Download
1 / 39
780 likes | 2.37k Views
شبکه عصبی مصنوعی (مدل هاپفیلد). ارائه دهنده : الهامه موسوی زاده. معنا و مفاهیم شبکه های عصبی. مهمترین الگو های برای پردازش شبکه های عصبی 1. الگوی پایه ریزی شده بر اساس معماری بخشهایی از مغز حیوانات 2. الگوی پایه ریزی شده بر اساس اطلاعات پردازش شده توسط مغز انسان. مغز.
E N D
شبکه عصبی مصنوعی (مدل هاپفیلد) ارائه دهنده : الهامه موسوی زاده
معنا و مفاهیم شبکه های عصبی مهمترین الگو های برای پردازش شبکه های عصبی 1. الگوی پایه ریزی شده بر اساس معماری بخشهایی از مغز حیوانات 2. الگوی پایه ریزی شده بر اساس اطلاعات پردازش شده توسط مغز انسان
مغز مغز یک سیستم پردازش اطلاعات با ساختار موازی و کاملا پیچیده است که برای خواندن، نفس کشیدن، حرکت، تفحص و کلیه اعمال آگاهانه و بسیاری از رفتارهای ناخودآگاه استفاده می شود. مغز برای محاسبه و جمع آوری حجم عظیمی از اطلاعات و سیگنالها به زمانی کمتر از چند صدم ثانیه نیاز دارد.
(Neuron) نرون مغز به عنوان یک سیستم دینامیکی با ساختار موازی از 100 تریلیون نرون به هم مرتبط تشکیل یافته است. نرونها ساده ترین واحد ساختاری سیستم های عصبی هستند. بیشترین تعداد نرونها در مغز و بقیه در نخاع و سیستم های عصبی جانبی متمرکز هستند .
اجزای تشکیل دهنده نرون اکثر نرونها از قسمت اصلی زیر تشکیل شده اند : 1 . بدنه سلول 2 . دندریت 3. اکسون دو قسمت آخر عناصر ارتباطی نرون را تشکیل می دهند.
دندریت ها شبکه هایی تشکیل یافته از فیبر های سلولی دارای سطح نامنظم و شاخه های انشعابی بی شمار که به عنوان مناطق دریافت سیگنالهای الکتریکی شناخته شده اند. وظیفه اصلی دندریت ها انتقال سیگنالهای الکتریکی به هسته سلول می باشد.
اکسون اکسون بر خلاف دندریت ها از سطحی هموارتر و تعداد شاخه های کمتر برخوردار می باشد. اکسون ها سیگنال الکترو شیمیایی دریافتی از هسته سلول را به نرونهای دیگر منتقل می کند.
سیناپس محل تلاقی یک اکسون از یک سلول را به دندریت های سلول دیگر را سیناپس می گویند. سیناپس ها واحدهای ساختاری کوچکتابعی هستند که ارتباط بین نرونها را برقرار می سازند.
ویژگی های شبکه های عصبی شبکه های عصبی درهر جا که نیاز به یادگیری یک نگاشت خطی و یا غیر خطی باشد ممتاز می باشد.از ویژگی های شبکه های عصبی : 1 . قابلیت یادگیری 2 . پراکندگی اطلاعات “ پردازش اطلاعات به صورت متن” 3 . قابلیت تعمیم 4 . پردازش موازی 5 . مقاوم بودن
قابلیت یادگیری قابلیت یادگیری یعنی توانایی تنظیم پارامترهای شبکه در مسیر زمان که محیط شبکه تغییر می کند و شبکه شرایط جدید را تجربه می کند با این هدف که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی آن(وضعیت خاص)رخ داد ، شبکه بتواند با آموزش مختصر برای شرایط جدید کارآمد باشد.
پراکندگی اطلاعات به دلیل اینکه هر نرون در شبکه از کل فعالیت سایر نرون ها متاثر می باشد ، چنانچه بخشی از سلولهای شبکه حذف شوند و یا عملکرد غلط داشته باشند تحت این ویژگی باز هم احتمال رسیدن به پاسخ صحیح وجود دارد.
