نوشته‌های برچسب‌خورده با شبكه عصبي

کنترل شبکه های قدرت با استفاده از شبکه های عصبی مغز

مدیریت شبکه های قدرت در آینده بسیار بیشتر از امروز با قدرت مغز پیوند خواهد خورد اگر محققین دانشگاه میسوری در پروژه ی جدیدی که مربوط به بهره برداری از سلول های مغزی رشدیافته روی شبکه هایی از الکترودها می باشد، موفق شوند

گروه علم و فن آوری میسوری در همکاری با محققین موسسه ی فن آوری جئورجیا قصد دارند از قدرت مغز جهت توسعه ی روش جدیدی برای ردیابی و مدیریت تولید و تقاضای برق – که سطوح آن به طور پیوسته تغییر می کند- استفاده کنند.

این محققین به رهبری دکتر گانش کومار ونایاگامورسی، استاد مهندسی برق و کامپیوتر، از شبکه های عصبی زنده ی موش های آزمایشگاهی که از هزاران سلول مغزی تشکیل شده اند برای کنترل شبکه های قدرت شبیه سازی شده در آزمایشگاه استفاده خواهند کرد. با استفاده از این مطالعات، محققین امیدوارند یک برنامه ی رایانه ای «الهام گرفته از زیست شناسی» ایجاد نمایند تا با استفاده اغز آن شبکه های قدرت پیچیده ی مکزیک، برزیل، نیجریه و جاهای دیگر را مدیریت و کنترل کنند.

ونایاگامورسی در این باره گفت: «ما می خواهیم یک ساختار کاملا جدید را به نسبت آن چه امروز موجود است توسعه دهیم. کنترل سیستم های قدرت بسیار پیچیده است و مغز یک شبکه ی بسیار قابل انعطاف و مناسب می باشد. مغز واقعا در مدیریت مسائل نامعلوم و تردیدبرانگیز خوب عمل می کند.»

این استاد دانشگاه امیدوار است که بتوانند سیستمی با الهام از مغز و البته نه کاملا مانند آن توسعه دهند چرا که هیچ کسی واقعا به طور کامل نمی داند مغز چگونه کار می کند.

گروه میسوری با محققین آزمایشگاه فن آوری مهندسی عصبی جئورجیا، که شبکه های عصبی زنده در آن جا توسعه داده شده و قرار گرفته اند، همکاری خواهند کرد. یک ارتباط با پهنای باند بالای اینترنت 2، آن سلول های مغزی را طی مسافت 600 مایل به آزمایشگاه Real-Time Power and Intelligent Systems ونایاگامورسی متصل خواهد کرد. محققین میسوری سیگنال ها را از آن آزمایشگاه به سلول های مغزی منتقل خواهند کرد و به آن ها آموزش خواهند داد که سیگنال های ولتاژ و دیگر اطلاعات را از شبی ساز بلادرنگ میسوری تشخیص دهند.

آزمایشگاه ونایاگامورسی قادر به شبیه سازی شبکه ی قدرتی به اندازه ی شبکه ی نیجریه و یا بخشی از شبکه ی ترکیبی نیوانگلند و نیویورک در امریکا می باشد.

به گفته ی ونایاگامورسی، شبکه های عصبی مصنوعی (ANN) معمولی سال هاست که موجود می باشد و پس از مدل سازی از روی مغز، جهت تشخیص الگوها و یادگیری در طول زمان طراحی گشتند. اما این شبکه ها با سیستم های پیچیده خوب کار نمی کنند.

او گفت: «همین طور که انرژی الکتریکی و سیستم های انرژی بزرگ تر و بزرگ تر می شوند، مسائل دینامیک نیز پیچیده تر می گردند و شبکه های عصبی نیز باید با آن ها هم مقیاس شوند. اما همین طور که هم مقیاس می شوند، شکننده می گردند. این امر برای شبکه های عصبی جهت یادگیری و تغییر بلادرنگ بسیار سخت می شود. آن ها می توانند به صورت آنلاین یاد بگیرند اما یادگیری بسیار کند و گاهی تصمیم گیری با دید کمی انجام می گیرد. برای مثال اگر یکی از خطوط انتقال طی یک طوفان شدید خارج شود، ANN های معمولی نمی توانند به سرعت واکنش داده و مشکل را مکان یابی کرده و سیستم را به سورت آنلاین برگردانند.»

ونایاگامورسی و همکارانش امیدوارند از رهگذر این تحقیق، چیزی را توسعه دهند که او BIANN یا همان شبکه های عصبی مصنوعی الهام گرفته از زیست شناسی می نامد. بر اساس قابلیت تطبیق مغز، این شبکه ها نه تنها سیستم های قدرت، بلکه می توانند سیستم های پیچیده ی دیگر مانند سیستم های کنترل ترافیک یا شبکه های مالی جهانی را نیز کنترل کنند.

محققین جئورجیا به رهبری پوتر، شبکه های عصبی زنده ای را توسعه داده اند که می تواند روبات های ساده را کنترل کند اما این اولین بار است که کسی تلاش می کند از قدرت مغز برای کنترل سیستم های پیچیده تری بهره برد.

