شبکه عصبی | ریاضیات ,

یک شبکه عصبی چیست؟

یک شبکه عصبی مصنوعی (Artificial Neural Network (ANN)) ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد . عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پرداز شی فوق العاده بهم پیوسته تشکیل شده (neurons)که برای حل یک مسأله با هم هماهنگ عمل می کند.ANN ها ،نظیر انسانها ، با مثال یاد می گیرند . یک ANN برای انجام وظیفه های مشخص ، مانند شناسایی الگو ها و دسته بندی اطلاعات ، در طول یک پروسه یاد گیری ، تنظیم می شود . در سیستم های زیستی یاد گیری با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است . این روش ANN ها هم می باشد.

سابقه تاریخی :


به نظر می آید شبیه سازی های شبکه عصبی یکی از پیشرفت های اخیر باشد . اگرچه این موضوع پیش از ظهور کامپیوتر ها بنیان گذاری شده و حداقل یک مانع بزرگ تاریخی و چندین دوره مختلف را پشت سر گذاشته است.

خیلی از پیشرفت های مهم با تقلید ها و شبیه سازی های ساده و ارزان کامپیوتری بدست آمده است. در پی یک دوره ابتدائی اشتیاق و فعالیت در این زمینه ، یک دوره ی بی میلی و بدنامی راهم پشت سر گذاشته است . در طول این دوره سرمایه گذاری و پشتیبانی حرفه ای از این موضوع در پایین ترین حد خود بود ، پیشرفت های مهمی به نسبت تحقیقات محدود در این زمینه صورت گرفت . که بدین وسیله پیشگامان قادر شدند تا به گسترش تکنولوژی متقاعد کننده ای بپردازند که خیلی برجسته تر از محدودیت هایی بود که توسط Minsky و Papert شناسانده شد. Minsky و Papert ،کتابی را در سال 1969 منتشر کردند که در آن عقیده عمومی راجع به میزان محرومیت شبکه های عصبی را در میان محققان معین کرده بود و بدین صورت این عقیده بدون تجزبه و تحلیل های بیشتر پذیرفته شد. هم اکنون ، زمینه تحقیق شبکه های عصبی از تجدید حیات علایق و متناطر با آن افزایش سرمایه گذاری لذت می برد .

اولین سلول عصبی مصنوعی در سال 1943 بوسیله یک neurophysiologist به نامWarren McCulloch و یک منطق دان به نام Walter Pits ساخته شد . اما محدودیتهای تکنولوژی در آن زمان اجازه کار بیشتر به آنها نداد.

چرا از شبکه های عصبی استفاده می کنیم ؟


شبکه های عصبی ، با قابلیت قابل توجه آنها در استنتاج معانی از داده های پیچیده یا مبهم ، میتواند برای استخراج الگوها و شناسایی روشهایی که آگاهی از آنها برای انسان و دیگر تکنیک های کامپیوتری بسیار پیچیده و دشوار است به کار گرفته شود. یک شبکه عصبی تربیت یافته می تواند به عنوان یک متخصص در مقوله اطلاعاتی ای که برای تجزیه تحلیل به آن داده شده به حساب آید.از این متخصص می توان برای بر آورد وضعیت های دلخواه جدید و جواب سؤال های " چه می شد اگر " استفاده کرد.

مزیتهای دیگر آن شامل موارد زیر می شود :
یادگیری انطباق پذیر: قابلیت یاد گیری نحوه انجام وظایف بر پایه اطلاعات داده شده برای تمرین و تجربه های مقدماتی .
سازماندهی توسط خود: یک ANN می تواند سازماندهی یا ارائه اش را ، برای اطلاعاتی که در طول دوره یادگیری در یافت می کند، خودش ایجاد کند.
عملکرد بهنگام(Real time ) : محاسبات ANN می تواند بصورت موازی انجام شود، و سخت افزارهای مخصوصی طراحی و ساخته شده است که می تواند از این قابلیت استفاده کند.
تحمل اشتباه بدون ایجاد وقفه در هنگام کد گذاری اطلاعات : خرابی جزئی یک شبکه منجر به تنزل کارایی متناظر با آن می شود اگر چه تعدادی از قابلیت های شبکه ممکن است حتی با خسارت بزرگی هم باقی بماند.

