شبکه های عصبی مصنوعی که امروزه در کاربردهای فراوانی ارزش بالای خود را نشان داده اند، بر اساس مدل بیولوژیکی مغز جانوران بوجود آمده اند. این شبکه ها به واقع یک سیستم داده پردازی اطلاعات است که دارای خصوصیات اجرائی خاصی همانند شبکه های عصبی جانوری میباشد که از تعمیم یافتن مدلهای ریاضی آنها به وجود آمده اند. شبکه های عصبی مصنوعی ، شاخه ای از هوش مصنوعی است که یک روش مناسب برای تشخیص الگوهای ناشناخته در داده می باشد که یکی از کاربردهای آن پیش بینی است.
شبکه های عصبی مصنوعی سیستم های دینامیکی هوشمند مدل آزاد مبتنی بر داده های تجربی هستند که نیاز به برقراری هیچ پذیره ای ندارند و با پردازش روی داده های تجربی، دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل میکنند.
شبکه های عصبی مصنوعی بر اساس محاسبات روی داده های عددی یا مثالها قوانین کلی را فرا میگیرند و در مدلسازی ساختارنرو سیناپتیکی مغز بشر میکوشند.
در واقع در محاسبات نرونی تلاش میشود تا از روش کار مغز تقلید شود که یکی از چندین روش آموزش ماشینی است.
شبکه های عصبی پتانسیل ایجاد ویژگیهایی دارند که انسان برای حل مسائل سخت مانند شبیه سازی منطقی، تکنیک های آنالیتیکال سیستمهای خبره و تکنولوژیهای نرم افزاری بکار میبرد. در واقع سیستم شبکه عصبی مصنوعی الهام گرفته شده ازمغز و سیستم شبکه عصبی انسان میباشد و مانند مغز انسان از تعداد زیادی نورون تشکیل شده است. این شبکه ها مانند مغزانسان دارای قابلیت یادگیری، حفظ کردن و ایجاد ارتباط مابین داده ها را می باشند. پیاده سازی ویژگیهای شگفت انگیز مغز در یک سیستم مصنوعی )سیستم دینامیکی ساخته دست بشر( همیشه وسوسه انگیز و مطلوب بوده است. محققینی که طی سالها در این زمینه فعالیت کرده اند بسیارند؛ لیکن نتیجه این تلاشها، صرف نظر از یافته های ارزشمند، باور هر چه بیشتر این اصل بوده است که مغز بشر دست نیافتنی است.
بلوکهای ساختاری در هر دو شبکه مصنوعی و بیولوژیکی، دستگاه های محاسباتی خیلی ساده ای هستند و علاوه بر این،نرونهای مصنوعی از سادگی بیشتری برخوردار میباشند.
ارتباط های بین نرون ها، عملکرد شبکه را تعیین می کند.اگر چه نرونهای بیولوژیکی از نرونهای مصنوعی که توسط مدارهای الکتریکی ساخته میشوند، بسیار کندتر هستند )یک میلیون بار(، اما عملکرد مغز، خیلی سریعتر از عملکرد یک کامپیوتر معمولی است. علت این پدیده، بیشتر بخاطر ساختار کاملا موازی
شبکه های عصبی مصنوعی نرونها میباشد. همه نرونها معمولا بطور همزمان کار میکنند و پاسخ میدهند و این یعنی این که هم دارای ساختار موازی هستند. اگر چه بیشتر شبکه های عصبی مصنوعی هم اکنون توسط کامپیوترهای سری پیاده سازی می شوند، اما ساختار موازی شبکه های عصبی، این امکان را فراهم می آورد که بطور سخت افزاری، توسط پردازشگرهای موازی،پیاده سازی شوند.
شبکه های عصبی مصنوعی با وجود این که با سیستم عصبی طبیعی قابل مقایسه نیستند ویژگی هایی دارند که آنها را در بعضی ازکاربردها مانند تفکیک الگو، رباتیک، کنترل، و به طور کلی در هر جا که نیاز به یادگیری یک نگاشت خطی و یا غیر خطی باشد،ممتاز می نمایند.
قابلیتیادگیری
استخراج نتایج تحلیلی از یک نگاشت غیر خطی کار ساده ای نیست. زیرا نرون، یک دستگاه غیرخطی است و در نتیجه یک شبکه عصبی که از اجتماع این نرونها تشکیل میشود نیز یک سیستم کاملا پیچیده و غیر خطی خواهد بود. به علاوه، خاصیت غیر خطی عناصر پردازش، در کل شبکه توزیع میگردد. پیاده سازی این نتایج با یک الگوریتم معمولی و بدون قابلیت یادگیری، نیاز به دقت و مراقبت زیادی دارد. در چنین حالتی سیستمی که بتواند خود این رابطه را استخراج کند بسیار سودمند به نظر میرسد. خصوصا افزودن مثالهای احتمالی در آینده به یک سیستم با قابلیت یادگیری، به مراتب آسانتر از انجام آن در یک سیستم بدون چنین قابلیتی است، چرا که در سیستم اخیر، افزودن یک مثال جدید به منزله تعویض کلیه کارهای انجام شده قبلی است.
