تعریف شبکه عصبی

شبکه های عصبی از ساختار مغز انسان الهام گرفته است.ازین نظر که مغز ادمی قابلیت یاد گیری داشته و می تواند نتایج را تحلیل و دسته بندی کند. بنابر ساختار پیچیده مغز علوم مختلف بر آن شدند که بتوانند ساختار مغز را پیاده سازی نمایند.

1. کاربرد شبکه عصبی
2. عناصر شبکه عصبی
3. انواع شبکه عصبی از نظر ساختار
4. انواع شبکه عصبی بر مبنای آموزش
5. ساختار شبکه عصبی

با توجه به تلاش محققین شاخه از علم هوش مصنوعی به وجود آمده است. هوش مصنوعی زیر شاخه های مختلفی دارد که یکی از بارز ترین آنها شبکه عصبی می باشد. که با مدل سازی های ریاضی مختلف در بسیاری از علوم کاربرد خواهد داشت.

کاربرد شبکه عصبی

از جمله کاربرد های عمده شبکه عصبی می توان به موارد زیر اشاره نمود :

1. تشخیص الگو
2. تشخیص هویت
3. طبقه بندی
4. پردازش صحبت
5. پردازش تصویر
6. سیستم های کنترلی
7. پیش بینی داده

اگر چه برای حل تمامی مسایلی که پیچیدگی ریاضی دارند نیز شبکه های عصبی راه حل نزدیک به بهینه ای ارائه می دهد.

عناصر شبکه‌های عصبی مصنوعی

شبکه های عصبی دارای عناصر عملیاتی ساده ای می باشد که در کنار همدیگر به صورت موازی کار می کنند. که نحوه اتصال بین اجزا تعیین کننده عملکرد شبکه عصبی و نوع آن می باشد. بنابراین ما می توانیم با تنظیم وزن اتصالات در طی فرآیند آموزشی نحوه ارتباط اجزا را تعیین کنیم.

عملکرد شبکه عصبی با توجه به الهاماتی که از هر بخش از عملکرد مغز گرفته شده دارای تنوع بسیاری می باشد که هر کدام قابلیت ها منحصر به فرد خود را دارد.

انواع شبکه عصبی از نظر ساختار

شبکه عصبی مستقیم (FF)

• سیگنال ها از ورودي به خروجی فقط در مسیر مستقیم منتقل می شوند.
  - شبکه شعاعي‌ بنيادي‌ (RBFN)‌
  - شبکه هاي پرسپترون به صورت
  -شبکه هاي تک لایه (SLP) : شامل یک لایه ورودی و یک لایه خروجی می باشد
  -شبکه هاي چند لایه (MLP) : شامل یک لایه ورودی و لایه های پنهان و یک لایه خروجی می باشد

شبکه عصبی بازگشتی (RNN)

این شبکه ها با استفاده از شبکه هاي مستقیم ساخته می شوند با این تفاوت که از خروجی به ورودي آنها فیدبک گرفته می شود.
مانند شبکه حافظه طولانی کوتاه مدت (معرفی انواع شبکه های بازگشتی)

انواع شبکه عصبی بر مبنای آموزش

شبکه های عصبی بر مبنای آموزش به چهار دسته تقسیم بندی می کنند:

1. وزن ثابت:

آموزشی در کار نیست و مقادیر وزنها به روزرسانی نمی شود. کاربرد: بهینه سازی اطلاعات(کاهش حجم، تفکیک پذیری و فشرده سازی)

2. آموزش بدون ناظر:

وزنها فقط بر اساس ورودی ها اصلاح می شوند و خروجی مطلوب و تعریف شده از قبل شروع آموزش وجود ندارد تا با مقایسه خروجی شبکه با آن و تعیین مقدار خطا، وزنها اصلاح شود. وزنها فقط بر اساس اطلاعات الگوهای ورودی به روزرسانی می شود.

3. آموزش با ناظر:

به ازای هر دسته از الگوهای ورودی خروجی های متناظر نیز به شبکه در طی فرایند آموزش اعمال می شود و تغییر وزنها تا موقعی صورت می گیرد که خطای (اختلاف) خروجی شبکه به ازای الگوهای آموزشی از خروجیهای مطلوب در حد قابل قبولی باشد. در این روش ها یا از خروجی ها به وزن ها ارتباط وجود دارد یا خطا به صورت پس انتشار از خروجی به ورودی توزیع شده است و وزن ها اصلاح می شوند.
کاربرد: چنین شبکهای به طور گسترده برای کارهای تشخیص الگو به کار گرفته می شود.

4. آموزش تقویتی:

کیفیت عملکرد سامانه به صورت گام به گام با گذر زمان بهبود می یابد. الگوی آموزشی وجود ندارد اما با استفاده از سیگنالی به نام نقاد بیانی از خوب و یا بد بودن رفتار سامانه بدست میآید(حالتی بین یادگیری باناظر و بی ناظر).

ساختار اصلی شبکه عصبی

ورودی شبکه :

مجموع داده هایی که برای اهداف ذکر شده به سیستم داده می شود شامل سه بخش عمده می باشد :

داده های آموزش: این داده های برای قسمت آماده سازی و آموزش شبکه عصبی استفاده می شود.
داده های ارزیابی: به منظور توقف آموزش شبکه برای جلوگیری از بیش برازش (overfitting ) از این داده ها استفاده می گردد.
داده های تست: در نهایت برای بررسی کارایی شبکه آموزش داده شده به کار می رود.

شبکه نرونی:

هر شبکه عصبی از تعدادی نرون تشکیل می شود. نرون ها در واقع لایه های پنهان شبکه نشان دهنده عمق شبکه عصبی است. هر نرون به صورت کلی از سه بخش زیر تشکیل شده است:
بایاس: یکی از پارامتر های تنظیم نرون می باشد که سطح فعال سازینرون را کنترل می کند.
وزن دهی: پارامتر دوم و اساسی که در تمامی شبکه های عصبی کاربرد دارد. این پارامتر اهمیت ورودی ها در ساخت خروجی را نشان می دهد.
تابع فعال ساز : کاربرد آن در داده است که شامل انواع مختلف توابع می شود. (انواع توابع فعال ساز)

خروجی شبکه:

با توجه به هدف ما در استفاده از شبکه عصبی خروجی می تواند مقادیر مختلفی تعریف شود. حال چه برای کلاس بندی که شماره کلاس را به عنوان خروجی برمی گرداند و یا برای کاربرد رگرسیون که مقادیر عددی را به عنوان نتیجه نشان خواهد داد.