در سالیان اخیر محققان زیادی به بررسی هوش مصنوعی و شبکه عصبی مصنوعی بصورت جزیی بعنوان ابزاری برای مدل کردن سیستم­های مهندسی پرداخته اند .نتیجه­ مدل­سازی­های موفق، ابداع بسته­های نرم­افزاری در رابطه با طراحی و گسترش شبکه ­های عصبی می­باشد که شامل گزینه­ های مختلفی در رابطه با طراحی ساختار شبکه­ عصبی بوده و محیط مناسب و راحتی را برای کاربر ایجاد می­نمایند که تمام محاسبات پیچیده­ ریاضی از دید کاربر به دور می­باشد بنابراین استفاده و توسعه این شبکه­ ها بسیار راحت میباشد [۲۴].
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

۳-۲- شبکه ­های عصبی مصنوعی
شبکه ­های عصبی مصنوعی یکی از شاخه­ های علوم کامپیوتر است که در سال­های اخیر، در علوم و فنون برای حل مسائلی که روش­های سنتی و کلاسیک یا قادر به حل آن نیستند یا حل آن­ها سخت است جایگاه برجسته­ای پیدا کرده ­است. شبکه ­های عصبی مصنوعی یکی شاخه­ های پرکاربرد هوش مصنوعی است که به عنوان ابزاری هوشمند برای مدل کردن برخی سیستم­های مهندسی با تقلید از ساختار شبکه ­های عصبی موجودات زنده استفاده می­ شود. آنچه مهم است تبعیت شبکه ­های عصبی مصنوعی از کلیت مفهوم جعبه سیاه است، چون عمل تجزیه و تحلیل در شبکه اتفاق می­افتد نه در مغز محقق. همچنین نیاز به دانش زیادی در مورد عملکرد آن برای کاربر وجود ندارد. اما به هر حال بهره­ گیری از دانش کلی در رابطه با طرز کار این شبکه­ ها برای کاربران آن ضروری است [۲۳].
۳-۳- شکل بیولوژیکی شبکه ­های عصبی
نرون­ها ساده­ترین واحد ساختاری سیستم­های عصبی هستند. بافت­هایی که عصب نامیده می­شوند مجموعه ­ای از نرون­ها می­باشند. این نرون­ها اطلاعات و پیام­ها را از یک قسمت بدن به قسمت دیگر منتقل می­ کنند. چنانکه در شکل(۳-۱) نمایش داده شده است، بیشتر نرون­ها از سه قسمت اساسی زیر تشکیل شده ­اند:
۱- بدنه سلول که شامل هسته و قسمت­ های حفاظتی دیگر می­باشد، ۲- دندریت^[۶۷]، ۳- اکسون^[۶۸] که دو مورد اخیر عناصر ارتباطی نرون را تشکیل می­ دهند.
شکل(۳-۱):نرون طبیعی [۲۵]
محل تلاقی یک اکسون از یک سلول به دندریت­های سلول دیگر را سیناپس می­گویند. سیناپس­ها واحدهای ساختاری کوچکی هستند که ارتباطات بین نرون­ها را بر قرار می­سازند [۲۳].
۳-۴- شباهت­های شبکه ­های عصبی مصنوعی و بیولوژیکی
با تمام اغراق­ها در مورد شبکه ­های عصبی مصنوعی، این شبکه­ ها اصلاً در حد پیچیدگی­های مغز موجودات نیستند و تنها تشابهات زیر را تأمین می­نمایند.
بلوک­های ساختاری در هر دو شبکه­ مصنوعی و بیولوژیکی خیلی ساده هستند و علاوه بر این، نرون­های مصنوعی از سادگی بیشتری بر خوردار می­باشند.
ارتباط بین نرون­ها، عملکرد شبکه را تعیین می­ کنند.
اگر چه نرون­های بیولوژیکی از نرون­های مصنوعی که توسط مدارات الکترونیکی ساخته می­شوند بسیار کندتر می­باشند، عملکرد مغز خیلی سریعتر از عملکرد یک کامپیوتر معمولی می­باشد. علت این پدیده بیشتر به دلیل عملکرد موازی نرون­ها می­باشد و این یعنی همه نرون ها معمولاً به طور همزمان کار می­ کنند و پاسخ می­ دهند. شبکه ­های عصبی مصنوعی نیز به صورت موازی عمل می­ کنند [۲۳].
۳-۵- مدل ریاضی یک نرون
چنانچه در شکل (۳-۱) نمایش داده شده است، نرون کوچکترین واحد یک شبکه عصبی مصنوعی می­باشد که عملکرد شبکه ­های عصبی را تشکیل می­دهد. بدنه هر سلول عصبی از دو قسمت تشکیل شده است. بخش اول را تابع ترکیب می­گویند که وظیفه­ی آن، ترکیب وزن­دار تمام ورودی­ ها و تولید یک عدد اسکالر می­باشد. در بخش دوم سلول، تابع انتقال قرار دارد که به آن تابع تحریک نیز می­گویند. در واقع تا زمانی­که ورودی­های ترکیب شده و وزن­دار شده به یک حد آستانه­ای خاص نرسند مقدار خروجی متناسبی تولید نمی­گردد[۲۳].
بردار ورودی به شبکه با P نمایش داده می­ شود. اسکالرهای Pi که R، …… ۲ ،۱ = i و عناصر برداری P هستند. مجموعه وزن­ها ?i، عناصر بردار وزنی W را تشکیل می­ دهند. هر عنصر از بردار P در عنصر متناظر با آن از بردار W ضرب می­ شود. هر نرون یک جمله بایاس b دارد که با حاصل ضرب بردار وزن W در بردار P جمع می­ شود. ورودی خالص n (یا همان net) مطابق فرمول زیر محاسبه می­گردد.
در نهایت خروجی نرون به صورت زیر خواهد بود.
تعداد عناصر بردار ورودی از صورت مسأله تعیین می­گردند. به عبارت دیگر Rتحت انتخاب طراح نیست بلکه بستگی به روش حل مسأله مورد بررسی دارد. به بیان دیگر Rدقیقاً برابر تعداد متغیرهای مستقل مؤثر در تعیین متغیر وابسته می باشد [۲۶].
شکل (۲-۳) مدل ریاضی نرون
۳-۶٫ توابع محرک
تابع محرک ƒ می تواند خطی یا غیرخطی باشد. تابع محرک بر اساس نیاز خاص مسأله­ای که قرار است به وسیله­ شبکه­ عصبی حل گردد، انتخاب می­ شود. هر تابع محرک دامنه خروجی نرون را محدود می­سازد به این علت به این توابع، توابع محدودساز^[۶۹] یا فشرده ساز^[۷۰] نیز می­گویند. در عمل هنگام توسعه شبکه ­های عصبی مصنوعی تعداد محدودی از توابع محرک مورد استفاده قرار می­گیرند. سه نمونه از معمول­ترین توابع مورد استفاده در حوزه شبکه عصبی مصنوعی در زیر شرح داده شده است­ [۲۶].
۳-۶-۱٫ تابع محرک خطی (تابع همانی):
خروجی این تابع معادل ورودی آن است.
(۵-۳)
در اینجا n همان ورودی خالص نرون یا net می­باشد. تابع خطی در شکل زیر نشان داده شده است.