قابلیت تعمیم در این حالت تابعی به شبکه آموزش داده می شود، شبکه تابع را یاد می گیرد ،الگوریتم را می آموزد و یا رابطه تحلیل مناسبی را برای تعدادی نقاط در فضا به دست می آورد.
پردازش موازی در سیستم سخت افزاری که توسط شبکه عصبی پیاده سازی شده است وظیفه کلی پردازش بین پردازنده های کوچکتر مستقل از یکدیگر توزیع می گردد و باعث افزایش سرعت پردازش می شود.
مقاوم بودن سلولها در روند همکاری ، خطاهای محلی یکدیگر راتصحیح می کنند. این خصوصیت باعث افزایش قابلیت مقاوم بودن در سیستم می گردد.
کاربرد شبکه های عصبی شبکه های عصبی برای مسائل کنترل ،علی الخصوص سیستم های پیچیده که مدل سازی این سیستم ها یا میسر نیست و یا به سختی انجام می شود بسیار مناسب است.
به طور کلی از کاربردهای شبکه های عصبی می توان به موارد ذیل اشاره کرد: 1 . طبقه بندی،شناسایی و تشخیص الگو 2 . پردازش سیگنال 3 . پیش بینی های سریهای زمانی 4 . مدلسازی و کنترل 5 . بهینه سازی 6 . سیستم های خبره و فازی 7 . مسائل مالی ،بیمه امنیتی،بازار بورس و وسایل سرگرم کننده 8 . ساخت وسایل صنعتی ،پزشکی و امور حمل و نقل
تاریخچه شبکه های عصبی در قرن 20 کارهای اساسی در فیزیک،روانشناسی و نروفیزیولژی که پیش زمینه های شبکه عصبی می باشد صورت پذیرفت. این کارها عموما برتئوریهای کلی یادگیری ، بینایی و شرطی تاکید داشتند. نخستین کاربرد علمی شبکه های عصبی در اواخر دهه 50 قرن 20 مطرح شد .
در سال 1958 شبکه پرسپترون توسط روزنبلات معرفی شد که قادر بود الگوها رااز هم شناسایی کند. در سال 1960شبکه عصبی تطبیقی خطی آدلاین توسط برنارد ویدروارائه شد که شبیه ساختار پرسپترون بود. در سال 1972 تئوکوهونن و جیمزاندرسون بطور مستقل و بدون اطلاع از هم شبکه های عصبی جدیدی را معرفی کردند که قادر بود به عنوان عناصر ذخیره ساز عمل نماید .
در خلال دهه 80 ،رشد تکنولوژی میکروپروسسورها روند صعودی داشت و تحقیقات روی شبکه های عصبی فزونی یافت . در این زایش دوباره شبکه های عصبی نگرش جدیدی قابل تامل می باشد استفاده از مکانیسم تصادفی جهت توضیح عملکرد یک طبقه وسیع از شبکه های برگشتی که می توان آنها را جهت ذخیره سازی اطلاعات استفاده نمود. این ایده توسط جان هاپفیلد فیزیکدان آمریکایی در سال 1982 مطرح شد.
شبکه هاپفیلد شبکه هاپفیلد یکی از انواع شبکه های عصبی است که شباهت به یک وسیله یاد گیری دارد.
برای فهم بیشتر مکانیسم کار شبکه هاپفیلد
شبکه هاپفیلد برای برای ذخیره تعدادی الگو طراحی شده است که می تواند آنها را بازیابی کند. شکل زیر نتایج یک شبکه هاپفیلد آموزش داده شده را نشان می دهد: پارازیت دار بی کیفیت اصلی
ساختار شبکه هاپفیلد ارتباطات در ساختار شبکه هاپفیلد دو طرفه و متقارن هستند.
