شبکه عصبی چیست؟
شبكههاي عصبي را ميتوان با اغماض زياد، مدلهاي الكترونيكي از ساختار عصبي مغز انسان ناميد. مكانيسم فراگيري و آموزش مغز اساساً بر تجربه استوار است. مدلهاي الكترونيكي شبكههاي عصبي طبيعي نيز بر اساس همين الگو بنا شدهاند و روش برخورد چنين مدلهايي با مسائل، با روشهاي محاسباتي كه بهطور معمول توسط سيستمهاي كامپيوتري در پيش گرفته شدهاند، تفاوت دارد. ميدانيم كه حتي سادهترين مغزهاي جانوري هم قادر به حل مسائلي هستند كه اگر نگوييم كه كامپيوترهاي امروزي از حل آنها عاجز هستند، حداقل در حل آنها دچار مشكل ميشوند. به عنوان مثال، مسائل مختلف شناسايي الگو، نمونهاي از مواردي هستند كه روشهاي معمول محاسباتي براي حل آنها به نتيجه مطلوب نميرسند. درحاليكه مغز سادهترين جانوران بهراحتي از عهده چنين مسائلي بر ميآيد. تصور عموم كارشناسان IT بر آن است كه مدلهاي جديد محاسباتي كه بر اساس شبكههاي عصبي بنا ميشوند، جهش بعدي صنعت IT را شكل ميدهند. تحقيقات در اين زمينه نشان داده است كه مغز، اطلاعات را همانند الگوها (pattern) ذخيره ميكند. فرآيند ذخيرهسازي اطلاعات بهصورت الگو و تجزيه و تحليل آن الگو، اساس روش نوين محاسباتي را تشكيل ميدهند. اين حوزه از دانش محاسباتي (computation) به هيچ وجه از روشهاي برنامهنويسي سنتي استفاده نميكند و بهجاي آن از شبكههاي بزرگي كه بهصورت موازي آرايش شدهاند و تعليم يافتهاند، بهره ميجويد.
یک شبکه عصبی مصنوعی (Artificial Neural Network (ANN)) ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد . عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم پیوسته تشکیل شده(neurons)که برای حل یک مسأله با هم هماهنگ عمل می کند.ANN ها ،نظیر انسانها ، با مثال یاد می گیرند . یک ANN برای انجام وظیفه ای مشخص ، مانند شناسایی الگو ها و دسته بندی اطلاعات ، در طول یک پروسه یاد گیری ، تنظیم می شود . در سیستم های زیستی یاد گیری با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است . این روش ANN ها هم می باشد.
سابقه تاریخی
به نظر می آید شبیه سازی های شبکه عصبی یکی از پیشرفت های اخیر باشد . اگرچه این موضوع پیش از ظهور کامپیوتر ها بنیان گذاری شده و حداقل یک مانع بزرگ تاریخی و چندین دوره مختلف را پشت سر گذاشته است.
خیلی از پیشرفت های مهم با تقلید ها وشبه سازی های ساده و ارزان کامپیوتری بدست آمده است. در پی یک دوره ابتدائی اشتیاق و فعالیت در این زمینه ، یک دوره ی بی میلی و بدنامی راهم پشت سر گذاشته است . در طول این دوره سرمایه گذاری و پشتیبانی حرفه ای از این موضوع در پایین ترین حد خود بود ، پیشرفت های مهمی به نسبت تحقیقات محدود در این زمینه صورت گرفت . که بدین وسیله پیشگامان قادر شدند تا به گسترش تکنولوژی متقاعد کننده ای بپردازند که خیلی برجسته تر از محدودیت هایی بود که توسط Minsky وPapert شناسانده شد. Minsky وPapert ،کتابی را در سال 1969 منتشر کردند که در آن عقیده عمومی را جع به میزان محرومیت شبکه های عصبی را در میان محققان معین کرده بود و بدین صورت این عقیده بدون تجزیه و تحلیل های بیشتر پذیرفته شد. هم اکنون ، زمینه تحقیق شبکه های عصبی از تجدید حیات علایق و متناطر با آن افزایش سرمایه گذاری لذت می برد .
اولین سلول عصبی مصنوعی در سال 1943 بوسیله یک neurophysiologist به نلمWarren McCulloch ویک منطق دان به نام Walter Pits ساخته شد . اما محدودیتهای تکنولوژی در آن زمان اجازه کار بیشتر به آنها نداد.
