با وجود اینکه اشتیاق عمومی و سرمایه گذاریها به حداقل خود رسیده بود، برخی محققان تحقیقات خود را برای ساخت ماشینهایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند، ادامه دادند. از جمله استفان گراسبرگ[34] که شبکهای تحت عنوان اولانچ[35] را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد. اندرسون[36] و کوهونن[37] نیز تکنیکهایی برای یادگیری ایجاد کردند.]21[
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
پل ورباس[38] در سال ۱۹۷۴ شیوه آموزش پس انتشار خطا[39] را ایجاد کرد که یک شبکه پرسپترون چندلایه البته با قوانین نیرومندتر آموزشی بود. در این الگوریتم به یک نورون اجازه داده می شد که خطایش را به لایه های تشکیل دهنده شبکه، پس انتشار کند. پیشرفتهایی که در سال ۱۹۷۰ تا ۱۹۸۰ بدست آمد برای جلب توجه به شبکههای عصبی بسیار مهم بود. برخی عوامل نیز در تشدید این مسئله دخالت داشتند، از جمله کتابها و کنفرانسهای وسیعی که برای مردم در رشتههای متنوع ارائه شد. ]21و25[
در سال 1982 جان هاپفیلد[40] مقاله ای در آکادمی ملی علوم ارائه نمود. هدف هاپفیلد ایجاد ابزاری با کارایی بیشتر با بهره گرفتن از خطوط دو طرفه بین نورون ها بود. تا قبل آن نورون ها فقط در یک مسیر به هم اتصال داشتند. در همان زمان ریلی و کوپر[41] از یک شبکه هیبرید[42] چند لایه استفاده کردند که در آن هر لایه، استراتژی حل مسائل مختلف را داشت. در همان سال کنفرانسی آمریکایی-ژاپنی در ژاپن با عنوان شبکه های عصبی همیاری-رقابتی برگزار شد که در واقع آغازگر حرکت پر شتاب مطالعه و کاربرد شبکه های عصبی تا به امروز شده است.]21و26[
3-3 ویژگی های شبکه های عصبی ]27[
با وجود اینکه شبکه های عصبی مصنوعی با با سیستم عصبی طبیعی قابل مقایسه نیستند اما ویژگی هایی دارند که آن را با سایر روش های مدل سازی و محاسباتی متمایز می کند که به شرح زیر می باشد:
- یادگیری تطبیقی: توانایی یادگیری، یعنی چگونه وظایف خود را بر اساس اطلاعات داده شده به آن و یا تجارب اولیه انجام دهد.
- خود سازماندهی: یعنی به صورت خودکار سازماندهی و ارائه داده هایی که در طول آموزش دریافت کرده را انجام دهد. نورون ها با قاعده ی یادگیری سازگار شده و پاسخ به ورودی تغییر می یابد.
- عملگرهای بی درنگ: برای دریافت نتایج بهینه، محاسبات در شبکه عصبی به صورت موازی و همزمان صورت می پذیرد.
- تحمل خطا: با ایجاد خرابی در شبکه مقداری از کارایی کاهش می یابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ می شود.
- دسته بندی: شبکه عصبی قادر به دسته بندی ورودی ها برای دریافت خروجی مناسب می باشند.
- تعمیم دهی: این خاصیت شبکه را قادر می سازد که تنها با تعداد محدودی نمونه، یک قانون کلی از آن بدست آورده ونتایج آموخته ها را به مشاهدات قبلی نیز تعمیم دهد.در صورت نبود این قابلیت سیستم باید روابط زیادی را در خود حفظ کند.
- انعطاف پذیری: یک شبکه عصبی به حد کافی پایدار است تا اطلاعات فراگرفته را حفظ کند و هم قابلیت انعطاف و تطبیق دارد و بدون از دست دادن اطلاعات قبلی می تواند موارد جدید را بپذیرد.
