شبکه های عصبی

1. شبکه های عصبی اگر در تو حس روییدن باشد، حتی درکویر هم سبز خواهی شد. ” دکتر علی شریعتی“

3. شبکه های عصبی مصنوعی شیوه ارائه مطالب فنی و تخصصی تنظیم :معصومه آزاده استاد محترم : جناب آقای مهندس بهرامی زاده دانشگاه علم و صنعت خراسان

4. الهام از طبیعت : • یک شبکه عصبی مصنوعی (Artificial Neural Network (ANN)) ایده ای برای پردازش اطلاعات است که از سیستم عصبی زیستی الهام گرفته و مانند مغز به پردازش اطلاعات می پردازد .

5. البته: اگر بگوييم كه شبكه هاي عصبي مصنوعي مانند مغز بشر عمل ميكنند اغراغ آميز مي باشد.

6. عناصر پردازشی: سیستم عصبی ما از شمار زیادی عناصر پردازشی فوق العاده بهم پیوسته تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل می کند. به هر يك از اين عناصر پردازشی فوق العاده يك نرون(neurons) گفته ميشود.

7. شبکه های عصبی چند نکته: گمان میرودکه مغز انسان از تعداد11^10نرون تشکیل شده باشد. هر نرون با تقریبا4^10نرون دیگر در ارتباط است. سرعت سوئیچنگ نرونها درحدود3-^10ثانیه است . آدمی قادر است در0.1 ثانیهتصویر یک انسان را بازشناسائی نماید.

8. ساختار نرون: هر نرون طبيعي از سه قسمت اصلي تشكيل شده است : (dendrite) دندريت (some) بدنه سلول (axon) اكسون

9. شبکه های عصبی دندريت ها : دندريت ها به عنوان مناطق دريافت سيگنال هاي الكتريكي هستند كه داراي سطح نامنظم و شاخه هاي انشعابي بي شمار مي باشند.

10. شبکه های عصبی (some) بدنه سلول: بدنه سلول ، وظیفه تامین انرژی مورد نیاز جهت فعالیت های نرون را به عهده دارد.

11. شبکه های عصبی اكسون : اكسون بر خلاف دندريت ها از سطحي هموارتر و تعداد شاخه هاي كمتري برخوردار مي باشد. اكسون سيگنال هاي الكتروشيميايي دريافتي از هسته سلول را به نرون هاي ديگر منتقل مي كند.

12. شبکه های عصبی سيناپس : محل تلاقي يك اكسون از يك سلول به دندريت هاي سلول هاي ديگر را سيناپس مي گويند. توسط سيناپس ها ارتباطات ما بين نرون ها برقرار مي شود. به فضاي مابين اكسون و دندريت ها فضاي سيناپسي گويند.

13. شبکه های عصبی بخشهاي جزئي تر از يك شبكه عصبي: شبکه عصبی مصنوعی ساده

14. شبکه های عصبی مهم ترین تفاوت حافظه ی انسان و حافظه ی کامپیوتر؟ • نوع آدرس دهی • مسیر حل یک مسئله

15. شبكه عصبي مصنوعي چيست؟ شبکه از تعداد دلخواهی سلول یا گره یا واحد و یا نرون تشکیل میشود که مجموعه ورودی ها را به خروجی ربط میدهد.

16. شبکه های عصبی چرا از شبکه های عصبی استفاده می کنیم؟ * قابلیت قابل توجه شبکه های عصبی در استنتاج معانی از داده های پیچیده یا مبهم * قابلیت بکارگیری به عنوان یک متخصص

17. شبکه های عصبی شبکه عصبی مصنوعی ساده : • نوعی از شبکه عصبی برمبنای يک واحد محاسباتی به نام پرسپترون ساخته ميشود: • پرسپترون برداری از وروديهای را در يافت می کند . • ترکيب خطی از اين وروديها را محاسبه ميکند. • اگر حاصل از يک مقدار آستانه بيشتر بود آتش می کند.

18. Artificial Neural Network شبکه های عصبی شبکه عصبی مصنوعی ساده (ادامه) سيگنال هاي ورودي X1 تا Xn معادل سيگنال ها ي عصبي ورودي و وزن هاي W1 تا Wn معادل مقادير اتصالات سيناپسي ورودي هاي نرون مي باشند كه جمعا ورودي هاي نرون را تشكيل داده است.

19. شبکه های عصبی خروجی پرسپترون توسط رابطه زیر مشخص میشود: 1 if w0 + w1x1 + w2x2 + … + wnxn > 0 -1 otherwise

20. شبکه های عصبی مثال:

21. شبکه های عصبی نقش تابع در خروجي شبكه :

22. شبکه های عصبی یادگیری یک پرسپترون ؟ یادگیری پرسپترون عبارتاست از: پیدا کردن مقادیردرستی برای W

23. شبكه هاي پرسپترون چند لايه : شبكه هاي پرسپترون از يك لايه ورودي ، تعدادي لايه پنهان و يك لايه خروجي تشكيل شده است. در شكل زير يك شبكه پرسپترون با يك لايه پنهان نشان داده شده است.

24. یک نکته : در شبكه هاي پرسپترون چند لايه ، تعداد لايه هاي پنهان مي تواند هر تعداد باشد. البته در بيشتر كاربردها يك لايه پنهان كفايت مي كند . در بعضي مواقع نيز دو لايه پنهان يادگيري شبكه را ساده تر مي كند.

25. شبکه های عصبی مزایای ANNها • یادگیری انطباق پذیر • سازماندهی توسط خود • انجام محاسبات بصورت موازی • تحمل اشتباه بدون ایجاد وقفه

26. معایب ANNها • دستورات مشخصی برای طراحی شبكه جهت یك كاربرد اختیاری وجود ندارد. • دقت نتایج بستگی زیادی به اندازه مجموعه آموزش دارد. • آموزش شبكه ممكن است مشكل یا حتی غیرممكن باشد. • پیش‌بینی عملكرد آینده شبكه ( عمومیت یافتن ) آن به سادگی امكان‌پذیر نیست.

27. Artificial Neural Network شبکه های عصبی کاربردهای شبکه های عصبی : تشخیص بیماری تشخیص چهره انواع جدید سنسورها پیگیری هدف هدایت جنگ افزارها شناسایی تصویر /سیگنال بینایی ماشین مدل کردن غیر خطی ترکیب صدا کنترل فرآیند ساخت آنالیز مالی

28. Artificial Neural Network شبکه های عصبی کاربردهای شبکه های عصبی : اختصار سخن بازبینی امضا ارزیابی سرمایه پیش بینی فروشهای آینده و نیازهای محصول کلاسه بندی نمودارهای مشتری/بازار پیش بینی هوا پیش بینی محصول مدل کردن کنترل فرآیند تشخیص هدف شبیه سازی مسیر

29. ابزارهای مدلسازي براي مدلسازي شبكه هاي عصبي مصنوعي ابزارهاي زيادي وجود دارد از اين جمله : SNN(Stuttgart Neural Network Simulator) Matlab Standard NN Toolbox Netlab Toolbox For Matlab http://www.ncrg.aston.ac.uk/netlab/index.php

30. Source: Sites: www.rsh.ir http://en.wikipedia.org/wiki/Neural_network http://www.neuralnetworksolutions.com/resources.php http://www.tandf.co.uk/journals/titles/0954898X.asp http://www.30sharp.com کتاب: منهاج – مبانی شبکه های عصبی

31. شبکه های عصبی THE END با تشکر از توجه شما