شبكه عصبي چيست؟

شبكه هاي عصبي را مي توان با اغماض زياد، مدل هاي الكترونيكي از ساختار عصبي مغز انسان ناميد. مكانيسم فراگيري و آموزش مغز اساساً بر تجربه استوار است. مدل هاي الكترونيكي شبكه هاي عصبي طبيعي نيز بر اساس همين الگو بنا شده اند و روش برخورد چنين مدل هايي با مسائل، با روش هاي محاسباتي كه به طور معمول توسط سيستم هاي كامپيوتري در پيش گرفته شده اند، تفاوت دارد. مي دانيم كه حتي ساده ترين مغز هاي جانوري هم قادر به حل مسائلي هستند كه اگر نگوييم كامپيوترهاي امروزي از حل آنها عاجز هستند، حداقل در حل آنها دچار مشكل مي شوند. به عنوان مثال، مسائل مختلف شناسايي الگو، نمونه اي از مواردي هستند كه روش هاي معمول محاسباتي براي حل آنها به نتيجه مطلوب نميرسند. درحالي كه مغز ساده ترين جانوران به راحتي ازعهده چنين مسائلي بر ميآيد.تحقيقات در اين زمينه نشان داده است كه مغز، اطلاعات را همانند الگو ها[1] ذخيره مي كند. فرآيند ذخيره سازي اطلاعات به صورت الگو و تجزيه و تحليل آن الگو، اساس روش نوين محاسباتي را تشكيل مي دهند. اين حوزه از دانش محاسباتي [2]به هيچ وجه از روش هاي برنامه نويسي سنتي استفاده نميكند و به جاي آن از شبكه هاي بزرگي كه به صورت موازي آرايش شده اند و تعليم يافته اند، بهره مي جويد. يك شبكه عصبي مصنوعي[3] ايده اي است براي پردازش اطلاعات كه از سيستم عصبي زيستي الهام گرفته شده و مانند مغز به پردازش اطلاعات مي پردازد. عنصر كليدي اين ايده ، ساختارجديد سيستم پردازش اطلاعات است. اين سيستم از شمار زيادي عناصر پردازشي فوق العاده بهم پيوسته تشكيل شده[4] كه براي حل يك مسأله با هم هماهنگ عمل مي كند. ANN ها ،نظير انسانها ، با مثال ياد مي گيرند . يك ANNبراي انجام وظيفه اي مشخص ، مانند شناسايي الگو ها و دسته بندي اطلاعات ، در طول يك پروسه ياد گيري ، تنظيم مي شود . در سيستم هاي زيستي ياد گيري با تنظيماتي در اتصالات سيناپسي كه بين اعصاب قرار دارد همراه است اين روش ANN ها نيز است.

يك شبكه عصبي مصنوعي شامل تعداد زيادي از نورونهاست كه بر اساس يك الگوي اتصال به هم پيوند يافته اند. نورونها معمولا به سه دسته تقسيم ميشوند: نورونهاي ورودي، كه ورودي را براي پردازش دريافت ميكنند. نورونهاي خروجي كه حاوي نتيجه پردازش هستند و نورونهاي مياني كه به نام نورونهاي پنهان[5] ناميده ميشوند.

 

اين يك مثال ساده از شبكه عصبي است:

نورونهاي ورودي از طريق منابع خارجي فعال ميشوند. هر نورون ورودي پس از فعال شدن مقدار فعال سازي خود را به نورونهاي پنهاني كه به آنها متصل است ميفرستد. هركدام از نورونهاي پنهان با توجه به مقاديري كه از نورونهاي همسايه خود دريافت ميكند، فعال بودن خود را تعيين ميكند و اگر فعال بشود مقدار فعال سازي خود را به نورونهاي خروجي يا به لايه ديگري از نورونهاي پنهان مي فرستد و به طور پيوسته و همزمان تمام نورونها به كار خود ادامه ميدهد و به اين ترتيب سيگنالهاي توليد شده توسط نورونهاي ورودي در تمام شبكه پخش ميشوند تا وضعيت فعال بودن نورونهاي خروجي مشخص شود.الگوي فعال شدن يك شبكه توسط وزن بين نورونهاي آن مشخص ميشود. وزن ميتواند مثبت يا منفي باشد. يك وزن منفي نشاندهنده عدم تمايل نورون مقصد نسبت به فعال شدن در صورت فعال بودن نورون مبدا است. فعال بودن هر نورون توسط يك تابع ساده فعال سازي[6] انجام ميشود. توابع فعال سازي مختلفي وجود دارند اما همگي بر يك پايه بنا شده اند. تابع تمام وروديهاي نورون (اگر نورون مبدا فعال باشد اندازه ورودي آن به نورون مقصد به اندازه وزن بين آن دو است.) را با هم جمع ميكند. حاصل جمع معمولا كمي تغيير مي يابد. مثلا به عددي بين 0 و 1 تبديل ميشود و سپس اگر اين مجموع از عددي خاص بيشتر بود، نورون فعال ميشود. است. در اين شبكه ورودي از لايه ي feed forward شبكه اي كه در بالا معرفي شد معروف به شبكه ورودي دريافت شده و سپس از يك يا چند لايه پنهان ميگذرد تا به لايه خروجي برسد. هيچ يالي درون يك لايه يا از لايه جلوتر به لايه عقب تر وجود ندارد. مدلهاي واقعي تر از مغز بسيار پيچيده تر هستند. آنها شامل تعداد بسيار زيادي از لايه هاي پنهان، و اتصالهاي برگرداننده[7] هستند كه سيگنال را از لايه هاي جلويي به لايه هاي عقبي ميفرستد. اين برگرداندن براي توصيف كردن خصوصياتي مثل حافظه كوتاه مدت[8] ضروري هستند.

[1] pattern

[2] computation

[3] Artificial Neural Network (ANN)

[4] Neurons

[5] Hidden Neurons

[6] Activation Function

[7] Recurrent Connections

[8] Short Term Memory