقطع: مشخص نشده دسته بندی: مهندسی کامپیوتر
قیمت قدیم:۲۳,۵۰۰ تومان
قیمت: ۱۸,۰۰۰ تومان
دانلود مقاله
کلمات کلیدی: N/A
  • خلاصه
  • فهرست و منابع
  • خلاصه تحقیق مقاله آشنایی با شبکه های عصبی مصنوعی

    فصل 1 : مقدمه

    انسان و کامپیوتر

    انسان ها از کامپیوترها باهوش ترند. چرا چنین گفته می‌شود؟

    درست است که بعضی از اعمالی را که ما به سختی انجام می دهیم یک کامپیوتر به سرعت و به راحتی انجام می دهد ،مانند جمع چندصد عدد ، اما این مطلب باعث نمی شود که ما یک کامپیوتر را باهوشتر از انسان بدانیم چون این سیستم هرگز قادر نمی باشد که اعمالی را که نیاز یه استدلال  دارد و یا حل آنها از طریق  شهودی و حدس و گمان می باشد را به طور مطلوب انجام دهد. شاید بهتر است بگوییم آن‌هاموجودات منطقی ای هستند و تنها اعمال منطقی را به خوبی انجام می دهند.

    مسئله دیگر شاید این باشد که یک کامپیوتر می تواند بعضی کارها را که ما در مدت زمان قابل ملاحظه ای انجام می دهیم را در زمان بسیار کوتاه تری انجام می دهد.ویا بعضی از اطلاعات را پس از گذشت ماه ها ویا سالها به خاطر می آورد .

    به همین دلیل از کامپیوتر ها انتظار داریم در زمینه های دیگر نیز چنین رفتاری را از خود نشان دهند و چون نمی توانند تمام انتظارات ما را بر آورده کنند ما مایوس می شویم.در واقع این هدفی است که دست اندرکاران هوش مصنوعی دنبال می کنند اما هنوز پس از گذشت 30 سال تحقیقات گسترده نمی توانند این ادعا را داشته باشند که به چنین کامپیوتری دست پیدا   کرده اند.

    هدف هوش مصنوعی را می توان در این جمله خلاصه کرد که می خواهد در نهایت به کامپیوترهایی دست یابد که اغلب در فیلم های سینمایی مشاهده می شود، ماشین‌های بسیار توانمند تر از انسان – هدفی که بسیار از دنیای واقعی به دوراست . دنیایی که اغلب به خاطراشتباهات فاحش کامپیوترها هزینه‌های بسیار زیادی را متحمل می شود .

    اگر به داخل یک کامپیوتر نگاه کنیم چیزی جز تعدادی تراشه های الکترونیکی ، مدارها ،مقاومتها و سایر قطعات الکترونیکی  نخواهیم دید. اما اگر به درون مغز نگاه کنیم ، به هیچ صورت چنین ساختاری را مشاهده نخواهیم کرد. بررسی اولیه ما چیزی جزمجموعه ای گره خورده از ماده‌ای خاکستری رنگ نشان نمی دهد. بررسی بیش‌تر و روشن‌ می کند که مغز از اجزایی ریز تشکیل شده است . لیکن این اجزاء به شیوه‌ای بی نهایت پیچیده‌، مرتب شده‌اند و هز جزء به هزاران جزء دیگر متصل است. شاید این تفاوت در شیوه ساختار ، علت اصلی اختلاف بین مغز و کامپیوتر است. کامپیوترها طوری طراحی شده‌ اند که یک عمل را بعد از عمل دیگر باسرعت بسیار زیاد انجام دهند . لیکن مغز ما با تعداد اجزای بیش‌تر اما با سرعتی بسیار کم‌تر کار می‌کند . در حالی که سرعت عملیات در کامپیوتر‌ها به میلیون‌ها محاسبه در ثانیه بالغ می شود، سرعت عملیات در مغز تقریباً بیش‌تر از ده بار در ثانیه نمی‌باشد. لیکن مغز در یک لحظه با تعداد زیادی اجزاء به طور هم زمان کار می کند، کاری که از عهده کامپیوتر بر نمی‌آید . کامپیوتر ماشینی سریع اما پیاپی کار است در حالی که مغز شدیداً ساختاری موازی دارد. کامپیوترها می توانند عملیاتی را که با ساختار آن‌ها سازگاری دارند به خوبی انجام دهند. برای مثال شمارش و جمع‌کردن اعمالی پیاپی  است که یکی بعد از دیگری انجام می شود . لیکن دیدن و شنیدن، اعمالی شدیداً موازی‌اند که در آن‌ها داده‌های متضاد و متفاوت هر کدام باعث اثرات و ظهور خاطرات متفاوتی در مغز  می شوند وتنها از طریق ترکیب مجموعه این عوامل متعدد است که مغز می‌تواند چنین اعمال شگفتی را انجام دهد .