بعد از آزمایش این سیستم در محیط شبیه سازی شده، محققین آن را در شبکه های قدرت واقعی در مکزیک، برزیل، چین، نیجریه، سنگاپور و افریقای جنوبی آزمایش خواهند کرد. به گفته ی ونایاگامورسی، یک هدف این پروژه توسعه ی سیستمی است که بتواند در شبکه های قدرت هوشمند آینده به کار گرفته شود. محققین پیش بینی می کنند که شبکه ها با مجموعه ای از منابع انرژی مانند مزارع بادی و خورشیدی، پایگاه های ذخیره ی انرژی، میکروشبکه های خود-حمایتی جامعه یا همسایگی، و دیگر منابع انرژی غیر سنتی یکپارچه شوند.

ونایاگامورسی می گوید: «مطالعات ما بر اساس آن چیزی است که برای 20 سال آینده پیش بینی می شود.»

Advertisements

, ,

بیان دیدگاه

منطق فازی

«آنجا که قوانین ریاضی به واقعیات مربوط می شوند ، حتمی نیستند ، و آنجا که حتمی اند ، نمی توانند به واقعیت اشاره داشته باشند»
آلبرت اینشتین
علم همواره با یک اشتباه همراه بوده است . اشتباهی که همه ی دانشمندان نیز گویی مرتکب آن شده اند . براساس مبانی و اصول علم ، همه چیز تنها مشمول یک قاعده ی ثابت می شود که به موجب اش یا آن چیز درست است یا غلط . دانشمندان نیز در گذشته بر همین اساس به تحلیل دنیای پیرامون خود می پرداختند . گر چه آنها همیشه مطمئن نبودند که چه چیزهایی درست و چه چیزهایی نادرست است و گر چه درباره ی درستی یا نادرستی یک پدیده ی شخصی ممکن بود دچار تردید شوند ، در یک مورد هیچ تردیدی نداشتند و آن اینکه هر پدیده ای یا «درست » است یا «نادرست «. در منطق و ریاضیات نیز همین استدلال حاکم بوده است . پدیده ای منطقی و ریاضی نیز براساس مبانی و اصول کلاسیک علم تنها دو حالت دارند : یا درست اند یا نادرست. اشتباه علم در چنین تحلیلی از پدیده های مختلف منطقی و ریاضی است. به عبارت دیگر آنچه را که تنها برای موارد خاص مصداق دارد به تمام پدیده ها تعمیم داده است. در حقیقت پدیده های مختلف را نمی توان تنها به یکی از دو صورت صحیح و غلط یا صفر و یک تقسیم بندی کرد . موضوعات ریاضی و منطقی را نیز نباید تنها با چنین برداشتی ارزیابی کرد ، بلکه باید همه ی چیزها را به طور نسبی سنجید . تمامی واقعیات نیز باید به طور نسبی سنجیده شوند و برای آنها درجه بندی قائل شد. در واقع هر چیزی «به طور نسبی » درست یا غلط است . پدیده های واقعی تنها سیاه یا سفید نیستند ، بلکه تا اندازه ای «خاکستری» هستند تا اندازه ای «فازی » ، «مبهم» و» غیر دقیق » هستند. فقط ریاضی سیاه و سفید بود و این خود چیزی جز سیستمی مصنوعی از قاعده ها و نشانه ها نبود. علم واقعیت های خاکستری و فازی را با ابزار سیاه و سفید ریاضی به نمایش می گذاشت و این چنین بود که به نظر می رسید واقعیت ها نیز تنها سیاه و سفید هستند . اشتباه علم این جا بود .
رنه دکارت ، فیلسوف قرن هفدهم ، زمانی به گلوله ای از موم زنبور عسل خیره شد. عصر بود و او در جلوی بخاری اتاق نشسته بود . موم را در مقابل گرما نگه داشته بود و گویی صدای گنگ آن را می شنید ، عطر عسل آن را حس می کرد و سطح صاف و خنکی آن را می توانست احساس کند و در همان حال سعی کرد که در تفکرات خود به بافت شیری رنگ این گلوله موم نفوذ کند و به درون آن بنگرد . سپس از آن گلوله مومی را به آتش نزدیکتر کرد. گلوله سفید سخت ، نرم شد ، گرم شد ، کش آمد ، بویش را از دست داد ، شفاف شد ، مایع شد و جریان یافت . بخشی از آن روی آجرهای داغ اجاق ریخت و جوشید و در هوا پخش شد. موم کجا رفت ؟ چه موقع موم از آن گلوله مومی به توده ای غیر مومی تبدیل شد ؟ شخصیت آن موم در کجاست ؟ آیا در آن گلوله ی مومی است ؟ در اجاق است ؟ یا در جایی بین آنها ؟
تمامی چیزهایی که در اطراف ماست همه موجودیت های خود را تغییر می دهند . اتم ها که جهان را می سازند ، می چرخند و با یکدیگر برخورد می کنند و این چرخش و برخورد را مرتباً ادامه می دهند . همه چیز در جریان است . همه چیز جاری می شود . جهان همچون رودی که در جریان است مرتب جلوه های جدیدی از خود بروز می دهد . به نظر می رسد سیال کیهانی در مقیاس های بزرگ تابع قانون نسبیت عام انشتین و در مقیاس های کوچک تابع قوانین مکانیک کوانتمی است و در مقیاس های بین این دو از چیزهایی تبعیت می کند که ما آنها را نمی شناسیم . همه چیز در حال جریان بسوی ناچیزها هستند . اتم ها در نوک انگشتان ما چرخشی به سوی اتم های موجود در هوا دارند. اتم هایی وجود دارند که به انگشت ما مربوط می شوند و اتم هایی هستند که به انگشت ما مربوط نمی شوند . اتم هایی وجود دارند که بین این دو حالت هستند که به انگشت ما مربوط نمی شوند . اتم هایی وجود دارند که بین این دو حالت هستند و اتم هایی نیز هستند که تا درجه ای مربوط به انگشت ماو تا حدی نیز مربوط به اتم های هوا می شوند و تا حدی هم می توان گفت به هیچ کدام مربوط نیستند .
