پاورپوینت شبکه های عصبی و کاربرد آن در پزشکی (pptx) 37 اسلاید

دسته بندی : پاورپوینت

نوع فایل : PowerPoint (.pptx) ( قابل ویرایش و آماده پرینت )

تعداد اسلاید: 37 اسلاید

قسمتی از متن PowerPoint (.pptx) :

به نام خدا شبکه های عصبی و کاربرد آن در پزشکی شبكه هاي عصبي مقدمه انسانها از زمانهاي بسيار دور سعي بر آن داشتند که بيوفيزيولوژي مغز را دريابند،چون همواره مسئله هوشمندي انسان و قابليت يادگيري، تعميم، خلاقيت، انعطاف‌پذيري و پردازش موازي در مغز براي بشر جالب بوده و بکارگيري اين قابليتها در ماشينها بسيار مطلوب مي نمود. روشهاي الگوريتميک براي پياده سازي اين خصايص در ماشينها مناسب نمي‌باشند. شبکه‌هاي عصبي مصنوعي (Artificial Neural Network) الگويي براي پردازش اطلاعات مي‌باشند که با تقليد از شبکه هاي عصبي بيولوژيکي مغز انسان ساخته شده‌اند. ANNشاخه اي از فيلد هوش مصنوعي و يا سيستمهاي خبره مي باشد كه با منطق فازي مرتبط مي باشد شبكه هاي عصبي تاریخچه اولين کوششها در شبيه سازي با استفاده از يک مدل منطقي توسط مک کلوک و والتر پيتز انجام شد که امروز بلوک اصلي سازنده‌ي اکثر شبکه هاي عصبي مصنوعي است در 1958 شبکه پرسپترون توسط روزنبلات معرفي گرديد. اين شبکه نظير واحدهاي مدل شده‌ي قبلي بود. پرسپترون داراي سه لايه به همراه يک لايه وسط که به عنوان لايه پيوند شناخته شده مي‌باشد است. سيستم ديگر مدل خطي تطبيقي نرون يا Adalaline (Adaptive linear element ) در 1960 توسط ويدرو و هاف ( دانشگاه استنفورد ) بوجود آمد اولين شبکه هاي عصبي بکار گرفته شده در مسائل واقعي بوده‌اند. در 1969 مينسکي و پاپرت کتابي نوشتند که محدوديتهاي سيستمهاي تک لايه و چند لايه پرسپترون را تشريح کردند ورباس در 1974 شيوه آموزش پس انتشار خطا يا Back Propagation را ايجاد کرد که يک شبکه پرسپترون چند لايه البته با قوانين نيرومندتر آموزشي بود. روش کار نرون ها طرز كار يك مدل سلول عصبي بدين صورت است كه خطوط يا كانالهاي ورودي سيگنالهاي تحريكي يا مهاري را كه همان پارامترهاي تعريف كننده سيستم هستند به جسم سلولي يا گره هاي عصبي مي آورند مثلاً غلظت يك ماده mol/lit0.6 است. اين پارامتر به عنوان يك سيگنال الكتريكي با شدت ./6 به يك كانال ورودي مي رود در ابتداي هر كانال يك ضريب عددي ( وزن سيناسپي ) وجـود دارد كـه شـدت تـحريك در آن ضــرب مي شود . اگر مثبت باشد يك ســـيگنال تحريـكي و اگـر منفي باشد يك سيگنال مهاري است اين سيگنال هاي تحريكي يا مهاري كه از ورودي هاي مختلف به جسم سلولي مي رسند با هم به صورت خطي جمع مي گردد . اگر از ميزان آستانه كمتر باشد سلول عصبي خاموش شده و در غير اين صورت fire ( شليك ) مي شود و جريان الكتريكي ثابتي در خروجي ايجاد مي كند كه به سلولهاي ديگر وارد مي شود مدل ریاضی پیاده سازی الکترونیکی نرون ها آموزش شبکه های عصبی روش supervised از مجموعه‌ شناخته‌شده‌اي از داده‌هاي ورودي و خروجي‌هاي متناظر آنها (training set data) براي آموزش دادن شبكه استفاده مي‌شود. در چنين فرايندي، پس از اعمال مجموعه‌هاي داده‌هاي آموزشي، پارامترهاي شبكه به تدريج به سمت مقادير نهايي خود همگرا مي‌شوند.شبكه‌هاي عصبي قادر به يافتن الگوهايي در اطلاعات هستند كه هيچكس، هيچگاه از وجود آنها اطلاع نداشته است روش unsupervised شبكه‌ عصبي بدون در اختيار داشتن داده‌هاي خروجي، در معرض آموزش قرار مي‌گيرد. در واقع سيستم به تنهايي و بدون كمك خارجي بايد با توجه به شكل سيگنال‌هاي خروجي خود، درباره درستي و نادرستي آنها تصميم‌گيري نمايد به عنوان مثال گفته مي‌شود كه شرايط جنگي به دليل فراواني پارامترها و تكنيك‌هاي نظامي متغير و پيشرفت‌هاي تكنولوژي نظامي، از نمونه مواردي است كه در آنها به هيچ وجه نمي‌توان مجموعه داده‌هاي آموزشي كافي به دست آورد مکانیزم تنظیم وزن قانون دونالد هوب اگر خروجی فعال است مقدار وزنی را که ورودی مربوط به آن نیز فعال است را افزایش بده [w]=[X]T [Y] Wi=Σ(p=1) Xip Yp مثال x1^x2: x1 x2 y net 0 0 0 w=[1 1] 0 0 1 0 1 1 0 0 1 1 1 1 2 اگر خروجی محدود کننده سخت باشد و یک انحراف 1.5 به کار گرفته شود جواب تقریبا درست است.