شبکه عصبی مصنوعی

[نازنین]

کسی میدونه در مورد شبکه های عصبی مصنوعی ایران در چه سطحی قرار داره ؟
آیا در کارخانه یا موسسه ای از شبکه عصبی برای رفع نیاز هاشون استفاده کردن یا نه؟
در دنیا چطور در چه سطحی از به کارگیری اون قرار دارن؟

 

[نازنین]

شبکه عصبی مصنوعی

کجایین؟
کسی در مورد شبکه عصبی مصنوعی در ایران خبر داره؟
جایی دیدین ازش برای طراحی فرایندی استفاده کنن؟

 

[Niima]

شبکه های عصبی مصنوعی، ابزاری ارزشمند در مهندسی نفت

شبکه های عصبی مصنوعی، ابزاری ارزشمند در مهندسی نفت

شبکه های عصبی مصنوعی به سرعت عمومیت پیدا کرده و کاربردی میشوند. شبکه های عصبی مصنوعی که در نیمه دوم قرن بیستم مطرح شدند و در اواخر دهه هشتاد کاربرد همه جانبه پیدا کردند، تکنیک های محاسباتی یاد گیر هستند که به کمک آنها میتوان یک نگاشت خاص راتقریب زد و یا داده های مختلفی را دسته بندی کرد.
این شبکه ها به یک مهندس نفت این توانایی را میدهند تا یکسری مسایل اساسی مانند پیش بینی تراوایی سازند از لاگ های ﮋﺌوفیزیکی یا داده های مغزه و یا داده های چاه آزمایی را حل نماید. شنتاخت و ارزیابی پارامترهای پتروفیزیکی و سنگ شناسی مخازن نفت و گاز با استفاده از نمودارهای مختلف چاه پیمایی، امروزه به عنوان یکی از اصلی ترین بخش های صنعت نفت در مراحل اکتشاف و تولید مخزن محسوب میشود.
با استفاده از این روش میتوان به کمک نمودارهای رقومی شده چاه پیمایی به عنوان پارامترهای ورودی به شبکه، ارتباطی مناسب بین داده های چاه پیمایی و پارامتر های پتروفیزیکی بدست آمده از مغزه برقرار کرد و در موارد فاقد مغزه در مخزن با استفاده از شبکه آموزش دیده پارامترهای پتروفیزیکی را برآورد نمود.
مبانی شبکه های عصبی مصنوعی :
شبکه های عصبی به طور کلی سیستمهای ریاضی یادگیر غیر خطی هستند. طرز کار این شبکه ها از روش کار مغز انسان الگو برداری شده است. در واقع شبکه های عصبی طبق تعریف ماشینی است برای ساخت یک مدل که می توان آن را بوسیله سخت افزار یا نرم افزار شبیه سازی کرد و عملکردی شبیه مغز انسان دارند.یک شبکه عصبی بر خلاف کامپیوترهای رقومی که نیازمند دستورات کاملا صریح و مشخص است٬ به مدل های ریاضی محض نیاز ندارد بلکه مانند انسان قابلیت یادگیری به وسیله تعدادی مٽال مشخص را دارد.
هر شبکه عصبی سه مرحله آموزش٬ اعتبار سنجی و اجرا را پشت سر می گذارد. در واقع شبکه های عصبی را می توان در حل مسایلی که روابط دقیق ریاضی بین ورودی ها و خروجی های آن برقرار نیست بکار برد. این شبکه ها از عناصر ساده ای تشکیل شده اند که بطور موازی عمل می کنند و با الهام از شبکه های بیولوژیک هر یک از این عناصر را نرون می نامند. آموزش دیدن شبکه های عصبی در واقع چیزی جز تنظیم وزن های ارتباطی این نرون ها به ازائ دریافت مٽال های مختلف نیست تا خروجی شبکه به سمت خروجی مطلوب همگرا شود.
مدل ریاضی یک نرون:
همان گونه که ذکر شد نرون کوچکترین واحد یک شبکه عصبی مصنوعی است که عملکرد شبکه های عصبی را تشکیل می دهد.بدنه هر سلول عصبی از دو بخش تشکیل می شود٬ بخش اول را تابع ترکیب می گویند. وظیفه تابع ترکیب این است که تمام ورودی ها را ترکیب و یک عدد تولید می کند. در بخش دوم سلول تابع انتقال قرار دارد که به آن تابع تحریک نیز می گویند. رایج ترین انواع توابع تحریک بر پایه مدل های بیولوژیک استوار گردیده است. درواقع همان گونه که یک سلول بیولوژیک باید به سطح آستانه تحریک خاصی برسد تا یک سیگنال تولید کند٬ توابع تحریک نیز تا زمانی که ورودی های ترکیب شده و وزن دار شده به یک حد آستانه ای خاص نرسند مقدار خروجی نظیر بسیار کوچکی تولید میکنند.