اعتقاد به سیاه و سفیدها ، این نظام دو ارزشی ، به گذشته باز می گردد و دست کم به یونان قدیم می رسد . «دموکریت » جهان را به اتم ها و فضاهای خالی تقسیم می کرد . «افلاطون » جهان خود را با شکل های قرمز رنگ و متعامد و مثلثی پر کرد . «ارسطو» راجع به قوانین سیاه و سفید هر آنچه احساس می کرد به رشته تحریر در آورد ، منطق دو دویی «ارسطو» به یک قانون منتهی شد و آن این بود : «یا این m یا نه این .» آسمان آبی است یا آبی نیست . آسمان نمی تواند هم آبی باشد و هم آبی نباشد . آن نمی تواند هم A باشد و هم A نباشد . دو هزار سال است که قانون ارسطو تعیین می کند چه چیزی ار نظر فلسفی درست است و یا درست نیست . ایمان دودویی همیشه با شک رو به رو بوده است . این منطق همواره منتهی به همان پاسخ انتقادی خود شده است. نوعی زمینه منطقی فلسفی «بودا» در هند ، پنج قرن قبل از مسیح و تقریباً دو قرن قبل از ارسطو زندگی می کرد . اولین قدم در سیستم اعتقادی او گریز از جهان کلمات سیاه و سفید و دریدن این حجاب دو ارزشی و هدف او نگرسیتن به جهان به صورتی بود که «هست » .
باید جهان را سراسر تناقص دید . جهانی که در آن چیزها و ناچیزها وجود دارند و در آن هم «A» و هم غیر «A» این منطق فازی یا خاکستری را در سیستم های اعتقادی شرقی ، چه قدیم و چه جدید ، از تائویئسم لائوتسه تاذن مدرن در ژاپن می یابید . یونانیان پیروان چنین منطقی را «سوفسطایی» نامیدند . امروزه ما منطق سوفسطایی را نادرست یا احمقانه می پنداریم . روزی افلاطون در آکادمی خود انسان را به عنوان موجودی دو پا و بدون پر تعریف کرد ، روز بعد یکی از شاگردان سوفسطایی او به کلاس آمد و مرغی پرکنده را مقابل او نگه داشت . با توجه به این رویدادها ،« مساله عدم انطباق » بوجود آمد ، جهان خاکستری است اما علم سیاه و سفید ، ما درباره ی صفرها و یک ها صحبت می کنیم ، اما حقیقت چیزی بین آنهاست . جهانی فازی داریم که توصیف آن غیر فازی . چیزهای فازی مرزهای در هم و نامشخصی با متضاد خود دارند ، با غیر چیزها . هر چه یک چیز بیشتر شبیه متضاد خودش باشد ، فازی تر است . در فازی ترین حالت ، چیزی مساوی متضاد خودش است : لیوان آب نیمه پر و نیمه خالی ، دروغگویی «کرتی» که می گوید همه ی کرتی ها دروغگو هستند ، که هم دروغ می گوید و هم دروغ نمی گوید ، در این جا تساوی ای برقرار می گردد که شبیه سمبل ین – یانگ : سمبلی قدیمی از آن تائوئیست ها می باشد که در زیر آمده است : سبمل ین – یانگ در حقیقت سمبل فازی نیز هست . این سمبل معرف جهانی از متضادها است ، جهانی که اغلب آن را با عرفان شرقی همراه می دانیم .
اهل منطق در دهه های 1920 و 1930 میلادی اولین بار منطق چند ارزشی را برای کار با اصل عدم قطعیت هایزنبرگ در مکانیک کوانتومی پیش کشیدند . این اصل ریاضی می گوید که اگر شما چیزی را دقیقاً اندازه گیری کنید ، نمی توانید چیزهای دیگری را با همان دقت اندازه گیری کنید . این اصل پیشنهاد می کند که ما واقعاً با منطق سه مقداری برخورداریم.
بیان هایی که درست ، نادرست یا میانه هستند . در مقیاس کوچکتر ، منطق دان لهستانی جان لوکاسیه و پچ حالت میانه ای را خرد و به چندین قطعه تقسیم کرد و به حالت چند مقداری یا منطق چند ارزشی رسید . لوکاسیه وپچ آنگاه قدم بعدی را برداشت و حالات میانه را به صورت یک محیط پیوسته تعریف کرد ، طیفی بین نادرستی و درستی ، بین صفر و یک .
هر عبارت «فازی» نظیر «علف سبز است » می تواند تا اندازه ای درست باشد میزان درست بودن این عبارت بین صفر و یک می تواند تغییر کند و یا آن که بین صفر درصد تا صد درصد درست باشد . عبارت «فازی » سی سال بعد به واژگان علمی وارد شد. تا آن زمان دانشمندانی نظیر برتراند راسل اصطلاح «ابهام » را برای حالت چند ارزشی به کار می برد. درسال 1937 فیلسوف کوانتومی ، ماکس بلک مقاله ای در رابطه با مجموعه های گنگ یا آنچه که ما اکنون مجموعه های فازی می نامیم منتشر ساخت اما در جوامع علمی آن را نادیده انگاشتند که در غیر این صورت در حال حاضر می بایست به جای منطق فازی از منطق گنگ استفاده می کردیم . در سال 1965 پرفسور لطفی زاده ؛ رئیس دپارتمان مهندسی برق دانشگاه کالیفرنیا در بر کلی ، مقاله ای تحت عنوان «مجموعه های فازی » منتشر ساخت. در این مقاله از منطق چند ارزشی لوکاسیه و پچ برای مجموعه ها وگروه های اشیا و چیزها استفاده شده بود . لطفی زاده بر چسب یا نام Fuzzy را روی این مجموع های گنگ یا چند ارزشی قرار داد ، علت این نامگذاری این بود که مفهوم فازی را از منطق دودویی که در زمان خود مطرح بود ، دور سازد.
بررسی دیدگاه های فازی و نگرش آنها به آینده چند موضوع را مطرح می کنند که به بررسی چند مورد از آنها می پردازیم : الف ) حالت دو ارزشی در مقابل حالت چند ارزشی ؛ سادگی در مقابل دقت :
