شبکههای عصبی مصنوعی: ایده آموزش برای حل مسائل شناسایی الگوهای پیچیده با استفاده از دیدگاه عاملهای داده هوشمند برای محققان دانشگاهی بسیار چالش برانگیز شده است. شبکههای عصبی ابزار محاسباتی سادهای برای آزمون دادهها و ایجاد مدل از ساختار دادهها است. دادههایی که برای ایجاد مدلها استفاده می شود، به دادههای آموزشی مشهور است. هرگاه شبکه عصبی از دادههای آموزشی برای یادگیری الگوهای موجود در دادهها استفاده کند، می تواند آنها را برای دستیابی به خروجیها و نتایج مختلف به کار بگیرد. شبکههای عصبی مصنوعی جزء دستهای از سیستمهای پویا قرار دارند که با پردازش دادههای تجربی، دانش یا قانون نهفته در ورای دادهها را به ساختار شبکه منتقل می کنند. به همین خاطر به این سیستمها، هوشمند می گویند؛ چرا که بر اساس محاسبات روی دادههای عددی یا مثالها، قوانین کلی را فرامی گیرند. این سیستمهای مبتنی بر هوش محاسباتی سعی در مدلسازی ساختار نرو- سیناپتیکی مغز بشر دارند.
ويژگيهاي شبكههاي عصبي مصنوعي شبكههاي عصبي مصنوعي با وجود اينكه با سيستم عصبي طبيعي قابل مقايسه نيستند، ليكن ويژگيهايي دارند كه آنها را در بعضي كاربردها مانند تشخيص الگو، رباتيك، كنترل و به طور كلي در هرجا كه نياز به يادگيري يك نگاشت خطي يا غيرخطي باشد، ممتاز مينمايد. اين ويژگيها به شرح زير هستند:
توازی انبوه: شبکههای عصبی دارای انبوهی از واحدهای پردازشی (نرون) هستند که به صورت موازی عمل مینمایند و عملیات را به صورت متوالی انجام نمیدهند. این امر موجب افزايش سرعت پردازش اطلاعات ميشود - توانایی تعمیم دادن: در حالاتی که دروندادها ناقص و دارای اختلال میباشند یا قبلاًٌ مشاهده نشدهاند، شبکههای عصبی جواب معقولی را ارائه میدهند. سپس میتوانند پس از یادگیری و انطباق، نتایج حاصل را به موارد مشابه تعمیم دهند- قابليت يادگيري و سازگاری: به معني توانايي تنظيم پارامترهاي وزني شبكه، موسوم به سيناپس در گذر زمان با اين هدف كه اگر شبكه براي يك وضعيت خاص آموزش ديد و تغيير كوچكي در شرايط محيطي رخ داد، بتواند با كمي آموزش مجدداً كارآمد شود. مصرف انرژی کم: شبکه عصبی با توجه به پردازش موازی اطلاعات و حفظ اطلاعات فراگرفته شده، انرژی کمی مصرف مینماید تحمل خطا: از آنجایی که در شبکههای عصبی، گرههای پردازشی زیادی وجود دارد، آسیب دیدن تعدادی از گرهها یا ارتباطات بین آنها، باعث مختل شدن و توقف کل سیستم نمیشود به عبارتی دیگر در يك شبكه عصبي هر سلول به طور مستقل عمل ميكند و رفتار كلي شبكه، برآيند رفتارهاي محلي نرونهاي متعدد است. اين ويژگي باعث ميشود تا خطاهاي محلي در خروجي شبكه تأثير نداشته باشد. به عبارت ديگر نرونها در يك روند همكاري خطاهاي محلي يكديگر را تصحيح ميكنند. اين خصوصيت باعث افزايش قابليت مقاوم بودن (تحملپذيري خطاها) در سيستم ميگردد- یکسانی در تحلیل و طراحی: اصولاً، شبکههای عصبی برای پردازش اطلاعات از یکسانی برخوردار هستند که این یکسانی ناشی از ماهیت نرونها، الگوریتمهای یادگیری و سلولی بودن شبکه است- پراكندگي اطلاعات: اطلاعات يا دانشي كه شبكه فرا ميگيرد در وزنهاي سيناپسي مستتر ميباشند. هر نرون در شبكه از فعاليت ساير نرونها متأثر ميباشد. بنابراين چنانچه بخشي از سلولهاي شبكه حذف شوند باز هم احتمال رسيدن به پاسخ صحيح وجود دارد.
شبكههاي عصبي در حوزههاي مختلفي، نظير علوم شناختي، علوم كامپيوتر، مهندسي برق، مديريت، حسابداري و مالي به كار گرفته شدهاند. در سالهاي اخير از اين روش، به طور فزاينده در فرآيندهاي مديريت و تصميمگيري در سازمان استفاده شده است.
علاقه مندی ها (Bookmarks)