ساختار یک نرون مصنوعی (شکل ۱)​

وقتی ورودی های ترکیب شده به حد آستانه ای خاصی برسند٬ سلول عصبی تحریک شده و سیگنال خروجی تولید می کند. با مقایسه جواب خروجی شبکه با مقدار مطلوب مورد نظر بردار خطا محاسبه شده و این بردار با استفاده از الگوریتم های مختلف از آخر به سمت ابتدای شبکه پخش شده٬ به طوری که در سیکل بعد خطا کاهش یابد.

کاربردهای شبکه های عصبی مصنوعی در مهندسی نفت:
شبکه های عصبی میتوانند مسایلی را که محاسبات معمول قادر به حل آن نیستند حل نمایند. مهندسی نفت زمانی از این شبکه ها استفاده میکند که داده های لازم و کافی برای تفسیر نداشته باشد.
یکی دیگر از دلایلی که از این شبکه ها استفاده میشود هزینه بالای عمل چاه پیمایی٬ چاه آزمایی و ... می باشد لذا استفاده از آنها تا حد زیادی می تواند به لحاظ اقتصادی مقرون به صرفه باشد. در زیر به دو مورد از کاربرد های معمول شبکه های عصبی در حل مسایل مهندسی نفت اشاره شده است.
تخمین تراوایی (Permeability Prediction/ Estimation)
تراوایی یکی از مهمترین پارامترهای یک سنگ در ارتباط با حرکت سیالات مخزن میباشد. از نظر یک مهندس مخزن و نیز کسانی که در زمینه روشهای ازدیاد برداشت فعال هستند٬ تراوایی دارای بیشترین اهمیت می باشد.
به طور معمول انالیز مغزه و تفسیر داده های چاه آزمایی برای بدست آوردن تراوایی یک سازند به کار برده می شود. تلاش های بسیاری در جهت پیدا کردن رابطه بین تراوایی و تخلخل انجام شده اما در مخازن نا همگن پیدا کردن این رابطه مشکل می باشد.
وابستگی تراوایی سنگ به پارامترهایی که می توان به وسیله لاگ به دست آورد یکی از مهمترین زمینه های تحقیق در مهندسی نفت می باشد. با توجه به ابنکه رابطه مورد نظر بیشتر به صورت غیره خطی میباشد توابع معمولی عملا قادر به ایجاد این رابطه نیستند و در اینجا شبکه های عصبی مصنوعی به عنوان یک ابزار توانمند برای ییدا کردن این رابطه مطرح می گردند.

کاربرد شبکه های عصبی مصنوعی در تخمین تراوایی (شکل ٢ )​

شکست هیدرولیکی (Hydraulic Fracturing):
مدلهای دو و سه بعدی زیادی جهت طراحی سیستم شکستگی مورد استفاده قرار می گیرد. ولی استفاده از این مدلها نیاز به درک دقیق از مکانیک سنگ و خصوصیات مخزن دارد. گاهی اوقات به دست آوردن این اطلاعات به دلیل نا همگنی مخزن و نیز هزینه بالا مشکل می باشد.
معمولا یک سری اطلاعات اساسی چاه مانند ضخامت مخزن٬ تخلخل٬ عمق و ... بدون هزینه های اضافی در دسترس می باشد. لذا در اختیار داشتن انی اطلاعات و نیز یک سری داده های دیگر این توانایی را به ما می دهد تا با استفاده از شبکه های عصبی مصنوعی به بررسی رفتار شکستگی ها بپردازیم.
در واقع یک شبکه های عصبی مصنوعی برای بهینه سازی طراحی شکستگی و پیش بینی نحوه رفتار چاه با توجه به اطلاعات زیادی که در یک منطقه جغرافیایی وجود دارد٬ مورد استفاده قرار می گیرد.
نتیجه گیری :
شبکه های عصبی مصنوعی در واقع سیستم های موازی هستند که می توان از آن ها در جهت تشخیص الگوهای پیجیده در میان داده ها استفاده نمود.این ساختار موازی شبکه های عصبی آنها را قادر به انجام محاسبات یچیده می کند. تحقیقات نشان داده که شبکه های عصبی مصنوعی قادر به یش بینی تراوایی با استفاده از لاگ های ژﺌوفیزیکی حتی در سازند های نا همگن می باشند.
همچنین در رابطه با استفاده از شبکه های عصبی در بررسی رفتار شکستگی ها نیز صحبت شد. در مجموع می توان به این نتیجه رسید که شبکه های عصبی مصنوعی در تشخیص الگو ها و نیز زمانی که اطلاعات در دسترس برای تفسیر کافی نیستند٬ می توانند ابزاری سودمند برای یک مهندس نفت باشند

 

[Niima]

اینم یه فایل pdf با عنوان " طراحی نمودار کنترل هندسی با استفاده از شبکه عصبی مصنوعی"
http://www.MegaShare.com/305700
ببین بدردت می خوره یا نه !

