[صفحه اصلی ]   [ English ]  
بخش‌های اصلی
درباره دانشکده::
اخبار ::
کمک آموزشی::
آموزش::
پژوهش::
معرفی افراد::
دانشجویان::
امکانات::
تسهیلات پایگاه::
::
نهمین کنفرانس بین المللی
..
تالار افتخارات

AWT IMAGE

..
دفاعیه‌ها

AWT IMAGE

..
جستجو در پایگاه

جستجوی پیشرفته
..
بازدید علمی

گزارش‌های بازدید دانشکده

..
منشور اخلاقی

AWT IMAGE

..
شرکت در نمایشگاه ها
شرکت در نمایشگاه
..
:: شبکه عصبی مصنوعی ::

  شبکه عصبی مصنوعی [1]

  1- شبکه ­عصبی مصنوعی یک سیستم پردازش اطلاعات است که عملکردی شبیه شبکه عصبی بیولوژیکی دارد و می­توان آن را مدل ریاضی توسعه داده شده قسمت مادی شناخت انسان یا بیولوژی عصبی قلمداد نمود. شبکه عصبی مصنوعی، مدلسازی مغز انسان با حدود 1013 نرون و 1015 سیناپس (اتصال) است که مهمترین ویژگی آن یادگیری [2] است و بصورت مجموعه­ای از المان­هایی ساده و پر تعداد که به آن نرون [3] گفته می­شود، می­باشد که به طرز پیچیده­ای به هم متصل شده­اند. مدلسازی ریاضی نرون عصبی، اولین بار توسط آقایان وارن مک­کلو و والتر پیتز در سال 1943 برای مدلسازی توابع منطقی ارائه شده که به آن مدل مک­­کلو-پیتز [4] گفته می­شود.

  2-مشخصات یک شبکه عصبی مصنوعی عبارت است از: معماری شبکه (الگوی اتصال­های بین نرون­ها)، الگوریتم یادگیری (روش تعیین وزن اتصال­ها) و تابع تحریک. نحوه اتصال نرون­های شبکه عصبی مصنوعی به دو نوع معماری تک جهتی [5] و یا معماری برگشتی [6] تقسیم می­شود.

  3-فرضیات ذیل در مدلسازی با شبکه عصبی مصنوعی انجام می­شود.

  • پردازش اطلاعات در المان­های ساده و پرتعداد موسوم به نرون انجام می­شود.
  • سیگنال بین نرون­ها از طریق اتصال بین آن­ها انتقال پیدا می­کند.
  • هر اتصال (پیوند)، وزن مخصوص به خود را دارد که در سیگنال منتقل شده، ضرب می­شود.
  • سیگنال خروجی نرون با اعمال تابع تحریک (عموما غیرخطی) به جمع وزن­دار سیگنال­های ورودی، بدست می­آید.

      4-نرم­افزار neuro solution و جعبه ابزار [7] شبکه عصبی نرم­افزار Matlab جهت پیاده­سازی حل مسائل به کمک شبکه عصبی، مفید است.

      5-ساده­ترین شبکه عصبی، شبکه پرسپترون است که با چیدن یک لایه از نرون­های مک­کلو-پیتز درست می­شود. این شبکه ساده با معماری تک­جهته قادر به مدلسازی نگاشت XOR نمی­باشد. با اضافه کردن یک لایه میانی به این شبکه، شبکه عصبی پرسپترون چندلایه درست می­شود که قادر به شبیه­سازی هر نگاشت آنالوگ ورودی به خروجی می­باشد. قاعده یادگیری این شبکه پس­انتشار خطا می­باشد. در لایه اول یک نگاشت غیرخطی با تابع تانژانت هیپربولیک انجام می­گردد و در لایه دوم طبقه­بندی (معمولا خطی) انجام می­پذیرد.

      6-شبکه پرسپترون چند لایه و شبکه RBF از پرکاربردترین شبکه­های عصبی مصنوعی با معماری تک جهته می­باشند.

      7-شبکه RBF بر اساس قضیه stone ارائه شده است. این شبکه یک شبکه با معماری تک­جهته است که در لایه اول یک نگاشت خطی با تابع گوسی انجام می­شود و در لایه دوم طبقه­بندی (معمولا خطی) انجام می­گردد.

    AWT IMAGE

    8-شبکه ART (گراسبرگ) و SOM (کوهونن) جزو شبکه­های عصبی مصنوعی رقابتی می­باشد.


      [1] Artificial neural networks

      [2] learning

      [3] neuron

      [4] McCulloch-Pitts

      [5] Feed forward

      [6] recurrent

      [7] Neural Network Toolbox, Self Organizing Map Toolbox

  • دفعات مشاهده: 15612 بار   |   دفعات چاپ: 2989 بار   |   دفعات ارسال به دیگران: 140 بار   |   0 نظر
    سایر مطالب این بخش سایر مطالب این بخش نسخه قابل چاپ نسخه قابل چاپ ارسال به دوستان ارسال به دوستان
    کلیه حقوق مادی و معنوی این سایت متعلق به دانشکده مهندسی راه آهن دانشگاه علم و صنعت ایران می باشد. استفاده از مطالب آن با ذکر منبع بلامانع می باشد.
    Persian site map - English site map - Created in 0.27 seconds with 62 queries by YEKTAWEB 4741