شبکههای عصبی مصنوعی

دانلود پایان نامه

(‏410)
If and then
(‏411)
If and then
(‏412)
شکل (4-8) مراحل نتیجه گیری از قوانین “اگر-آنگاه ”از طریق میانگین وزنی را نمایش میدهد.
شکل ‏48- مراحل یک سیستم استنتاج سوگنو
مقایسه روش ممدانی و سوگنو
روش استنتاج ممدانی برای وارد نمودن اطلاعات افراد با تجربه به عنوان قوانین کنترلی سیستم فازی بسیار مناسب میباشد و این امکان را میدهد که با درک شهودی بهتری این تجربیات را به طور مستقیم در سیستم وارد کنیم. از طرف دیگر باید توجه داشت که سیستم ممدانی بار محاسباتی بیشتری را برای کامپیوتر به دنبال خواهد داشت و سیستم سوگنو دارای ساختار سادهتر و استنتاج از آن توسط کامپیوتر با بار محاسباتی کمتری صورت میگیرد. مناسب بودن روش سوگنو برای اعمال تکنیکهای بهینه سازی و تکنیکهای همراه با آنالیز و تحلیل ریاضی این روش را برای استفاده در مسائل کنترل به خصوص در سیستم های غیر خطی دینامیکی ایدهآل نموده است. در روش سوگنو بخش آنگاه قاعده یک فرمول ریاضی بوده و بنابراین چهارچوبی را برای نمایش دانش و تجربه بشری به صورت متغیرهای زبانی فراهم نمیکند [].
شبکههای عصبی
مقدمه
در سالیان اخیر شاهد حرکتی مستمر به خصوص در زمینه پردازش اطلاعات برای حل مسائلی که برای آنها راهحلی موجود نیست و یا به راحتی قابل حل نیستند، بودهایم. با عنایت به این امر، علاقه فزایندهای در توسعه تئوریک سیستمهای دینامیکی هوشمند مدل آزاد که مبتنی بر دادههای تجربی هستند ایجاد شده است. شبکههای عصبی مصنوعی جز این دسته از سیستم های دینامیکی قرار دارند، که با پردازش روی دادههای تجربی، دانش یا قانون نهفته در ورای دادهها را به ساختار شبکه منتقل میکنند [].
شبکههای عصبی مصنوعی، در واقع نوعی سیستم پردازش اطلاعات هستند که از تعمیم یافتن مدلهای ریاضی شبکههای عصبی انسان بر مبنای فرضیات زیر توسعه یافتهاند :
داده پردازی در اجزای سادهای به نام نرون صورت میگیرد .
اطلاعات از طریق ارتباط بین نرونها منتقل میشود .
هر ارتباط دارای وزن مخصوص به خویش است .
هر نرون برای محاسبه خروجیاش، یک تابع تحریک دارد که به مجموع وزن دار ورودیهایش اعمال میشود .
خروجی هر پردازشگر(نرون) ممکن است به تعداد زیادی واحد پردازشگر دیگر منتقل شود
هر شبکه عصبی، مشتمل بر مجموعهای از اجزا کوچک داده پردازی بنام نرون، واحد و یا گره میباشد. هر نرون به نرونهای دیگر از طریق یک رابط جهتدار که دارای وزن مختص به خود است مرتبط میگردد. وزنها نمایش دهنده اطلاعات مورد نیاز شبکه برای حل یک مسئله هستند. شبکههای عصبی را میتوان در موارد گوناگونی از جمله ذخیره کردن و باز بینی دادهها، انجام یک نگاشت کلی از یک مجموعه ورودی به یک مجموعه خروجی، گروهبندی اشکال و بهینه سازی و تعیین جواب با وجود قیود متعدد بکار گرفت [].
ویژگیهای شبکههای عصبی مصنوعی
شبکههای عصبی مصنوعی با وجود آنکه با سیستمهای عصبی طبیعی قابل مقایسه نیستند، ویژگیهایی دارند که آنها را در بعضی کاربردها ممتاز مینمایند. این ویژگیها عبارتند از:
قابلیت یادگیری

مطلب مشابه :  تأثیر کیفیت خدمات بر رضایت مشتری