 

[نازنین]

اینم یه فایل pdf با عنوان " طراحی نمودار کنترل هندسی با استفاده از شبکه عصبی مصنوعی"
http://www.MegaShare.com/305700
ببین بدردت می خوره یا نه !

مرسی مرسی ! خیلی استفاده کردم! در مورد این مثالها یا موارد دیگه تا حالا شنیدین تو ایران ازشون استفاده بشه؟ پروژه کارشناسی من طراحی یه شبکه عصبی مصنوعی برای تخمین فشار بخار بود، در حالی که اصلا ً نمی دونستم تو ایران هم کاربردی داره یا نه!!!!! میخوام بدونم در موارد دیگه ای موسسه ای دیدین که از نتایج یه شبکه اونم تو ایران استفاده کنن؟ استاد راهنمای من که می گفت محاله!

 

[Niima]

مرسی مرسی ! خیلی استفاده کردم! در مورد این مثالها یا موارد دیگه تا حالا شنیدین تو ایران ازشون استفاده بشه؟ پروژه کارشناسی من طراحی یه شبکه عصبی مصنوعی برای تخمین فشار بخار بود، در حالی که اصلا ً نمی دونستم تو ایران هم کاربردی داره یا نه!!!!! میخوام بدونم در موارد دیگه ای موسسه ای دیدین که از نتایج یه شبکه اونم تو ایران استفاده کنن؟ استاد راهنمای من که می گفت محاله!

گویا در ایران هم استفاده شده .
2 تا لینک گذاشتم برو ببینشون . توشون یه اشاره ای کرده به اینکه در ایران هم از این سیستم استفاده شده !

اینم لینک سایتها
http://soilscience.blogfa.com/post-5.aspx
http://www.ngdir.ir/PAPERS/PPapersDetail.asp?PID=7056

 

[farhad81]

این هم چند تا مقاله ی 2007 و 2008 از شبکه های عصبی:

1-این در مورد مدلینگ و بهینه سازی رآکتور های پلاسمای DBD کاتالیستی به کار رفته در رفرمینگ متان به کمک شبکه های عصبی است.
2-این هم کاربرد شبکه ی عصبی در تعیین نقطه ی فلش آلکان ها
3-این هم یک مقاله ی بسیار جدید و جالب درباره ی تخمین فشار بخار به کمک شبکه های عصبی

 

[farhad81]

این هم دو سری مقاله ی دیگر البته آبسترک هستند و مجموعی از مقالات که سودمند هستند ولی باید وقت و حوصله به خرج دهید و آن چه که می خواهید را پیدا کنید:
1-در این کاربرد شبکه های عصبی در بررسی سردسازهای جذبی قرار دارد.
2-این هم شبیه سازی استخراج روغن گیاهی در سیستم استخراجی counter current به کمک شبکه های عصبی.بل که به کار بچه های جداسازی بخورد.

شاد باشید.

 

[اشکان فروتن]

شبکه عصبی

شبکه عصبی

به نقل از بهتاش خان : http://www.www.www.iran-eng.ir/showpost.php?p=122339&postcount=4


شبکه های عصبی نزدیک به 6 سال می باشد که وارد ایران شده است و از میان پروژه های درسی بسیار طرفدار پیدا کرده است.. برای درک بهتر این مبحث لازم است اطلاعاتی در مورد سیستم های کنترل داشته باشید. در این روش که بر مبنای سیستم های هوشمند و کمی هم در رابطه با هوش مصنوعی طبقه بندی می شود که به این گونه می باشد که سیستم را طوری طراحی کرده که خود سیستم در هنگام بروز خطا یا اختلال در آن به صورت خودکار مشکل را بررسی کرده و در جهت رفع مشکل سعی شود... در حال حاظر پتروشیمی ماهشهر بر روی این طرح خیلی کار می کند.

