انجام پروژه شبکه عصبی

انجام پروژه شبکه عصبی در زمینه های پیش بینی و تخمین توابع (رگرسیون) با استفاده از شبکه‌ های عصبی مصنوعی ، طبقه‌ بندی (دسته بندی – کلاسیفیکیشن) داده‌ها با استفاده از شبکه‌های عصبی ، شبکه ‌های عصبی فازی (ANFIS) جهت رگرسیون و طبقه بندی ، پردازش و طبقه‌بندی تصاویر به کمک شبکه‌ های عصبی ، پیاده‌ سازی توابع منطقی با استفاده از شبکه‌ های عصبی

شبکه‌ های عصبی :

یکی از اساسی ترین روش‌ های تولید فناوری و علم ایده گرفتن از الگو های موجود در طبیعت می‌باشد. یکی از پیچیده ترین فرآیند های طبیعی سیستم عصبی به خصوص سیستم مغز انسان (موجودات) است. از این سیستم به عنوان شبکه‌ های عصبی طبیعی یاد می‌شود، سرعت پردازش کمتری نسبت به کامپیوترهای امروزی ( هر پردازش در حد میلی ثانیه) دارند اما قدرت موازی سازی بالایی داشته که کارایی بالایی از خود نشان می‌دهند.

شبکه‌ های عصبی مصنوعی نیز با الهام گرفتن از شبکه عصبی مصنوعی به وجود آمدند. در این جا قصد نداریم شبکه‌ های عصبی را به صورت مفصل توضیح دهیم. اما به مختصری از مفاهیم این سیستم محاسباتی در ادامه اشاره می‌شود:

شبکه‌ های عصبی نوعی مدل‌سازی ساده انگارانه از سیستم‌های عصبی واقعی هستند که کاربرد فراوانی در حل مسائل مختلف در علوم دارند. حوزه کاربرد این شبکه‌ ها آنچنان گسترده است که از کاربردهای طبقه‌بندی گرفته تا کاربردهایی نظیر درون‌یابی ، تخمین، آشکارسازی و … را شامل می‌شود. شاید مهم‌ترین مزیت این شبکه‌ ها، توانایی بالای آن‌ها در کنار سهولت استفاده از آنها باشد.

یکی از روش‌های کارآمد در حل مسائل پیچیده، شکستن آن به زیرمسأله‌ های ساده‌تر است که هر کدام از این زیربخش‌ها به نحو ساده‌ تری قابل درک و توصیف باشند. در حقیقت یک شبکه، مجموعه‌ای از این ساختارهای ساده است که در کنار یکدیگر سیستم پیچیده نهایی را توصیف می‌کنند.

شبکه‌ ها انواع مختلفی دارند اما همگی آنها از دو مؤلفه تشکیل می‌شوند:

۱- مجموعه‌ ای از گره‌ها ؛ هر گره در حقیقت واحد محاسباتی شبکه است که ورودی‌ ها را گرفته و برروی آن پردازش انجام می‌دهد تا خروجی بدست آید. پردازش انجام شده توسط گره میتواند از ساده‌ترین نوع پردازش‌ها نظیر جمع کردن ورودی‌ها تا پیچیده‌ترین محاسبات را شامل شود. در حالت خاص، یک گره می‌تواند خود، شامل یک شبکه دیگر باشد.

۲- اتصالات بین گره‌ ها ؛ این اتصالات نحوه گذر اطلاعات بین گره‌ها را مشخص می‌کند. در حالت کلی اتصالات می‌توانند تکسویه (Unidirectional) یا دوسویه (Bidirectional) باشند.

تعامل بین گره‌ها از طریق این اتصالات سبب بروز یک رفتار کلی از سوی شبکه می‌گردد که چنین رفتاری به تنهایی در هیچ یک از المان‌های شبکه دیده نمی‌شود. جامع بودن این رفتار کلی بر عملکرد موجود در هر گره سبب تبدیل شبکه به یک ابزار توان‌مند می‌شود. به عبارت دیگر، مجموعه ساده‌ای از المان‌ها وقتی در قالب یک شبکه باشند می‌توانند رفتاری از خود بروز دهند که هیچ یک از آن المان‌ها به تنهایی قادر به بروز چنین مشخصه‌ ای نبود.