منطق دو ارزشی دقت را فدای سهولت می کند .نتایج منطق با نیروی (دودویی) یا بلی و خیر ، سیاه وسفید ، درست و نادرست می تواند مطالب ریاضی و پردازش رایانه ای را ساده کند. با رشته هایی از صفر ها و یک ها بسیار ساده تر از کار با کسر ها یا اعداد کسری می توان کار کرد. حالت دو ارزشی نیازمند انطباق ورزی و همچنین از بین بردن زوائد است. عصر اطلاعات مبتنی بر حالت دو ارزشی است ، زیرا در پردازش سیگنال ها وتراشه های رایانه ای ریز پردازنده تکیه اصلی بر «انقلاب دیجیتال» است. ماکمیت هایی نظیر صوت، فشار خون، دما و زلزله را اندازه گیری می کنیم . اینها کمیت هایی هستند که به آرامی در زمان تغییر می کنند . اما زمانی که می خواهم آنها را به ذهن با نیری یک و صفر رایانه ها بدهیم مجبوریم آنها را نمونه گیری و عددی کنیم . لذا باید تغییرات را به صورت منحنی افزایش یا کاهش ایجاد نمائیم دیجیتالی کردن این منحنی برش هایی را به شکل نمونه های زمانی مجزا از یکدیگر روی محور زمان (محور افقی) ایجاد می کند و محور عمودی را به مجموعه ای از اعداد تقسیم می کند و سیگنال ها را به نزدیکترین مقدار برش خورده تقریب می زند (عددی می کند)، آنگاه سیستم ، واقعیت را کنار گذاشته و فقط اعداد دیجتالی شده را نگه می دارد و آن را تبدیل به صفر و یک می کند.
ضعفی که این گردنمودن (عددی نمودن ) دیجتالی دارد ، نقطه میانی خط اعداد می باشد که یک «پارادوکس» در ریاضیات مدرن است و تسهیل سازی دودویی را با مشکل رو به رو می کند . در اوایل قرن بیستم ، برتراند راسل ، نشان داد که نظریه ریاضی مجموعه های اشیا و زیر مجموعه های آنها را پارادوکس ها در هم می ریزد . او این مساله را با مثال «سلمانی » نشان داد : «سلمانی راسل یک مرد سبیلو است که در جلوی مغازه ی خود شعاری به این مضمون نصب کرده است : (من صورت همه را می تراشم به جز مردانی که خود صورتشان را می تراشند.)»
بنابر این اگر این جمله درست باشد چه کسی صورت خود آن سلمانی را می تراشد ؟ اگر او صورت خودش را بتراشد ، براساس آنچه روی تابلوی شعار نوشته است نمی تواند این کار را بکند . اما اگر صورت خود را نمی تراشد ، آنگاه براساس تابلویی که نوشته باید این کار را بکند . به نظر می رسد او در این لحظه هم باید صورتش را بتراشد و هم نتراشد.
و از این جا بود که راسل مثال نقضی را در منطق مورد استفاده دو ارزشی قائل شد و آن سادگی و ساده سازی را با مشکل رو به رو ساخت و توجه منطق و علم قرن بیستم را به دقت و پذیرفتن پیچیدگی ها رهنمون ساخت . ب) دقت بالا ، حالت فازی بالا :
هر لحظه ذهن ما در حال تغییر است . در درون مغز ما آن تغییر موجب دگرگونی در چگونگی فعالیت سلول های مغز ما می شود . این نیز خود موجب تغییر تدریجی الگوهای یادگیری ما می شود . هر چه اطلاعات بیشتری به دست می آوریم ، تصویری شفاف تر و دقیق تر از جهان به دست خواهیم آورد و دید روشن تری از واقعیت ها خواهیم یافت . اما آیا این موضوع می تواند حالت فازی را از واقعیت ها منفک سازد؟ فرض کنید فردی سی و چند سال سن داشته باشد . آیا این فرد پیراست؟ بله یا خیر؟ آیا جوان است؟ اطلاعات بیشتری اضافه کنید . سن فرد را دقیق تر تعیین کنید . مثلاً بگوئید می دانیم این فرد ، تا آن روز (روز تولد) سی ساله است . حال با این وصف این فرد پیر است یا جوان ؟ اطلاعت دقیق مربوط به سن فرد چه چیز را برای ما روشن می کند ؟ فقط به ما می گوید وقتی او سی و پنج ساله شد در مقایسه با آنچه هم اکنون هست پیرتر خواهد بود. از این مثال می توانیم در یابیم که پیری و جوانی تابع درجات هستند . آنها مفاهیم فازی هستند .پیر و جوان معرف زیر مجموعه هایی فازی از جمعیت انسانی هستند . «مرز را کجا باید تعیین کنیم ؟ » سوالی است که استدلال سیاه وسفید را در جهانی از خاکستری ها به دام می اندازد .
ج) استدلال فازی ضریب هوشی ماشین را افزایش می دهد : مهندسان فازی نرم افزارها و تراشه هایی را طراحی می کنند که می تواند به رایانه ها قدرت استدلال نزدیکتری به قدرت استلال انسان بدهند . این توانایی باعث می شود ماشین ها هوشمند تر شده ، کار با آنها ساده تر شود. سیستم های فازی خیلی سریع ، هوشمند هستند . امروزه در ژاپن سیستم های فازی سریع قطارهای زیر زمینی را کنترل می کنند ، هلی کوپترها را بهتر از آنچه انسانها می توانند انجام دهند ، پایدار می سازند . حالت فازی با قواعد خود می تواند کنترلی نرم و یکنواخت به دست دهد. به این ترتیب پرش های بیشینه و کمینه ، که در سیستم های دارای کنترل ریاضی قدیم متداول است و به سیستم ضربه وارد می آورد ، کاهش می یابد . تکنولوژی ساخت حس کننده ها یا سنسورها می تواند انقلاب فازی را سرعت بخشد . آن خبرگان کوچک فازی به اطلاعات زیادی نیاز دارند و و این اطلاعات باید سریعتر و دقیق تر به آن ها برسد و اطلاعات هر چه بیش تر و دقیق تر تهیه شود ، نتیجه بهتر خواهد بود . در سیستم های فازی سازگار یا تطبیقی ، یک شبکه عصبی ؛ یک سیستم رایانه ای که یادگیری و الگوهای شناخت مغز را مشابه سازی می کند ، قواعد فازی را براساس اطلاعات آموزشی خود تولید می کند . آنها از تجربیات خود یادگیری می کنند . سیستم عصبی شبیه چشم ها و گوش های موجود زنده عمل می کند . این سیستم می تواند الگوهای موجود در اطلاعات را دیده و به آرامی قواعدی به وجود آورد که آنها را به یکدیگر مرتبط سازد. این الگوهای مجموعه های فازی و روابط بین آنها ، قواعد فازی نامیده می شوند .