 

[اشکان فروتن]

به نقل از بهتاش خان : http://www.www.www.iran-eng.ir/showpost.php?p=122365&postcount=6

Neural Networks Analysis and Design

Neural Networks Analysis and Design
12.0 Mb | PDF | RAR | 121 Pages | ISBN: 013489832X | Publisher: Prentice Hall; 1st edition (June 14, 1995)​

Book Description
Thorough, compact, and self-contained, this explanation and analysis of a broad range of neural nets is conveniently structured so that readers can first gain a quick global understanding of neural nets -- without the mathematics -- and can then delve into mathematical specifics as necessary. The behavior of neural nets is first explained from an intuitive perspective; the formal analysis is then presented; and the practical implications of the formal analysis are stated separately. Analyzes the behavior of the six main types of neural networks -- The Binary Perceptron, The Continuous Perceptron (Multi-Layer Perceptron), The Bidirectional Memories, The Hopfield Network (Associative Neural Nets), The Self-Organizing Neural Network of Kohonen, and the new Time Sequentional Neural Network. For technically-oriented individuals working with information retrieval, pattern recognition, speech recognition, signal processing, data classification.​

Book Info
Discusses the three types of neural networks most commonly discussed in the literature-the Binary Perceptron, the Continuous Multi-layer Perceptron and the Self-Organizing Neural Network. DLC: Neural networks (Computer science)
Download:​

http://rapidshare.com/files/2268644/...l_Networks.rar​

RS Folder pass: AI​

 

[اشکان فروتن]

به نقل از بهتاش خان : http://www.www.www.iran-eng.ir/showpost.php?p=122354&postcount=5

این هم بخشی از یک کتاب می باشد که در رابطه با شبکه های عصبی می باشد و برایتان آپلود کرده ام.
موفق باشید.
دانلود

 

[اشکان فروتن]

به نقل از خودم : http://www.www.www.iran-eng.ir/showpost.php?p=122429&postcount=7

موضوع جدیده
من تا حالا نشنیده بودم
بهتاش جان کمی توضیح پیلیز . . .

به نقل از بهتاش خان : http://www.www.www.iran-eng.ir/showpost.php?p=122543&postcount=8

شما یک تاپیک به همین صورت در تالار مهندسی شیمی ایجاد کن تا همه بحث کنیم. اگر بخواهم توضیح بدهم باید برای رشته مهندسی شیمی باشه.. شروع کن.

به نقل از خودم :

منتظریم ، بهتاش جان . . .

 

[پیرجو]

شبکه های عصبی
نام شبکه عصبی از شبکه سلولهای عصبی در مغز بدست آمده است. اگرچه مقادير زيادی از جزئيات بيولوژيکی در اينمدل محاسباتي حذف شده است، شبکه عصبی به ميزان کافی ساختار مشاهده شده در مغز را برای فهم اين مطلب که پردازش کننده های عصبی بيولوژيکی به چه صورت عمل می کنند، حفظ کرده است. هر شبکه عصبی تعدادی از واحدهای ناميده می شوند، را بکار می برد، که هر کدام از آنها سعی می کند رفتار يک سلول (neuron) محاسباتی ساده را که نرون مغزی انسان را تقليد کند. هر نرون داده های ورودی را برای بدست آوردن يک خروجی پردازش می کند. سپس خروجی به ساير نرون ها مرتبط می شود. اخيراً شبکه های عصبی بطور وسيعی در حل مسائلی مانند بهينه سازی، تشخيص و طبقه بندی الگو، مدلسازی سيستم و تخمين بکار می روند. شبکه های عصبی می توانند توابع سيستم را با داده های خام تقريب بزنند.
داده های نمونه بدست آمده از يک سيستم نامشخص، پارامترهای شبکه عصبی را اصلاح کرده تا پاسخهای ورودی-خروجی شبکه به پاسخهای ورودی-خروجی سيستم مجهول نزديکتر شود. اين مجموعه از نمونه ها که بعنوان الگوهای آموزش دهنده شناخته می شوند، بصورت بردارهايی ارائه شده و می توانند از منابع مختلفی مانند تصاوير، داده های حس گرها، داده های اقتصادی و داده های شيميايی تهيه شوند .

 

[پیرجو]

مدل شبکه عصبی بکار رفته و آلگوريتم يادگيری

از يک شبکه عصبی پيش خور (Feed-Forward) سه لايه مورد استفاده قرار گرفت و با يک آلگوريتم يادگيری که پس انتشار خطا ناميده می شود. اين شبکه عصبی شامل يک لايه ورودی که ارائه دهنده داده های ورودی به شبکه است، يک لايه مخفي و يک لايه خروجی که بيانگر پاسخهای شبکه است، می باشد. هر لايه از تعداد مشخصی نرون که هر کدام به ساير نرونهای لايه قبلی از طريق وزن های وفق پذير w متصل هستند، تشکيل شده است. آلگوريتم پس انتشار خطا از مرحله انتشار بسمت جلو (forward-propagation) و بدنبال آن مرحله انتشار بسمت عقب (backward-propagation) تشکيل شده است. مرحله انتشار بسمت جلو با ارائه الگوی ورودی به لايه ورودی شبکه آغاز مي شود، و از طريق لايه مخفی با انتشار بسمت جلو ادامه می يابد. در هر لايه، هر واحد پردازش کننده وروديهايش جمع کرده و سپس تابعی را برای محاسبه خروجی به آن اعمال می کند. واحدهای لايه خروجی سپس پاسخ شبکه را فراهم می کنند.