شبکه های عصبی در مقابل کامپیوتر های معمولی:

شبکه های عصبی نسبت به کامپیوتر های معمولی مسیر متفاوتی را برای حل مسئله طی می کنند . کامپیوتر های معمولی یک مسیر الگو ریتمی را استفاده می کنند به این معنی که کامپیوتر یک مجموعه از دستورالعمل ها را به قصد حل مسئله پی می گیرد. بدون اینکه، قدم های مخصوصی که کامپیوتر نیاز به طی کردن دارد، شناخته شده باشند کامپیوتر قادر به حل مسئله نیست. این حقیقت قابلیت حل مسئله ی کامپیوتر های معمولی را به مسائلی ،محدود می کند که ما قادر به درک آنها هستیم و می دانیم چگونه حل میشوند. اما اگر کامپیوتر ها می توانستند کار هایی را انجام دهند که ما دقیقا نمیدانیم چگونه انجام دهیم ، خیلی پر فایده تر بودند.

شبکه های عصبی اطلاعات را به روشی مشابه با کاری که مغز انسان انجام می دهد پردازش می کنند. آنها از تعداد زیادی از عناصر پرداز شی(سلول عصبی) که فوق العاده بهم پیوسته اند تشکیل شده است که این عناصر به صورت موازی باهم برای حل یک مسئله مشخص کار می کنند .شبکه های عصبی با مثال کار می کنند و نمی توان آنها را برای انجام یک وظیفه خاص برنامه ریزی کرد مثال ها می بایست با دقت انتخاب شوند در غیر این صورت زمان سودمند، تلف می شود و یا حتی بدتر از این شبکه ممکن است نا درست کار کند. امتیاز شبکه عصبی این است که خودش کشف می کند که چگونه مسئله را حل کند ، عملکرد آن غیر قابل پیش گویی است.

از طرف دیگر ، کامپیوتر های معمولی از یک مسیر مشخص برای حل یک مسئله استفاده می کنند . راه حلی که مسئله از آن طریق حل می شود باید از قبل شناخته شود و به صورت دستورات کوتاه و غیر مبهمی شرح داده شود. این دستورات سپس به زبان های برنامه نویسی سطح بالا برگردانده می شود و بعد از آن به کدهایی که کامپیوتر قادر به درک آنها است تبدیل می شود. به طور کلی این ماشین ها قابل پیش گویی هستند و اگر چیزی به خطا انجام شود به یک اشتباه سخت افزاری یا نرم افزاری بر می گردد.

شبکه های عصبی و کامپیوتر های معمولی با هم در حال رقابت نیستند بلکه کامل کننده یکدیگرند . وظایفی وجود دارد که بیشتر مناسب روش های الگو ریتمی هستند نظیر عملیات محاسباتی و وظایفی نیز وجود دارد که بیشتر مناسب شبکه های عصبی هستند . حتی فراتر از این ، مسائلی وجود دارد که نیازمند به سیستمی است که از تر کیب هر دو روش بدست می آید (بطور معمول کامپیوتر های معمولی برای نظارت بر شبکه های عصبی به کار گرفته می شوند ) به این قصد که بیشترین کارایی بدست آید.

شبکه های عصبی معجزه نمی کنند اما اگر خردمندانه به کار گرفته شوند نتایج شگفت آوری را خلق میکنند.

انسان و سلول های عصبی مصنوعی- در جستجوی شباهت ها

چگونه مغز انسان می آموزد ؟
مسائل زیادی راجع به این که مغز چگونه خود را برای پردازش اطلاعات آموزش می دهد، نا شناخته باقی مانده است بنابر این تئوری های فراوانی وجود دارد. در مغز انسان یک سلول سیگنال ها را از دیگران از طریق یک گروه از ساختار های ریز به نام dendrites جمع آوری می کند سلول عصبی جهش سریع فعالیت الکتریکی را در طول یک پایه بلند و نازک که axon نامیده میشود ، می فرستد که به داخل هزاران شاخه گسترش می یابد و کشیده می شود . در انتهای هر شاخه ، ساختاری که synapse نامیده می شود این فعالیت را ازaxon به اثرات الکتریکی تبدیل می کند که فعالیت یکaxon به صورت اثرات الکتریکی فعال کننده یا غیر فعال کننده تبدیل می شود که این کار باعث برانگیخته شدن یا آرام شدن سلول های عصبی مرتبط می شود. وقتی یک سلول عصبی پیام های فعال کننده را در یافت می کند، که بطور قانع کننده و وسیعی با پیام های ورودی غیر فعال کننده اش مقایسه شده باشد ،در این زمان این سلول نیز یک جهش از فعالیت الکتریکی را به داخل axon خودش می فرستد.