نوشته آقای اسماعیل بلالی

, , ,

بیان دیدگاه

شبکه عصبی – 2

 

 

سابقه تاریخی:

به نظر می آید شبیه سازی های شبکه عصبی  یکی از پیشرفت های اخیر باشد . اگرچه این  موضوع پیش از ظهور  کامپیوتر ها بنیان گذاری شده  و  حداقل یک مانع بزرگ تاریخی  و  چندین دوره مختلف را پشت سر گذاشته است.

خیلی از پیشرفت های مهم با تقلید ها وشبیه سازی های  ساده و ارزان کامپیوتری بدست آمده است. در پی یک دوره ابتدائی اشتیاق و فعالیت در این زمینه ، یک دوره ی بی میلی و بدنامی راهم پشت سر گذاشته است . در طول این دوره سرمایه گذاری و پشتیبانی حرفه ای از این موضوع در پایین ترین حد خود بود ، پیشرفت های  مهمی به نسبت تحقیقات محدود در این زمینه صورت گرفت . که بدین وسیله  پیشگامان قادر شدند تا به گسترش تکنولوژی متقاعد کننده ای بپردازند که خیلی برجسته تر از محدودیت هایی بود که توسط Minsky  و    Papert شناسانده  شد. Minsky  و  Papert ،کتابی را در سال 1969 منتشر کردند که در آن عقیده عمومی را جع به میزان محرومیت شبکه های عصبی را در میان محققان معین کرده بود و بدین صورت این عقیده بدون تجزیه و تحلیل های بیشتر پذیرفته شد. هم اکنون ، زمینه تحقیق شبکه های عصبی  از تجدید حیات علایق و متناطر با آن افزایش سرمایه گذاری لذت می برد .