 

[پیرجو]

تعریف:
.شبکه هاي عصبي مصنوعي" جز اين دسته از سيستمهاي ديناميکي قرار دارند که با پردازش روي داده هاي تجربي، دانش يا قانون نهفته در وراي داده ها را به ساختار شبکه منتقل مي کنند. به همين خاطر به اين سيستمها، هوشمند مي گويند، چرا که بر اساس محاسبات روي داده هاي عددي يا مثالها، قوانين کلي را یاد مي گيرند.براي نخستين بار شخصي به نام سگال ٤ اعلام کرد که مغز از عناصر اصلي ساختاري به نام نرون ٥ تشکيل شده است و هر نرون بيولوژيکي به عنوان اجتماعي از مواد آلي، اگر چه داراي پيچيدگي يک ميکروپروسسور است، ولي داراي سرعت محاسباتي برابر با يک ميکروپروسسو ر نيست . دانشمندان علم بيولوژي دريافته اند که عملکرد نرون هاي بيولوژيکي از قبيل ذخيره سازي و حفظ اطلاعات، در خود نرون ها و ارتباطات بين نرون ها نهفته است. گرچه همه نرون ها کارکرد يکساني دارند، ولي اندازه و شکل آن ها بستگي به محل استقرارشان در سيستم عصبي دارد .
با وجود اين همه تنوع، بيشتر نرون ها از سه قسمت اساسي تشکيل شده اند

۱- بدنه سلول (که شامل هسته و قسمت هاي حفاظتي ديگر است)
۲- دندريت
۳- اکسون
دو قسمت آخر، عناصر ارتباطي نرون را تشکيل مي دهند. شکل هاي ۱ ساختمان سلول عصبي را نشان مي دهند.

 

[پیرجو]

نرون ها بر اساس ساختارهايي که بين آن ها پيام ها هدايت مي شوند به سه دسته تقسيم مي گردند:
۱- نرون هاي حسي که اطلاعات را از ارگان هاي حسي به مغز و نخاع مي فرستند.
۲- نرون هاي محرک که سيگنال هاي فرمان را از مغز و نخاع به ماهيچه ها و غدد هدايت مي کنند.
۳- نرون هاي ارتباطي که نرون ها را به هم متصل مي کنند.
روابط بين نرون هاي ارتباطي موجبات انجام کارهاي پيچيده را از قبيل تفکر، احساسات، ادراک و محفوظات فراهم مي آورد. با توجه به مقدمات فوق، مي توان گفت که با تمام اغراق ها در مورد شبکه هاي عصبي مصنوعي، اين شبک ه ها اصلا سعي در حفظ پيچيدگي مغز ندارند. از جمله شباهت اين دو سيستم می توان به موارد زير اشاره نمود:
۱- بلوک هاي ساختاري در هر دو شبکه مصنوعي و بيولوژيکي، دستگاه هاي محاسباتي خيلي ساده هستند و علاوه بر اين، نرون هاي مصنوعي از سادگي بيشتري برخوردار هستند.
０- ارتباط هاي بين نرون ها، عملکرد شبکه را تعيين مي کند اگر چه نرون هاي بيولوژيکي از نرون هاي مصنوعي که توسط مدارهاي الکتريکي ساخته مي شوند، بسيار کندتر هستند (يک ميليون با)، اما عملکرد مغز، خيلي سريعتر از عملکرد يک کامپيوتر معمولي است . علت اين پديده بيشتر به خاط ر ساختار کاملا موازي نرون ها است و اين يعني همه نرون ها معمولا به طور همزمان کار مي کنند و پاسخ مي دهند ". شبکه هاي عصبي مصنوعي هم داراي ساختار کاملا موازي هستند . اگر چه بيشتر شبکه هاي عصبي مصنوعي هم اکنون توسط کامپيوتر هاي سريع پياده سازي مي شوند، اما ساخ تار موازي شبکه هاي عصبي، اين امکان را فراهم مي آورد که به طور سخت افزاري، توسط