شبکه های عصبی در مقابل کامپیوتر های معمولی
شبکه های عصبی نسبت به کامپیوتر های معمولی مسیر متفاوتی را برای حل مسئله طی می کنند. کامپیوتر های معمولی یک مسیر الگوریتمی را استفاده می کنند به این معنی که کامپیوتر یک مجموعه از دستور العمل ها را به قصد حل مسئله پی می گیرد. بدون اینکه، قدم های مخصوصی که کامپیوتر نیاز به طی کردن دارد، شناخته شده باشند کامپیوتر قادر به حل مسئله نیست. این حقیقت قابلیت حل مسئله ی کامپیوتر های معمولی را به مسائلی ،محدود می کند که ما قادر به درک آنها هستیم و می دانیم چگونه حل میشوند. اما اگر کامپیوتر ها می توانستند کار هایی را انجام دهند که ما دقیقا نمیدانیم چگونه انجام دهیم ، خیلی پر فایده تر 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 فوق العاده بهم پیوسته اند تشکیل شده است که این عناصر به صورت مواز ی باهم 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 مثال ها می بایست با دقت انتخاب شوند در غیر این صورت زمان سودمند، تلف می شود و یا حتی بدتر از این شبکه ممکن است نا درست کار کند. امتیاز شبکه عصبی این است که خودش کشف می کند که چگونه مسئله را حل کند ، عملکرد آن غیر قابل پیش گویی است.
از طرف دیگر ، کامپیوتر های 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 زبا ن های 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 ماشین ها قابل پیش گویی هستند و اگر چیزی به خطا انجام شود به یک اشتباه سخت افزاری یا نرم افزاری بر می گردد.
شبکه های عصبی و کامپیوتر های معمولی با هم در حال رقابت نیستند بلکه کامل کننده یکدیگرند . وظایفی وجود دارد که بیشتر مناسب روش های 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 تر کیب هر دو روش بدست می آید (بطور معمول کامپیوتر های معمولی برای نظارت بر شبکه های عصبی به کار گرفته می شوند ) به این قصد که بیشترین کارایی بدست آید.
شبکه های عصبی معجزه نمی کنند اما اگر خردمندانه به کار گرفته شوند نتایج شگفت آوری را خلق میکنند.
چرا از شبکه های عصبی استفاده می کنیم؟
شبکه های عصبی ، با قابلیت قابل توجه در استنتاج معانی از داده های پیچیده یا مبهم ، برای استخراج الگوها و شناسایی روشهایی که آگاهی از آنها برای انسان و دیگر تکنیک های کامپیوتری بسیار پیچیده و دشوار است به کار گرفته می شوند. یک شبکه عصبی تربیت یافته می تواند به عنوان یک متخصص در مقوله اطلاعاتی ای که برای تجزیه تحلیل به آن داده شده به حساب آید.از این متخصص می توان برای بر آورد وضعیت های دخواه جدید و جواب سؤال های " چه می شد اگر " استفاده کرد.
مزیتهای دیگر آن شامل موارد زیر می شود :
1. یادگیری انطباق پذیر: قابلیت یاد گیری نحوه انجام وظایف بر پایه اطلاعات داده شده برای تمرین وتجربه های مقدماتی .
2. سازماندهی توسط خود: یک ANN می تواند سازماندهی یا ارائه اش را ، برای اطلا عاتی که در طول دوره یادگیری در یافت می کند، خودش ایجاد کند.
3. عملکرد بهنگام(Real time ) : محاسبات ANN می تواند بصورت موازی انجام شود، و سخت افزارهای مخصوصی طراحی و ساخته شده است که می تواند از این قابلیت استفاده کند.
4. تحمل اشتباه بدون ایجاد وقفه در هنگام کد گذاری 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.
تفاوتهاي شبكههاي عصبي با روشهاي محاسباتي متداول و سيستمهاي خبره
گفتيم كه شبكههاي عصبي روش متفاوتي براي پردازش و آناليز اطلاعات ارائه ميدهند. اما نبايد اين گونه استنباط شود كه شبكههاي عصبي ميتوانند براي حل تمام مسائل محاسباتي مورد استفاده واقع شوند. روشهاي محاسباتي متداول همچنان براي حل گروه مشخصي از مسائل مانند امور حسابداري، انبارداري و محاسبات عددي مبتني بر فرمولهاي مشخص، بهترين گزينه محسوب ميشوند. جدول 1، تفاوتهاي بنيادي دو روش محاسباتي را نشان ميدهد.
جدول 1
تلاشهايي كه براي اجرايي كردن سيستمهاي خبره به كار گرفته شدهاند، با مشكلات مشتركي مواجه بودهاند. با افزايش سطح پيچيدگي سيستمها، منابع كامپيوتري مورد نياز سيستم به شدت افزايش مييابند و سيستم با كندي بيش از حد روبرو ميشود. در حقيقت تجربه نشان داده است كه در وضعيت فعلي، سيستمهاي خبره تنها ميتوانند در مواقعي مفيد واقع شوند كه هدف محدود و مشخصي تعيين شده باشد.