قابلیت یادگیری یعنی توانایی تنظیم پارامترهای شبکه )وزنهای سیناپتیکی( در مسیر زمان که محیط شبکه تغییر میکند وشبکه شرایط جدید را تجربه میکند، با این هدف که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی آن )وضعیت خاص( رخ داد، شبکه بتواند با آموزش مختصر برای شرایط جدید نیز کارآمد باشد. دیگر این که اطلاعات درشبکه های عصبی در سیناپسها ذخیره میگردد و هر نرون در شبکه، به صورت بالقوه از کل فعالیت سایر نرونها متأثر میشود. درنتیجه، اطلاعات از نوع مجزا از هم نبوده بلکه متأثر از کل شبکه میباشد.
آنچه که شبکه فرا میگیرد )اطلاعات یا دانش(، در وزنهای سیناپسی مستتر میباشد. رابطه یک به یک بین ورودیها و وزنهای سیناپتیکی وجود ندارد. میتوان گفت که هر وزن سیناپسی مربوط به همه ورودیهاست ولی به هیچ یک از آنها بطور منفرد ومجزا مربوط نیست. به عبارت دیگر هر نرون در شبکه، از کل فعالیت سایر نرونها متاثر میباشد. در نتیجه، اطلاعات به صورت متن توسط شبکه های عصبی پردازش میشوند. بر این اساس چنانچه بخشی از سلولهای شبکه حذف شوند و یا عملکرد غلط داشته باشند باز هم احتمال رسیدن به پاسخ صحیح وجود دارد. اگر چه این احتمال برای تمام ورودیها کاهش یافته برای هیچ یک از بین نرفته است.
پس از آنکه مثالهای اولیه به شبکه آموزش داده شد، شبکه میتواند در مقابل یک ورودی آموزش داده نشده قرار گیرد و یک خروجی مناسب ارائه نماید. این خروجی بر اساس مکانیسم تعمیم، که همانا چیزی جز فرآیند درونیابی نیست به دست میآید.به عبارت روشنتر، شبکه، تابع را یاد میگیرد، الگوریتم را میآموزد و یا رابطه تحلیلی مناسبی را برای تعدادی نقاط در فضا به دست می آورد.
پردازشموازی
هنگامی که شبکه عصبی در قالب سخت افزار پیاده میشود سلولهایی که در یک تراز قرار میگیرند میتوانند بطور همزمان به ورودیهای آن تراز پاسخ دهند. این ویژگی باعث افزایش سرعت پردازش میشود. در واقع در چنین سیستمی، وظیفه کلی پردازش بین پردازنده های کوچکتر مستقل از یکدیگر توزیع میگردد.
در یک شبکه عصبی هر سلول بطور مستقل عمل میکند و رفتار کلی شبکه، برآیند رفتارهای محلی سلولهای متعدد است. این ویژگی باعث میشود تا خطاهای محلی از چشم خروجی نهایی دور بمانند. به عبارت دیگر، سلولها در یک روند همکاری، خطاهای محلی یکدیگر را تصحیح میکنند. این خصوصیت باعث افزایش قابلیت مقاوم بودن )تحمل پذیری خطاها( در سیستم میگردد.
مدلنورون
نورون کوچکترین واحد پردازشگر اطلاعات است، که اساس عملکرد شبکه های عصبی را تشکیل میدهد .
یادگیریشبکه
تمامی توانایی های حیرت انگیز شبکه های عصبی بیولوژیکی انسان، بطور مادرزادی ساخته نشد ه اند. آن بخش از توانایی های انسان از قبیل شناسایی، محاسبه، تفکرات تجریدی، مهارتهای فردی و هنری در طول زمان در انسان تکوین می یابند و از بدو تولد درانسان نهاده نشده اند. یک روش یادگیری در طول زمان، شبکه عصبی را طوری تنظیم میکند که بر اساس اطلاعات جدید و
مشاهده عملکرد فعلی، رفتار خود را بهبود بخشد، مثلاً چهره جدیدی را در ذهن بسپارد بدون این که چهره های قبلی را از یاد ببرد.
با توجه به اینکه شبکه های عصبی از دو ویژگی اساسی یادگیری یا نگاشت پذیری بر اساس ارائه داده های تجربی )قدرت وتوانایی تعمیم پذیری( و ساختار پذیری موازی برخوردار می باشند، این شبکه ها برای سیستم های پیچیده که مدلسازی این سیستم ها یا میسر نیست و یا به سختی انجام می شود بسیار مناسب می باشند. شبکه های عصبی مصنوعی به علت استفاده از فرمول های ثابت شده با حداقل خطا، صحت و اعتبار بیشتری دارند. با توجه به کاربرد های روز افزون شبکه های عصبی تلاش های بسیاری در راستای رفع نواقص این شبکه ها انجام شده است . یکی از دلایلی که باعث محدود شدن کاربرد شبکه های عصبی
می شود مرحله آموزش می باشد . برای آموزش شبکه های عصبی همواره نیاز به گروه بزرگی از اطلاعات ورودی می باشد . درعین حال تنظیم پارامتر های آموزش شبکه کاری بسیار دشوار بوده و نیاز به تجربه دارد . همچنین مشکلاتی مانند مینیمم های محلی و همگرایی به یک پاسخ نامناسب ، حفظ کردن اطلاعات ورودی به جای یادگیری آنها ، مهمتر از همه نیاز به زمان زیادبرای مرحله آموزش از مشکلات شبکه های عصبی می باشد.