پردازشگرهاي موازي، سيستم هاي نوري و تکنولوژي پياده سازي شوند. VLSIشبکه هاي عصبي مصنوعي با وجود اين که با سيستم عصبي طبيعي قابل مقايسه نيستند ويژگي هايي دارند که آن ها را در بع ضي از کاربردها مانند تفکيک الگو، رباتيک، کنترل و به طور کلي در هر جا که نياز به يادگيري يک نگاشت خطي و يا غير خطي باشد، ممتاز مي نمايد. اين ويژگي ها به شرح زير هستند:



۱- قابليت يادگيري : استخراج نتايج تحليلي از يک نگاشت غير خطي که با چند مثال مشخص شده، کار ساده اي نيست . زيرا نرون يک دستگاه غير خطي است و در نتيجه يک شبکه عصبي که از اجتماع اين نرون ها تشکيل مي شود نيز يک سيستم کاملا پيچيده و غير خطي خواهد بود . به علاوه، خاصيت غير خطي عناصر پردازش، در کل شبکه توزيع مي گردد . پياده سازي اين نتايج با يک الگوريتم معمو لي و بدون قابليت يادگيري، نياز به دقت و مراقبت زيادي دارد . در چنين حالتي سيستمي که بتواند خود اين رابطه را استخراج کند بسيار سودمند به نظر مي رسد . خصوصا افزودن مثال هاي احتمالي در آينده به يک سيستم با قابليت يادگيري، به مراتب آسانتر از انجام آن در يک سيستم بدون چنين قابليتي است، چرا که در سيستم اخير، افزودن يک مثال جديد به منزله تعويض کليه کارهاي انجام شده قبلي است. قابليت يادگيري يعني توانايي تنظيم پارامترهاي شبکه (وزن هاي سيناپتيکي ( در مسير زمان که محيط شبکه تغيير مي کند و شبکه شرايط جديد را تجربه مي کند، با اين هدف که اگر شبکه براي يک وضعيت خاص آموزش ديد و تغيير کوچکي در شرايط محيطي آن (وضعيت خاص( رخ داد، شبکه بتواند با آموزش مختصر براي شرايط جديد نيز کارآمد باشد.
۲- پراکندگي اطلاعات "پردازش اطلاعات به صورت متن ": آنچه شبکه فرا مي گيرد(اطلاعات يا دانش(، در وزن هاي سيناپسي مستتر مي باشد . رابطه يک به يک بين وروديها و وزن هاي سيناپتيکي وجود ندارد . مي توان گفت که هر وزن سيناپسي مربوط به همه ورودي ها است ولي به هيچ يک از آن ها به طور منفرد و مجزا مربوط نيست . به عبارت ديگر هر نرون در شبکه، از کل فعاليت ساير نرون ه ا متاثر است . در نتيجه، اطلاعات به صورت متن توسط شبکه هاي عصبي پردازش مي شوند . بر اين اساس چنانچه بخشي از سلولهاي شبکه حذف شوند و يا عملکرد غلط داشته باشند باز هم احتمال رسيدن به پاسخ صحيح وجود دارد . اگر چه اين احتمال براي تمام ورودي ها کاهش يافته ولي براي هيچ يک از بين نرفته است.
۳- قابليت تعميم: پس از آنکه مثال هاي اوليه به شبکه آموزش داده شد، شبکه مي تواند در مقابل يک ورودي آموزش داده نشده قرار گيرد و يک خروجي مناسب ارائه کند . اين خروجي بر اساس مکانيسم تعميم، که همانا چيزي جز فرايند درون يابي نيست به دست مي آيد. به عبارت روشن تر، شبکه، تابع را ياد مي گيرد، الگوريتم را مي آموزد و يا رابطه تحليلي مناسبي را براي تعدادي نقاط در فضا به دست مي آورد.
۴- پردازش موازي : هنگامي که شبکه عصبي در قالب سخت افزار پياده مي شود سلول هايي که در يک تراز قرار مي گيرند مي توانند ب ه طور همزمان به ورودي هاي آن تراز پاسخ دهند. اين ويژگي باعث افزايش سرعت پردازش مي شود. در واقع در چنين سيستمي، وظيفه کلي پردازش بين پردازنده هاي کوچکتر مستقل از يکديگر توزيع مي گردد.
۵- مقاوم بودن : در يک شبکه عصبي هر سلول به طور مستقل عمل مي کند و رفتار کلي شبکه، برآيند رفتارهاي محلي سلول هاي متعدد است. اين ويژگي باعث مي شود تا خطاهاي محلي از چشم خروجي نهايي دور بمانند.


