پرینت

مقدمه ای بر شبکه های عصبی مصنوعی (قسمت چهارم)

نوشته شده توسط مجتبی آیتی نیا. منتشر شده در شبکه‌های عصبی

ويژگی شبکه های عصبی

شبکه های عصبی مصنوعی با وجود اينکه با سيستم عصبی طبيعی قابل مقايسه نيستند، ويژگی هايی دارند که آنها را در بعضی از کاربردها نظير تفکيک الگو، رباتيک، کنترل و بطور کلی در هر جا که نياز به يادگيری يک نگاشت خطی و يا غير خطي باشد، ممتاز می نمايند. اين ويژگی ها به شرح زير هستند:

 

1. قابليت يادگيری

 قابليت يادگيری يعنی توانايی تنظيم پارامترهای شبکه (وزن های سيناپتيکی) در مسير زمان که محيط شبکه تغيير می کند و شبکه شرايط جديد را تجربه می کند، با اين هدف که اگر شبکه برای يک وضعيت خاصی آموزش ديد و تغيير کوچکی در شرايط محيطی آن رخ داد، شبکه بتواند با آموزش مختصر برای شرايط جديد نيز کارآمد باشد. ديگر اينکه اطلاعات در شبکه های عصبی در سيناپس ها ذخيره می شود و هر نرون در شبکه، بصورت بالقوه از کل فعاليت ساير نرون ها متاثر می شود. در نتيجه، اطلاعات از نوع مجزا از هم نبوده و متاثر از کل شبکه می باشد.

 

2. پراکندگی اطلاعات

آنچه که شبکه فرا می گيرد (اطلاعات يا دانش)، در وزن های سيناپسی مستتر می باشد. رابطه يک به يک، بين ورودی ها و وزن های سيناپتيکی وجود ندارد. می توان گفت که هر وزن سيناپسی مربوط به همه ورودي ها است ولی به هيچ يک از آنها بصورت منفرد و مجزا مربوط نيست. به عبارت ديگر هر نرون در شبکه، از کل فعاليت ساير نرون ها متاثر می باشد. در نتيجه، اطلاعات بصورت متن توسط شبکه عصبی های پردازش می شود. بر اين اساس چنانچه بخشی از سلول های شبکه حذف شوند و يا عملکرد غلط داشته باشند باز هم احتمال رسيدن به پاسخ صحيح وجود دارد. اگرچه اين احتمال برای تمام ورودی ها کاهش يافته، ولی برای هيچ يک از بين نرفته است.

 

3. قابليت تعميم

پس از آنکه مثال های اوليه به شبکه آموزش داده شد، شبکه می تواند در مقابل يک ورودی آموزش داده نشده قرار بگيرد و يک خروجی مناسب ارائه نمايد. اين خروجی براساس مکانيسم تعميم، که همانا چيزی جز فرايند درون يابی نيست، به دست می آيد. به عبارت روشن تر، شبکه، تابع را ياد می گيرد، الگوريتم را می آموزد و يا رابطه تحليلی مناسبی را برای تعدادی نقاط در فضا بدست می آورد.

 

4. پردازش موازی

هنگامی که شبکه عصبی در قالب سخت افزار پياده می شود سلول هايی که در يک تراز قرار می گيرند، می توانند بطور همزمان به ورودی های آن تراز پاسخ دهند. اين ويژگی باعث افزايش سرعت پردازش می شود. در واقع در چنين سيستمی، وظيفه کلی پردازش، بين پردازنده های کوچکتر مستقل از يکديگر توزيع می گردد.

 

5. مقاوم بودن

در يک شبکه عصبی هر سلول به طور مستقل عمل می کند و رفتار کلی شبکه، برآيند رفتارهای محلی سلول های متعدد است. اين ويژگی باعث می شود تا خطاهای محلی از چشم خروجی نهايی دور بمانند. به عبارت ديگر، سلول ها در يک روند همکاری، خطاهای محلی يکديگر را تصحيح می کنند. اين خصوصيت باعث افزايش قابليت مقاوم بودن (تحمل پذيری خطاها) در سيستم می گردد.

You have no rights to post comments