مقاله شبکه های عصبی کامپیوتر

دانلود مقاله شبکه های عصبی کامپیوتر

چکیده

شبکه های عصبی مصنوعی در بسیاری از موارد تحقیق و در تخصص های گوناگون به کار گرفته شده و به عنوان یک زمینه تحقیقاتی بسیار فعال حاصل همکاری دانشمندان در چند زمینه علمی از قبیل مهندسی رایانه ، برق ، سازه ، و بیو لوژی اند . از موارد کاربرد شبکه ای عصبی می توان به طبقه بندی اطلاعات ، شناخت ویژگی های حروف و شکلها ، برآورد توابع و غیره اشاره کرد .

کاربرد شبکه های عصبی در مهندسی عمران و به خصوص سازه نیز روز به روز در حال توسعه است و بی شک در آینده شاهد فراگیر شدن و گسترش این علم در مهندسی سازه خواهیم بود . از موارد استفاده شبکه های عصبی در مهندسی عمران می توان به بهینه سازی ، تحلیل ، طراحی و پیش بینی خیز و وزن سازه ها ، تحلیل و طراحی اتصالات ، پیش بینی نتایج آزمایشات بتنی و خاکی ، کاربرد در تئوری گرافها و بسیاری از موارد دیگر اشاره کرد .

این مقاله حاوی پنج بخش است :

بخش اول به مفاهیم بنیادی شبکه های عصبی مصنوعی می پردازد و بعضی از موضوعات برای آشنایی مقدماتی به اختصار در این بخش توضیح داده شده است و شامل مدل بیولوژیکی شبکه های عصبی می باشد و همچنین سلول عصبی مصنوعی توضیح داده شده است که به منظور تقلید از خصوصیات مرتبه اول ( First order ) سلول عصبی بیولوژیکی طراحی شده است .سطح تحریک سلول عصبی که توسط جمع ورودی های وزن دار معین شده است ، در این بخش توضیح داده شده است .

شبکه های عصبی مصنوعی تک لایه و چند لایه نیز به طور مفصل مورد بحث قرار گرفته است که ساده ترین شبکه به صورت گروهی از سلول های عصبی است که در یک لایه مرتب شده اند و شبکه های چند لایه تواناییها و قابلیت های محاسباتی بیشتری را ارائه می کنند . شبکه های بازگشتی که شامل ارتباطات تغذیه برگشتی هستند ، در این شبکه ها ، خروجی های قبیل دوباره به سمت عقب به طرف ورودی ها منتشر می شوند و خروجی شان هم با استفاده از ورودی جاری و هم خروجی قبلیشان تعیین می شو د.

بخش دوم :شامل الگوریتم های آموزشی می باشد و هدف از آموزش شبکه را توضیح می دهد که یک شبکه به گونه ای آموزش داده می شود که با به کار بردن یک دسته از ورودی ها ، دسته خروجی های دلخواه تولید شود .

بخش سوم : الگوریتم انتشار برگشتی را توضیح می دهد که انتشار برگشتی یک روش سیستماتیک برای تربیت شبکه های عصبی مصنوعی چند لایه است و یک پایه ریاضی دارد که با وجود قوی بودن خیلی عملی نیست و ساختار شبکه که شامل سلول عصبی است ، توضیح داده می شود و در قسمت بعدی شبکه چند لایه که از الگوریتم انتشار برگشتی استفاده می کند ، توضیح داده می شود .

در بخش چهارم راهنمای استفاده از برنامه NETS2.01  که یک شبیه ساز عصبی است و توسط محققان در بخش هوش مصنوعی فن آوری مرکز فضایی ناسا توسعه داده شده است ، توضیح داده می شود و اهداف آن شامل دو قسمت است :

• تهیه سیستمی که حدی برای ایجاد ساختارهای عصبی شبکه عصبی که به منظور یاد گیری از روش انتشار برگشتی استفاده می کنند قابل تغییر باشد .
• تشویق کاربران عام جهت میل به یاد گیری فن اوری شبکه عصبی بدون نیاز به سخت افزار های خاص .

در بخش پنجم اموزش شبکه های عصبی مورد بحث قرار گرفته است که برای تحلیل سازه ها و طراحی سازه ها به کار گرفته می شود .

