پاورپوینت آماده: شبکه عصبی و شبکه آدالاین - مدل ریاضی نرون - پروسه یادگیری و شبکه های عصبی به عنوان سیستمهای دینامیکی یادگیرنده

پاورپوینت آماده: شبکه عصبی و شبکه آدالاین - مدل ریاضی نرون - پروسه یادگیری و شبکه های عصبی به عنوان سیستمهای دینامیکی یادگیرنده

مطالب اسلایدهای ابتدایی این پاورپوینت به شرح زیر است

 

تعداد اسلاید : 93 اسلاید

شبکه عصبی و شبکه آدالاین - مدل ریاضی نرون - پروسه یادگیری و شبکه های عصبی به عنوان سیستمهای دینامیکی یادگیرنده مقدمهدر سالیان اخیر شاهد حرکتی مستمر از تحقیقات صرفاً تئوری به تحقیقات کاربردی علی الخصوص در پردازش اطلاعات مسائلی که برای آنها راه حلی موجود نیست و یا براحتی قابل حل نیستند ، بوده ایم . با عنایت باین حقیقت ، علاقه فزاینده ای در توسعه تئوریک سیستمهای دینامیکی هوشمند که مبتنی بر داده های تجربی هستند ، ایجاد شده است .“ شبکه های عصبی مصنوعی “ جزء این دسته از سیستمهای دینامیکی قرار دارند که با پردازش روی داده های تجربی دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل میکند . به همین خاطر به این سیستمها هوشمند گویند چرا که بر اساس محاسبات روی داده های عددی یا مثالها قوانین کلی را فرا میگیرند . این سیستمهای مبتنی بر هوش محاسباتی سعی در مدلسازی ساختار نرو -سیناپتیکی مغز بشر دارند . انگیزه های بیولوژیکی تحقیقات و علاقه مندی به شبکه های عصبی از زمانی شروع شد که مغز به عنوان یک سیستم دینامیکی با ساختار موازی و پردازشگری کاملاً مغایر با پردازشگرهای متداول شناخته شد . مغز به عنوان یک سیستم پردازش اطلاعاتی با ساختار موازی از 100 تریلیون نرونهای به هم مرتبط تشکیل شده است . نرونها ساده ترین واحد ساختاری سیستمهای عصبی هستند. بافتهایی که عصب نامیده می شوند ، اجتماعی از نرونها می باشند . این نرونها اطلاعات و پیامها را از یک قسمت بدن به قسمت دیگر منتقل میکنند . بیشتر نرونها از سه قسمت اساسی تشکیل شده اند : 1) بدنه سلول که شامل هسته و قسمتهای حفاظتی دیگر میباشد.2) دندریت3) اکسون که دوتای آخر عناصر ارتباطی نرون را تشکیل می دهند . پیامهای عصبی تنها بصورت یکطرفه حرکت می کنند : از دندریتها به بدنه سلول و سپس به اکسون. تشابه شبکه های مصنوعی و بیولوژیکی در این است که دستگاه های محاسباتی خیلی ساده ای هستند و ارتباطات بین نرونها عملکرد شبکه را تعیین می کند.شبکه های عصبی مصنوعی با وجود اینکه با سیستم عصبی طبیعی قابل مقایسه نیستند ، ویژگیهایی دارند که آنها را در بعضی از کاربردها مانند تفکیک الگو ، رباتیک ، کنترل ، و به طور کلی در هر جا که نیاز به یاد گیری یک نگاشت خطی و یا غیر خطی باشد ، ممتاز می نماید . این ویژگیها به شرح زیر هستند:1- قابلیت یادگیری2- پردازش اطلاعات به صورت متن3- قابلیت تعمیم 4- پردازش موازی 5- مقاوم بودن 1-قابلیت یادگیریقابلیت یادگیری یعنی توانایی تنظیم پارامترهای شبکه(وزنهای سیناپتیکی) در مسیر زمان که محیط شبکه تغییر می کند و شبکه شرایط جدید را تجربه می کند ، با این هدف که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی شبکه رخ داد، شبکه بتواند با آموزش مختصر برای شرایط جدید نیز کار آمد باشد. 2- پردازش اطلاعات به صورت متن 3-قابلیت تعمیم 4-پردازش موازی 5- مقاوم بودن 1- قابلیت یادگیری2-پردازش اطلاعات به صورت متنرابطه یک به یک بین ورودیها و وزن های سیناپتیکی وجود ندارد . می توان گفت که هر وزن سیناپسی مربوط به همه ورودیها است ولی به هیچ یک از آنها به طور منفرد و مجزا مربوط نیست . به عبارت دیگر هر نرون در شبکه از کل فعالیت سایر نرونها متاثر می باشد . در نتیجه اطلاعات به صورت متن توسط ش

دریافت فایل