    نتیجه‌ای که می توان گرفت این است که مسائل مورد نظر ما شدیداً خاصیت موازی دارند. این مسائل نیازمند پردازش حجم زیادی از اطلاعات متفاوت هستند که باید در تقابل با یکدیگر به حل مسأله بیانجامد.

    نتیجه مهم آن که سرعت عامل مهمی نیست . آنچه مهم است موازی بودن است و مغز به خوبی برای این کار مهیا شده است . شیوه برخورد روش محاسباتی شبکه‌های عصبی، تسخیر اصول راهبردی است که زیر بنای فرآیند مغز برای پاسخ‌گویی به این سؤالات و به کارگیری آن‌ها در سیستم‌های کامپیوتری است .

    در مدل‌سازی سیستم‌های اصلی مغز، باید راه کاری را بیابیم که بیش‌تر با ساختار موازی مغز سازگاری داشته باشد نه با ساختار پی‌درپی آن .

    به هر صورت ساختار طبیعتاً موازی سیستم های شبکه های عصبی آن ها را مناسب به کارگیری در ماشین های موازی می کند. که می تواند مزایای بیش تری از نظر سرعت  و قابلیت اطمینان داشته باشد.

    یکی از بارزترین ویژگی‌های مغز توان فراگیری آن می باشد. مغز می‌تواند به خود آموزش دهد . یادگیری از طریق مثال همان شیوه‌ای است که توسط آن اطفال زبان را فرا می‌گیرند . نوشتن، خوردن و آشامیدن را می آموزند و مجموعه معیارها و نکات اخلاقی را کسب می کنند . چنین تحولی درسیستم‌های کامپیوتری متعارف مشاهده نمی شود . کامپیوترها معمولاً از برنامه‌های از پیش نوشته شده‌ای پیروی می کنند که قدم به قدم دستورات مشخصی را در کلیه مراحل عملیاتی به آن ها می دهند هر مرحله از کار بایدبه وضوح شرح داده شود. روشن است که انسان این گونه عمل نمی کند.زیرا برای نوشتن چنین برنامه ای باید ساعت ها وقت صرف کنیم و با دقت موضوع خود را به صورت بر نامه قابل فهم کامپیوتر  بنویسیم .که این کار مشکلات خود را دارا می باشد.حال آیا بهتر نیست که به جای برنامه های کامپیوتری ،کامپیوتر را رها کنیم که خود از طریق مشاهده مثال ها آن  کار را فرا گیرد؟ البته امکان دارد که این کامپیوتر نیز در ابتدا دارای  BUG باشد وگاه اشتباه کند ،لیکن به تدریج به اشتباه خود پی خواهد برد و آنها را تکرار نخواهد کرد.

    12 ساختار مغز

    مغز انسان از واحدهای  کو چکی به نام نرون[1] تشکیل شده است.می‌دانیم که مغز تقریباً دارای 1010 واحد پایه به نام نرون است و هر نرون تقریباً به 104 نرون دیگر اتصال دارد.

