قابلیت یادگیری

قابلیت یادگیری یعنی توانایی تنظیم پارامترهای شبکه در مسیر زمان که محیط شبکه تغییر می‌کند و شبکه شرایط جدید را تجربه می‌کند، با این هدف که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی آن رخ داد، شبکه بتواند با آموزش مختصر برای شرایط جدید نیز کارآمد باشد.

 

برای دانلود متن کامل پایان نامه به سایت tinoz.ir مراجعه کنید.

 

پردازش اطلاعات به صورت متن

آنچه شبکه فرا می‌گیرد، در وزنهای سیناپسی مستتر می‌باشد.رابطه یک به یک بین ورودی‌ها و وزن های سیناپتیکی وجود ندارد.می‌توان گفت که هر وزن سیناپسی مربوط به همه ورودی‌هاست ولی به هیچ یک از آنها به طورمنفرد ومجزا مربوط نیست. به عبارت دیگرهرنرون در شبکه، از کل فعالیت های سایر نرونها متاثر می‌باشد. در نتیجه، اطلاعات به صورت متن (context) توسط شبکه عصبی پردازش می‌شوند. براین اساس چنانچه بخشی از سلولهای شبکه حذف شوند ویا عملکرد غلطی 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.

 

 

قابلیت تعمیم

پس از آنکه مثال‌های اولیه به شبکه آموزش داده شد، شبکه می‌تواند در مقابل یک ورودی آموزش داده نشده قرار گیرد و یک خروجی مناسب ارائه نماید.

 

 

پردازش موازی

هنگامی که شبکه‌عصبی در قالب سخت افزار پیاده می‌شود سلول‌هایی که در یک تراز قرار می‌گیرند می‌توانند به طور همزمان به ورودی‌های آن تراز پاسخ دهند. این ویژگی باعث افزایش سرعت پردازش می‌شود.در واقع چنین سیستمی، وظیفه کلی پردازش بین پردازنده‌های کوچکتر مستقل از یکدیگر توزیع می‌گردد.

 

 

مقاوم بودن

در یک شبکه عصبی هر سلول بطور مستقل عمل می‌کند و رفتار کلی شبکه ،برآیند رفتارهای محلی سلولهای متعدد است.این ویژگی باعث می‌شود تا خطاهای محلی از چشم خروجی نهایی دور بمانند.به عبارت دیگر، سلولها در یک روند همکاری، خطاهای محلی یکدیگر را تصحیح می‌کنند.این خصوصیت باعث افزایش قابلیت مقاوم بودن(تحمل ‌پذیری خطاها) در سیستم می‌گردد.
از میان تمام ویژگی‌های شبکه‌های عصبی هیچ‌کدام مانند توانایی یادگیری‌های ذهن انسان جذاب نیستند. یک شبکه به گونه‌ای آموزش داده می‌شود که با به کاربردن یک دسته از ورودی‌ها، دسته خروجی دلخواه تولید شود.(منهاج،۱۳۹۱)

 

۴-۲-۲ اجزا شبکه عصبی

ورودی‌ها و خروجی‌ها: اعداد، ارقام، متون و تصاویرو…. در قالب یک یا چند متغیر به عنوان به عنوان ورودی شناخته می‌شوند که با انجام عملیات شناسایی روابط و تجزیه و تحلیل داده‌، به متغیر یا متغیرهای خروجی تبدیل می‌شوند. ورودی‌ها، متغیرهای مستقل و خروجی ها، متغیرهای وابسته محسوب می‌شوند.
نورون‌ : نورون مهم‌ترین جز شبکه عصبی به حساب می‌آید که در هرسه لایه،ورودی،میانی و خروجی قرار می‌گیرند. نورونهای ورودی وظیفه دریافت داده‌های ورودی، و نورونهای ورودی و خروجی وظیفه پردازش اطلاعات را بر عهده دارند.
وزن‌ها: میزان تاثیر ورودی های هر لایه را برلایه بعد به عنوان خروجی اندازه‌گیری می‌کند و پل ارتباطی بین لایه‌های مختلف محسوب می‌شود.
توابع انتقال[۱۳۶]: در لایه‌های پنهان ولایه خروجی شبکه عصبی در نظر گرفته می‌شود، و با توجه به وزن‌های ورودی، محاسبه کلی خروجی را امکان پذیر می‌سازد.)منهاج،۱۳۹۱)

 

۵-۲-۲ کاربرد شبکه‌های عصبی

 

 

طبقه بندی، شناسایی وتشخیص الگو

انواع واقسام شبکه‌های عصبی استاتیکی ودینامیکی برای طبقه‌بندی، خوشه‌بندی، شناسایی وتشخیص الگوها مورد استفاده قرارگرفته‌است.

