براي شناخت هوش مصنوعي شايسته است تا تفاوت آن را با هوش انساني به خوبي بدانيم مطالعه شبکه های عصبی مصنوعی تا حد زیادی از سیستم های یادگیر طبیعی نشآت گرفته است که در آنها یک مجموعه پیچیده از نرونهای به هم متصل درکاریادگیری دخیل هستند.يك حشره حدود يك ميليون رشته عصبي دارد و مغز انسان ازهزار ميليارد رشته عصبي درست شده است.مغز انسان از ميلياردها سلول يا رشته عصبي درست شده است و اين سلول‌ها به صورت پيچيده‌اي به يكديگرمتصل‌اند. مغز انسان از تعداد 1011 نرون تشکیل شده که هر نرون با تقریبا 104 نرون دیگر در ارتباط است.سرعت سوئیچنگ نرونها در حدود 0.001 ثانیه است آدمی قادر است در 0.1 ثانیه تصویر یک انسان را بازشناسائی نماید. شبيه سازي مغز انسان مي‌تواند از طريق سخت‌افزار يا نرم‌افزارانجام گيرد. تحقيقات اوليه نشان داده است شبيه‌سازي مغز، كاري مكانيكي و ساده مي‌باشد. براي مثال، يك كرم داراي چند شبكه عصبي‌است. با تمركز و اتصال رشته‌هاي‌عصبي مصنوعي ميتوان واحد هوش مصنوعي را درست كرد.هوش انساني بسيار پيچيده‌تر و گسترده‌تر از سيستم‌هاي رايانه‌اي است و توانمندي هاي برجسته‌اي مانند:استدلال، رفتار، مقايسه، آفرينش و بكار بستن مفهوم ها را دارد.هوش انساني توان ايجاد ارتباط ميان موضوع‌ها و قياس ونمونه سازيهاي تازه را دارد. انسان همواره قانون‌هاي تازه‌اي مي‌سازد و يا قانون پيشين را در موارد تازه بكار مي‌گيرد. توانايي بشر در ايجاد مفهوم‌هاي گوناگون در دنياي پيرامون خود، از ويژگي‌هاي ديگر اوست. مفهوم‌هاي گسترده‌اي همچون روابط علت و معلولي، زمان و يا مفهوم هاي ساده تري مانند گزينش وعده‌هاي خوراك (صبحانه، نهار و شام) را انسان ايجاد كرده است. انديشيدن در اين مفهوم‌ها و بكاربستن آنها، ويژه رفتار هوشمندانه انسان است.هوش مصنوعي در پي ساخت دستگاههايي است كه بتوانند توانمندهاي ياد شده (استدلال، رفتار، مقايسه و مفهوم آفريني) را از خودبروز دهند. آنچه تاكنون ساخته شده نتوانسته است خود را به اين پايه‌برساند، هر چند سودمندي‌هاي فراواني به بار آورده است.نكته آخر اينكه، يكي از علل رويارويي با مقوله هوش مصنوعي،ناشي از نام گذاري نامناسب آن مي‌باشد. چنانچه جان مك كارتي در سال 1956 ميلادي آن را چيزي مانند «برنامه‌ريزي پيشرفته » ناميده بود شايد جنگ و جدلي در پيرامون آن رخ نمي‌داد.هوش مصنوعي به تعدادي ميدانهاي فرعي تقسيم شده است و سعي دارد تا سيستم‌ها و روشهايي را ايجاد كند كه بطور تقليدي مانند هوش ومنطق تصميم گيرندگان عمل نمايد.در ادامه به شبكه هاي عصبي ميپردازيم.
یک شبکه عصبی زیستی را با توجه به شکل زیر میتوانیم مدل کنیم.
یک شبکه عصبی شامل اجزای سازنده لایه‌ها و وزن‌ها میباشد. رفتار شبکه نیز وابسته به ارتباط بین اعضا است. در حالت کلی در شبکه‌های عصبی سه نوع لایه نورونی وجود دارد:
لایه ورودی: دریافت اطلاعات خامی که به شبکه تغذیه شده‌است.
لایه‌های پنهان: عملکرد این لایه‌ها به وسیله ورودی‌ها و وزن ارتباط بین آنها و لایه‌های پنهان تعیین می‌شود. وزن‌های بین واحدهای ورودی و پنهان تعیین می‌کند که چه وقت یک واحد پنهان باید فعال شود.
لایه خروجی: عملکرد واحد خروجی بسته به فعالیت واحد پنهان و وزن ارتباط بین واحد پنهان و خروجی میباشد.
تقسیم بندی شبکه‌های عصبی :
بر مبنای روش آموزش شبکه های عصبی به چهار دسته تقسیم می‌شوند:
- وزن ثابت: آموزشی در کار نیست و مقادیر وزن‌ها به هنگام نمی‌شود.کاربرد آن در بهینه سازی اطلاعات ،کاهش حجم، تفکیک پذیری و فشرده سازی مي باشد.
