فایل کامل و عالی پاورپوینت شبکه عصبی و شبکه آدالاین مدل ریاضی نرون پروسه یادگیری و شبکه های عصبی به عنوان سیستم

توجه : این پروژه فقط به صورت فایل (با پسوند) zip ارائه میگردد
تعداد صفحات فایل : ۹۳

مقدمه

در سالیان اخیر شاهد حرکتی مستمر از تحقیقات صرفاً تئوری به تحقیقات کاربردی علی الخصوص در پردازش اطلاعات مسائلی که برای آنها راه حلی موجود نیست و یا براحتی قابل حل نیستند ، بوده ایم . با عنایت باین حقیقت ، علاقه فزاینده ای در توسعه تئوریک سیستمهای دینامیکی هوشمند که مبتنی بر داده های تجربی هستند ، ایجاد شده است .“ شبکه های عصبی مصنوعی “ جزء این دسته از سیستمهای دینامیکی قرار دارند که با پردازش روی داده های تجربی دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل میکند . به همین خاطر به این سیستمها هوشمند گویند چرا که بر اساس محاسبات روی داده های عددی یا مثالها قوانین کلی را فرا میگیرند . این سیستمهای مبتنی بر هوش محاسباتی سعی در مدلسازی ساختار نرو سیناپتیکی مغز بشر دارند .

انگیزه های بیولوژیکی

تحقیقات و علاقه مندی به شبکه های عصبی از زمانی شروع شد که مغز به عنوان یک سیستم دینامیکی با ساختار موازی و پردازشگری کاملاً مغایر با
پردازشگرهای متداول شناخته شد . مغز به عنوان یک سیستم پردازش اطلاعاتی با ساختار موازی از ۱۰۰ تریلیون نرونهای به هم مرتبط تشکیل شده است . نرونها ساده ترین واحد ساختاری سیستمهای عصبی هستند. بافتهایی که عصب نامیده می شوند ، اجتماعی از نرونها می باشند . این نرونها اطلاعات و پیامها را از یک قسمت بدن به قسمت دیگر منتقل میکنند .
بیشتر نرونها از سه قسمت اساسی تشکیل شده اند
۱) بدنه سلول که شامل هسته و قسمتهای حفاظتی دیگر میباشد.
۲) دندریت
۳) اکسون
که دوتای آخر عناصر ارتباطی نرون را تشکیل می دهند .
پیامهای عصبی تنها بصورت یکطرفه حرکت می کنند از دندریتها به بدنه سلول و سپس به اکسون.

مدل تک ورودی
یک نرون کوچکترین واحد پردازشگر اطلاعات است. شکل زیر ساختار یک نرون تک ورودی را نشان می دهد اسکالرهای p وa به ترتیب ورودی و خروجی می باشند .

سیستمهای یادگیر

سیستمهای یادگیر سیستمهایی هستند که رفتارشان را جهت دستیابی به هدف و مقصدی خاص صرفاً با مشاهده عملکردشان می توانند بهبود بخشند .زمانی به پروسه یادگیری نیاز است که اطلاعات کامل در مورد اهداف موجود نباشد .

به پروسه یادگیری نیاز است چون که اطلاعات (ارتباط ورودی و خروجی)
کاملاً مشخص نیست .

رفتار سیستمهای یادگیر توسط الگوریتمهای بازگشتی بیان می شود و عموماً توسط معادلات تفاضلی (دیفرانسیلی) بیان می شوند .این الگوریتمها روی اطلاعات موجود آنگونه پردازش می کنند که شاخص اجرایی مشخص شده ای که عموماً تقریبی است از اهداف خاص که مقصود پروسه یادگیری می باشد ، بهینه گردد .

در این بخش دسته از شبکه های عصبی موسوم به آدالاین که متشکل از یک نرون با تابع تبدیل خطی می باشد مورد مطالعه و بررسی قرار می گیرد. یادگیری این شبکه ها از نوع باناظر می باشد. پارامترهای شبکه طوری آموزش می بینند(تنظیم می شوند) تا اینکه شاخص اجرایی بهینه شود. در ابتدا پایه های تئوری بهینه سازی مرور میشود و سپس قانون یادگیری LMS (Least Mean Square ) معروف به قانون یادگیری ویدرو _هوف برای شبکه های آدالاین فرموله می گردد. این قانون تقریبی از الگوریتم بیشترین شیب نزول می باشد که در آن شاخص اجرایی میانگین مجذور خطا می باشد.