 

 

پردازش سیگنال

در این راستا می‌توان به کاربرد شبکه‌های عصبی در فیلترهای تطبیقی، پردازش صیک حبت وتصویر، بینایی ماشین،کدینگ و فشرده‌سازی تصویر اشاره نمود که از‌هردونوع شبکه های عصبی استاتیک و دینامیک به‌کرات استفاده شده است.

 

 

پیش‌بینی سری‌های زمانی

از شبکه های عصبی برای پیش بینی سری‌های زمانی علی‌الخصوص جایی که شرایط از قبیل ایستایی یا شرایط دیگری که راه را برای بکارگیری تکنیکهای کلاسیک فراهم می‌سازد،برقرارنیست وسریهای زمانی پیچیده می‌باشند بسیاراستفاده شده است.

 

 

مدل‌سازی و کنترل

در سیستم های تطبیقی مخصوصا در زمانی که پروسه تحت بررسی بسیار پیچیده می باشد شبکه های عصبی راه‌حل های مناسبی ارائه می‌دهند. دراینجا عموما اول شناسایی و سپس طراحی کنترل کننده آنگونه که پاسخ سیستم رفتارخاصی را دنبال می‌کنند صورت می‌پذیرد، که هر دوسیستم اشاره شده مبتنی بر شبکه‌های عصبی می‌باشند.

 

 

بهینه سازی

چه در سیستم های کنترلی و چه در سیستم‌های مدیریت، تخصیص و تقسیم منابع وچه در سیستم‌های مالی وبانکداری از شبکه‌های عصبی استفاده می‌شود.

 

 

سیستم‌های خبره و فازی

برای مسائل مالی و مدیریتی، سیستم های خبره زیاد مورد استفاده قرار گرفته‌اند. از شبکه‌های عصبی جهت تنظیم بهتر و رفتار مناسب تر سیستم‌های خبره استفاده شده است.

 

 

مسائل مالی، بیمه، امنیتی، بازاربورس و وسایل سرگرم کننده

از شبکه‌های عصبی می‌توان به عنوان مشاور در امور تخصیص اعتبارات وام، مشاور در امور تخصیص سرمایه درمکانهای مناسب، آنالیز امور مالی، پیش بینی قیمت ارز، پیش بینی قیمت سهام در بازار بورس، ارزیابی سیاست‌های مخاف اموربیمه ای، پیش بینی بازار، سیستم‌های مشاوره انبارداری کالاهای تجاری و ایجاد انیمیشن برای وسایل سرگرم کننده نام برد.
تصویر درباره بازار سهام (بورس اوراق بهادار)

 

 

ساخت وسایل صنعتی، پزشکی و امور حمل ونقل

مثال‌هایی از کاربرد شبکه عصبی عبارتنداز
_ کنترل پروسه‌های ساخت وپیاده سازی دستگاه ها
_ آنالیز وطراحی محصولات صنعتی خانگی
_ ماشین پیش بینی خطا و عیب یاب
_ آنالیز کیفیت جوشکاری
_ آنالیز تعمیر و نگهداری(منهاج،۱۳۹۱)

 

۶-۲-۲ یادگیری

در ادبیات شبکه عصبی، به جای اصطلاح تخمین ضرایب از اصطلاح یادگیری(learning) یا آموزش(traning) برای پیدا کردن وزن‌های شبکه استفاده می‌شود. بنابراین، یادگیری فرایندی است که در طی آن بردار وزن‌ها و بایاس‌ها به منظور حداقل کردن تابع خطا و افزایش قابلیت تعمیم شبکه تعدیل می‌شوند. که فرایند یادگیری به دو دسته یادگیری با ناظر و یادگیری بدون ناظر تقسیم می‌شود(منهاج،۱۳۹۱).

 

۷-۲-۲-روند شبیه­سازی مسائل