تقدیر وتشکر:
درابتدا لازم است اززحمات استاد ارجمند جناب آقای دکتر اکبرزاده برای راهنمایی دلسوزانه ایشان تشکرکنم . ازکمک ویاری کرده مهندسی کامپیوتر دانشگاه فردوسی مشهد بخصوص جناب آقای دکتر دلداری ودوست ارجمند جناب آقای حسین معین زاده که بدون کمک های ایشان انجام این پروژه بسیار مشکل وطاقت فرسا می شد تشکر کنم امیدوارم بدینوسیله توانسته باشم ذره ای اززحمات این بزرگواران راجبران کنم.
مقدمه:
خلاصه سازی روشی است برای فشرده سازی منتهای بسیاربزرگ که به دلیل روش بیشترین درمرتبط نرین اطلاعات موجود درمتن استخراج می شودآنچه که مارادراین محدود می نماید استخراج مرتبط ترین اطلاعات وعامل مهم دیگرخواندنی بودن وقابل فهم بودن متن است.
باتوجه به افزایش روزافزون اطلاعات موجود دراینترنت که به صورت الکترونیکی ارائه می شود، تحقیقات وسیعی برروی این زمینه درحال انجام است تابتوان هرچه سریع تر به مرتبط ترین اطلاعات است یافت مثلاٌ :اگر شما دراینترنت به دنبال موضوعی باشید حجم وسیعی ازصفحات اینترنتی دراختیار شما قرار نی گیرد حال باید تک تک این صفحات رابه طور کامل مطالعه ؟؟؟؟؟ به اطلاعات موردنیاز دست پیداکنیم . ولی به کمک روشهای خلاصه سازی می توان به راحتی خلاصه یک صفحه اینترنتی رادرچند جمله مشاهده کنید وسپس به به طور خلاصه سازی کلی صورت می پذیرد:
1- خلاصه سازی مبتنی برفهم مطلب
2- خلاصه سازی مبتنی براستخراج مطالب مهم
روش اول که نام دیگرآن (پرورش طبیعی زبانی) (NLP) می باشد یعنی سعی وآموزش سیستم درفهمیدن متن وباتوجه که قواعد وساختار های زبانی درباره وبایک ساختار جدید تری متن راخلاصه کند دراین روش مانیاز مند گرامر ونحوه جمله نویسی یک زبان خاص هستیم.
قدرت واهمیت این روش دراین است که ازدقت بالاتری برخوردار است ولی به دلیل سرعت پائین وپیچیدگی بسیار زیاد کمتراستفاده می شود.
روش دوم که به روش های آماری معروف هستند ابتدا متن رابه تعداد جملات خود افراد کرده وهر جمله رابایک بردار نگاشت می کنیم که این بردار ها مثال یک سری ویژگی های خاص نظیر تعداد کلمات بعد ویاتعداد اتفاقیی افتادن کلمات کلیدی درآن و... می باشد ازاین روش نیازمند یهای زیادی هستیم تابه یک کلیت ارتمام تنها بوسیله ازاین روش براساس یک سری ویژگی که بردار هرجمله تشکیل می دهند یادمیگیریم که چ=گونه جملات مزتبط بامفهوم متن راپیدا کنیم.
درسالیان اخیر شاهد حرکتی مستمر ، ازتحقیقا ت صرفاً تئوری به تحقیقات کاربردی بخصوص درزمینه پردازش اطلاعات ، برای مسائلی که برای آنه ا راه حلی موجود نیست ویا براحتی قابل حل نیستندبوده ایم. باعنایت به این امر ، علاقه فرازینده ای درتوسعه تئوریک سیستمهای دینامیکی هوشمند که مبتنی برداده ها تجربی هستتند – ایجاد شد ه است شبکه های عصبی مصنوعی جزء این دسته ازسیستمای دینامیکی قراردارند، که باپردازش روی داده ها ی تجربی ، دانش یاقانون نهفته درورای داده ها رابه ساختار شبکه منتقل می کنند. به همین خاطر به این سیستمها هوشمند گویند چراکه براساس محاسبات روی داده ها ی عددی یامثالها، قوانین کلی رافرار می گیرند .این سیستمها درمدلسازی ساختار نرو- سیناتپتیکی مغز باشد.
پیاد ه سازی ویژگیهای شگف انگیز مغز دریک سیستم مصنوعی (سیستم دینامیکی ساخته دست بشر) همیشه وسوسه انگیز ومطلوب بوده است محققینی که طی سالها در این زمینه فعالیت کرده اند بسیارند؛ لیکن نتیجه ای ن تلاشها ، صرف نظر ازیافته های ارزشمند، باور هرچه بیشتر این اصل بوده اس ت که مغز بشر دست نیافتنی است.
سبکه های عصبی چه دربعد آنالیز وتوسعه ساختاری وچه دربعد پیاده سازی سخت افزار ازنظر کمی وکیفی وتوانایی درحال رشد وپیشرفت می باشد وتکنیکهای مختلف محاسبات عصبی ازلحاظ تعداد همچنان درحال افزایش است فعالیت علمی و کاربردی درمسائل فنی – مهندسی ازقبیل سیستمهای کنترلی ،پردازش سیگنالهاو شناسایی الگو گسترش یافته است. بااذعان بخه این مسائل، دراین بخش قصد داریم به معنای شبکه های عصبی مصنوعی ، حدود انتظارات ماازاین شبکه هاوشباهتهای آنها با شبکه های واقعی بپردازیم.
