تحقیق درباره شبکه عصبی
مقدمه
در سالیان اخیر شاهد حرکتی مستمر از تحقیقات صرفاً تئوری به تحقیقات کاربردی در پردازش اطلاعات برای مسائلی که راه حلی برای آنها موجود نیست بوده ایم. با توجه به این حقیقت توجه زیادی به توسعه تئوریک سیستمهای دینامیکی هوشمند مدل- آزاد بر اساس داده های تجربی وجود دارد. شبکه های عصبی مصنوعی جزء آن دسته از سیستم های دینامیکی قرار دارند که با پردازش بر روی داده های تجربی دانش در ورای داده ها را به ساختار شبکه منتقل می کند. پیاده سازی ویژگیهای مغز در یک سیستم مصنوعی همیشه مورد توجه مطلوب بوده است کافی نبودن دانش موجود خود سبب انگیزش و پژوهش های بیشتر در این زمینه بوده و خواهد بود.
مبحث Pattern Fecognation شناسایی الگو را می توان به سه صورت زیر ارائه کرد:
1- آماری Statistical
2- فازی Fuzzy
3- شبکه های عصبی Neural Network
در روش آماری درصد خطا بالا می باشد به همین دلیل در پروژه فوق از دو روش Fuzzy و Neural Network استفاده شده که شبکه طراحی شده به Fuzzy Min- Max Classification Neural Network معروف می باشد که در آن درصد خطا بسیار پائین می باشد.
بدلیل اینکه ابتدا الگوهای ورودی با استفاده از مجموعه های فازی در گروههای خود تنظیم می شوند و سپس با استفاده از شبکه عصبی خرجی مطلوب را بدست می دهد.
تحقیق درباره شبکه عصبی
انگیزه های بیولوژیکی شبکه های عصبی
مغز به عنوان یک سیستم پردازش اطلاعاتی با ساختار موازی از 100 تریلیون و نرون به هم مرتبط با تعداد کل ارتباط تشکیل شده است نرونها ساده ترین واحد ساختار سیستم های 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 می کنند پیامها از نوع ایمپالسهای الکتروشیمیایی هستند.
بیشترین تعداد نرونها در مغز و مابقی در نخاع و سیستم های عصبی جانبی تمرکز یافته اند گرچه همگی نرونها کارکرد یکسانی دارند ولی اندازه و شکل آنها بستگی به محل قرار گیری آنها در سیستم عصبی دارد. بیشتر نرونها از سه قسمت اساسی تشکیل شده اند.
1- بنده سلول: که شامل هسته و قسمت های حفاظتی دیگر می باشد.
2- دندریت
3- اکسون
که دندریت ها و اکسون ها عناصر ارتباطی نرون را تشکیل می دهند.
دندریتها به عنوان مناطق دریافت سیگنالهای الکتریکی، شبکه هایی تشکیل یافته از فیبرهای سلولی هستند که دارای سطح نامنظم و شاخه های انشعابی بیش مار می باشند پیامهای عصبی تنها به صورت یکطرفه حرکت می کنند: از دندریتها به بدنه سلول و سپس به اکسون.
هر اکسون به طور فیزیکی از سلولهای مجاور توسط یک فاصله کوچک موسوم به سیناپس جدا می شود. وقتی که یک پتانسیل تحریک به انتهای یک اکسون می رسد، موجب آزاد شدن یک ماده شیمیایی بنام انتقال دهنده نرونی از انتهای اکسون می شود پس از نفوذ در سیناپسها، گیرنده ی سلولهای مجاور را فعال می کند.
شبکه های عصبی مصنوعی
مقدمه
در این بخش مدل ساده از یک نرون واقعی و سپس ساختارهای مختلف شبکه های عصبی مصنوعی ارائه خواهد شد.
مدل نرون تک ورودی
ساختار یک نرون تک ورودی را نشان می دهد اسکالر های p و a به ترتیب ورودی و خروجی می باشند میزان تاثیر p روی a بوسیله مقدار اسکالر w تعیین می شود ورودی دیر که مقدار ثابت 1 است در جمله بایاس b ضرب شده و سپس با wp جمع می شود این حاصل جمع ورودی خالص n برای تابع محرک (یا تابع تبدیل) f خواهد بود. بدین ترتیب خروجی نرون با معادله زیر تعریف می شود:
a = f (wp+b)
با مقایسه این مدل تک ورودی با یک نرون بیولوژیکی، عملاً w ، معادل شدت سیناپس، جمع کننده وت ابع محرک معادل هسته سلول و سیگنال خروجی نرون، u معادل سیگنال گذرنده از اکسون خواهند بود. باید توجه داشت که پارامترهای w و b قابل تنظیم هستند و تابع محرک f نیز توسط طراح انتخاب می شود بر اساس انتخاب f و نوع الگوریتم یادگیری، پارامترهای w و b تنظیم می شوند یادگیری بدین معنی است که w و b طوری تغییر می کنند. تا رابطه ورودی و خروجی نرون با هدف خاصی مطابقت نماید.
تحقیق درباره شبکه عصبی
مدل چند ورودی
یک مدل نرون به R ورودی را نشان می دهد. بردار ورودی را با p نمایش داده می شود. اسکالرهای عناصر بردار P هستند. مجموعه سیناپسها از را با ماتریس وزن w نمایش داده می شود در این حالت w یک بردار سطری با عناصر j=1,…,R و است هر عنصر از بردار ورودی P در عنصر متناظر از w خوب می شود. نرون یک جمله بایاس b دارد که با حاصلضرب ماتریس وزن w با بردار ورودی P جمع می شود.
ورودی خالص n مطابق فرمول زیر محاسبه می شود:
در نهایت خروجی نرون به صورت زیر خواهد بود: a= f (WP+b)
که فرم ساده شده نرون چند ورودی به صورت
شبکه های تک لایه و چند لایه
در شبکه های تک لایه ورودی شبکه با بردار P و خروجی آن با بردار a نشان داده می شود که هر یک از ورودی ها به همه نرونها متصل شده است. ماتریس w در این حالت دارای s سطر و R ستون می باشد. که در نشان داده شده است.
در شبکه های چند لایه، هر لایه ماتریس وزن w ، بردار بایاس b بردار ورودی خالص n و بردار خروجی مختص خود را دارد. که این لایه ها با قرار دادن شماره لایه در بالای متغیرها از یکدگیر جدا می گردند لایه ای که
تحقیق درباره شبکه عصبی
پسورد فایل: www.bazaarfile.ir