یاد گیر ی با تغییر تاثیر synapses اتفاق می افتد در نتیجه تاثیر یک سلول بر دیگران تغییر میکند.

از سلول های عصبی انسانی تا سلول های عصبی مصنوعی


ما این شبکه های عصبی را با تلاش اولیه در جهت یافتن خصوصیات اساسی سلول های عصبی و اتصالات آنها ، هدایت می کنیم. سپس بطور معمول یک کامپیوتر را برای شبیه سازی این خصوصیات برنامه ریزی می کنیم .اگر چه بدلیل اینکه دانش ما از سلول های عصبی ناقص است و قدرت محاسبات ما محدود است ، مدل های ما لزوما آرمان های خام و ناقصی از شبکه های واقعی سلول های عصبی است .

برگرفته از :

http://daneshnameh.roshd.ir/mavara/mavara-index.php?page=%d8%b4%d8%a8%da%a9%d9%87+%d8%b9%d8%b5%d8%a8%db%8c&SSOReturnPage=Check&Rand=0



نوشته شده توسط مدیر وبلاگ در شنبه 31 شهریور 1386 و ساعت 03:09 ق.ظ
fractal picture | ریاضیات ,

به کمک نرم افزار زیر میتوانید عکسهای زیبایی را تولید کنید .

لینک  وب سایت :

http://www.sgeier.net/fractals/

لینک دانلود :

http://www.ultrafractal.com/download.html


نوشته شده توسط مدیر وبلاگ در شنبه 27 مرداد 1386 و ساعت 01:08 ق.ظ
منطق فازی | ریاضیات ,

منطق فازی

ریاضیات فازی یک فرا مجموعه از منطق بولی است که بر مفهوم درستی نسبی، دلالت می کند. منطق کلاسیک هر چیزی را بر اساس یک سیستم دوتائی نشان می دهد ( درست یا غلط، 0 یا 1، سیاه یا سفید) ولی منطق فازی درستی هر چیزی را با یک عدد که مقدار آن بین صفر و یک است نشان می دهد. مثلاً اگر رنگ سیاه را عدد صفر و رنگ سفید را عدد 1 نشان دهیم، آن گاه رنگ خاکستری عددی نزدیک به صفر خواهد بود. در سال 1965، دکتر لطفی‌زاده نظریه سیستم‌های فازی را معرفی کرد. در فضایی که دانشمندان علوم مهندسی به دنبال روش‌های ریاضی برای شکست دادن مسایل دشوارتر بودند، نظریه فازی به گونه‌ای دیگر از مدل‌سازی، اقدام کرد.

                                                                                   پروفسور لطفی زاده   

منطق فازی معتقد است که ابهام در ماهیت علم است. بر خلاف دیگران که معتقدند که باید تقریب‌ها را دقیق‌تر کرد تا بهره‌وری افزایش یابد، لطفی‌زاده معتقد است که باید به دنبال ساختن مدل‌هایی بود که ابهام را به عنوان بخشی از سیستم مدل کند. در منطق ارسطویی، یک دسته‌بندی درست و نادرست وجود دارد. تمام گزاره‌ها درست یا نادرست هستند. بنابراین جمله «هوا سرد است»، در مدل ارسطویی اساساً یک گزاره نمی‌باشد، چرا که مقدار سرد بودن برای افراد مختلف متفاوت است و این جمله اساساً همیشه درست یا همیشه نادرست نیست. در منطق فازی، جملاتی هستند که مقداری درست و مقداری نادرست هستند. برای مثال، جمله "هوا سرد است" یک گزاره منطقی فازی می‌باشد که درستی آن گاهی کم و گاهی زیاد است. گاهی همیشه درست و گاهی همیشه نادرست و گاهی تا حدودی درست است. منطق فازی می‌تواند پایه‌ریز بنیانی برای فن‌آوری جدیدی باشد که تا کنون هم دست‌آورد‌های فراوانی داشته است.


