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 ، a، a1 و خروجی­ها با bنمایش 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:

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...