شبکه‌های عصبی مصنوعی

دسته‌بندی شبکه‌های عصبی

شبکه‌های عصبی بر پایه برخی از ویژگی‌هایشان دسته‌بندی می‌شوند. یکی از مهم‌ترین مسائل تقسیم‌بندی شبکه‌ها، توانایی و کاربرد آنها است. ‌ ‌

یادگیری باسرپرست و بی‌سرپرست

از نظر یادگیری، شبکه‌های عصبی به چند دسته تقسیم می‌شود که دو‌‌گونه اصلی آنها یادگیری باسرپرست (بانظارت1‌)‌ و بی‌سرپرست (بدون نظارت2‌)‌‌ و البته یادگیری رقابتی3‌ ‌است. ‌

در یادگیری با سرپرست کار هر شبکه عصبی دو فاز جداگانه یادگیری4‌ ‌و آزمایش5‌ ‌را می‌پیماید. برای نمونه اگر بخواهیم یک شبکه عصبی با کاربرد پردازش تصویر بتواند تصویر دو شخص از زوایای گوناگون را از هم تشخیص دهد، نخست باید چند عکس مختلف از هر فرد به شبکه آموزش6‌ ‌داده شود. سپس می‌توان انتظار داشت که شبکه بتواند با درصدی از خطا، عکس‌های جدید آن دو را از هم تشخیص دهد.

فاز آموزش در حقیقت یافتن مقادیر مناسب بردار وزن‌ها ‌(w)‌ است. بدین ترتیب که به ازای هر نمونه آموزشی یک بردار آموزشی ‌(x)‌ به شبکه وارد می‌شوند و وزن‌ها باید با توجه به نوع نورون‌ها و قانون یادگیری و تابع فعالیت شبکه، به‌گونه‌ای تغییر کنند که خروجی به بردار هدف ‌(y)‌ نزدیکتر شود.

اما شبکه‌های بی‌سرپرست فاز یادگیری ندارند. برای نمونه اگر بخواهیم شبکه‌ای دو دسته تصویر موز و سیب را دسته‌بندی کند؛ بدون آنکه مشخص باشد هر تصویر چه چیزی را در بردارد، شبکه بی‌سرپرست خود ویژگی‌های دو گونه تصویر را در می‌یابد و آنها را در دو فضا دسته‌بندی می‌کند.

کاربردهای شبکه عصبی مصنوعی

از دیدگاه برخی از شبکه‌های عصبی دسته‌بندی‌کننده7، برخی یادآور (تداعی‌کننده8‌)‌‌ و برخی نیز خودسازمانده9‌ ‌هستند. کاربردهای متداول دیگر هم بهینه‌سازی10‌ ‌و یافتن بهترین جواب است. در ادامه برخی از این انواع به‌کوتاهی شرح داده می‌شود.

شبکه‌های عصبی دسته‌بندی‌کننده

همان‌طور که به‌کوتاهی گفتیم کار این شبکه‌ها دسته‌بندی است. برای مثال می‌خواهیم در یک کاربرد ریشه‌شناسی واژگان11‌ ‌یک شبکه عصبی ساده، تشخیص دهد که ریشه زبانی واژگان فارسی است یا عربی؟ ‌ ‌

این کار با گونه‌ای شبکه‌های دسته‌بندی کننده به‌نام «پرسپترون چندلایه‌شده یا ‌MLP‌12» با یک لایه پنهان برای واژگان 4 تا 6 حرفی فارسی و عربی انجام شده است.

بدین ترتیب که هر یک از حروف 33 گانه موجود در خط فارسی و عربی به عددی متناظر از 1– تا 1+ نگاشت می‌شود و سپس به ازای هر نمونه آزمایشی، یک بردار عددی به شبکه وارد و به‌ازای خروجی یک نورون که نشانگر فارسی بودن (1)+ و عربی بودن (1)- آن نمونه است، در خروجی اعمال می‌شود. شکل زیر این فرایند را برای واژگان 4 حرفی نمایش می‌دهد.

البته چگونگی تبدیل حروف به عدد (و به‌طور کلی تبدیل ویژگی‌های کیفی و کمی از نمونه‌ها به مقادیر قابل اعمال به شبکه عصبی)، خود هنری مهم است که به آن استخراج ویژگی13‌ ‌می‌گویند.

این شبکه عصبی پس از آموزش با حدود 100 نمونه آموزشی، توانسته است ریشه 300 نمونه آزمایشی را با دقت 92 درصد تشخیص دهد.

شبکه‌های عصبی یادآور

وظیفه اصلی شبکه‌های یادآور این است که هرآنچه که در ورودی دریافت می‌کنند، بر خروجی ظاهر کنند. این کار شاید عجیب یا بیهوده به‌نظر برسد، اما کاربردهای بسیار مهمی برای چنین شبکه‌ای وجود دارد که بیشتر در زمینه پوشش و رفع عیب یا نویز در ورودی است. ‌ ‌

برای نمونه اگر بخواهیم شبکه‌ای چهره چند شخص را بشناسد و یاد گیرد. سپس تصویر یکی از آنها که دارای نویز یا نواقص است، به شبکه وارد می‌شود و به‌طبع شبکه باید تصویر کامل (که پیشتر آموخته) را در خروجی ظاهر کند.

