قابلیت تعمیم: پس از آنکه مثالهای اولیه به شبکه آموزش داده شد، شبکه می تواند درمقابل یک ورودی آموزش داده نشده قرار گیرد و یک خروجی مناسب ارائه کند. این خروجی بر اساس مکانیزم تعمیم، که همانا چیزی جز فرایند درونیابی نیست به دست می آید. به عبارت روشنتر، شبکه، تابع را یاد میگیرد، الگوریتم را میآموزد یا رابطه تحلیلی مناسبی را برای تعدادی نقاط در فضا به دست می آورد.
( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )
پردازش موازی: هنگامیکه شبکه عصبی در قالب سختافزار پیاده می شود، سلولهایی که در یک تراز قرار میگیرند میتوانند به طور همزمان به ورودیهای آن تراز پاسخ دهند. این ویژگی باعث افزایش سرعت پردازش می شود. در واقع در چنین سیستمی، وظیفه کلی پردازش بین پردازندههای کوچکتر مستقل از یکدیگر توزیع میگردد.
مقاوم بودن: در یک شبکه عصبی هر سلول به طور مستقل عمل می کند و رفتار کلی شبکه، برآیند رفتارهای محلی سلولهای متعدد است؛ این ویژگی باعث می شود تا خطاهای محلی از چشم خروجی نهایی دور بمانند.
مبانی محاسباتی شبکه های عصبی مصنوعی
در شکل های ۲-۲ و ۲-۳ الگوی کلی یک شبکه عصبی مصنوعی نشان داده شده است. در الگوی نشان داده شده در شکل ۲-۲، سه لایه قابل تشخیص است.
شکل ۲- ۲: الگوی کلی از یک شبکه عصبی
لایه ورودی
لایه ورودی[۶]: یک لایه از نرونها که اطلاعات را از منابع بیرونی دریافت می کنند و آنها را به شبکه منتقل می کنند.
لایه پنهانی
لایه پنهانی[۷]: یک لایه از نرونها که اطلاعات را از لایه ورودی دریافت می کنند و آنها را به صورت مخفی پردازش می کنند.
لایه خروجی
لایه خروجی[۸]:لایهای از نرونها که اطلاعات پردازششده را دریافت می کنند و آنها را به سیستم میفرستند.
شکل ۲- ۳: شماتیک ارتباطات بین لایه ها و وزن های سیناپتیکی در شبکه عصبی
بایاس[۹]: مانند یک افست روی سیستم عمل می کند. عمل بایاس به اینگونه است که یک سرآغاز برای فعال سازی نرون ایجاد می کند. بایاس روی لایه مخفی و لایه خروجی عمل می کند.
تناظر بین شبکه عصبی و شبکه عصبی مصنوعی در شکل ۲-۴ قابل مشاهده است.
شکل ۲- ۴: تناظر بین شبکه عصبی و شبکه عصبی مصنوعی
تعداد نرونهای ورودی ها به تعداد متغیر ورودی و تعداد نرونهای خروجی به تعداد متغیرهای پاسخ بستگی دارد. تعداد نرونهای لایه مخفی هم به کاربرد شبکه بستگی دارد. مهمترین عنصر شبکه های عصبی، نرون است. نرونها شامل عناصر محاسباتی هستند که عمل یک شبکه عصبی را انجام می دهند. شکل ۲-۵ یک نرون از شبکه عصبی را نشان میدهد.
شکل ۲- ۵: نمای شماتیک یک نرون
عناصر محاسباتی یک نرون
ورودی ها و خروجیها: ورودی ها باan ، a2 ، a1 و خروجیها با bj نمایش داده شده اند.
وزن ها: این متغیرها باwnj ،w2j و w1j نمایش داده میشوند که هر کدام به یک ورودی مرتبط هستند. این متغیرها همانند سیناپسها در سلولهای عصبی واقعی هستند. آنها ضرایب تطبیقپذیری در شبکه هستند که شدت سیگنال ورودی را معین می کنند. هر ورودی با وزن مربوطهاش ضرب شده و نرون از حاصلجمع این حاصلضربها استفاده می کند. اگر علامت وزن مثبت باشد، حاصلضرب وزن در ورودی اثر نرون را تقویت می کند و اگر منفی باشد، اثر نرون را کم می کند. در یک شبکه عصبی مقدار وزنها با توجه به یک توزیع آماری مشخص میشوند و سپس در طول آموزش شبکه این مقادیر تغییر کرده و به مقدار ثابتی خواهند رسید.
بایاس ورودی: ورودی دیگر به نرون، T است که به سرآغاز[۱۰] یا بایاس معروف است.
بایاس یک مقدار تصادفی است که به صورت زیر در معادله نرون وارد می شود:
(۲-۱) |
Total Activation به اندازه بایاس ورودی بستگی دارد. اگر بایاسی به نرون وارد نشود، بایاس صفر فرض می شود.
در شکل ۲-۶ اجزای یک نرون بیولوژیکی و مصنوعی مقایسه شده است.
شکل ۲- ۶: شبیه سازی یک نرون بیولوژیکی و مصنوعی
تابعانتقال[۱۱]، برروی Total Activation عمل کرده وخروجی نرون مشخص می شود. تابع انتقال می تواند به صورت خطی یا غیرخطی عمل کند. تعدادی از توابع انتقال به صورت شکل ۲-۷ میباشند.
شکل ۲- ۷: برخی از توابع انتقال غیرخطی قابل استفاده در شبکه عصبی
معرفی برخی از توابع انتقال خطی و غیرخطی قابل استفاده در شبکه عصبی
از توابع انتقال دیگر رایج در شبکه عصبی می توان توابع زیر را نام برد:
[دوشنبه 1400-09-29] [ 02:56:00 ق.ظ ]
|