3-4 کاربرد شبکه های عصبی
در اینجا به برخی کاربرد های شبکه عصبی در علوم مختلف می پردازیم:]27[
هواو فضا: خلبان خودکار هواپیما با کارایی بالا،شبیه سازی مسیر پرواز، شبیه سازی اجزای هواپیما و تشخیص خطا در آن ها و…
امور دفاعی: تعقیب اهداف متحرک، تشخیص اشیا، انواع حسگرها، رادار و…
امور مالی: ارزیابی ملک، پیش بینی قیمت ها، تحلیل مالی شرکت ها، برنامه های تجارت سهام و…
ساخت و تولید: کنترل فرایند ساخت، تحلیل و طراحی تولیدات، سیتم های بصری بازرسی کیفیت، مدل سازی پویا از فرایند های شیمیایی، مدیریت و طرح ریزی و…
پزشکی: تحلیل سلول های سرطانی، طراحی پروتز، بهینه سازی زمان جراحی و…
نفت و گاز: اکتشاف
رباتیک: کنترل خط سیر، ربات بالابر و…
گفتار: تشخیص گفتار، فشرده سازی گفتار، طبقه بندی اصوات، ایجاد گفتار از روی متن و…
مخابرات: فشرده سازی داده ها و تصاویر، سرویس های خودکار شده اطلاعاتی، ترجمه گفتار و…
البته کاربرد شبکه های عصبی در علوم یاد شده روز به روز در حال افزایش است.]27[
برخی موارد استفاده شده از شبکه های عصبی مصنوعی در پیش بینی خواص ترمودینامیکی:
-
- محاسبه کمیت ترمودینامیکی با بهره گرفتن از داده های خواص حجمی]28[
-
- پیش بینی ویسکوزیته مخلوط سه تایی]29[
-
- پیش بینی ضریب نفوذ دوتایی در مایعات]30[
-
- پیش بینی تعادل بخار-مایع ]31[
-
- پیش بینی تعادل بخار مایع در سیستم های سه تایی]32[
-
- شناسایی خواص اولیه برای مواد خالص و مشتقات نفتی]33[
-
- برآورد فشار بخار جامدات خالص در دماهای مختلف]34[
مدل سازی با شبکه عصبی مصنوعی با بهره گرفتن از نرم افزار Matlab انجام می شود.
3-5 اجزای تشکیل دهنده شبکه های عصبی
- نورون ها: هر نورون در حقيقت واحد محاسباتي شبكه است كه ورود ی ها را گرفته و برروي آن پردازش انجام مي دهد تا خروجي بدست آيد. پردازش انجام شده توسط نورون مي تواند از ساده ترين نوع پردازش ها نظير جمع كردن ورودي ها تا پيچيده ترين محاسبات را شامل شود. در حالت خاص، يك نورون مي تواند خود، شامل يك شبكه ديگر باشد. ]27[
- اتصالات بين نورون ها: اين اتصالات نحوه گذر اطلاعات بين نورون ها را مشخص می كند. در حالت كلي اتصالات می نوانند تک سویه و یا دو سویه باشند. ]27[
3-6 مدل ریاضی نورون
کوچکترین واحد شبکه های عصبی نورون ها هستند. یک نورون مصنوعی سامانهای با تعداد زیادی ورودی و تنها یک خروجی است. در شکل(3-1) مدل ساده ای از یک نورون نشان داده شده است. ]27[
شکل(3-1): مدل ریاضی نورون ]27[
ورودی (P)به نورون اعمال شده و با ضرب در وزن (W) وزن دار می شود، با اضافه کردن بایاس[43](b) حاصل آن (n) به عنوان ورودی به تابع انتقال[44]( ƒ) اعمال شده و خروجی نهایی حاصل می شود. ]27[
تابع انتقال معمولاً یک تابع پلکانی یا تابع سیگموئید[45] می باشد که n را دریافت کرده وخروجی a را تولید می کند. ]27[
(3-1) a=ƒ(wp+b)