آشنایی با شبکه های عصبی زیستی:
این شبکه ها مجموعه ای بسیار عظیم از پردازشگرهایی موازی به نام نورون اند که به صورت هماهنگ برای حل مسئله عمل می کنند و توسط سیناپس ها (ارتباط های الکترومغناطیسی) اطلاعات را منتقل می کنند. در این شبکه ها اگر یک سلول آسیب ببیند بقیه ی سلول ها می توانند نبود آن را جبران کرده و نیز در بازسازی آن سهیم باشند. این شبکه ها قادر به یادگیری اند.
مثلا با اعمال سوزش به سلول های عصبی لامسه، سلول ها یاد می گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم ها به صورت تطبیقی صورت می گیرد، یعنی با استفاده ازمثال ها وزن سیناپس ها به گونه ای تغییر می کند که در صورت دادن ورودی های جدید سیستم پاسخ درستی تولید کند.
معرفی ANN ها:
- یک سیستم پردازشی داده ها که از مغز انسان ایده گرفته و پردازش داده ها را به عهده ی پردازنده های کوچک و بسیار زیادی سپرده که به صورت شبکه ای به هم پیوسته و موازی با یکدیگر رفتار می کنند تا یک مسئله را حل کنند.
- در این شبکه ها به کمک د انش برنامه نویسی ، ساختا ر داده ای طراحی می شود که می تواند هما نند نورون عمل کند.که به این ساختارداده node یا گره نیزگفته می شود.بعد باایجاد شبکه ای بین این node ها و اعمال یک الگوریتم آموزشی به آ ن، شبکه را آموزش می دهند.
- در این حافظه یا شبکه ی عصبی node ها دارای دو حالت فعال (on یا ۱) وغیرفعال ( off یا ۰) اند و هر یال (سیناپس یا ارتباط بین node ها) دارای یک وزن می باشد.یالهای با وزن مثبت ،موجب تحریک یا فعال کردن node غیر فعال بعدی می شوند و یالهای با وزن منفی node متصل بعدی را غیر فعال یا مهار (در صورتی که فعال بوده باشد) می کنند.
به طور خلاصه یک شبکه عصبی باید خصوصیات زیر را داشته باشد:
- بتواند الگوها را طبقه بندی کند.
- به اندازه کافی کوچک باشد تا از نظر فیزیکی واقع گرایانه باشد.
با به کار گیری آموزش، قابل برنامه ریزی باشد و قدرت یادگیری داشته باشد. یعنی توانایی تنظیم پارامترهای شبکه (اوزان سیناپتیکی)، در مسیر زمان که محیط شبکه تغییر می کند و شبکه وارد شرایط جدیدی می شود. هدف از این کار این است که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی شبکه رخ داد، شبکه بتواند با آموزش مختصر، برای شرایط جدید نیز کارآمد باشد.
دیگر این که اطلاعات در شبکه های عصبی در سیناپس ها ذخیره و هر نرون در شبکه به صورت بالقوه از کل فعالیت سایر نرون ها تأثیر می پذیرد. در نتیجه اطلاعات از نوع مجزا از هم نبوده و متأثر از کل شبکه می باشد. توانایی تعمیم را با استفاده از مثال های ارائه شده در فرآیند آموزش، داشته باشد.
فهرست مطالب:
- آشنایی با شبکه های عصبی زیستی
- معرفی شبکه های عصبی مصنوعی (ANN ها)
- مبانی شبکه های عصبی مصنوعی
- توپولوژی شبکه
- نرم افزارهای شبکه های عصبی
- مقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبی
- فرآیند یادگیری شبکه
- تجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعی
- ایده ی اصلی شبکه های عصبی مصنوعی
- مهم ترین تفاوت حافظه ی انسان و حافظه ی کامپیوتر
- شبکه های عصبی در مقابل کامپیوترهای معمولی
- معایب شبکه های عصبی مصنوعی
- کاربردهای شبکه های عصبی مصنوعی