هنگامی که این جملات رامطالعه می کنید درعمل ازیک سیستم شبکه های عصبی بیولوژیکی پیچیده ، جهت فهم مطالب کتاب می ناییدازمغز به عنوان یک سیستم پردازش اطلاعات باساختار موازی وکاملاً پیچیده که دو درصد وزن بدن راتشکیل می دهد.
وبیش از بیست درصد کل اکسیژن بدن را مصرف می کند برای خواندن، نفس کشیدن ، حرکت، تفکر وتفحص وکلیه اعمال آگاهانه وبسیاری ازرفتارهای ناخودآگاه استفاده می شود. جهت واضح شدن توانائی مغز، یک بازی تنیس رادرنظر بگیرید بازیکن اول به توپ ضربه مزند وتوپ باسرعتی بیش از 130کیلومتر درساعت ب ه زمین حریف می رس د حریف مقابل نیز با سرعتی معادل 60 کیلومتر درساعت به توپ ارسالی پاسخ می دهد.تصور نمایید که چه حجم عظیمی ازاطلاعات وسیگانلها جهت این کار ودرطی زمانی کمتر از چندثانیه بایستی جمع آوری وحاسبه شود. این که چگونه مغز این کارها راانجا م می دهد اززمانی مطرح شد که دریافتند مغز برای محاسبات خود، از ساختاری کاملاً مغایر باساختار متداول برخوردار می باشد.تلاش برای فهم این موضوع خصوصاً ازسال 1911قوت گرفت ، زمانی که برای نخستین بارشخصی به نام سگال اعلام کرد که مغز ازعناصر اصلی ساختاری به نام نرون تشکیل یافته است.
هرنرون بیولوژیکی به عنوان اجتماعی ازموادآلی اگر چه دارای پیچیدگی یک میکروپروسسور می باشد ولی دارای سرعت محاسباتی برابر بایک میکروپروسسور نیست.
بعضی ازساختارهای نرونی درهنگام تولد ساخته می شوند وقسمتهای دیگر درطول مسیر حیات ، مخصوصاً دراوایل زندگی به و.جود می آیند وقوام می گیرند دانشمندان علم بیولوژیکی به تازگی دریافته اند که عملکرد نرونهای بیولوژیکی ازقبیل ذخیره سازی وحفظ بیولوژیکی درخودنرونها وارتباطات بین نرونها ن هفته است. به عبارت فنی تر ، یادگیری به عنوان ایجاد ارتباطات جدید بین نرونها وتنظیم مجدد ارتباطات موجود استنباط می شود.
اگر چه دانش کمی ازعملکرد نرونها داریم، لیکن سوال این جاست که آیا می توان یک شبکه کوچک تزنرونها ی مصنوعی ساده ساخت، بطوری که جهت حل مسائل پیچیده – که دراصل چیزی جز یادگیری نگاشتها نیست- آموزش پذیر باشد؟ پاسخ مثبت است واین کتاب دراصل جوابی براین مدعاست.
انتظارات
شبکه های عصبی باوجود این که باسیستم عصبی طبیعی قابل مقایسه نیستند ویژگیهایی دارند که آنها رادربعضی ازکابردهایی مانند تفکیک الگو، رباتیک ، کنترل، وبطور کلی درهرجا که نیاز به یادگیری یک نگاشت خطی ویاغیر خطی باشد، ممتاز می نمایند این ویژگیها به شرح زیر هستند:
1- قابلیت یادگیری:
استخراج نتایج تحلیلی ازیک نگاشت غیر خطی که باچند مشخص شده، کار ساده ای نیست، زیرا نرون یک دستگا ه غیرخطی است ودرنتیجه یک شبکه عصبی که از اجتماع این نرونها تشکیل می شود نیز یک سیستم کاملاً پیچیده وغیر خطی خواهد بود. به علاوه، خاصیت غیر .خطی عناصر پردازش، ذدرکل شبکه توزیع می گردد. پیاده سازی این نتایج با یک الگوریتم معمولی وبدون قابلی ت یادگیری ، نیاز به دقت ومراقبت زیادی دارد. درچنین حالتی سیستمی که بتواند خود ای ن رابطه رااستخراج کند بسیار سودمند به نظر می رسدخصوصاًافزودن مثالهای احتمالی درآینده به یک سیستم باقابلیت یادگیری ، به مراتب آسانتر ازانجام آن دریک سیستم بدون چنین قابلیتی است، چراکه درسیستم اخیر ، افزودن یک مثال جدید به منزله تعویض کلیه کارهای انجام شده قبلی است.
قابلیت یادگیری یعنی توانایی تنظیم پارامترهای شبکه( وزنهای سیناپتیکی) درمسیرزمانی که محیط شبکه تغییر می کند وشبکه شرایط جدید راتجربه می کند بااین هدف که اگر شبکه برای یک وضعیت خاص آموزش دید وتغییر کوچکی ئرشرایط محیطی آن (وضعیت) رخ داد، شبکه بتواند باآموزش مختصر برای شرایط جدید نیزکارآمد باشد.دیگر این که اطلاعات درشبکه های عصبی درسیناپسها ذخیره می گرددوهرنرون در شبکه، به صورت بالقوه از.کل فعالیت سایر نرونها متأثرمی شود ودرنتیجه ، اطلاعات ازنوع مجزا ازهم نبوده بلکه متأثر ازکل شبکه می باشد.
فرمت این مقاله به صورت Word و با قابلیت ویرایش میباشد
تعداد صفحات این مقاله 23 صفحه
پس از پرداخت ، میتوانید مقاله را به صورت انلاین دانلود کنید
دانلودمقاله شبکه عصبی