آموزش شبکه عصبی مصنوعی به همراه کد متلب

در این محصول آموزش شبکه عصبی مصنوعی از مقدماتی تا پیشرفته بصورت جامع فراهم شده است. این محصول اموزشی شامل گزارش کامل آموزش شبکه عصبی مصنوعی، برترین مقالات آموزشی در این حوزه و نیز کد متلب روش های محتلف شبکه عصبی مصنوعی از جمله شبکه عصبی پرسپترون چند لایه می باشد.

شبکه عصبی پرسپترون چند لایه با قاعده آموزش پس انتشار خطا کاربردهای فراوانی در حل مسائل فنی مهندسی دارد . کاربردهایی چون شناسایی الگو، تشخیص صوت ، فرآیندهای کنترلی ، بهینه سازی و طبقه بندی تصویر این شبکه را به پرکاربردترین شبکه تبدیل کرده است .

شبکه‌های عصبی مصنوعی (Artificial Neural Network – ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوینی برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت پیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده هستند. ایدهٔ اصلی این گونه شبکه‌ها (تا حدودی) الهام‌گرفته از شیوهٔ کارکرد سیستم عصبی زیستی، برای پردازش داده‌ها و اطلاعات برای یادگیری و ایجاد دانش است. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانهٔ پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق‌العاده به‌هم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسئله با هم هماهنگ عمل می‌کنند و توسط سیناپس‌ها (ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‌کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‌ها می‌توانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری‌اند. مثلاً با اعمال سوزش به سلول‌های عصبی لامسه، سلول‌ها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‌ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده از مثال‌ها وزن سیناپس‌ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‌های جدید، سیستم پاسخ درستی تولید کند.

توافق دقیقی بر تعریف شبکه عصبی در میان محققان وجود ندارد؛ اما اغلب آنها موافقند که شبکه عصبی شامل شبکه‌ای از عناصر پردازش ساده (نورون‌ها) است که می‌تواند رفتار پیچیده کلی تعیین شده‌ای از ارتباط بین عناصر پردازش و پارامترهای عنصر را نمایش دهد. منبع اصلی و الهام بخش برای این تکنیک، از آزمایش سیستم مرکزی عصبی و نورونها (آکسون‌ها، شاخه‌های متعدد سلولهای عصبی و محلهای تماس دو عصب) نشأت گرفته‌است که یکی از قابل توجه‌ترین عناصر پردازش اطلاعات سیستم عصبی را تشکیل می‌دهد. در یک مدل شبکه عصبی، گره‌های ساده (بطور گسترده «نورون»)، «نورون‌ها»، «PEها» (عناصر پردازش) یا واحدها برای تشکیل شبکه‌ای از گره‌ها، به هم متصل شده‌اند. به همین دلیل به آن «شبکه‌های عصبی» اطلاق می‌شود. در حالی که یک شبکه عصبی نباید به خودی خود سازگاری‌پذیر باشد، استفاده عملی از آن بواسطه الگوریتم‌هایی امکان‌پذیر است، که جهت تغییر وزن ارتباطات در شبکه (به منظور تولید سیگنال موردنظر) طراحی شده باشد.

با استفاده از دانش برنامه‌نویسی رایانه می‌توان ساختار داده‌ای طراحی کرد که همانند یک نرون عمل نماید. سپس با ایجاد شبکه‌ای از این نورون‌های مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد.

این شبکه‌ها برای تخمین و تقریب کارایی بسیار بالایی از خود نشان داده‌اند. گستره کاربرد این مدل‌های ریاضی بر گرفته از عملکرد مغز انسان، بسیار وسیع می‌باشد که به عنوان چند نمونه کوچک می‌توان استفاده از این ابزار ریاضی در پردازش سیگنال‌های بیولوژیکی، مخابراتی و الکترونیکی تا کمک در نجوم و فضانوردی را نام برد.

اگر یک شبکه را هم‌ارز با یک گراف بدانیم، فرایند آموزش شبکه تعیین نمودن وزن هر یال و اریبی اولیه خواهد بود.

