.
شکل ۲-۱۳: نرون شبکه پرسپترون
۲-۱۰-۲-۴- شبکه های پسخور یا برگشتی[۳۳]
تفاوت شبکه های پسخور با شبکه های پیشخور که در بخش قبل مورد بررسی قرار گرفت در این است که در شبکه های پس خور، حداقل یک سیگنال برگشتی از نرون به همان نرون یا نرونهای همان لایه و یا لایه قبل وجود دارد. جهت نمایش اینگونه شبکه ها، بلوک ساده شکل ۳-۹ را تعریف میکنیم. این شکل، معرف تأخیر زمانی یک مرحله ای است. به عبارت واضحتر خروجی بلوک (a) در لحظه زمانی t برابر با ورودی بلوک در یک واحد عقبتر (یعنی مقدار u در لحظه t-1) است. واضح است که برای بهدست آوردن رابطه ورودی و خروجی این بلوک باید مقدار اولیه خروجی در لحظه اولیه (صفر) معلوم باشد این مقدار اولیه با a(0) در شکل نشان داده شده است.
( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )
.
شکل ۲-۱۴: بلوک تاخیر زمانی
اکنون میتوانیم شبکه های پسخور رامعرفی کنیم. یک نوع متداول از شبکه پسخور گسسته در حوزه زمان در شکل ۲-۱۵ ترسیم شده است.
برای این شبکه خاص، بردار ورودی P نشاندهنده شریط اولیه شبکه است (به عبارت دیگر داریم a(0)=P) رفتار شبکه به وسیله معادله زیر بیان می شود.
.
شکل ۲-۱۵: شبکه تک لایه برگشتی
شبکه های پسخور نسبت به شبکه های پیشخور از توانایی بالقوه بیشتری برخوردارند و بهتر میتوانند رفتار مربوط به ویژگیهای زمانی سیستمها را نشان دهند.
۲-۱۱ مزیتهای استفاده از شبکه های عصبی
شبکه های عصبی، با قابلیت قابل توجه آنها در استنتاج معانی از داده های پیچیده یا مبهم، می تواند برای استخراج الگوها و شناسایی روشهایی که آگاهی از آنها برای انسان و دیگر تکنیکهای کامپیوتری بسیار پیچیده و دشوار است به کار گرفته شود. یک شبکه عصبی تربیت یافته می تواند به عنوان یک متخصص در مقوله اطلاعاتیای که برای تجزیه تحلیل به آن داده شده به حساب آید. از این متخصص میتوان برای بر آورد وضعیتهای دلخواه جدید و جواب سؤالهای ” چه میشد اگر “ استفاده کرد. از مزیتهای آن میتوان به موارد زیر اشاره کرد. یادگیری انطباق پذیر: قابلیت یادگیری نحوه انجام وظایف بر پایه اطلاعات داده شده برای تست و تجربه های مقدماتی. سازماندهی توسط خود: یک ANN می تواند سازماندهی یا ارائهاش را، برای اطلاعاتی که در طول دوره یادگیری دریافت می کند، خودش ایجاد کند.
عملکرد به هنگام (Real time): محاسبات ANN می تواند بصورت موازی انجام شود و سختافزارهای مخصوصی طراحی و ساخته شده است که می تواند از این قابلیت استفاده کند. تحمل اشتباه بدون ایجاد وقفه در هنگام کدگذاری اطلاعات: خرابی جزئی یک شبکه منجر به تنزل کارایی متناظر با آن می شود اگر چه تعدادی از قابلیت های شبکه ممکن است حتی با خسارت بزرگی هم باقی بماند.
۲-۱۱-۱- شبکه های عصبی در مقابل کامپیوترهای معمولی
شبکه های عصبی نسبت به کامپیوترهای معمولی مسیر متفاوتی را برای حل مسئله طی می کنند. کامپیوترهای معمولی یک مسیر الگوریتمی را استفاده می کنند، به این معنی که کامپیوتر یک مجموعه از دستورالعملها را به قصد حل مسئله پی میگیرد. بدون اینکه، قدمهای مخصوصی که کامپیوتر نیاز به طی کردن دارد، شناخته شده باشند کامپیوتر قادر به حل مسئله نیست. این حقیقت قابلیت حل مسئله کامپیوترهای معمولی را به مسائلی، محدود می کند که ما قادر به درک آنها هستیم و میدانیم چگونه حل میشوند. اما اگر کامپیوترها میتوانستند کارهایی را انجام دهند که ما دقیقا نمیدانیم چگونه انجام دهیم، خیلی پرفایدهتر بودند.
شبکه های عصبی اطلاعات را به روشی مشابه با کاری که مغز انسان انجام می دهد پردازش می کنند. آنها از تعداد زیادی از عناصر پردازشی (سلول عصبی) که فوقالعاده به هم پیوستهاند تشکیل شده است که این عناصر به صورت موازی با هم برای حل یک مسئله مشخص کار می کنند. شبکه های عصبی با مثال کار می کنند و نمی توان آنها را برای انجام یک وظیفه خاص برنامه ریزی کرد مثالها میبایست با دقت انتخاب شوند در غیر این صورت زمان سودمند، تلف می شود و یا حتی بدتر از این شبکه ممکن است نادرست کار کند. امتیاز شبکه عصبی این است که خودش کشف می کند که چگونه مسئله را حل کند، عملکرد آن غیرقابل پیشگویی است.
از طرف دیگر، کامپیوترهای معمولی از یک مسیر مشخص برای حل یک مسئله استفاده می کنند. راه حلی که مسئله از آن طریق حل می شود باید از قبل شناخته شود و به صورت دستورات کوتاه و غیر مبهمی شرح داده شود. این دستورات سپس به زبانهای برنامه نویسی سطح بالا برگردانده می شود و بعد از آن به کدهایی که کامپیوتر قادر به درک آنها است تبدیل می شود. به طور کلی این ماشینها قابل پیشگویی هستند و اگر چیزی به خطا انجام شود به یک اشتباه سختافزاری یا نرمافزاری بر میگردد. شبکه های عصبی و کامپیوترهای معمولی با هم در حال رقابت نیستند بلکه کاملکننده یکدیگرند. وظایفی وجود دارد که بیشتر مناسب روشهای الگوریتمی هستند نظیر عملیات محاسباتی و وظایفی نیز وجود دارد که بیشتر مناسب شبکه های عصبی هستند. حتی فراتر از این، مسائلی وجود دارد که نیازمند به سیستمی است که از ترکیب هر دو روش بدست می آید (بطور معمول کامپیوترهای معمولی برای نظارت بر شبکه های عصبی به کار گرفته میشوند) به این قصد که بیشترین کارایی بدست آید.
۲-۱۲- رگرسیون
در بسیاری از مسائل علمی و مهندسی لازم است رابطه ای بین مجموعه ای از متغیرها تعیین کنیم. مثلا در یک واکنش شیمیایی ممکن است بخواهیم رابطه ایی بین نتیجه آزمایش، درجه حرارتی که واکنش انجام گرفته و مقدار کاتالیزور به کار رفته را به دست آوریم. دانستن چنین رابطه ای کمک می کند که نتیجه را برای مقادیر مختلف درجه حرارت و میزان کاتالیزور پیش بینی کنیم.
در بسیاری از موارد یک متغیر جواب که به آن متغیر وابسته نیز گفته می شود وجود دارد که به مقدار مجموعه ایی از ورودیها یا متغیر های وابسته بستگی دارد. ساده ترین نوع رابطه بین متغیر وابسته و متغیرهای ورودی یک رابطه خطی است. یعنی برای مقادیر ثابت باید معادله