    نرون عنصر اصلی مغز است و به تنهایی مانند یک واحد پردازش منطقی عمل می کند . نرون‌ها دو نوع هستند . نرون‌های داخلی مغز که در فاصله‌های حدود 100 میکرون به یکدیگر متصل اند و نرون‌های خارجی که قسمت‌های مختلف مغز را به یکدیگر و مغز را به ماهیچه‌ها و اعضای حسی را به مغز متصل می‌کنند . نحوه عملیات نرون بسیار پیچیده است و هنوز در سطح میکروسکوپی چندان شناخته شده نیست، هر نرون بسیار پیچیده است و هنوز در سطح میکروسکوپی چندان شناخته شده نیست ، هر چند قوانین پایه آن نسبتاً روشن است .هر نرون ورودی‌های متعددی را پذیراست که با یکدیگر به طریقی جمع می‌شوند . اگر در یک لحظه ورودی‌های فعال نرون به حد کفایت برسد نرون نیز فعال شده و آتش می‌کند . در غیر این صورت نرون به صورت غیر فعال وآرام باقی می ماند. نمایشی از ویژگی های عمده نرون در شکل 1-1 آمده است. بدنه نرون سوما[2] نامیده می شود . به سوما رشته‌های نامنظم طولانی متصل است که به آنها دندریت[3] می‌‌گویند  . قطر این رشته‌ها اغلب از یک میکرون نازک‌تر است و اشکال شاخه‌ای پیچیده‌ای دارند.

    دندریت‌ها نقش اتصالاتی را دارند که ورودی ها را به نرون ها می رساند . این سلول ها می توانند

     

    شکل 1-1 مشخصات اصلی یک نرون بیولوژیک.

    عملیاتی پیچیده‌تر از عملیات جمع ساده را بر ورودی های خود انجام دهند، لیکن عمل جمع ساده را می‌توان به عنوان تقریب قابل قبولی از عملیات واقعی نرون به حساب آورد.

    یکی از عناصر عصبی متصل به هسته نرون آکسون[4] نامیده می شود. این عنصر بر خلاف دندریت از نظر الکتریکی فعال است و به عنوان خروجی نرون عمل می‌کند.‌اکسون‌ها همیشه‌ در روی خروجی سلول‌ها مشاهده می شوند . لیکن اغلب در ارتباط‌های بین نرونی غایب‌اند. اکسون وسیله‌ای غیر  خطی است که در هنگام تجاوز پتانسیل ساکن داخل هسته از حد معینی پالس ولتاژی را به میزان یک هزارم ثانیه، به نام پتانسیل فعالیت، تولید می کند . این پتانسیل فعالیت در واقع یک سری از پرش های سریع ولتاژ است. شکل 1-2 این حالت « همه یا هیچ » را نشان می هد.

    (تصاویر در فایل اصلی موجود است)

    رشته اکسون در نقطه تماس معینی به نام سینا پس قطع می شود و در این مکان به دندریت سلول دیگر وصل می گردد. در واقع این تماس به صورت اتصال مستقیم نیست بلکه از طریق ماده شیمیایی موقتی صورت می‌گیرد . سیناپس پس از آن که پتانسیل آن از طریق پتانسیل های فعالیت دریافتی از طریق آکسون به اندازه کافی افزایش یافته از خود ماده شیمیایی به نام منتقل کننده عصبی[5] ترشح می‌کنند.

    منتقل کننده عصبی ترشح شده درشکاف بین اکسون و دندریت پخش می شود و باعث می گردد که دروازه‌های موجود در دندریت‌ها فعال شده و باز شود و بدین صورت شارژ شده وارد دندریت شوند . این جریان یون است که باعث می‌شود پتانسیل دندریت افزایش یافته و باعث یک پالس ولتاژ در دندریت شود که پس از آن منتقل شده و وارد بدن نرون دیگر می شود .

    یک نرون خود به تنهایی می‌تواند دارای ورودی های سیناپسی متعددی در روی دندریت‌های خود باشد و ممکن است باخروجی های سیناپسی متعددی به دندریت‌های نرون‌های دیگر وصل شود.