شبکه عصبی مصنوعی چیست؟

یک ساختار شبکه ای از تعدادی عناصر مرتبط به هم به نام نرون که هر نرون دارای ورودی ها و خروجی هایی است و یک عمل نسبتا ساده و محلی را انجام ی می دهد. شبکه های عصبی مصنوعی عموما عملکرد خود را طی یک پروسه یادگیری فرا می گیرند.

شبکه های عصبی کاربردهای عمده ای در تشخیص الگو ، گروه بندی ، پیش بینی یا برون یابی و … دارا می باشند.

در سال 1949 مدل MP شبکه های عصبی مصنوعی توسط مک کالوخ و پیت مطرح شد که یک مدل خطی ساده بود. سپس پرسپترون الگوریتم های یادگیری را ارائه نمود. سال 1969 آغاز افول موقت شبکه های عصبی شد. زیرا عدم توانایی شبکه های عصبی در حل مسائل غیرخطی آشکار شد. شبکه های عصبی مصنوعی آن زمان فقط قادر به حل مسائدلی بودند که می توانستیم پاسخ های آن مسئله را توسط یک خط در محور مختصات از هم جدا کنیم . در سال 1982  هاپفیلد با معرفی شبکه های چند لایه و الگوریتم های یادگیری دارای فیدبک ، راه حلی برای حل موارد غیرخطی ارائه کرد. در این زمان بود که شبکه های بازگشتی ، خودسازمانده ، RBF ، Autoregressive و زوش یادگیری هیبیان مطرح شد.

از نیمه دهه نود نسل سوم شبکه های عصبی مصنوعی مطرح شد که عبارت بودند از :

*تعیین محدودیت های تئوری و عملی شبکه

*عمومیت و حدود آن

*شبکه های عصبی مصنوعی و الگوریتم های ژنتیکی و منطق فازی

*در نهایت امروزه استفاده عملی و پیاده سازی تجاری و سخت افراری شبکه های عصبی مصنوعی ممکن شده است.

شبکه های عصبی ، با قابلیت قابل توجه  در استنتاج معانی از داده های پیچیده یا مبهم ، برای استخراج الگوها و شناسایی روشهایی که آگاهی از آنها برای انسان و دیگر تکنیک های کامپیوتری بسیار  پیچیده و دشوار است  به کار گرفته می شوند. یک شبکه عصبی تربیت یافته می تواند به عنوان یک متخصص در مقوله اطلاعاتی ای که برای تجزیه تحلیل به آن داده شده به حساب آید.از این متخصص می توان  برای بر آورد وضعیت های دخواه جدید و جواب سؤال های ” چه می شد اگر ”  استفاده کرد.

مزیتهای دیگر آن شامل موارد زیر می شود :

• یادگیری انطباق پذیر: قابلیت یاد گیری نحوه انجام وظایف بر پایه اطلاعات داده شده برای تمرین وتجربه های مقدماتی .
• سازماندهی توسط خود: یک ANN می تواند سازماندهی یا ارائه اش را ، برای اطلا عاتی که در طول دوره یادگیری در یافت می کند، خودش ایجاد کند.
• عملکرد بهنگام(Real time ) : محاسبات ANN  می تواند بصورت موازی انجام شود، و سخت افزارهای مخصوصی طراحی و  ساخته شده است که می تواند از این قابلیت استفاده کند.
• تحمل اشتباه بدون ایجاد وقفه در هنگام کد گذاری اطلاعات : خرابی جزئی یک شبکه منجر به تنزل کارایی متناظر با آن می شود اگر چه تعدادی از قابلیت های شبکه ممکن است حتی با خسارت بزرگی هم باقی بماند.

شبکه های عصبی همچون سایر ابزار ها دارای معیابی نیز هستند که چند مورد آنها در ادمه ذکر شده است

• دستورات مشخصی برای طراحی شبکه جهت یک کاربرد اختیاری وجود ندارد.
• دقت نتایج بستگی زیادی به اندازه مجموعه آموزش دارد.
• آموزش شبکه ممکن است مشکل یا حتی غیرممکن باشد.
• پیش‌بینی عملکرد آینده شبکه ( عمومیت یافتن ) آن به سادگی امکان‌پذیر نیست.