پایان نامه ارشد با موضوع شبکه پرسپترون چندلایه و مزایای شبکه‌های عصبی

دانلود پایان نامه

عصبی مصنوعی
3-1مقدمه
در این فصل روشی را که با آن مدلسازی انجام دادیم شرح می دهیم . یکی از مهم ترین ویژگیهای شبکه ی عصبی مصنوعی که عملکرد آن را به انسان نزدیک تر می کند قدرت یادگیری است . شبکه های عصبی برای یادگیری به جای دنبال کردن مجموعه هایی ازقواعد تعریف شده توسط انسان متخصص،از قواعد مبنایی(مانند روابط ورودی،خروجی)استفاده می کنند که این یکی از مهم ترین مزایای شبکه ی عصبی نسبت به سیستم های سنتی است . ]10[مدلسازی بااستفاده ازشبکه عصبی سریعترازمدلسازی ریاضی (با استفاده از معادلات گوناگون)است. برای شروع کاربا شبکه عصبی باید داده ها رابه دو دسته تقسیم کنیم ،دسته ای رابرای آموزش به شبکه ودسته دیگر برای تست انتخاب می شوند .
با استفاده از ابزارهای نرم افزار MATLAB به نام Neural Network Toolboxداده های ورودی وخروجی را وارد می کنیم و از دو نوع شبکه ی عصبی مصنوعی پیش خور و پیشرواستفاده کردیم.هدف ما نشان دادن توانایی مدل هایANN در توصیف رفتار خشک شدن چای درشرایط عملیاتی متفاوت است .
3-2تاریخچه پیدایش شبکه های عصبی مصنوعی
از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوژیست‌ها سعی کردند سامانه یادگیری وتجزیه و تحلیل مغزرا کشف کنند وازسوی دیگرریاضیدانان تلاش کردند تا مدلی ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد.
وارن مک کلاچ و والتر پیتز(1943) در اوایل دهه 40 شبکه هایی را طراحی کردند که به طور کلی به عنوان اولین شبکه های عصبی شناخته می شوند.این محققان دریافتند که ترکیب تعداد زیادی نرون ساده درسیستم های عصبی ، منبع افزایش قدرت محاسباتی است.درچنین شبکه هایی وزنهای نرونهاطوری تنظیم می شوند که هرنرون نقش یک واحد منطقی ساده رااجرا نمایدونرون های مختلف نقش های مختلف اجرا کنند .چنین نرون هایی را می توان در یک شبکه قرارداد تابتواند هرخروجی راکه نشانگرترکیبی ازتوابع منطقی باشد ،تولید کند.جریان اطلاعات دردرون شبکه برای انتقال از نرونی به نرون بعدی ،یک مرحله زمانی برای سیگنال انتقالی ایجادمی کندکه این تأخیر زمانی به شبکه اجازه می دهد برخی از فرآیندهای فیزیولوﮊیکی مانند احساس گرما، سرما رامدل سازی کند .این مجموعه قادر است بدون هیچ دانش قبلی ،ارتباط ذاتی موجود میان داده های مسأله را کشف و در خود حفظ کند .
این مدل، فرضیه‌هایی در مورد عملکرد نرون‌ها ارائه می‌کند. عملکرد این مدل مبتنی بر جمع ورودی‌ها وایجاد خروجی است.چنانچه حاصل جمع ورودی‌هااز مقدارآستانه بیشتر باشداصطلاحاًنرون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده بود.
نه تنها نروفیزیولوژیست‌ها بلکه روان شناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه‌ عصبی تأثیر داشتند.در سال ۱۹۵۸ فرانک روزنبلات وچندمحقق دیگر،گروه بزرگی ازشبکه های عصبی رابانام شبکه های پرسپترون ارائه و گسترش دادند . متداول ترین شبکه پرسپترون،متشکل از یک لایه ورودی (معادل شبکیه چشم )بود که بامسیرهایی باوزن هایی به نرون های پیونددهنده متصل می شدووزنهای مسیرهای اتصال قابل تنظیم بودند.قانون یادگیری پرسپترون از روشی تکرار شونده برای تنظیم وزن استفاده می کند.اگر وزن هایی برای جواب مسئله مورد نظر وجود داشته باشد ،آنگاه می توان ثابت کرد که یادگیری پرسپترون به وزن های صحیح همگرا می شود ،یعنی این قانون یادگیری ،این امکان را به شبکه می دهد که تمام جفت های ورودی آموزش و خروجی هدف را دوباره به طور صحیح تولید کند .
