وبلاگ

این شبکه ها بر مبنای مقایسه بین خروجی شبکه و هدف تعدیل میشوند و تا زمانی که خروجی شبکه با خروجی هدف تطبیق پیدا کند این کار ادامه مییابد. شبکه های آموزش یافته را میتوان به صورت رویهای از جعبه سیاه برای برآوردهای غیرخطی با عنوان نگاشتهای غیرخطی قابل تنظیم معرفی کرد، چرا که فضای بردار ورودی را به وسیله مجموعهای از توابع غیرخطی به فضای خروجی مرتبط میسازد. کاربردیترین نوع شبکه های عصبی، شبکه های پروسپترون چندلایه (MLP)^[9] و شبکه های توابع شعاعی (RBF)^[10] میباشد (کوچکزاده و بهمنی، ۱۳۸۴).

۱-۸-۱ ساختار شبکه عصبی مصنوعی
شبکه های عصبی اساساً حافظههایی هستند که اطلاعات را حفظ میکنند. درست همانطور که جای شبکه توزیع میگردد. ساختار شبکه عصبی از مدل نورون^[۱۱]های زیستی الهام گرفته است و بسیاری از ویژگیهای نورونهای زیستی از قبیل غیرخطی بودن، سادگی واحدهای محاسباتی و قابلیت یادگیری را دارد. در یک نورون مصنوعی، هریک از مقادیر ورودی، تحت تاثیر وزنی قرار میگیرد که تابع این وزن شبیه اتصال سیناپسی در یک نورون طبیعی است. عناصر پردازشگر از دو قسمت تشکیل شدهاند. قسمت اول ورودیهای وزندار را با هم جمع میکند و قسمت دوم یک فیلتر غیر خطی است که تابع فعالیتهای نورون نامیده میشود. این تابع، مقادیر خروجی یک نورون مصنوعی را بین مقادیر مجانب فشرده میکند. این فشرده سازی باعث میشود که خروجی عناصر پردازشگر در یک محدوده مناسب قرار گیرند (محمدی منور، ۱۳۸۵). در شکل ۱-۱ ساختار یک نرون واقعی و یک مدل مصنوعی نشان داده شده است.
شکل ۱-۱ ساختار (a) یک نورون واقعی (b) مدل یک نورون مصنوعی(Sinanoglu et al., 2005).
در یک ANN، لایه ورودی به منزله پردازشگری است که پس از پردازش داده های ورودی، آنها را به شبکه میدهد. این لایه یک لایهی عصبی محاسباتی نیست زیرا لایه های آن نه وزن ورودی دارند و نه تابع فعالیت. لایه انتهایی لایه خروجی است که خروج شبکه را در پاسخ به یک ورودی خاص مشخص میکند. سایر لایه ها، لایه های میانی یا پنهان نامیده میشوند (Jain et al., 1996).
در شکل ۱-۲ ساختار یک شبکه عصبی مصنوعی نشان داده شده است.
شکل ۱-۲ ساختار یک شبکه عصبی مصنوعی (Vahdani et al., 2009)
۱-۸-۲- تشابهات شبکه عصبی مصنوعی و بیولوژیکی
الف) بلوکهای ساختاری هر دو شبکه مصنوعی و بیولوژیکی، دستگاه های محاسباتی خیلی سادهای هستند و علاوه بر این، نورونهای مصنوعی از سادگی بیشتری برخوردار میباشند.
ب) ارتباط بین نورونها، عملکرد شبکه را تعیین میکند.
اگرچه نورونهای بیولوژیکی از نورونهای مصنوعی بسیار کندتر میباشند اما عملکرد مغز خیلی سریعتر از عملکرد یک کامپیوتر معمولی است. علت این پدیده بیشتر به خاطر ساختار کاملا موازی نورونها میباشد (منهاج، ۱۳۸۴).
۱-۸-۳- توابع محرک^[۱۲]
تابع محرک که به آن تابع فعال سازی یا تابع تبدیل نیز گفته می‌شود، ورودی خالص را به خروجی تبدیل می‌کند و بر اساس نیاز خاص مساله‌ای که قرار است بوسیله‌ی شبکه عصبی حل شود، می‌تواند خطی یا غیرخطی انتخاب شود. در حقیقت تابع محرک ارتباط بین ورودی و خروجی گره‌ها و شبکه را برآورد می کند. اما در عمل تعداد محدودی از توابع محرک مورد استفاده قرار می‌گیرند (منهاج، ۱۳۷۷(. در جدول (۱-۱) تعدادی از توابع محرک آورده شده است (منهاج، ۱۳۷۷(.
عموماً تابع محرک دامنه خروجی نورون را محدود می‌سازد و به همین علت آن را تابع محدود ساز نیز می‌نامند. از میان توابع فوق فقط تعداد محدودی در عمل کاربرد داشته و نتایج مناسبی ارائه می‌نمایند. از جمله می‌توان به توابع زیگموئیدی، تانژانت هیپربولیک، سینوسی، کسینوسی و خطی اشاره نمود. در هر صورت، پژوهشگران شبکه عصبی ترجیح می‌دهند از توابع محرک غیر خطی استفاده کنند. در این میان تابع زیگموئیدی بیش از سایر توابع کاربرد دارد(Zhang and Hu, 1998).
جدول ۱-۱ انواع توابع محرک