شبكه های عصبی را می توان با اغماض زیاد، مدل های الكترونیكی از ساختار عصبی مغز انسان نامید. مكانیسم فراگیری و آموزش مغز اساساً بر تجربه استوار است.


شبكه های عصبی را می توان با اغماض زیاد، مدل های الكترونیكی از ساختار عصبی مغز انسان نامید. مكانیسم فراگیری و آموزش مغز اساساً بر تجربه استوار است. مدل های الكترونیكی شبكه های عصبی طبیعی نیز بر اساس همین الگو بنا شده اند و روش برخورد چنین مدل هایی با مسائل، با روش های محاسباتی كه به طور معمول توسط سیستم های كامپیوتری در پیش گرفته شده اند، تفاوت دارد. می دانیم كه حتی ساده ترین مغز های جانوری هم قادر به حل مسائلی هستند كه اگر نگوییم كه كامپیوترهای امروزی از حل آنها عاجز هستند

، حداقل در حل آنها دچار مشكل می شوند. به عنوان مثال، مسائل مختلف شناسایی الگو، نمونه ای از مواردی هستند كه روش های معمول محاسباتی برای حل آنها به نتیجه مطلوب نمی رسند. درحالی كه مغز ساده ترین جانوران به راحتی از عهده چنین مسائلی بر می آید. تصور عموم كارشناسان IT بر آن است كه مدل های جدید محاسباتی كه بر اساس شبكه های عصبی بنا می شوند، جهش بعدی صنعت IT را شكل می دهند. تحقیقات در این زمینه نشان داده است كه مغز، اطلاعات را همانند الگو ها (pattern) ذخیره می كند. فرآیند ذخیره سازی اطلاعات به صورت الگو و تجزیه و تحلیل آن الگو ، اساس روش نوین محاسباتی را تشكیل می دهند. این حوزه از دانش محاسباتی (computation) به هیچ وجه از روش های برنامه نویسی سنتی استفاده نمی كند و به جای آن از شبكه های بزرگی كه به صورت موازی آرایش شده اند و تعلیم یافته اند، بهره می جوید. در ادامه این نوشته به این واژگان كه در گرایش شبكه های عصبی، معانی ویژه ای دارند، بیشتر خواهیم پرداخت. 

●شباهت با مغز

اگرچه مكانیسم های دقیق كاركرد مغز انسان (یا حتی جانوران) به طور كامل شناخته شده نیست، اما با این وجود جنبه های شناخته شده ای نیز وجود دارند كه الهام بخش تئوری شبكه های عصبی بوده اند. به عنوان مثال، یكی ازسلول های عصبی، معروف به نرون (Neuron) است كه دانش بشری آن را به عنوان سازنده اصلی مغز می انگارد. سلول های عصبی قادرند تا با اتصال به یكدیگر تشكیل شبكه های عظیم بدهند. گفته می شود كه هر نرون می تواند به هزار تا ده هزار نرون دیگر اتصال یابد (حتی در این مورد عدد دویست هزار هم به عنوان یك حد بالایی ذكر شده است).

قدرت خارق العاده مغز انسان از تعداد بسیار زیاد نرون ها و ارتباطات بین آنها ناشی می شود. ساختمان هر یك از نرون ها نیز به تنهایی بسیار پیچیده است. هر نرون از بخش ها و زیر سیستم های زیادی تشكیل شده است كه از مكانیسم های كنترلی پیچیده ای استفاده می كنند. سلول های عصبی می توانند از طریق مكانیسم های الكتروشیمیایی اطلاعات را انتقال دهند. برحسب مكانیسم های به كاررفته در ساختار نرون ها، آنها را به بیش از یكصدگونه متفاوت طبقه بندی می كنند. در اصطلاح فنی، نرون ها و ارتباطات بین آنها، فرایند دودویی(Binary)، پایدار (Stable) یا همزمان (Synchronous) محسوب نمی شوند.

در واقع، شبكه های عصبی شبیه سازی شده یا كامپیوتری، فقط قادرند تا بخش كوچكی از خصوصیات و ویژگی های شبكه های عصبی بیولوژیك را شبیه سازی كنند. در حقیقت، از دید یك مهندس نرم افزار، هدف از ایجاد یك شبكه عصبی نرم افزاری، بیش از آنكه شبیه سازی مغز انسان باشد، ایجاد مكانیسم دیگری برای حل مسائل مهندسی با الهام از الگوی رفتاری شبكه های بیولوژیك است.

