شبکه عصبی مصنوعی

یک شبکه عصبی مصنوعی  (Artificial Neural Network (ANN))ایده ای برای پردازش اطلاعات است 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، و قادر به انجام انبوهی از محاسبات موازی جهت پردازش داده ها می باشد. ادامه مطلب را ببینید 

 

بعضی از پیش زمینه های شبکه های عصبی مصنوعی را می توان به اوایل قرن بیستم و اواخر قرن نوزدهم برگرداند. در این دوره، کارهای اساسی در فیزیک، روانشناسی و نوروفیزیولوژی توسط دانشمندان صورت پذیرفت. این کارهای اولیه عموما بر تئوری های کلی یادگیری، بینایی و شرطی تاکید داشته اند و اصلا به مدلهای مشخص ریاضی عملکرد نرونها، اشاره ای نداشته اند. دیدگاه جدید شبکه های عصبی در دهه 40 قرن بیستم آغاز شد. زمانی که دانشمندان نشان دادند شبکه های عصبی می توانند هر تابع حسابی و منطقی را محاسبه نمایند. این کار را می توان نقطه شروع حوزه علمی شبکه های عصبی مصنوعی نامید. نخستین کاربرد عملی شبکه های عصبی در اواخر دهه 50 مطرح شد زمانی که فرانک روزنبلات و همکارانش شبکه ای ساختند که قادر بود الگو ها را از هم شناسایی کند. در همین زمان بود که برنارد ویدرو در سال 1960 شبکه عصبی تطبیقی خطی آدلاین را با قانون یادگیری جدید مطرح کردکه از لحاظ ساختار شبیه شبکه پرسپترون بود.

بطور کلی شبکه های عصبی مصنوعی بدلیل توانمندی بالا بهتر از سایر ابزارهای محاسباتی قادر به حل انواع مختلفی از مشکلات هستند. برخی کاربردهای شبکه های عصبی شامل دسته بندی الگوها، مدل سازی، پیش بینی و کنترل می باشند.  شبکه های عصبی مصنوعی با وجود اینکه با سیستم عصبی طبیعی قابل مقایسه نیستند ویژگی های مهمی دارند، که در ذیل به آنها اشاره شده است:

1-قابلیت یادگیری (توانایی تنظیم پارامتر های شبکه در مسیر زمان که در محیط شبکه تغییر کرده و شرایط جدید را تجربه می کند)2- قابلیت تعمیم (پس از آموزش مثا ل های اولیه، شبکه می تواند در مقابل یک ورودی آموزش داده نشده یک خروجی مناسب ارائه نماید 3-پردازش موازی (هنگامی که شبکه عصبی در قالب سخت افزار پیاده میشود سلولهایی که در یک تراز قرار می گیرند میتوانند به طور همزمان به ورودیهای آن تراز پاسخ دهند) 4-  مقاوم بودن (سلولها در یک روند همکاری، خطاهای محلی یکدیگر را تصحیح می کنند که این خصوصیت باعث افزایش قابلیت مقاوم بودن (تحمل پذیری خطاها) در سیستم می گردد) 5- قابلیت تقریب عمومی

 

 مزایای شبکه های عصبی مصنوعی

شبکه ها ی عصبی، با قابلیت قابل توجه آنها در استنتاج معانی از داده های پیچیده یا مبهم، میتواند برای استخراج الگوها و شناسا یی روشها یی که آگاهی از آنها برا ی انسان و دیگر تکنیک ها ی کامپیوتری بسیار پیچیده و دشوار است به کار گرفته شود . یک شبکه عصبی تربیت یافته می تواند به عنوان یک متخصص در مقوله اطلاعاتی که برای تجزیه تحلیل به آن داده شده به حساب آید. از این متخصص می توان برا ی برآورد وضعیت های دلخواه جدید و جواب سؤال های "چه می شد اگر" استفاده کرد. در کنار توابع ریاضی، مدل های بر پایه هوش مصنوعی از قبیل سیستم های خبره، الگوریتم های ژنتیکی و شبکه های عصبی مصنوعی در سیستم های تصمیم گیری مورد استفاده قرار می گیرند. شبکه های عصبی شیوه ای ارئه می دهد که کاملا متفاوت از روشهای معمولی است. این شیوه نیازمند ارائه یک الگوریتم مشخص شده به داخل برنامه های کامپیوتری می باشد. شبکه های عصبی مصنوعی، توانمندی بالایی در حل انواع مختلفی از مشکلات، که پرورش دهندگان و شرکت های کشاورزی در فعالیت های روزانه خود با آن روبرو هستند را دارند.

 

محدودیتهای شبکه عصبی مصنوعی

1-           شبکه عصبی شبیه یک جعبه سیاه که داده های ورودی را با استفاده از یک تابع نا شناخته به خروجی تبدیل می نماید، عمل می کند. و یک بینش از نحوه کارکرد داخلی شبکه عصبی فراهم نمی نماید.

2-           مدل های شبکه عصبی پارامترها ی که ممکن است برای اهداف مقایسه و توسعه مفید باشند را فراهم نمی کنند.

3-           تعداد پارامترهای که بایستی برای بدست آوردن یک مدل مناسب مورد آزمایش قرار بگیرد بسیار زیاد است.

4-           شبکه های عصبی عموما به مقدار زیادی داده برای آموزش و آزمایش احتیاج دارند و در صورت کم بودن داده ها، راه حل مناسبی برای حل مسئله نیستند.