آنچه در ادامه عنوان می گردد، تعریف عملی و تاحدی عمومی از ابزاری است که بعداً آن را مطالعه خواهیم کرد. در قسمت های باقیمانده کتاب، این تعریف تصحیح و تخصصی خواهد گردید.

شبکه های عصبی مصنوعی، ساختاری(شبکه ای) است متشکل ازتعدادی واحد(نرون های مصنوعی) که در داخل شبکه به هم وصل شده اند. هر واحد دارای یک مشخصه ورودی/خروجی(I /o) می باشد و محاسبه یا عملی جزئی را اجرا می کند. خروجی هر واحد، با توجه به مشخصه (I /o) آن ، اتصالات درونیش به سایر واحدها و(احتمالاً) ورودی های خارجی تعیین می گردد. از آنجا که آموزش دستی شبکه امکان پذیر است، از این رو شبکه معمولاً کارکردی کلی از یک حالت یا حالت های بیشتری از آموزش را به دست می آورد.

شبکه عصبی مصنوعی

ANNمتشکل از یک شبکه نیست ، بلکه خانواده ای متشکل از شبکه های گوناگون می باشد. عمل یا عملکرد کلی شبکه های عصبی مصنوعی ، توسط توپولوژی شبکه، خصوصیات نرون منفرد و تاکتیک یادگیری و داده های آموزش معین می شود.

به منظور کاربردی شدن ، یک ANN می بایستی ابزارهایی برای ارتباط با دنیای خارج داشته باشد. با این وجود نیازی به تعریف فوق نیست؛ به طور نمونه، خصوصیات واحد ورودی / خروجی (I/o) ، بسیار ساده است (و بین همه واحدها مشترک است) و تعداد واحدها کاملاً زیاد است. توجه نمایید که تعریف، ما را وادار می سازد که میان یک واحد تنها و یک شبکه تمایز قایل شویم . در نهایت، ساختارهای محاسباتی که در این تحقیق شرح می دهیم، ممکن است با شماری از راه های غیر بیولوژیکی هم قابل انجام باشند که بیشترین این نمونه ها در میان عناصر الکترونیکی است؛ بنابراین ، اغلب عنوان‌«مصنوعی» قابل قبول است

 

موارد زیر ، جنبه های کلیدی محاسبات عصبی می باشند:

ÿ همان گونه که تعریف بخش ۲-۱ نشان می دهد، مدل کلی محاسباتی ، شامل اتصالات درونی قابل تغییر مجدد از عناصر ساده یا واحدهاست. شکل ۱٫۲ دو شبکه فرضی با مقیاس کوچک را نشان می دهد که در آن واحدها به صورت دایره های و اتصالات درونی به وسیله کمان هایی نشان داده شده اند. شکل ۱٫۲ (الف) یک تاکتیک اتصال درونی غیر بازگشتی را نشان میدهد که شامل هیچ مسیر اتصال درونی بسته ای نیست. به نمایش گروهی واحدهایی که در لایه ها قرار گرفته اند، توجه نمایید. در مقابل، شکل ۱٫۲ (ب) شبکه ای با تاکتیک اتصال درونی بازگشتی را نمایان می سازد که در آن انعطاف پذیری اتصالات درونی اختیاری این امکان را میسر می سازد که مسیرهای حلقه بسته (پس خورد) وجود داشته باشد. این تاکتیک اجازه می دهد که شبکه در مقایسه با تاکتیک (حلقه ـ باز) شکل ۱٫۲ (الف) دینامیک زمانی بسیار پیچیده تری را نشان دهد. همچنین ، توجه نمایید که توپولوژی های شبکه ، ممکن است دینامیک یا استاتیک باشد. در نهایت ، توجه کنید که در شکل ۱٫۲ بعضی واحدها به صورت مستقیم با دنیای بیرون در ارتباط اند، در حالی که سایرین «مخفی» یا درونی هستند.

توپولوژی شبکه

 

توجه کنید که نمایش ترسیمی ، به ه۹مراه واحدهیی که به صورت گره نمایش داده شده اند و اتصالات درونی محسوس جهت دار که به صورت کمان هایی نشان داده شده اند، عملکرد مفیدی به منظور درک توپولوژی است.

ÿ واحدهای منفرد، هر یک ایفا کننده عملکردی موضعی می باشند و شبکه کلی با تصالات درونی واحدها،, عملی مطابق آن شبکه را نمایش می دهد. تحلیل این عملیات مگر به واسطه آموزش یا آزمایش های نمونه، اغلب دشوار است. علاوه براین، کاربردها معمولاً ، از طریق مشخصات ، عملکرد مورد نیاز را مشخص می کنند. این وظیفه طراح ANN است که پارامترهای شبکه را که این مشخصات را برآورده می سازد، معین کند.

ÿ یک معیار کلیدی یادگیری اطلاح الگوهای ارتباط عناصر درونی براساس تابعی از داده های آموزش است. به عبارت دیگر، دانش سیستم ، تجربه یا آموزش به شکل اتصالات داخلی شبکه، ذخیره می گردند.

ÿ به منظور قابل استفاده بودن ، سیستم های عصبی باید توانایی ذخیره اطلاعات را داشته باشند(به عبارت دیگر،آنها باید«آموزش پذیر» باشند.) سیستم های عصبی به شکل مورد انتظار آموزش می یابند تا بعداً در زمانی که الگوی جدیدی به منظور تشخیص یا طبقه بندی به آنها عرضه شود، همواره رفتاری صحیح ارائه دهند.

بنابراین، هدف در مرحله آموزش شبکه ، گسترش یک ساختار درونی است که شبکه را قادر سازد تا الگوهای جدید و مشابه را به طرز صحیحی مشخص یا طبقه بندی کند. هر دو روش آموزش ، با نظارت و بدون نظارت را مورد توجه قرار می دهیم.

ÿ شبکه عصبی، یک سیستم دینامیکی است؛ حالات آن (مثلاً ، خروجی های هر واحد و شدت اتصالات درونی ) در پاسخ به ورودی های خارجی یا یک حالت اولیه (گذرا) با زمان تغییر می یابد.