شبکه پرسپترون چند لایه

دانلود پایان نامه

پراکندگی اطلاعات
قابلیت تعمیم
پردازش موازی
مقاوم بودن
قابلیت یادگیری
یعنی توانایی تنظیم پارامترهای شبکه (وزن های سیناپتیکی) در مسیر زمان که اگر محیط شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی آن رخ داد، شبکه بتواند با آموزش مختصر برای شرایط جدید نیز کارآمد باشد.
قابلیت تعمیم
پس از آنکه مثالهای اولیه به شبکه آموزش داده شد، شبکه میتواند در مقابل یک ورودی آموزش داده نشده قرار گیرد و یک خروجی مناسب ارائه نماید. این خروجی بر اساس مکانیسم تعمیم، که در اصل همان فرآیند درونیابی است، به دست میآید.
پردازش موازی
این ویژگی باعث افزایش سرعت پردازش میگردد، به طوری که وظیفه کلی پردازش بین پردازندههای کوچک تر مستقل از هم توزیع میگردد.
مقاوم بودن
در یک شبکه عصبی، هر سلول به طور مستقل عمل میکند و رفتار کلی شبکه، برآیند رفتارهای محلی سلولهای متعدد است. این ویژگی باعث میشود تا خطاهای محلی در خروجی نهایی شبکه تأثیری نداشته باشند. به عبارت دیگر، سلولها در یک روند همکاری با یکدیگر، خطاهای محلی را تصحیح نموده و باعث افزایش قابلیت مقاوم بودن سیستم در برابر خطاهای محلی میگردند [53].
تاریخچه شبکههای عصبی
شروع شبکه عصبی در سال 1943 میلادی توسط مک کلاث و پیتز صورت گرفت و اولین شبکه عصبی با به کارگیری چند نرون ساده تهیه گردید که قدرت محاسباتی قابل توجهی داشت.
در سال 1969 میلادی هب اولین قانون آموزش برای شبکههای عصبی را مطرح نمود. وی پیشنهاد نمود که اگر دو نرون همزمان فعال باشند در آن صورت باید مقدار اثر ارتباط بین آنها افزایش یابد. دهههای 50و 60میلادی سالهای طلایی شبکههای عصبی میباشند. در محدوده سال های 1958 تا 1962 روزن بلات گروه بزرگی از شبکههای عصبی به نام پرسپترون را معرفی نمود. قانون آموزش این شبکهها یک روش تکراری اصلاح وزن است که بسیار قوی تر از قانون هب عمل میکند. در سال 1960میلادی شبکه آدالاین توسط ویدرو ارائه گردید. کاربردهای متعدد این شبکه در تشخیص تصویر، آن را به ابزاری مورد علاقه در کنترل تبدیل کرده است. در سال های 1970 میلادی تحقیقات فراگیری توسط کوهنن در مورد شبکههایی با حافظه مشارکتی انجام شد. این شبکه در تشخیص صدا به کار گرفته شد. اندرسن نیز تحقیقاتی در مورد شبکه پیشنهادی کوهنن انجام داد و راهبرد این تحقیقات، شبکههای عصبی است که امروزه در تشخیص طبی به کار میروند. گراسبرگ نیز تحقیقات متعددی ارائه کرد که اغلب روابط ریاضی حاکم بر شبکههای عصبی را مطرح میکند. ایشان به اتفاق کارپنتر تئوری مربوط به شبکههای عصبی را که قادر به مرتب کردن و طبقه بندی نمودن اطلاعات ورودی هستند را بنا نمودهاند [54] .
پیشرفت شبکههای عصبی در دهه 80 میلادی تکامل یافت. اصولاً شبکههای تک لایه کارایی چندانی در حل مسائلی که نگاشت فضای ورودی به خروجی آنها توابع غیر خطی طلب میکرد نداشتند و این دلیل عمده عدم پیشرفت شبکههای عصبی بود. اما با ابداع روش انتشار برگشتی که مستقلاً توسط پارکر و لوکان ارائه گردید، تحولی در شبکههای عصبی صورت گرفت. از سایر کسانی که در پیشبرد این علم سهیم بودهاند، هاپفیلد (برنده جایزه نوبل فیزیک) بود. او شبکههای عصبی را که بر اساس وزن ثابت عمل مینمایند برای اولین بار معرفی نمود. این شبکهها به صورت حافظه مشارکتی عمل نموده و امکان حل مسائلی با قیدهای اولیه توسط آنها میسر میگردد [54].
ساختار شبکه عصبی
شبکههای عصبی به خاطر وسعت به کارگیری و تنوع فراوان، به صورت جامع به سادگی قابل بررسی نیستند، اما واحدهای تشکیل دهنده در همه آنها مشابه است. مهم ترین جزء شبکه عصبی، نرون میباشد. نرون یک واحد محاسباتی-پردازشی است که در حقیقت، مدل ساده شدهای از نرون طبیعی است و از تعدادی ورودی، یک خروجی، وزنها، بایاس یا مقدار اولیه مربوط به ایجاد سیگنال تحریک و تابع تحریک تشکیل شده است. ارتباط بین خروجی و سیگنال تحریک در قسمتی بنام تابع تحریک ایجاد میگردد. بنابراین یک نرون از دو بخش تشکیل شده است، بخش اول وظیفه دریافت ورودیها، وزن دهی آنها و محاسبه مجموع آنها به عنوان سیگنال تحریک را بر عهده دارد. بخش دوم وظیفه اعمال تابع فعالیت روی سیگنال تحریک و ساختن پیغام خروجی نرون به لایه بعد و یا خروجی شبکه را بر عهده دارد. شکل (4-9) ساختار یک نرون ساده را نشان میدهد. در این شکل ورودی، خروجی، وزن، مقدار اولیه و تابع تحریک مشخص شده است. توابع تحریک میتوانند خطی یا غیرخطی باشند. از جمله آنها میتوان توابع سیگموئیدی، هیپربولیک و توابع آستانهای را نام برد.
شکل ‏49 ساختار نرون ساده خطی
در واقع بایاس یا همان b به معنی آن است که سیگنالی به اندازه واحد در پارامتری مانند b ضرب میشود و برای انتقال خروجی به میزان مناسب در مجموعه فضای خروجی میباشد. با اضافه کردن یک لایه میانی به این شبکه، شبکه عصبی پرسپترون چند لایه ساخته میشود که قادر به شبیه سازی هر نگاشت آنالوگ ورودی به خروجی میباشد. در شبکههای تک لایه درجه آزادی برای تنظیم پارامترهای شبکه نظیر وزنها اندک بوده و توانایی تقریب مسئله پایین میآید. در حالی که در شبکههای چند لایه با توجه به درجه آزادی مناسب برای تنظیم پارامترها میتوان توانایی شبکه را بالا برد. به طور مثال شبکههای پیش خور دو لایه با توابع سیگموئید در لایه اول قادرند توابع بسیار زیادی را با دقت دلخواه تقریب بزنند در حالی که شبکههای عصبی تک لایه از چنین توانایی برخوردار نیستند. این شبکهها از یک لایه ورودی، تعدادی لایه پنهان و یک لایه خروجی تشکیل شدهاند. در شکل (4-10) یک شبکه پرسپترون چند لایه نشان داده شده است [].
شکل ‏410- ساختار یک پرسپترون چند لایه
توابع تحریک

مطلب مشابه :  ارتباط کیفیت زندگی با سلامت، ویژگیهای کیفیت زندگی، سازمان بهداشت جهانی