بررسی اجمالی ساختار مغز:

همانند بسياری از اختراعات که الهام گرفته از طبيعت ميباشد، برای شبيه سازی سيستم مزبور نيز، ساختار مغز مورد تحليل واقع شد. در سال 1911 Segal نرون را کشف نمود و بر اساس در دهه 40 ميلادی يعنی حدود 65 سال قبل اولين شبکه عصبی توسط Culloch و Pitts طراحی شد. شبکه مزبور قادر به محاسبه توابع منطقی بود. امروزه حداقل بيش از 50 نوع شبکه عصبی طراحی گرديده است که در علوم مختلف کاربرد بسياری دارند .

نرون کوچکترين واحد مستقل پردازش اطلاعات است که متشکل از دندريت، اکسون است که با فاصله های کوچک موسوم به سيناپس از يکديگر جدا ميشوند.

دندريتها که بصورت درخت گونه پخش هستند اطلاعات دريافتی بشکل سيگنال را دريافت نموده و و آن را به هسته سلول هدايت ميکنند، يک عمل جمع ساده از کل سيگنالها بسته به وزن و شدت هريک در هسته انجام ميگردد و نتيجه توسط اکسون هدايت ميشود و بسته به شدت آن ممکن است پالس الکتريکی را از سيناپس با شدت بيشتر يا با شدت کمتر عبور دهند و يا ممکن است با دليل ضعيف بودن بار الکتريکی آن را عبور ندهند.

با این ديد اجمالی از نحوه عملکرد نرون، بايد سيستمی طراحی گردد که حاوی تعدادی ورودی بوده که بسته به اهميت هريک آنها را با يکديگر جمع ساده جبری نمايد و توسط يک تابع موسوم به تابع تبديل انان را به نرون های ديگر ارسال نمايد.

شباهت با مغز:

اگر چه مكانيسم‌هاي دقيق كاركرد مغز انسان (يا حتي جانوران) به ‌طور كامل شناخته شده نيست، اما با اين وجود جنبه‌هاي شناخته شده‌اي نيز وجود دارند كه الهام بخش تئوري شبكه‌هاي عصبي بوده‌اند . سلول‌هاي عصبي قادرند تا با اتصال به‌يكديگر تشكيل شبكه‌هاي عظيم بدهند. گفته مي‌شود كه هر نرون مي‌تواند به هزار تا ده هزار نرون ديگر اتصال يابد (حتي در اين مورد عدد دويست هزار هم به عنوان يك حد بالايي ذكر شده است). قدرت خارق‌العاده مغز انسان از تعداد بسيار زياد نرون‌ها و ارتباطات بين آنها ناشي مي‌شود. ساختمان هر يك از نرون‌ها نيز به‌تنهايي بسيار پيچيده است. هر نرون از بخش‌ها و زير‌سيستم‌هاي زيادي تشكيل شده است كه از مكانيسم‌هاي كنترلي پيچيده‌اي استفاده مي‌كنند. سلول‌هاي عصبي مي‌توانند از طريق مكانيسم‌هاي الكتروشيميايي اطلاعات را انتقال دهند. برحسب مكانيسم‌هاي به‌كاررفته در ساختار نرون‌ها، آنها را به بيش از يكصدگونه متفاوت طبقه‌بندي مي‌كنند. در اصطلاح فني، نرون‌ها و ارتباطات بين آنها، فرايند دودويي(Binary)، پايدار (Stable) يا همزمان (Synchronous) محسوب نمي‌شوند. در واقع، شبكه‌هاي عصبي شبيه‌سازي شده يا كامپيوتري، فقط قادرند تا بخش كوچكي از خصوصيات و ويژگي‌هاي شبكه‌هاي عصبي بيولوژيك را شبيه‌سازي كنند. در حقيقت، از ديد يك مهندس نرم‌افزار، هدف از ايجاد يك شبكه عصبي نرم‌افزاري، بيش از آنكه شبيه‌سازي مغز انسان باشد، ايجاد مكانيسم ديگري براي حل مسائل مهندسي با الهام از الگوي رفتاري شبكه‌هاي بيولوژيك است.