شبكههاي عصبي در مسيري گام برميدارند كه ابزارها توانايي فراگيري و برنامهريزي خود را داشته باشند. ساختارشبكههاي عصبي به گونهاي است كه قابليت حل مسئله را بدون كمك فرد متخصص و برنامهريزي خارجي داشته باشند. شبكههاي عصبي قادر به يافتن الگوهايي در اطلاعات هستند كه هيچكس، هيچگاه از وجود آنها اطلاع نداشته است.
درحاليكه سيستمهاي خبره در عمل به موفقيتهاي بسياري دست يافتهاند، شبكههاي عصبي در كاربردهايي همچون ديد مصنوعي، تشخيص و توليد پيوسته گفتار، فراگيري ماشيني و نظاير آن با مشكلاتي روبرو بودهاند. در حال حاضر شبكههاي عصبي كاملاً وابسته به سرعت پردازنده سيستم اجرا كننده هستند.
کاربردهای شبکه های عصبی :
سیستم آنالیز ریسک
کنترل هواپیما بدون خلبان
ردیابی انحراف هواپیما
شبیه سازی مسیر
سیستم راهنمایی اتوماتیک اتومبیل
سیستمهای بازرسی کیفیت
آنالیز کیفیت جوشکاری
پیش بینی کیفیت
آنالیز کیفیت کامپیوتر
آنالیز عملیاتهای آسیاب
آنالیز طراحی محصول شیمیایی
آنالیز نگهداری ماشین
پیشنهاد پروژه
مدیریت و برنامه ریزی
کنترل سیستم فرایند شیمیایی و دینامیکی
طراحی اعضای مصنوعی
بهینه سازی زمان پیوند اعضا
کاهش هزینه بیمارستان
بهبود کیفیت بیمارستان
آزمایش اتاق اورژانس
اکتشاف روغن و گاز
کنترل مسیر در دستگاههای خودکار , ربات , جراثقال
سیستمهای بصری
تشخیص صدا
اختصار سخن
کلاسه بندی صوتی
آنالیز بازار
سیستمهای مشاوره ای محاسبه هزینه موجودی
اختصار اطلاعات و تصاویر
خدمات اطلاعاتی اتوماتیک
مترجم لحظه ای زبان
سیستمهای پردازش وجه مشتری
سیستمهای تشخیص ترمز کامیون
زمانبندی وسیله نقلیه
سیستمهای مسیریابی
کلاسه بندی نمودارهای مشتری/بازار
تشخیص دارو
بازبینی امضا
تخمین ریسک وام
شناسایی طیفی
ارزیابی سرمایه
کلاسه بندی انواع سلولها , میکروبها و نمونه ها
پیش بینی فروشهای آینده
پیش بینی نیازهای محصول
پیش بینی وضعیت بازار
پیش بینی شاخصهای اقتصادی
پیش بینی ملزومات انرژی
پیش بینی واکنشهای دارویی
پیش بینی بازتاب محصولات شیمیایی
پیش بینی هوا
پیش بینی محصول
پیش بینی ریسک محیطی
پیش بینی جداول داوری
مدل کردن کنترل فرآیند
آنالیز فعالیت گارانتی
بازرسی اسناد
تشخیص هدف
تشخیص چهره
انواع جدید سنسورها
دستگاه کاشف زیر دریایی بوسیله امواج صوتی , رادار
پردازش سیگنالهای تصویری شامل مقایسه اطلاعات
پیگیری هدف
هدایت جنگ افزارها
تعیین قیمت وضعیت فعلی
جلوگیری از پارازیت
شناسایی تصویر /سیگنال
چیدمان یک مدار کامل
بینایی ماشین
مدل کردن غیر خطی
ترکیب صدا
کنترل فرآیند ساخت
آنالیز مالی
پیش بینی فرآیندهای تولید
ارزیابی بکارگیری یک سیاست
بهینه سازی محصول
تشخیص ماشین و فرآیند
مدل کردن کنترل سیستمها
مدل کردن ساختارهای شیمیایی
مدل کردن سیستمهای دینامیکی
مدل کردن سیگنال تراکم
مدل کردن قالبسازی پلاستیکی
مدیریت قراردادهای سهام
مدیریت وجوه بیمه
مدیریت سهام
تصویب چک بانکی
اکتشاف تقلب در کارت اعتباری
ثبت نسیه
بازبینی امضا از چکها
پیش بینی ارزش نسیه
مدیریت ریسک رهن
تشخیص حروف و اعداد
تشخیص بیماری