عملکرد شبکه هاپفیلد Hebb`s Rule شبکه هاپفیلد از قانون یادگیری بنام استفاده می کند. دونالد هب به مکانیزم یادگیری در سیناپس ها پی برد. تحریکB را تحریک کند ونرون Bنرون A اگر نرون شود ، بنابراین نیروی سیناپس های بین نرونهای افزایش می یابد .بدین صورت که،اگر همبستگی بینA,B مثبت باشد ،نیروی سیناپس ها افزایش می یابد.A,B نرون های
نظریه مدل هاپفیلد بر اساس قانون هب هنگامیکه همبستگی منفی باشد نیروی سیناپس ها کاهش داشته باشیم ، بنابراین قانونXi,Xj می یابد.اگر نرون تعمیم داده شده هب به صورت زیر است. Δwi,j = α XiXj
شبکه هاپفیلد الگوی باینری را یاد می گیرد اما به جای 0و 1 از الگوی 1و1-استفاده می کند. مثال: 010011 111-1-11- برای آموختن این الگو به شبکه،ابتدا برای هرجزازالگویک نرون در جهت ساعت از بالا در نظر می گیریم.سپس وزن ها را مطابق با قانون زیر تعیین می کنیم. Wi,j =1/(nXiXj)
سپس رویه زیر را دنبال می کنیم : 1 . یک نرون به صورت تصادفی انتخاب می کنیم. 2 . نرون را مطابق با قانون بهنگام سازی زیر تغییر می دهیم. 3 . به شماره یک بر می گردیم تا زمانی که هیچ نرونی در شبکه دیگر تغییر نکند.(شبکه به جواب همگرا شود)
قانون به هنگام سازی نرون Xi = Sign( ∑jWi,jXj) Sign(u) = 1 u>=1 -1 u < 0
اگربخواهیم نمونه های را درحافظه اش ذخیره کند قانون یادگیری زیررا برای وزن ها بکار می بریم: بردارهای ورودی مختلفی است که سعی داریم آنها را P یاد بگیریم. تعداد نرونهای شبکه هاپفیلد است.n
یک شبکه هاپفیلد با 6 نرون که ابعاد بردارهایی که می تواند یاد بگیرد 6 است.
شبکه هاپفیلد و یادگیری بدون ناظر سه نوع یادگیری برای شبکه های عصبی وجود دارد 1 . یادگیری با ناظر 2 . یادگیری تقویتی 3 . یادگیری بدون ناظر که در این میان شبکه هاپفیلد در گروه یادگیری بدون ناظر قرار دارد.
شبکه هاپفیلد یک شبکه بازگشتی شبکه هاپفیلد یک شبکه بازگشتی می باشد یعنی خروجی شبکه به عنوان ورودی به شبکه باز می گردد.
استفاده شدهsatlins در شبکه هاپفیلد از تابع محرک خطی است . ورودی < 1- : 1- 1> ورودی >1- : همان مقدار ورودی > 1 : 1 هر بردار خروجی در نهایت به یکی از بردارهای نقاط ثابت طراحی که به ورودی نزدیکتر است همگرا می شود.
(newhop) طراحی سیستمی را مطالعه کرده که ساختار اصلی Limi.et.al. شبکه هاپفیلد را دارد. در این میان وزنها و بایسها را برای شبکه newhop بازگشتی تنظیم می کند. شبکه نقاط تعادلی ثابتی نزدیک بردارهای هدف ایجاد می کند.
طراحی شبکه با دو نقطه ثابت در فضای سه بعدی T = [-1 –1 1 ; 1 –1 1] T = -1 1 -1 –1 1 1 حال شبکه را طراحی می کنیم : Net = newhop(T) شبکه فوق را آزمایش می کنیم: Ai = T [Y,Pf,Af]=sim(net,2,[],Ai)
که این نتیجه حاصل می شود: T = -1 1 -1 –1 1 1 یک نمونه دیگر: Ai ={[-0.9 ; -0.8 ; 0.7]} این نقطه به اولین نقطه طراحی بسیارنزدیک است، بنابراین شبکه باید به اولین نقطه همگرا گردد
برای مشاهده آزمایش فرمان زیر را اجرا می کنیم: [Y,Pf,Af]=sim(net,{1,5},{},Ai) Y{1} Y= -1 -1 1 متاسفانه در بهترین طراحی ها نیز دربعضی اوقات ، نقاط ثابت نادرست نامطلوبی را شامل می شود که جواب شبکه مجذوب این نقاط می شود.
