پاورپوینت شبکه عصبی درس الگوریتم فرا ابتکاری (pptx) 28 اسلاید
دسته بندی : پاورپوینت
نوع فایل : PowerPoint (.pptx) ( قابل ویرایش و آماده پرینت )
تعداد اسلاید: 28 اسلاید
قسمتی از متن PowerPoint (.pptx) :
به نام خدا
درس الگوریتم فرا ابتکاری
شبکه عصبی
اگر مغز انقدر ساده باشد که برای ما قابل درک باشد ما ساده تر از ان هستیم که بتوانیم ان را درک کنیم .
شبکه عصبی از توان پردازشی مغز ما الگو برداری کرده است که کاربرد زیادی در تجارت دارد . در مدلسازی شبکه عصبی از روی مغز باید به دو ویژگی بیشتر توجه شود .
1-ساختار موازی مغز : مغز کارهای موازی را مثل دیدن و شنیدن بسیار راحت تر انجام می دهد تا اعمال پی در پی .
2-توان فراگیری مغز : مغز می تواند به خود اموزش دهد. یاد گیری از طریق مثال همان شیوه ای است که ما خواندن، نوشتن و ... را یاد گرفتیم .
2-مبنای بیولوژیکی عصبی :
نورون یک واحد سلولی از سیستم مغز می باشد که تقریبا به تعداد 1011 نورون در مغز وجود دارد که هر یک از نورون ها به بیش از 1000 نورون دیگر متصل اند .
-نورون های مصنوعی :
مدلی که از روی نورون مغز شبیه سازی شده است :
N تا ورودی (x. ,.... Xn) که هریک از ورودیها تحت تاثیر یک وزن قرار می گیرند که با (W. ,…. Wn) نمایش می دهیم . بخش بعدی ناحیه پردازشگر می باشد که ابتدا جمع وزنی داده ها را محاسبه می کند و در تابع فعال سازی قرار می دهد .
Y=(Xi , Xj)
Y مقدار خروجی نورون و تابع فعال سازی است که انواع تابع فعالسازی
را در شکل زیر می بینیم
- شبکه های عصبی مصنوعی :
سیستم انطباقی که تعدادی عناصر پردازش ساده ( نورون ها ) را شامل می شود و از شبکه اعصاب مغز الگو برداری شده است این مدل شامل سه لایه است .
لایه ورودی : وظایف واحد های این لایه صرفا توزیع مقادیر ورودی به لایه بعدی می باشد بنابر این این لایه یک لایه محاسباتی نیست
لایه پنهان ( میانی ) : این لایه مستقیما به داده های ورودی و نتایج خروجی متصل نیست به همین خاطر به آن لایه پنهان می گویند .
لایه خروجی : خروجی شبکه را در پاسخ به یک ورودی مشخص نشان می دهد .
کوهن از نظر ساختار شبکه های عصبی را به سه دسته تقسیم می کند :
شبکه پیش خور : شبکه ای که در ان هیچ گونه ارتباط افقی بین اعصاب یک لایه نباشد و ارتباط به سوی لایه های قبلی نیز وجود نداشته باشد .
شبکه بازخوردی : شبکه هایی که در ان ارتباطی از یک لایه به لایه قبلی و یا ارتباط افقی بین اعصاب یک لایه وجود دارد . یعنی از خروجی شبکه به ورودی ان یک ارتباط ( بازخورد ) وجود دارد .
شبکه بدون نظارت : این شبکه در شرایط رقابتی مورد استفاده قرار می گیرد . در این نوع شبکه عصبی نورون های مجاور در فعالیت و عملکرد با هم رقابت می کنند .
شبکه های عصبی عموما برای دو هدف مهم بهکار گرفته می شوند :
تقریب تابع : شبکه عصبی داده می شود تا ارتباط بین ورودیها و خروجیها را تقریب بزند و با استفاده از شبکه عصبی می توان هر تابع پیوسته ای را به خوبی تقریب کند .
دسته بندی الگوها : طرح این شبکه با توجه به تصویر فضای ورودی به مقدار محدودی خروجی دسته بندی شده صورت می گیرد .
جدول زیر چند دسته از شبکه های عصبی را به همراه کاربرد انها نشان می دهد .
یادگیری : عبارت است از فرایند تعدیل اوزان ارتباطی در یک سیستم شبکه عصبی به گونه ای که در هنگام دریافت بردار از لایه ورودی بردار خروجی مناسب را به عنوان تولید کند
یادگیری نظارتی : در این نوع یادگیری به شبکه مجموعه ای از زوج های داده به نام داده های یادگیری {(Xi,di) ,i=1,…m}
می دهند . از اعمال ورودی Xi به شبکه عصبی در خروجی شبکه، yi با di مقایسه شده و سپس خطای یادگیری محاسبه و از ان برای تنظیم پارامترهای شبکه ای استفاده می شود. بطوریکه اگر به شبکه همان ورودی اعمال شود خروجی شبکه به di نزدیکتر می گردد .