مباني محاسباتي شبکه هاي عصبي
این شکل الگوی کلی يک شبکه عصبي مصنوعي را نشان داده است. در اين الگو سه لايه قابل تشخيص است

لايه ورودي: يک لايه از نرون ها که اطلاعات را از منابع بيروني دريافت مي کنند و آنها را به شبکه منتقل مي کنند.
- لايه پنهاني: يک لايه از نرون ها که اطلاعات را از لايه ورودي دريافت مي کنند و آنها را به صورت مخفي پردازش مي کنند.
- لايه خروجي: لايه اي از نرون ها که اطلاعات پردازش شده را دريافت مي کنند و آن ها را به سيستم مي فرستند.باياس: مانند يک Offsetروي سيستم عمل مي کند. عمل باياس به اين گونه است که يک سرآغاز براي فعالسازي نرون ايجاد مي کند. باياس روي لايه مخفي و لايه خروجي عمل مي کند. تعداد نرون هاي ورودي ها به تعداد متغير ورودي و تعداد نرون هاي خروجي به تعداد متغيرهاي پاسخ بستگي دارد. تعداد نرون هاي لايه مخفي هم به کاربرد شبکه بستگي دارد. مهمترين عنصر شبکه هاي عصبي، نرون
است. نرون ها شامل عناصر محاسباتي هستند
که عمل يک شبکه عصبي را انجام مي دهند.

 

[پیرجو]

عناصر محاسباتی يک نرون عبارتند از:

ورودي ها و خروجي ها: ورودي ها با an و a2 ،aو خروجي ها با bjنمايش داده شده اند. وزن ها: اين متغيرها با wnj و w2j ،w1j نمايش داده مي شوند که هر کدام به يک ورودي مرتبط هستند. اين متغيرها همانند سيناپس ها در سلول هاي عصبي واقعي هستند. آنها ضرايب تطبيق پذيري در شبکه هستند که شدت سيگنال ورودي را معين مي کنند. هر ورودي با وزن مربوطه اش ضرب شده و نرون از حاصلجمع اين حاصلضرب ها استفاده مي کند. اگر علامت وزن مثبت باشد حاصلضرب وزن در ورودي اثر نرون را تقويت مي کند و اگر منفي باشد اثر نرون را کم
مي کند. در يک شبکه عصبي مقدار وزن ها با توجه به يک توزيع آماري مشخص مي شوند و سپس در طول آموزش شبکه اين مقادير تغيير کرده و به مقدار ثابتي خواهند رسيد

بعدا میام در رابطه با بایوس ها صحبت می کنم.

 

[پیرجو]

باياس: مانند يک Offsetروي سيستم عمل مي کند. عمل باياس به اين گونه است که يک سرآغاز براي فعالسازي
نرون ايجاد مي کند. باياس روي لايه مخفي و لايه خروجي عمل مي کند.تعداد نرون هاي ورودي ها به تعداد متغير ورودي و تعداد نرون هاي خروجي به تعداد متغيرهاي پاسخ بستگي دارد.تعداد نرون هاي لايه مخفي هم به کاربرد شبکه بستگي دارد.مهمترين عنصر شبکه هاي عصبي، نرون(node, Processing element (PE))است. نرون ها شامل عناصر محاسباتي هستندکه عمل يک شبکه عصبي را انجام مي دهند. شکل زیر يک نرون از شبکه عصبي را نشان مي دهد.عناصر محاسباتی يک نرون عبارتند از:

 

[پیرجو]

an و a2 ،a ورودي ها و خروجي ها: ورودي ها با 1و خروجي ها با نمايش داده شده اند. B

وزن ها: اين متغيرها با
W نمایش داده می شوند که هر کدام که هر کدام به يک ورودي مرتبط هستند. اين متغيرها همانند سيناپس ها در سلول هاي عصبي واقعي هستند. آنها ضرايب تطبيق پذيري در شبکه هستند که شدت سيگنال ورودي را معين مي کنند. هر ورودي با وزن مربوطه اش ضرب شده و نرون از حاصلجمع اين حاصلضرب ها استفاده مي کند. اگر علامت وزن مثبت باشد حاصلضرب وزن در ورودي اثر نرون را تقويت مي کند و اگر منفي باشد اثر نرون را کم مي کند. در يک شبکه عصبي مقدار وزن ها با توجه به يک توزيع آماري مشخص مي شوند و سپس در طول آموزش شبکه اين مقادير تغيير کرده و به مقدار ثابتي خواهند رسيد. باياس ورودي: ورودي ديگر به نرون
T است که به سرآغاز(threshold) يا باياس معروف است. باياس يک مقدار تصادفي است که به صورت زير در معادله نرون وارد مي شود:

Total Activation به اندازه باياس ورودی بستگي دارد. اگر باياسي به نرون وارد نشود، باياس صفر فرض مي شود. تابع انتقال
Transfer Function or Activation Function) تابع انتقال بر روي Total Activationعمل کرده و
خروجي نرون مشخص مي شود. تابع انتقال مي تواند به صورت خطي يا غير خطي عمل کند. تعدادي از توابع انتقال به صورت زير مي باشند.