شکل(۳-۳): تابع محرک خطی
۳-۶-۲٫ تابع محرک تانژانت هایپربولیک:
(۶-۳)
دامنه این تابع تمامی اعداد را شامل می­ شود و در خروجی مقادیر بین ۱- تا ۱ را ایجاد می­نماید.

شکل(۴-۳): تابع محرک تانژانت هیپر بولیک
۳-۶-۳٫ تابع محرک سیگموئیدی:
(۷-۳)
این تابع در شبکه های عصبی موارد استفاده زیادی دارد. به عنوان مثالی از این کاربردها می توان به شبکه ­های عصبی چند لایه با قانون یادگیری پس انتشار خطا (BP)^[71] اشاره کرد. این تابع انتقال به دلیل مشتق­پذیر بودنش عموماً در شبکه ­های پس انتشار خطا به­کار می رود. اما کاربر می ­تواند این تابع را با سایر توابع مشتق­پذیر جایگزین نماید. شکل کاربردی خاصی که اغلب برای تابع محرک سیگموئیدی لگاریتمی استفاده می­گردد به صورت زیر است .
(۳-۸)

شکل(۳-۵): تابع محرک سیگموئیدی
بعد از معرفی مدل ریاضی نرون مصنوعی، نوبت به بررسی چگونگی ارتباط میان نرون­ها در قالب ساختار شبکه می­باشد. تعداد ساختارهای پیشنهاد شده شبکه ­های عصبی مصنوعی بسیار زیاد می­باشد و نمی­ توان انتظار داشت کسی با تمام آن­ها آشنایی داشته باشد [۲۳].
۳-۷٫ انواع شبکه ­های عصبی مصنوعی
شبکه ­های عصبی به دو دسته پیش­خور و برگشتی تقسیم می­گردند.
۳-۷-۱٫ شبکه ­های پیش­خور
در یک شبکه­ پیش­خور، نرون­ها به­ صورت کلی به­ صورت لایه ­هایی گروه­بندی می­شوند. سیگنال­ها از لایه ورودی به­طرف لایه خارجی با اتصالات یک­طرفه جریان پیدا می­ کنند. نرون­ها از یک لایه به لایه­ی بعدی در داخل خود لایه، متصل می­شوند. خروجی در یک لحظه فقط یک تابعی از ورودی در همان لحظه است.
^[۷۲]MLPجزء شناخته شده­ترین نوع شبکه ­های پیش­خور می­باشند. در اکثر کارهای انجام شده در حوزه­ سیستم­های غیر خطی از سیستم پیش­خور مانند MLP استفاده شده است. شکل ذیل یک MLP را نشان می­دهد. این شبکه یک لایه­ی ورودی­، یک لایه­ی خروجی و یک لایه­ی مخفی یا میانی دارد. شبکه ­های مک لاچ پیتز، پرسپترون، آدلاین و مادلاین از جمله شبکه ­های پیش خور هستند [۲۳].
شکل(۳-۶): شبکه­ عصبی پرسپترون چند لایه[۲۳]
۳-۷-۲٫ شبکه ­های برگشتی
در شبکه ­های برگشتی حداقل یک سیگنال برگشتی از یک نرون به همان نرون یا نرون­های همان لایه یا لایه­ی قبل وجود دارد. شبکه ­های برگشتی بهتر می­توانند رفتار مربوط به ویژگی­های زمانی و پویایی سیستم را نشان دهند. در این شبکه­ ها که با توجه به ماهیت پویایی مسأله مطرح می­گردند بعد از مرحله یادگیری شبکه پارامترها تغییر کرده و تصحیح می­شوند. نوع خاصی از شبکه ­های برگشتی، شبکه هاپفیلد می­باشد [۲۳].