در ادامه آغاز شبکه عصبی و به گونه خاص شبکه عصبی پروسپترون چند لایه و کاربردهای آن و همچنین چگونگی آموزش آن تشریح می­گردد.

1.1.2    ساختار کلی شبکه­ های عصبی

در حالت کلی یک شبکه­عصبی ساختاری مشابه با شکل 2-3 دارد. در این شکل هر گره نماینده یک سلول عصبی مصنوعی می باشد. اطلاعات از طریق گره­های لایه ورودی به شبکه وارد می­گردد. این ورودی­ها از طریق رابط­ها به گره­های لایه­های پنهان منتقل شده و بعد از پردازش از طریق لایه­های مختلف از گره­های لایه خروجی خارج می­شوند. یک شبکه عصبی مصنوعی، مجموعه­ای از نرون­های[1] به هم متصل در لایه­های مختلف می باشد که اطلاعاتی را برای یکدیگر ارسال می­کنند. اولین لایه در سمت چپ در شکل لایه ورودی می باشد و لایه آخر نیز لایه خروجی نامیده می­گردد. داده­ها در لایه ورودی وارد می­گردد.

تمام لایه­های شبکه عصبی به جزء لایه ورودی کار پردازش را انجام داده و در نهایت خروجی بدست می­آید.

شکل 2-3. ساختار شبکه های عصبی مصنوعی

شما می توانید مطالب مشابه این مطلب را با جستجو در همین سایت بخوانید

لایه­های بین لایه ورودی و لایه خروجی را لایه­های میانی یا لایه­های پنهان می­نامند. ساده­ترین شکل شبکه فقط دو لایه دارد. لایه ورودی و لایه خروجی شبکه، شبیه یک سیستم ورودی خروجی اقدام می­کنند و ارزش نرون­های ورودی را برای محاسبه ارزش نرون خروجی مورد بهره گیری قرار می­دهد. به گونه کلی تأثیر نرون­ها در شبکه­های عصبی، پردازش اطلاعات می باشد و این امر در شبکه­های عصبی مصنوعی به وسیله یک پردازشگر ریاضی که همان تابع فعال­سازی می باشد انجام می­گردد. تابع فعال­سازی می­تواند خطی یا غیر­خطی باشد. یک تابع فعال­سازی بر اساس نیاز خاص مسئله­ای که قرار می باشد به وسیله شبکه عصبی حل گردد، از سوی طراح انتخاب می­گردد. برای مثال، زمانی که ارزش­های خروجی مسئله تنها صفر و یک می باشد، دیگر بهره گیری از یک تابع فعال سازی خطی مناسب نیست و بایستی از توابع دیگری که بر اساس مقادی ورودی مختلف تنها مقادیر صفر و یک را نتیجه می­دهد مثل تابع آستانه­ای بهره گیری نمود.

نمونه­ای که در بالا به آن تصریح گردید برای نرون یا نرون­های خروجی یک تابع فعال­سازی خطی را می­پذیرد. برای بهره­برداری واقعی از توانایی شبکه­های عصبی، بایستی از توابع فعال­سازی غیر­خطی بهره گیری نمود. تقریبا تمام شبکه­های عصبی در بخش­هایی از شبکه از توابع فعال­سازی غیر­خطی بهره گیری می­کنند (منهاج، 2008).

این مسئله اجازه می­دهد که شبکه الگوهای غیر­خطی مناسبی از مجموعه داده های پیچیده تولید کند. به صورت ایده­آل تابع فعال­سازی بایستی پیوسته مشتق پذیر و یکنواخت باشد زیرا این مسئله اقدام یافتن ضرایب مقتضی الگوریتم بهینه­یابی را تسهیل می­کند (منهاج، 1387).

[1] -Neuron

برای دانلود متن کامل اینجا کلیک کنید