کاربردها: از منطق فازی برای ساخت کنترل کننده های لوازم خانگی از قبیل ماشین رختشویی (برای تشخیص حداکثر ظرفیت ماشین، مقدار مواد شوینده، تنظیم چرخهای شوینده) و یخچال استفاده می شود. کاربرد اساسی آن تشخیص حوزه متغیرهای پیوسته است. برای مثال یک وسیله اندازه گیری دما برای جلوگیری از قفل شدن یک عایق ممکن است چندین عضو مجزا تابعی داشته باشد تا بتواند حوزه دماهایی را که نیاز به کنترل دارد به طور صحیح تعریف نماید. هر تابع، یک ارزش دمایی مشابه که حوزه آن بین 0 و 1 است را اختیار می کند. از این ارزشهای داده شده برای تعیین چگونگی کنترل یک عایق استفاده می شود.

در شکل روبرو، سرد بودن، گرم بودن و داغ بودن، توابعی برای مقایسه درجه حرارت هستند و هر نقطه ای روی این خطوط می تواند دارای یکی از سه ارزش بالا باشد. به عنوان مثال برای یک درجه حرارت خاص که در شکل با یک خط نشان داده شده است، می توان گفت: «مقداری سرد است»،«اندکی گرم است» یا «اصلاً داغ نیست».
حال با مثال دیگری اهمیت این علم را بیشتر درک مینمائیم:

یک انسان در نور کافی قادر به درک میلیونها رنگ میباشد.ولی یک روبوت چگونه میتواند این تعداد رنگ را تشخیص دهد؟ حال اگر بخواهیم روباتی طراحی کنیم که قادر به تشخیص رنگها باشد از منطق فازی کمک میگیریم و با اختصاص اعدادی به هر رنگ آن را برای روبوت طراحی شده تعریف میکنیم.

از کاربردهای دیگر منطق فازی میتوان به کاربرد این علم در صنعت اتومبیل سازی(در طراحی سیستم ترمز ABS و کنترل موتور برای بدست آوردن بالاترین راندمان قدرت)،در طراحی بعضی از ریزپردازنده ها و طراحی دوربینهای دیجیتال اشاره کرد.

پیوندهای خارجی

 http://www.srrf.net/courses/mas-farsi.asp
http://www.vojoudi.com/uncertainty/fuzzy_logic/fuzzy_logic.htm

برگرفته از :

http://daneshnameh.roshd.ir/mavara

نوشته شده توسط مدیر وبلاگ در شنبه 27 مرداد 1386 و ساعت 01:08 ق.ظ
نوشته های پیشین
+ شیر آب جادویی+ هنر اندازه گیری و مدل سازی در آزمایش مودال و مشکلات آن-1+ فرهنگ مصرف در ایران+ ذخایر اورانیوم ایران ( Iran uranium )+ پهپاد ( UAV ) ؟ ؟+ نگاهی به "سبك زندگی" ترویجی سینما و تلویزون و رابطه آن با "جمعیت"+ پهباد (UAV)+ ساخت ربات مسیریاب+ شبیه سازی بویلر زغال سنگ سوز به کمک نرم افزار EES (قسمت 4)+ شعار سال 91+ سال نو مبارک+ کمپین خودجوش دانشجویان ایرانی برای همکاری داوطلبانه با سازمان انرژی اتمی+ بررسی رفتار غیر خطی سازه در تست مودال+ عید غدیر مبارک+ ارائه یك طرح نوین مهندسی جهت مدیریت ناوگان اتوبوسرانی درون شهری+ مبارزه بیولوژیک، راهی بسوی توسعه پایدار کشاورزی+ سوخت بیودیزل چیست ؟+ عید فطر مبارک+ کاربرد نانوتکنولوژی در کشاورزی+ دیدار رهبر معظم انقلاب اسلامی امام خامنه ای، با اساتید دانشگاه ها+ علائم کمبود و بیشبود (مسمومیت) عناصر غذایی پرمصرف اصلی در گلخانه ها+ شبیه سازی بویلر زغال سنگ سوز به کمک نرم افزار EES (قسمت 3)+ بن سای ( درختان مینیاتوری )+ پیوند زنی و انواع آن Grafting | قسمت سوم+ پیوند زنی و انواع آن Grafting | قسمت دوم+ پیوند زنی و انواع آن Grafting | قسمت اول+ بستر كشت گیاهان گلخانه ای + List of Papers from IOMAC2009+ تکنیک‌های تهیه و تولید کشت آگار + مزایای كشت گلخانه‌ای

صفحات:
 
شبکه اجتماعی فارسی کلوب | Buy Mobile Traffic | سایت سوالات