 

[shinto]

مهم سوال در مورد شبکه عصبی

مهم سوال در مورد شبکه عصبی

مهم سلام به همه .یه سوال داشتم اگه کسی میدونه لطف کنید جواب بدید.
آیا برای تعداد نرون های لایه میانی قاعده ای وجود دارد؟با تشکر

 

[پیرجو]

نه من که خبر ندارم تا اون جایی که می دونم قاعده خاصی هنوز بیان نشده... ولی می تونی به بعضی از پروژه های کارشناسی ارشد مراجعه کنی.... شاید در اون ها کسی قاعده ای رو برای خودش بکار برده باشه.
موفق باشی.

 

[Niima]

http://www.www.www.iran-eng.ir/showthread.php?t=26667&highlight=%D8%B4%D8%A8%DA%A9%D9%87+%D8%B9%D8%B5%D8%A8%DB%8C
در مورد شبکه های عصبیه ...

 

[ali_hassanzadeh]

سلام دوستان .
خوشحالم از اینکه خودم رو در جمع دوستانه شما احساس می کنم
این اولین باریه که من از این تای÷یک استفاده می کنم
اگه اشتباها در خواست خودم رو در اینجا مطرح می کنم ببخشید
امید وارم کسی بتونه به من کمک کنه
من دنبال یک برنامه open source استفاده از شبکه عصبی مصنوعی هستم
البته خیلی بهتره در محیط ویژوال بیسیک باشه یا محیط مطلب هر چند می دونم برای این در مطلب یک toolbox هست
اگه ممکنه اون رو به این ایمیل (a110from0381@yahoo.com ) برام بفرستید .باز هم از شما تشکر می کنم
اگه مقدور نیست حداقل راه ÷یدا کردن اون رو به من یاد بدبد
متشکرم

 

[اشکان فروتن]

سلام دوستان .
خوشحالم از اینکه خودم رو در جمع دوستانه شما احساس می کنم
این اولین باریه که من از این تای÷یک استفاده می کنم
اگه اشتباها در خواست خودم رو در اینجا مطرح می کنم ببخشید
امید وارم کسی بتونه به من کمک کنه
من دنبال یک برنامه open source استفاده از شبکه عصبی مصنوعی هستم
البته خیلی بهتره در محیط ویژوال بیسیک باشه یا محیط مطلب هر چند می دونم برای این در مطلب یک toolbox هست
اگه ممکنه اون رو به این ایمیل (a110from0381@yahoo.com ) برام بفرستید .باز هم از شما تشکر می کنم
اگه مقدور نیست حداقل راه ÷یدا کردن اون رو به من یاد بدبد
متشکرم

فکر کنم یه کتاب matlab در همین زمینه باشه.

 

[k_siroos]

باز نمیشه ...

باز نمیشه ...

این هم چند تا مقاله ی 2007 و 2008 از شبکه های عصبی:

1-این در مورد مدلینگ و بهینه سازی رآکتور های پلاسمای DBD کاتالیستی به کار رفته در رفرمینگ متان به کمک شبکه های عصبی است.
2-این هم کاربرد شبکه ی عصبی در تعیین نقطه ی فلش آلکان ها
3-این هم یک مقاله ی بسیار جدید و جالب درباره ی تخمین فشار بخار به کمک شبکه های عصبی

این فایل ها باز نمیشه !!! میشه یه چک بکنیدشون ؟ مرسی ...

 

[k_siroos]

شبکه های عصبی مصنوعـی - مقدمه ؛ دکتر رضا قادری


​

 

[k_siroos]

شبکه های عصبی مصنوعـی - یادگیـری ؛ دکتر رضا قادری


​

 

[پیرجو]

کاربرد شبکه های عصبی در کنترل برج های تقطیر چند جزئی

کاربرد شبکه های عصبی در کنترل برج های تقطیر چند جزئی

کاربرد شبکه های عصبی در کنترل برج های تقطیر چند جزئی

دانلود

 

[Excalibur]

مجموعه مقالات کنفرانس اینترنتی دانشگاه رازی در مورد کاربرد هوش مصنوعی در مهندسی شیمی که توسط shinto عزیز آپلود شده...
shinto جان با اجازه:
http://rapidshare.com/files/28211725...e_ANN.rar.html

 

[maryamaghazadeh]

سلام من نیاز به تدریس خصوصی شبکه عصبی مصنوعی دارم؟کسر رو سراغ دارین؟

​