نیروی محوری المان          شماره المان         عمق سازه         طول سازه

L                           h                              NE                                p

و همچنین نرم افزار های مورد استفاده در شبکه ها که شامل NETS2.01   و Neuralworks  است ، توضیح داده شده است که نرم افزار Neuralworks خود قادر به نگاشت اطلاعات ورودی به حدود دلخواه است ولی نرم افزار NETS2.01  قادر به نگاشت اطلاعات ورودی به حدود دلخواه نیست و برای این منظور برای نگاشت اطلاعات ورودی به حدود دلخواه برنامه ای به نام m-in-net  نوشته شده است و از این برنامه برای اماده سازی اطلاعات ورودی برای برنامه NETS استفاده شده است .

در پایان این بخش شبکه عصبی برای پیش بینی وزن سازه و برای پیش بینی خیز سازه مورد بررسی قرار گرفته که توسط جداولی ، ورودی ها و خروجی های آن مشخص شده است .

و نیز یک مثال از شبکه عصبی برای تحلیل سازه ها مورد بررسی قرار گرفته است . که با استفاده از یک جدول شماره ای را برای یک المان و سازه در نظر گرفته و یک شماره برای المان در شبکه عصبی و سایر مشخصات شبکه که شامل تعداد ورودی های شبکه عصبی – نوع اطلاعات ورودی شبکه عصبی ( طول دهانه (C )  سازه فضا کار دو لایه ای بر حسب متر ) و عمق ( h ) سازه فضا کار دو لایه ای بر حسب متر و تعداد خروجی های شبکه عصبی و نوع اطلاعات خروجی شبکه و تعداد زوجهای آموزشی در نظر گرفته شده برای آموزش شبکه و تعداد زوجهای آموزشی در نظر گرفته شده برای آزمایش شبکه که با توجه به تعداد زوجهای آموزشی و کسب عملکرد و دلخواه از شبکه سازه های مختلفی را برای شبکه در نظر می گیریم ، آنها را تربیت و از میان آنها بهترین ساختار را انتخاب می نماییم .در بخش ششم هم توضیحاتی راجع به سازه های فضا کار داده می شود که از اعضای مستقیم ساخته می شوند و عمکرد آنها در فضای سه بعدی است و به انواع این سازه ها اشاره شده  است .

نتیجه گیری

امروزه تحلیل سازه ها را می توان به آسانی به وسیله کامپیوتر انجام داد ، حتی برای سازه های بزرگ و پیچیده می توان از روشهای کامپیوتری ، تحلیل سازه ها که دارای سرعت عمل بسیار زیادی هستند استفاده کرد. این روشها دارای کارایی قابل توجهی بوده و نرم افزارهای مربوط به آنها به طور گسترده در دسترسند و مواردی وجود دارد که به کارگیری روشهای تقریبی ، تحلیل در آنها موثر واقع شده و از لحاظ زمان صرفه جویی قابل توجهی صورت می گیرد .

همچنین دستیابی به تحلیل تقریبی و در عین حال دقیق و برای سازه هایی که شکل و فرم استاندارد و منظمی دارند بسیار مطلوب است . برای تحقق این امر نیز می توان از شبکه های عصبی برای تحلیل سریع این گونه سازه ها استفاده نمود .شبکه های عصبی در پیش بینی وزن و تغییر مکان سازه ها نیز می تواند مورد استفاده قرار گیرند و با استفاده از آنها بدون اینکه مجبور به طرح سازه باشیم می توانیم از وزن سازه آگاه شده و قیمت تقریبی سازه را حدس بزنیم .

همچنین در اینجا دو روش برای داده پردازی  اطلاعات مربوط به تحلیل و طراحی سازه ها ارائه شده است که کاربرد آنها موجب کاهش ماهیت غیر خطی اطلاعات و افزایش سرعت آموزش و پایداری شبکه می شود . کاربرد این دو روش در آموزش شبکه های عصبی برای تحلیل و طراحی سازه ها مخصوصاً سازه های فضا کار که در آنها ، نیرو از عضوی به عضو دیگر بسیار ممکن است تغییر کند ، الزامی است و یا باعث دقت شبکه عصبی می شود .

همچنین استفاده از الگوریتم انتشار برگشتی ( Back  propagation ) نقش قابل توجهی را در احیاء مجدد شوق و علاقه به شبکه های عصبی مصنوعی ایفاء کرده است و انتشار برگشتی یک روش سیستماتیک برای تربیت شبکه های عصبی مصنوعی چند لایه است .

فرمت : WORD | صفحات : ۱۳۱/فاقد منابع

*************************************

نکته : فایل فوق قابل ویرایش می باشد

(( برای دانلود کلیک کنید ))