در سال ۱۹۶۹ میسکی و پاپرت کتابی نوشتند که محدودیت‌های سامانه‌های تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیش داوری و قطع سرمایه گذاری برای تحقیقات درزمینه شبیه سازی شبکه‌های عصبی بود .آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مسأله جالبی نمی‌باشد، تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.
با وجود اینکه اشتیاق عمومی وسرمایه گذاری‌های موجود به حداقل خود رسیده بود،برخی محققان تحقیقات خود را برای ساخت ماشین‌هایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند، ادامه دادند . ورباس در سال ۱۹۷۴ شیوه آموزش پس انتشارخطارا ایجاد کرد که یک شبکه پرسپترون چندلایه البته با قوانین نیرومندتر آموزشی بود.]2[
شبکه ی عصبی مصنوعی یک سیستم پردازش اطلاعات است که دارای ویژگی های مشترکی با شبکه های عصبی طبیعی است.روشی برای تعیین وزن های روی پیوندهای شبکه وجود دارد که آن را الگوریتم آموزش یا یادگیری می نامند .
الگوریتم بکاررفته برای بهنگام سازی وزن های شبکه ،الگوریتم لونبرگ –مارکوارت است که پرکاربردترین الگوریتم آموزش است .این الگوریتم به شبکه اجازه می دهدتا با دقت بیش تری آموزش ببیند.ازآنجا که برای آموزش شبکه عصبی باالگوریتم لونبرگ – مارکوارت ،محاسبات به طور موازی انجام می شود این الگوریتم جزءسریعترین روشها برای آموزش شبکه عصبی محسوب میشود.
درتعیین تعدادلایه ها ،واحدهای ورودی به عنوان یک لایه شمرده نمی شوند ،زیرا هیچ محاسبه ای را انجام نمی دهند ، زیراگره های آن وزن ورودی ندارد .به واحدهای میانی بین لایه ی ورودی وخروجی اصطلاحاً، واحدهای مخفی (پنهان) گفته می شود معمولاً در بین هر دو سطح همجوار متشکل از واحدها (ورودی ،مخفی و خروجی )یک لایه از وزن ها قرار دارد.
(یک دور)معادل یک بار ارائه کل بردارهای آموزش است . برای آموزش شبکه ی عصبی پس انتشار معمولاً دورهای زیادی لازم است .[2]
تعداد دورهای یادگیری 1000 دورقرارداده شده است.تعدادچرخه آموزش ،تعدادنرون ها و تعدادلایه های پنهان درطی فرآیند آموزش شبکه عصبی ازطریق روش آزمون وخطا تعیین می شود .
3-3مزایای استفاده از شبکه های عصبی
شبکه‌های عصبی با توانایی قابل توجه خود در استنتاج نتایج از داده‌های پیچیده می‌توانند در استخراج الگوها و شناسایی گرایش‌های مختلفی که برای انسان‌ها و کامپیوتر شناسایی آنها بسیار دشوار است استفاده شوند. از مزایای شبکه‌های عصبی می‌توان موارد زیر را نام برد:
یادگیری تطبیقی: توانایی یادگیری، اینکه چگونه وظایف خود را بر اساس اطلاعات داده شده به آن و یا تجارب اولیه انجام دهد ،در واقع اصلاح شبکه را گویند.
خود سازماندهی: یک شبکه عصبی مصنوعی به صورت خودکار سازماندهی می شود و داده‌هایی که در طول آموزش دریافت کرده را ارائه میدهد.نرون‌ها با قاعدهء یادگیری سازگار شده و پاسخ به ورودی تغییر می‌یابد.
عملگرهای بی‌درنگ: محاسبات در شبکه عصبی مصنوعی می‌تواند به صورت موازی و به وسیله سخت ‌افزارهای مخصوصی که طراحی وساخت آنبرای دریافت نتایج بهینه قابلیت‌های شبکه عصبی مصنوعی است انجام شود.
تحمل خطا: با ایجاد خطا در شبکه ، مقداری از کارایی کاهش می‌یابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ می‌شود.