    1-2-1 یادگیری در سیستم‌های بیولوژیک                       

    تصور می شود یادگیری هنگامی صورت می‌گیرد که شدت اتصال یک سلول و سلول دیگر در محل سیناپس‌ها اصلاح می گردد. شکل 1-3 ویژگی‌های مهم سیناپس را با جزئیات بیش تر نشان می دهد. به نظر می‌رسد که این مقصود از طریق ایجاد سهولت بیش‌تر در میزان آزاد شدن ناقل شیمیایی حاصل می گردد. این حالت باعث می شود که دروازه‌های بیش‌تری روی دندریت‌های سمت مقابل باز شود و به این صورت باعث افزایش میزان اتصال دو سلول شود . تغییر میزان اتصال نرون‌ها به صورتی که باعث تقویت تماس‌های مطلوب شود از مشخصه‌های مهم در مدل‌های شبکه‌های عصبی است .

     

    1-3 تفاوت ها

    همچنین دیدم که ساختار مغز به گونه‌ای است  انجام این فعالیت‌ها را به آسانی امکان‌پذیر می سازد و در عوض در زمینه‌های دیگر کارآیی مغز را محدود می کند. روند تکامل مغز متأثر از فعالیت هایی بوده که اهمیت بیش تری داشته است، از آن‌جایی که توانایی دین و شنیدن صدا در انسان از توانایی جمع کردن دقیق اعداد اهمیت بیش‌تری داشته و این امر باعث تکامل این جنبه مغز شده است. مغز دارای ساختاری شدیداً موازی که در آن تعداد زیادی واحدهای محاسباتی ساده به صورت مشترک انجام فعالیت را به عهده دارند، به جای این که تمام بار فعالیت را بر دوش یک واحد سریع قرار دهند، این تقسیم کار پیامدهای مثبت دیگری نیز دارد، چون تعداد زیادی نرون در یک زمان درگیر فعالیت هستند سهم هر یک از نرون‌ها چندان حائز اهمیت نیست . بنابراین اگر یکی راه خطا رود نتیجه آن تأثیر چندانی بر دیگران نخواهد داشت . این نحوه توزیع   کار که اصطلاحاً پردازش توزیع شده نامیده می شود، دارای این خاصیت است که لغزش های احتمالی در جای جای سیستم پردازی تا اندازه‌ای قابل چشم‌پوشی می باشد. در واقع مغز با توجه به توانایی یادگیری می تواند نقصان همیشگی یکی از نرون‌های خود را با وارد کردن نرون‌های دیگر جبران کند. توان انجام فعالیت در  حالی که فقط تعدادی از نرون‌ها به درستی کار می کنند را در محافل محاسباتی تحمل خطا می‌گویند، زیرا که سیستم، مثلاً مغز ، می‌تواند بدون ایجاد خروجی های بی معنی خطاها را تحمل کند . این یکی از ویژگی‌های بارز مغز است ، کامپیوترها در ساختار بسیار متفاوت اند .

    کامپیوترها در ساختار بسیار متفاوت‌اند. به جای استفاده از میلیون‌ها واحد پردازش اطلاعات نسبتاً کند و بسیار متصل به یکدیگر مانند مغز، از یک یا چند واحد پردازش بسیار سریع استفاده می‌کنند که می توانند میلیون‌ها محاسبه را در هر ثاینه انجام دهند.  این توانایی و سرعت کامپیوترها را در انجام عملیات ساده و تکراری مانند جمع اعداد بسیار کارآمد می‌کند ولی آن‌ها را در  انجام عملیاتی چون بینایی که  نیاز به پردازش انواع مختلف داده به صورت موازی دارد ناتوان می‌سازد . آن ها همچنین به علت عدم توانایی در توزیع فعالیت نسبت به خطا توانایی چشم‌پوشی و اغماض ندارند. چنانچه واحد پردازش کامپیوتر از کار بیفتد داستان خاتمه یافته است .

    این مسائل نهایتاً موجب تمایلات جاری به ایجاد کامپیوترهای متفاوت شده است . این کامپیوترها از اصولی پیروی می کنند که پدیده تکامل درطول میلیون‌ها سال شکل داده است، و آن چنین است ، استفاده از عناصر ساده و اتصال تنگاتنگ عناصر و انجام کار مشترک توسط انبوهی از عناصرمی باشد.