- آموزش بدون سرپرست: وزن‌ها فقط بر اساس ورودی‌ها اصلاح می‌شوند و خروجی مطلوب وجود ندارد تا با مقایسه خروجی شبکه با آن و تعیین مقدار خطا وزن‌ها اصلاح شود. وزن‌ها فقط بر اساس اطلاعات الگوهای ورودی به هنگام می‌شوند. هدف استخراج مشخصه‌های الگوهای ورودی بر اساس راهبرد خوشه یابی و یا دسته‌بندی و تشخیص شباهت‌ها (تشکیل گروه‌هایی با الگوی مشابه) میباشد، بدون اینکه خروجی یا کلاس‌های متناظر با الگوهای ورودی از قبل مشخص باشد. این یاد گیری معمولاً بر پایه شیوه برترین هم خوانی انجام می‌گیرد. شبکه بدون سرپرست وزن‌های خود را بر پایه خروجی حاصل شده از ورودی تغییر می‌دهد تا در برخورد بعدی پاسخ مناسبی را برای این ورودی داشته باشد. در نتیجه شبکه یاد می‌گیرد چگونه به ورودی پاسخ بدهد. اصولا هدف این است که با تکنیک نورون غالب نورونی که بیشترین تحریک آغازین را دارد برگزیده شود. بنابر این در شبکه‌های بدون سرپرست یافتن نورون غالب یکی از مهمترین کارها است.
- آموزش با سرپرست: به ازای هر دسته از الگوهای ورودی خروجی‌های متناظر نیز به شبکه نشان داده می‌شود و تغییر وزن‌ها تا موقعی صورت می‌گیرد که اختلاف خروجی شبکه به ازای الگوهای آموزشی از خروجی‌های مطلوب در حد خطای قابل قبولی باشد. در این روش‌ها یا از خروجی‌ها به وزن‌ها ارتباط وجود دارد یا خلا به صورت پس انتشار از لایه خروجی به ورودی توزیع شده‌است و وزن‌ها اصلاح می‌شوند. هدف طرح شبکه‌ای است که ابتدا با استفاده از داده‌های آموزشی موجود، آموزش ببیند و سپس با ارائه بردار ورودی به شبکه که ممکن است شبکه آن را قبلا فراگرفته یا نگرفته باشد کلاس آن را تشخیص دهد. چنین شبکه‌ای به طور گسترده برای کارهای تشخیص الگو به کار گرفته می‌شود.
- آموزش تقویتی: کیفیت عملکرد سامانه به صورت گام به گام نسبت به زمان بهبود می‌یابد. الگوهای آموزشی وجود ندارد اما با استفاده از سیگنالی به نام نقاد بیانی از خوب و یا بد بودن رفتار سامانه بدست می‌آید (حالتی بین یادگیری با سرپرست و بدون سرپرست).
شبکه عصبی چه قابلیتهائی دارد؟
از جمله قابليت هاي شبكه هاي عصبي ميتوان به موارد زير اشاره كرد:
- محاسبه یک تابع معلوم
- تقریب یک تابع ناشناخته
- شناسائی الگو
- پردازش سیگنال
- یادگیری
کاربرد شبکه‌های عصبی:
شبکه های عصبی چه در بعد آنالیز وتوسعه ساختاری و چه در بعد پیاده سازی سخت افزاری از نظر کمی وکیفی در حال رشد و پیشرفت میباشد و تکنیک های مختلف محاسبات عصبی ازلحاظ تعداد همچنان در حال افزایش هستند. شبکه‌های عصبی مصنوعی دارای دامنه کاربرد وسیعی می‌باشند ازجمله مي توان به موارد زير اشاره كرد:
- هوا و فضا
- امور مالي
- صنعت
- حمل ونقل
- بانكداري
- سرگرمي
- امور دفاعي
- الكترونيك
- نفت وگاز
اکثر کاربردهای ذکر شده در یکی از سه شاخه زیر قرار میگیرند:
- فیت کردن توابع: مانند تخمین میزان چربی بدن با استفاده از اندازه گیری های بدنی.
- شناسایی الگو: مانند تشخیص حروف دستنویس از رویویژگیهای بدست آمده از هر کاراکتر(OCR).
- خوشه بندی: مانند دسته بندی کردن افراد با توجه به الگوی خریدشان.
انواع شبكه عصبي:
از انواع شبكه هاي عصبي مي توان به موارد زير اشاره كرد:
- شبكه عصبي پرسپترون
- شبكه عصبي هاپفيلد
- شبكه عصبي همينگ
- شبكه عصبي كوهنن
- شبكه عصبي انتشار رو به عقب
- شبكه عصبي تاخير زماني
برای مطالعه بیشتر میتوانید به سایت ویکیپدیا یا سایت یارکد مراجعه نمایید.