, ,

بیان دیدگاه

شبکه عصبی – 1

 

 
در حقیقت شبکه های عصبی پروژه خودم برای درس طراحی الگوریتم بود امیدوارم مورد توجه قرار بگیرد 

   

مقدمه:

قدرت و سرعت كامپيوترهاي امروزي به راستي شگفت انگيز است؛ زيرا كامپيوترهاي قدرتمند مي‌توانند ميليون‌ها عمليات را در كمتر از يك ثانيه انجام دهند. شايد آرزوي بسياري از ما انسان‌ها اين باشد كه اي كاش مي‌شد ما نيز مانند اين دستگاه‌ها كارهاي خود را با آن سرعت انجام مي‌داديم، ولي اين نكته را نبايد ناديده بگيريم كه كارهايي هستند كه ما مي‌توانيم آن‌ها را به آساني و در كمترين زمان ممكن انجام دهيم، ولي قوي‌ترين كامپيوترهاي امروزي نيز نمي‌توانند آن‌ها را انجام دهند و آن قدرت تفكري است كه مغز ما انسان‌ها دارد. حال تصور كنيد كه دستگاهي وجود داشته باشد كه علا‌وه بر قدرت محاسبه و انجام كارهاي فراوان در مدت زمان كوتاه، قدرت تفكر نيز داشته باشد يا به قول معروف هوشمند باشد!اين تصور در حقيقت هدف فناوري هوش مصنوعي يا Artificial Intelligence) AI) است. يكي از راه‌حل‌هاي تحقق اين هدف، شبكه‌هاي عصبي است. شبكه‌هاي عصبي در واقع از شبكه‌هاي عصبي و سيستم عصبي انسان الگوبرداري مي‌كنند. برخي از محققان براين باورند كه هوش مصنوعي و شبكه‌هاي عصبي دو راه‌حل متفاوت و در دو جهت مختلف هستند، ولي اين باور را نمي‌توان كاملاً صحيح دانست؛ چرا كه در حقيقت علم شبكه‌هاي عصبي و هوش‌مصنوعي وابسته به هم هستند. بدين‌معنا كه قبل از اين‌كه Symbolها بتوانند توسط هوش مصنوعي شناسايي شوند، بايد مراحلي طي شود. مثلاً تصور كنيد كه Symbolهايي مانند خانه، انسان يا ميز وجود دارند. قبل از اين كه AI بتواند هر كدام از اين Symbolها را شناسايي كند، بايد از توانايي‌ها و صفات هر كدام از اين‌ها اطلاع كامل حاصل كند. مثلاً تصور كنيد كه يك روبات كه هوش مصنوعي دارد، يك انسان را مي‌بيند، ولي از كجا مي‌فهمد كه اين جسم يك انسان است؟ مثلاً بر اساس مشخصاتي مثل داشتن دو پا، دست، صورت، دهان و قدرت تكلم. اما شما وقتي يك انسان ديگر را مي‌بينيد، نيازي نداريد كه اول تعداد پاهاي او را بشماريد و بعد بگوييد كه اين جسم، انسان است. مغز انسان‌ها مي‌تواند با ديدن يك جسم فقط براي يك بار ياد بگيرد و اگر مجدداً آن جسم را مشاهده كرد، مي‌تواند سريع تشخيص دهد و قسمت‌هاي مختلف مغز مي‌توانند به صورت همزمان فعاليت كنند و از اطلاعات درون مغز استفاده نمايند. شبكه‌هاي عصبي در بسياري از پروژه‌هاي هوش مصنوعي به كار گرفته مي‌شود. مثلاً براي برنامه‌هاي تشخيص و الگوبرداري، شناسايي تصوير و كاراكتر، روبات‌ها و برنامه‌هاي فيلترينگ اطلاعات. اين شبكه‌ها امروزه حتي در اتومبيل‌هاي بي‌سرنشين نيز كاربرد دارد. به طوري‌كه با ديدن و بررسي رانندگي انسان‌ها، مي‌توانند رانندگي كنند.

 شبکه عصبی چیست؟

شبكه‌هاي عصبي را مي‌توان با اغماض زياد، مدل‌هاي الكترونيكي از ساختار عصبي مغز انسان ناميد[ روشی برای محاسبه است که بر پایه اتصال به هم پیوسته چندین واحد  پردازشی  ساخته میشود] مكانيسم فراگيري و آموزش مغز اساساً بر تجربه استوار است. مدل‌هاي الكترونيكي شبكه‌هاي عصبي طبيعي نيز بر اساس همين الگو بنا شده‌اند و روش برخورد چنين مدل‌هايي با مسائل، با روش‌هاي محاسباتي كه به‌طور معمول توسط سيستم‌هاي كامپيوتري در پيش گرفته شده‌اند، تفاوت دارد. مي‌دانيم كه حتي ساده‌ترين مغز‌هاي جانوري هم قادر به حل مسائلي هستند كه اگر نگوييم كه كامپيوترهاي امروزي از حل آنها عاجز هستند، حداقل در حل آنها دچار مشكل مي‌شوند. به عنوان مثال، مسائل مختلف شناسايي الگو، نمونه‌اي از مواردي هستند كه روش‌هاي معمول محاسباتي براي حل آنها به نتيجه مطلوب نمي‌رسند. درحالي‌كه مغز ساده‌ترين جانوران به‌راحتي از عهده چنين مسائلي بر مي‌آيد. تصور عموم كارشناسان IT بر آن است كه مدل‌هاي جديد محاسباتي كه بر اساس شبكه‌هاي عصبي بنا مي‌شوند، جهش بعدي صنعت IT را شكل مي‌دهند. تحقيقات در اين زمينه نشان داده است كه مغز، اطلاعات را همانند الگو‌ها (pattern) ذخيره مي‌كند. فرآيند ذخيره‌سازي اطلاعات به‌صورت الگو و تجزيه و تحليل آن الگو‌، اساس روش نوين محاسباتي را تشكيل مي‌دهند. اين حوزه از دانش محاسباتي (computation) به هيچ وجه از روش‌هاي برنامه‌نويسي سنتي استفاده نمي‌كند و به‌جاي آن از شبكه‌هاي بزرگي كه به‌صورت موازي آرايش شده‌اند و تعليم يافته‌اند، بهره مي‌جويد.