    نتیجه گیری

    همان گونه که در این فصل گفته شد سیستم مغز یک سیستم موازی می باشد .در حل یک مسئله سرعت حل ملاک نیست بلکه آن چیزی که مهم می باشد پردازش به صورت موازی است.مغز از سلولهای کوچک به نام نرون تشکیل شده است که هر گاه میزان ورودی آنها از طریق دندریت ها به حد کافی برسد نرون آتش کرده از اکسون پالسی ارسال می شود. ارتباط از طریق نقاط اتصال شیمیایی به نام سیناپس صورت می گیرد.

  • فهرست و منابع تحقیق مقاله آشنایی با شبکه های عصبی مصنوعی

    فهرست:

    فصل 1 : مقدمه

    1-1    انسان و کامپیوتر1

    1-2  ساختار مغز

    1-2-1   یادگیری در سیستم‌های بیولوژیک

    1-3   تفاوت ها

    فصل   2 : نگرش کلی به شبکه های عصبی مصنوعی

    2-1   تعریف شبکه های عصبی

    2-2   مفاهیم اساسی شبکه های عصبی

    2-3   معرفی اصطلاحات و علائم قراردادی

    2-4   کاربردهای محاسبات عصبی

    2-5   کاربردهای نمونه شبکه های عصبی مصنوعی

    2-6   فواید و معایب شبکه های عصبی مصنوعی

    2-7   معیارهای مهندسی به منظور محاسبات عصبی

    2-8   مراحل مهندسی سیستم ANN

    2-9   توپولوژی شبکه و خصوصیات

    فصل 3 : بازشناسی الگو

    3-1   چشم انداز طرح شناسی

    3-2   تعریف بازشناسی الگوها

    3-3   بردارهای مشخصات و فضای مشخصات

    3-4   توابع تشخیص دهنده یا ممیز

    3-5   فنون طبقه بندی

    3-6   روش طبقه بندی «نزدیکترین همسایه»

    3-7   میزان های اندازه گیری فاصله

    3-8   دستگاه های طبقه بندی خطی

    فصل 4 : نرون پایه

    4-1    مقدمه

    4-2  مدل سازی نرون

    4-3   فراگیری در نرون‌های ساده

    4-4    الگوریتم فراگیری پرسپترون

    4-5   یک مثال ساده برای پرسپترون ساده.

    قصل 5 : نرون چند لایه

    1-5   مقدمه

    2-5   مدل جدید

    3-5   قاعده جدید فراگیری

    5-4   الگوریتم پرسپترون چند لایه

    5-5   بررسی مجدد مساله XOR

    5-6   لیه های شبکه

    5-7   معرفی چند شبکه

    5-8  معرفی نمونه ای از توابع کلیدی

    5-9   بررسی یک مثال عملی

    منبع:

     

    آشنایی با شبکه های عصبی /آر.بیل وتی.جکسون/ دانشگاه صنعتی شریف

    شبکه های عصبی مصنوعی /رابرت جی . شالکف/دانشگاه شهید چمران اهواز

    دانشگاه شیراز             FUNDAMENTALS OF NEURAL NETWORKS

      WWW.GOOGLE.COM

تحقیق در مورد تحقیق مقاله آشنایی با شبکه های عصبی مصنوعی, مقاله در مورد تحقیق مقاله آشنایی با شبکه های عصبی مصنوعی, تحقیق دانشجویی در مورد تحقیق مقاله آشنایی با شبکه های عصبی مصنوعی, مقاله دانشجویی در مورد تحقیق مقاله آشنایی با شبکه های عصبی مصنوعی, تحقیق درباره تحقیق مقاله آشنایی با شبکه های عصبی مصنوعی, مقاله درباره تحقیق مقاله آشنایی با شبکه های عصبی مصنوعی, تحقیقات دانش آموزی در مورد تحقیق مقاله آشنایی با شبکه های عصبی مصنوعی, مقالات دانش آموزی در مورد تحقیق مقاله آشنایی با شبکه های عصبی مصنوعی ، موضوع انشا در مورد تحقیق مقاله آشنایی با شبکه های عصبی مصنوعی
ثبت سفارش
عنوان محصول
قیمت