یکی از شبکه‌های مشهور یادآور، شبکه عصبی هاپفیلد14‌ ‌است. در یکی از پژوهش‌های انجام شده با این شبکه، تعدادی واژه به شبکه یادداده شد (مانند کیومرث، هشدار، صادق و ...) و سپس در فاز آزمایش برخی از آنها به‌صورت غلط (مانند کیومزث، هششدار و صاق) به شبکه وارد شد. شبکه هاپفیلد توانست به دقتی بیش از 80 درصد دست یابد و در نتیجه به‌عنوان مصحح غلط املایی عمل کند.

مزایا و معایب شبکه‌های عصبی مصنوعی

ورود شبکه عصبی مصنوعی به دنیای پردازش اطلاعات، قفل‌های بسیاری از مسائل غامض و لاینحل را بر روی پژوهشگران گشوده است. شبکه عصبی به این دلیل که مانند الگوریتم‌های عادی محاسبات از یک کد خطی پیروی نمی‌کند، همچون الگوریتم ژنتیک (ر.ک. کلیک 209 و210) در زمره روش‌های محاسبات نرم15‌ ‌می‌گنجد و از این رو بسیاری آن را جزو ابزارهای «هوش مصنوعی خالص» می‌دانند.

اما بر شبکه‌های عصبی ایرادهایی هم وارد است:

– کارکرد داخلی و در نتیجه تحلیل آنها حتی برای طراحان هم چندان روشن نیست.

– ظرفیت شبکه‌های کنونی از نظر تعداد نرون‌ها و لایه‌ها و نیز حافظه برای پردازش تعداد ویژگی‌ها و نمونه‌های آموزشی یا آزمایشی پایین است و هزینه شبیه‌سازی سخت‌افزاری هم بسیاری از طرح‌ها را توجیه نمی‌کند.

– پس از آموزش، با ورود نمونه آموزشی جدید به شبکه، باید از نو فاز آموزش را تکرار کرد و نمونه‌های آزمایشی هم نمی‌توانند بر تجربه شبکه بیافزایند.

با این حال به‌نظر می‌رسد که شبکه‌های عصبی مصنوعی جایگاه استواری در میان دانشمندان یافته‌اند و با توجه به این‌که در طبیعت،¨ درعمل به‌پاسخ رسیده‌اند، پژوهش‌های بیشتر روی آنها موجب رفع مشکلات کنونی خواهد شد.

پی‌نوشت‌ها

 Supervised.1‌

 Unsupervised.2‌

 Reinforcement.3‌

 Learning.4‌

Test.5‌

Training.6‌

Classifier.7‌

Associative.8‌

 Self-Organizing.9‌

 Optimization.10‌

Etymology.11‌

Multi-Layered Perceptron.12‌

 Feature Extraction.13‌

Hopfield.14‌

 Soft Computing.15‌

مراجع

– اکبر سلطان‌زاده، بیماری‌های مغز و اعصاب و عضلات، انتشارات جعفری، 1383

– عبدالرحمن نجل رحیم، جهان در مغز، انتشارات آگاه، 1378.

– محمدباقر منهاج، مبانی شبکه‌های عصبی، انتشارات دانشگاه صنعتی امیرکبیر، 1381.

– رابرت جی. شالکوف، شبکه‌های عصبی مصنوعی، ترجمه محمود جورابیان، طناز زارع و امید استوار، انتشارات دانشگاه جندی‌شاپور اهواز، 1384.

– امیرشهاب شاهمیری، مبانی هوش ساختگی به‌زبان ساده، انتشارات نظری، 1376.

– جی. راگت و دبلیو بینز، هوش مصنوعی از الف تا ی، ترجمه سهیل بیگدلی قمی و محمدرضا محسنی، دفتر تحقیقاتی یاسین، 1375.

– امیرشهاب شاهمیری، رضا صفابخش و رسول دژکام، تعیین ریشه زبانی واژگان فارسی و عربی به‌کمک شبکه‌ عصبی‌ مصنوعی، سومین کنفرانس فناوری اطلاعات و دانش ‌(2007 (IKT‌، 1386.

– امیرشهاب شاهمیری، رضا صفابخش و رسول دژکام، تصحیح خودکار غلط‌های تایپی فارسی به‌کمک شبکه عصبی مصنوعی ترکیبی، نشریه انجمن مهندسی برق ایران، 1386.

,‌‌‌‌Neurocomputing‌‌ ,‌Nielsen‌‌Robert Hecht-‌‌

‌.1990 |HNC Inc. & University of California,

امیرشهاب شاهمیری