شبکه از تعداد دلخواهی سلول یا گره یا واحد یا نرون تشکیل میشود  که مجموعه ورودی را به خروجی ربط میدهند.

 

تعریف دیگر: يک برنامه نرم افزاری يا تراشه نیمه هادی است که بتواند همانند مغز انسان عمل نمايد، به گونه ای که:

الف- به مرور زمان و تعامل بیشتر با محيط، کارآزموده تر گردد.

ب- علاوه بر انجام محاسبات قادر به نتیجه گیری منطقی باشد.

ج- در شرايط جديد راهکار مناسب را ارائه دهد. (قابلیت تعمیم).

, ,

بیان دیدگاه

شبکه عصبی – 1

در حقیقت شبکه های عصبی پروژه خودم برای درس طراحی الگوریتم بود امیدوارم مورد توجه قرار بگیرد

ادامهٔ این ورودی را بخوانید »

, , , ,

بیان دیدگاه

شبکه عصبی مصنوعی

Artificial Neural Networks سیستمی نوین جهت تجزیه و تحلیل داده‌هاست. ANN که با الهام از طرز کار مغز بشر ساخته شده است قادر است به سادگی ارتباطات پنهان میان داده‌ها را کشف کند، حتی هنگامی که داده‌ها غیر خطی، دارای خطای زیاد و حتی ناقص باشند. با دریافت داده‌های ورودی سیستم شگفت‌انگیز ANN طوری خود را تغییر می‌دهد که گویی به یک دستگاه جدید تبدبل شده است، دستگاهی که در تجزیه و تحلیل نوع خاص داده‌های ما دارای تخصص و ویژگی است. به‌عبارت دیگر ANN قابلیت فراگیری و طراحی خود را دارا می‌باشد.

کاربرد ANN در علوم هر روز گسترده‌تر می‌شود. از کاربردهای ANN در پزشکی، می‌توان به برآورد خطر و تصمیم‌گیری‌های حیاتی در جراحی اشاره کرد. بینی مصنوعی که توسط ANN ساخته شده است جهت تشخیص سریع بیماری سل و عفونت‌های سینوسی استفاده می‌شود. ANN در تحلیل اطلاعات سه بعدی حاصل از مدل‌سازی‌های کامپیوتری نقش کلیدی دارد. از ANN برای تجزیه و تحلیل اطلاعات حاصل از تصویر برداری پزشکی استفاده می‌شود. به کمک ANNمی‌توان طیف‌های هم‌زمان چند ماده شیمیایی را به راحتی تجزیه و تحلیل کرد.

تجسم سناریوی کار با شبکه عصبی: تجسم کنید که مصرف یک دارو در شرایط خاص ایجاد مسمومیت می‌کند. احتمالا پارامترهای مختلفی در این امر تاثیر دارد، از جمله سن بیمار، جنسیت بیمار، میزان داروی مصرف شده، زمان و نوع مصرف آن، و … . شما این پارامترها را برای چندین بیمار به برنامه می‌دهید، و وضعیت نهایی از قبیل ایجاد یا عدم ایجاد مسمومیت و یا شدت آن را به برنامه می‌دهید. برنامه مذکور مدتی «فکر می‌کند»، داده‌های سیستم شما را تجزیه و تحلیل می‌کند، و روابط پیچیده بین پارامترها را یافته و مدل ریاضی آن‌ها را می‌سازد، به‌طوری که شما می‌توانید با وارد کردن اطلاعات مربوط به بیمار جدید، وضعیت آتی وی از قبیل بروز یا عدم بروز مسمومیت و نیز شدت آن را با دقت قابل قبولی پیشگویی می‌کند.

چه اتفاقی افتاد؟ برنامه مذکور روابط پیچیده میان چند عامل مختلف را با پایداری محصول «حس» و «کشف» کرد، بدون اینکه شما حدس و فرضیه‌ای در مورد ماهیت این روابط داشته باشید. هیچ اثری از تست‌های پیچیده آماری نیست. تجسم شما یک واقعیت است، که به‌سادگی قابل تجربه و در دسترس شما است. پیش از آن که بیشتر درباره جزییات این قبیل برنامه‌ها بدانید، نام آن‌ها را به‌خاطر بسپارید.

نام این سیستم «شبکه‌های عصبی مصنوعی» یا «Artificial Neural Networks» است.

Data Analysis Using “Artificial Neural Networks”

, , , , , ,

بیان دیدگاه