آن‌ چنان‌که بیان شد انواع مختلفی از شبکه‌ ها وجود دارد. در این بین شبکه‌ ای وجود دارد که گره را به عنوان یک نرون مصنوعی درنظر می‌گیرد. در اصطلاح، این چنین شبکه‌ هایی را شبکه عصبی مصنوعی (Neural Artificial Network)  یا به اختصار ANN می‌ نامند.

یک نرون مصنوعی در حقیقت مدلی محاسباتی است که از نرون‌ های عصبی واقعی انسان، الهام گرفته است. نرون‌ های طبیعی، ورودی خود را از طریق سیناپس دریافت می‌کنند. این سیناپس‌ ها بر روی دندریت‌ ها یا غشاء عصب قرار دارند. در یک عصب واقعی، دندریت‌ ها دامنه پالس‌های دریافتی را تغییر می‌دهند که نوع این تغییر در طول زمان یکسان نمی‌ماند و در اصطلاح، توسط عصب یاد گرفته میشود. اگر سیگنال دریافتی به حد کافی قوی باشد (از یک مقدار آستانه بیش‌تر شود)، عصب فعال شده و سیگنالی را در طول اکسون منتشر می‌کند. این سیگنال نیز به نوبه خود میتواند به یک سیناپس دیگر وارد شده و سایر اعصاب را تحریک کند.

شکل ۱ یک نمونه عصب واقعی را نشان میدهد.

شکل 1: نمونه عصب واقعی

شکل ۱: نمونه عصب واقعی

 

به هنگام مدل کردن اعصاب، از پیچیدگی‌ های آن‌ها صرف نظر می‌شود و تنها به مفاهیم پایه‌ای توجه می‌شود، چرا که در غیر این صورت رویکرد مدل‌سازی بسیار دشوار خواهد شد. در یک نگاه ساده، مدل یک عصب باید شامل ورودی‌هایی باشد که در نقش سیناپس انجام وظیفه کنند. این ورودی‌ها در وزن‌هایی ضرب می‌شوند تا قدرت سیگنال را تعیین کنند. نهایتاً یک عملگر ریاضی تصمیم گیری می‌کند که آیا نرون فعال شود یا خیر و اگر جواب مثبت باشد، میزان خروجی را مشخص می‌سازد. بنابراین شبکه عصبی مصنوعی با استفاده از مدل ساده شده عصب واقعی به پردازش اطلاعات می‌پردازد. با توجه به این توضیحات، میتوان مدل ساده‌ای برای توصیف یک نرون (یک گره در شبکه عصبی مصنوعی) پیشنهاد کرد. این مدل در شکل ۲ نشان داده شده است. جدای از ساده‌ سازی‌ های اعمال شده، تفاوت اصلی این مدل با واقعیت در این است که در شبکه واقعی، ورودی‌ها سیگنال‌های زمانی هستندحال آنکه در این مدل، اعداد حقیقی ورودی‌اند.

شکل 2: مدل ریاضی یک نرون عصبی مصنوعی

شکل ۲: مدل ریاضی یک نرون عصبی مصنوعی

شبکه‌ های عصبی قابلیت و کارایی بسیار بالایی دارند، که می توان از آنها در موارد زیر استفاده کرد:

** پیش بینی و تخمین توابع (رگرسیون) با استفاده از شبکه‌ های عصبی مصنوعی

** طبقه‌ بندی (دسته بندی – کلاسیفیکیشن) داده‌ها با استفاده از شبکه‌های عصبی

** شبکه ‌های عصبی فازی (ANFIS) جهت رگرسیون و طبقه بندی

** پردازش و طبقه‌بندی تصاویر به کمک شبکه‌ های عصبی

** پیاده‌ سازی توابع منطقی با استفاده از شبکه‌ های عصبی

وب سایت مطلب دی ال قادر به انجام پروژه شبکه عصبی با موضوعات ذکر شده در بالا می باشد.