عملکرد شبکه عصبي،پایان نامه درباره پیش بینی میزان سپرده

دانلود پایان نامه

    عملکرد شبکه ­هاي عصبي

شبکه­هاي عصبي اطلاعات ورودي را دريافت مي­کنند و پس از پردازش آن خروجي­ها را نتيجه  مي­دهند. اين فرايند مبتني بر تجزيه موازي اطلاعات پيچيده به اجزاي اصلي آن است. شبکه­هاي عصبي در حالت کلي  مي­توانند به عنوان جعبه­هاي سياهي در نظر گرفته شوند که ورودي را دريافت نموده و خروجي ايجاد نمايند. در يک شبکه عصبي اطلاعات پيچيده به اجزاي اصلي آن تجزيه شده و اين اجزاء و رابطه­هاي آنها با يکديگر در وزن­هاي شبکه که مشابه حافظه شبکه عمل مي­کنند ذخيره مي­شوند.

براي حل مسائل، شبکه­هاي عصبي 3 مرحله را طي مي­کنند. آموزش، آز­مايش و اجرا.

آموزش فرايندي است که در آن شبکه مي­آموزد تا الگوي موجود در ورودي را که بصورت مجموعه داده­هاي آموزشي است را بشناسد. براي اين منظور هر شبکه عصبي از مجموعه اي از قوانين يادگيري که نحوه يادگيري را تعريف مي­کنند، استفاده مي­کند. تعميم يا آموزش، توانايي شبکه را براي ارايه جواب قابل قبول در قبال ورودي­هايي که جزو مجموعه آموزشي نبوده­اند مورد سنجش قرار مي­دهد.

در اثر آموزش دادن شبکه، وزن­هاي داخلي که بر روي ورودي­هاي هر سلول عمل مي­کند، تغيير مي­کند و به وضعيت مناسب مي­رسند. يکي از نقاط ضعف شبکه­هاي عصبي در اين است که نتايج آموزش شبکه يعني وزن­هاي داخلي هيچ گونه تصوير روشني از اعتبار جواب هاي مسئله بدست نمي­دهد. اين وزن­ها کاملا قابل درک نيستند با اين وجود جواب­هاي توليد شده توسط شبکه اغلب صحيح هستند و اين صحت جواب ها در اغلب اوقات مهم تر از توضيح پذير بودن آن است. به همين خاطر است که به شبکه­هاي عصبي مدل­هاي جعبه سياه هم مي­گويند.

به طور خلاصه در هر لايه اطلاعات ورودي از طريق n گره لايه قبل در وزن W مربوطه ضرب شده و از طريق تابع شبکه وارد گره i مي­شود. تابع شبکه مي­تواند تابع جمع کننده خطي باشد. سپس خروجي تابع شبکه از تابع انتقال عبور کرده به گره­هاي لايه بعدي ارسال مي­شود.

1.1.2    مزاياي استفاده از شبکه عصبي مصنوعي

شبکه­هاي عصبي مصنوعي با وجود اينکه با سيستم عصبي طبيعي قابل مقايسه نيستند، ويژگي­هايي دارند که آنها را در هر جايي که نياز به يادگيري يک نگاشت خطي و يا غير خطي باشد، متمايز مي­نمايد. اين ويژگي ها به شرح زير است:

قابليت يادگيري

استخراج يک نگاشت غير­خطي که با چند مثال مشخص شده است، کار ساده­اي نيست. پياده­سازي اين نتايج با يک الگوريتم معمولي و بدون قابليت يادگيري، نياز به دقت و مراقبت زيادي دارد. در چنين حالتي سيستمي که بتواند خود اين رابطه را استخراج کند، بسيار سودمند به نظر مي­رسد. افزودن مثال­هاي احتمالي در آينده به يک سيستم با قابليت يادگيري به مراتب آسانتر از آنجام آن بدون چنين قابليتي است، زيرا در سيستم فاقد اين قابليت، افزودن يک مثال جديد به منزله تعويض کليه­ي کارهاي انجام شده­ي قبلي است.

 

 

 

قابليت تعميم

پس از آنکه مثال­هاي اوليه به شبکه آموزش داده شد، شبکه مي­تواند در مقابل يک ورودي آموزش داده نشده قرار­گيرد و يک خروجي مناسب ارايه نمايد. اين خروجي بر اساس مکانيزم تعميم که همان فرآيند درون­يابي است، به دست مي­آيد.

پردازش موازي (قابليت بالا بودن سرعت)

هنگامي که شبکه عصبي در قالب سخت­افزار پياده مي­شود، سلول­هايي که در يک تراز قرار ­مي­گيرند،     مي­توانند به طور همزمان به ورودي­هاي آن تراز پاسخ دهند. اين ويژگي باعث افزايش سرعت پردازش     مي­شود. در واقع وظيفه­ي کلي پردازش در چنين سيستمي بين پردازنده­هاي کوچکتر مستقل از هم تقسيم مي­شود.

مقاوم بودن (قابليت تحمل آسيب، تحمل­پذيري خطا­ها، قابليت ترميم)

در يک شبکه عصبي، هر سلول به طور مستقل عمل مي­کند و رفتار کلي شبکه، برآيند رفتارهاي محلي سلول­هاي متعدد است. اين ويژگي باعث مي­شود تا خطاهاي محلي از چشم خروجي نهايي دور بماند. به عبارتي ديگر سلول­ها در يک روند همکاري، خطاهاي محلي يکديگر را تصحيح مي­کنند. اين خصوصيت باعث افزايش قابليت مقاوم بودن در سيستم مي­شود (منهاج،1379) (فضل الهي و آليو، 2004) (ييم ، 2002) (ريفنز، زاپرانيس و فرانديس ،1994).

دانلود پایان نامه
این نوشته در مقالات و پایان نامه ها ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.