پرسپترون چند لایه چیست؟

//پرسپترون چند لایه چیست؟

پرسپترون چند لایه چیست؟

شبکه عصبی چیست؟

شبکه‌های عصبی مصنوعی (Artificial Neural Network) الگویی برای پردازش اطلاعات می‌باشند که با تقلید از شبکه های عصبی بیولوژیکی مثل مغز انسان ساخته شده‌اند. عنصر کلیدی این الگو ساختار جدید سیستم پردازش اطلاعات آن می‌باشد و از تعداد زیادی عناصر (نرون) با ارتباطات قوی داخلی که هماهنگ با هم برای حل مسائل مخصوص کار می‌کنند تشکیل شده‌اند. انسانها از زمانهای بسیار دور سعی بر آن  داشتند که بیوفیزیولوژی مغز را دریابند، چون همواره مسئله هوشمندی انسان و قابلیت یادگیری، تعمیم، خلاقیت، انعطاف‌پذیری و پردازش موازی در مغز برای بشر جالب بوده و بکارگیری این قابلیتها در ماشینها بسیار مطلوب می نمود. روشهای الگوریتمیک برای پیاده سازی این خصایص در ماشینها مناسب نمی‌باشند. در نتیجه می‌بایست روشها مبتنی بر همان مدلهای بیولوژیکی باشد.ANN  درست مثل انسانها با استفاده از مثالها آموزش می بیند، همانطور که یک بچه با دیدن انواع مختلف از یک حیوان قادر به تشخیص آن می باشد.

تاریخچه

1.    از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوژیستها سعی کردند سیستم یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا  مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوششها در شبیه سازی با استفاده از یک مدل منطقی توسط مک کلوک و والتر پیتز انجام شد که  امروز بلوک اصلی سازنده‌ی اکثر شبکه های عصبی مصنوعی است . این مدل فرضیه‌هایی در مورد عملکرد نرونها ارائه می کند. عملکرد این مدل مبتنی بر جمع ورودیها و ایجاد خروجی است . چنانچه حاصل جمع ورودی‌ها از مقدار آستانه بیشتر باشد اصطلاحا نرون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده منطقی مثل OR وAND بود.

2.    نه تنها نروفیزیولوژیستها بلکه روانشناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه‌های عصبی تأثیر داشتند. در 1958 شبکه پرسپترون توسط روزنبلات معرفی گردید. این شبکه نظیر واحدهای مدل شده‌ی قبلی بود. پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده می‌باشد است. این سیستم می‌تواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند. سیستم دیگر مدل خطی تطبیقی نرون یا Adalaline (Adaptive linear element  ) می‌باشد که در 1960 توسط ویدرو و هاف ( دانشگاه استنفورد ) بوجود آمد که اولین شبکه های عصبی بکار گرفته شده در مسائل واقعی بوده‌اند.  Adalalineیک دستگاه الکترونیکی بود که از اجزای ساده‌ای تشکیل شده بود روشی که برای آموزش استفاده می‌شد با پرسپترون فرق داشت.

3.    در 1969 مینسکی و پاپرت کتابی نوشتند که محدودیتهای سیستمهای تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیشداوری و قطع سرمایه گذاری برای تحقیقات  در زمینه شبیه سازی شبکه‌های عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله جالبی نمی‌باشد تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.

4.    با وجود اینکه اشتیاق عمومی و سرمایه گذاری های موجود به حداقل خود رسیده بود برخی محققان تحقیقات خود را برای ساخت ماشینهایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند ادامه دادند . از جمله گراسبرگ که شبکه‌ای تحت عنوان Avalanch را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد. همچنین او با همکاری کارپنتر شبکه های ( Adaptive resonance theory ) ART را بنا نهادند که با  مدلهای طبیعی تفاوت داشت. اندرسون و کوهونن نیز از اشخاصی بود که تکنیکهایی برای یادگیری ایجاد کردند. ورباس در 1974 شیوه آموزش پس انتشار خطا یا Back Propagation را ایجاد کرد که یک شبکه پرسپترون چند لایه البته با قوانین نیرومندتر آموزشی بود.

     

پیشرفتهایی که در 1970 تا 1980 بدست آمد برای جلب توجه به شبکه‌های عصبی بسیار مهم بود. برخی فاکتورها نیز در تشدید این مسئله دخالت داشتند از جمله کتابها و کنفرانسهای وسیعی که برای مردم در رشته‌های متنوع ارائه شد. امروز نیز تحولات زیادی در تکنولوژی ANN ایجاد شده است.

     

چرا از شبکه های عصبی استفاده می کنیم:

شبکه‌های عصبی با توانایی قابل توجه خود در استنتاج نتایج از داده های پیچیده و مبهم می‌توانند در استخراج الگوها و شناسایی گرایشهای مختلفی که برای انسانها و کامپیوتر شناسایی آنها بسیار دشوار است استفاده شوند. از مزایای شبکه‌های عصبی می‌توان موارد زیر را نام برد :

1.    یادگیری تطبیقی : توانایی یادگیری اینکه چگونه وظایف خود را بر اساس اطلاعات داده شده به آن و یا تجارب اولیه انجام دهد در واقع اصلاح شبکه را گویند.

2.    خود سازماندهی : یک ANN به صورت خودکار سازماندهی و ارائه داده هایی که در طول آموزش دریافت کرده را انجام دهد. نرونها با قاعده‌ی یادگیری سازگار شده و پاسخ به ورودی تغییر می‌یابد.

3.    عملگرهای بلادرنگ : محاسبات درANN می‌تواند به صورت موازی و به وسیله سخت‌افزارهای مخصوصی که طراحی و ساخت انها برای دریافت نتایج بهینه قابلیتهای ANN است انجام شود.

4.    تحمل خطا : با ایجاد خرابی در شبکه مقداری از کارایی کاهش می‌یابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ می‌شود.

5.       دسته بندی : شبکه های عصبی قادر به دسته بندی ورودیها برای دریافت خروجی مناسب می‌باشند.

6.    تعمیم دهی : این خاصیت شبکه را قادر می‌سازد تا تنها با برخورد با تعداد محدودی از  یک نمونه‌های یک قانون کلی آن را به دست آورده نتایج این آموخته‌ها را به موارد مشاهده نشده از قبل نیز تعمیم دهد. توانایی که در صورت نبود آن سیستم باید بی‌نهایت واقعیتها و روابط را به خاطر بسپارد.

انعطاف پذیری- پایداری : یک شبکه عصبی هم به حد کافی پایدار است تا اطلاعات فراگرفته‌ی خود  را حفظ کند و هم قابلیت انعطاف و تطبیق را دارد و بدون از دست دادن اطلاعات قبلی می‌تواند موارد جدید را بپذیرد.

۱۳۹۵-۲-۷ ۱۶:۳۶:۴۷ +۰۴:۳۰اردیبهشت ۷ام, ۱۳۹۵|Categories: شبکه عصبی|بدون ديدگاه

ثبت ديدگاه

پرداخت

1-پرداخت آنلاین
برای پرداخت آنلاین از لینک زیر استفاده کنید
پرداخت آنلاین
2- پرداخت آفلاین
برای پرداخت آفلاین مبلغ مورد نظر را به یکی از شماره کارت
6037997245888723بانک ملی