نمای ساده شده ای از ساختار یك نرون بیولوژیك نمایش داده شده است. به طور خلاصه، یك نرون بیولوژیك، پس از دریافت سیگنال های ورودی (به شكل یك پالس الكتریكی) از سلول های دیگر، آن سیگنال ها را با یكدیگر تركیب كرده و پس از انجام یك عمل (operation) دیگر بر روی سیگنال تركیبی، آن را به صورت خروجی ظاهر می سازد.

نرون ها از چهار بخش اصلی ساخته شده اند. دندریت ها (Dendrite)، سوما (Soma)، اكسان (Axon) و بالاخره، سیناپس (synapse) دندریت ها، همان اجزایی هستند كه به شكل رشته های طویل از مركز سلول به اطراف پراكنده می شوند. دندریت ها نقش كانال های ارتباطی را برای انتقال دادن سیگنال های الكتریكی به مركز سلول بر عهده دارند. در انتهای دندریت ها، ساختار بیولوژیكی ویژه ای به نام سیناپس واقع شده است كه نقش دروازه های اتصالی كانال های ارتباطی را ایفا می كند. در واقع سیگنال های گوناگون از طریق سیناپس ها و دندریت ها به مركز سلول منتقل می شوند و در آنجا با یكدیگر تركیب می شوند. عمل تركیب كه به آن اشاره كردیم، می تواند یك عمل جمع جبری ساده باشد. اصولاً اگر چنین نیز نباشد، در مدل سازی ریاضی می توان آنرا یك عمل جمع معمولی در نظر گرفت كه پس از آن تابع ویژه ای بر روی سیگنال اثر داده می شود و خروجی به شكل سیگنال الكتریكی متفاوتی از طریق اكسان (و سیناپس آن) به سلول های دیگر انتقال داده می شود.

البته تحقیقات جدید نمایانگر این واقعیت هستند كه نرون های بیولوژیك بسیار پیچیده تر از مدل ساده ای هستند كه در بالا تشریح شد. اما همین مدل ساده می تواند زیربنای مستحكمی برای دانش شبكه های عصبی مصنوعی (Artificial Neural Network = ANN) تلقی گردد و متخصصان گرایش شبكه های عصبی یا هوش مصنوعی می توانند با پیگیری كارهای دانشمندان علوم زیست شناسی، به بنیان گذاری ساختار های مناسب تری در آینده دست بزنند.

●مدل ریاضی

در متون فنی برای نمایش مدل ساده ای كه در بالا تشریح گردید، ، از علامت p برای نشان دادن یك سیگنال ورودی استفاده می شود. در واقع در این مدل، یك سیگنال ورودی پس از تقویت (یا تضعیف) شدن به اندازه پارامتر w، به صورت یك سیگنال الكتریكی با اندازه pw وارد نرون می شود. به جهات ساده سازی مدل ریاضی، فرض می شود كه در هسته سلول عصبی، سیگنال ورودی با سیگنال دیگری به اندازه b جمع می گردد. در واقع سیگنال b خود به معنی آن است كه سیگنالی به اندازه واحد در پارامتری مانند b ضرب (تقویت یا تضعیف) می شود. مجموع حاصل، یعنی سیگنالی به اندازه pw + b، قبل از خارج شدن از سلول تحت عمل یا فرآیند دیگری واقع می شود كه در اصطلاح فنی به آن تابع انتقال (Transfer Function) می گویند. این موضوع در شكل به وسیله جعبه ای نمایش داده شده است كه روی آن علامت f قرار داده شده است. ورودی این جعبه همان سیگنال pw + b است و خروجی آن یا همان خروجی سلول، با علامت a نشانه گذاری شده است. در ریاضی، بخش آخر مدل سازی توسط رابطه (a = f(pw + b نمایش داده می شود. پارامتر w یا همان ضریبی كه سیگنال ورودی p در آن ضرب می شود، در اصطلاح ریاضی به نام پارامتر وزن یا weight نیز گفته می شود.

aftabir.com

نوشته شده در تاریخ یکشنبه 28 فروردین 1390    | توسط: محاسبات نرم    | طبقه بندی: شبکه عصبی،     | نظرات()