دانلود مقاله مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی

فهرست مطالب

«مدل سازی رآکتور شیمیایی با شبکه‌های عصبی مصنوعی» ۱
چکیده: ۵
فصل اوّل: ۱
مقدمه ۱
مقدمه: ۲
فصل دوم: ۵
مقدمه‌ای بر مقایسه‌ی شبکه‌های عصبی بیولوژیکی و مصنوعی و شیوه‌های یادگیری در آنها ۵
۱-۲ انسان و کامپیوتر: ۶
۲-۲ ساختار مغز: ۸
شکل ۱-۲ مشخصات اصلی یک نرون بیولوژیک ۹
شکل ۲-۲ ورودی‌های نرون باید از آستانه معینی تجاوز کند تا نرون بتواند کنش کند. ۱۱
۱-۲-۲ یادگیری در سیستم‌های بیولوژیک: ۱۱
۲-۲-۲ سازمان مغز: ۱۲
۳-۲ یادگیری در ماشین‌ها: ۱۳
۴-۲ تفاوت‌ها: ۱۴
چکیده نکات مهم فصل دوم: ۱۶
فصل سوم: ۱۷
بازشناسی الگوها ۱۷
بازشناسی الگوها: ۱۸
۱-۳ مقدمه: ۱۸
۲-۳ چشم‌انداز طرح شناسی: ۱۸
۳-۳ تعریف بازشناسی الگوها: ۱۹
۴-۳ بردارهای مشخصات و فضای مشخصات: ۲۰
شکل ۱-۳ یک فضای مشخصات دوبعدی اقلیدسی ۲۱
۵-۳ توابع تشخیص‌دهنده یا ممیز ۲۱
شکل ۲-۳ محدوده‌ی تصمیم یک طبقه‌بندی خطی. ۲۳
۶-۳ فنون طبقه‌بندی: ۲۳
۱-۶-۳ روش طبقه‌بندی «نزدیک‌ترین همسایه»: ۲۳
شکل ۳-۳ طبقه‌بندی به وسیله مقایسه با «نزدیکترین همسایه» ۲۴
شکل ۴-۳ اندازه‌گیری تا نزدیک‌ترین همسایه گاه باعث خطا می‌شود. ۲۵
۲-۶-۳ میزان‌های اندازه‌گیری فاصله ۲۵
فاصله‌ی همینگ ۲۵
شکل ۵-۳  فاصله اقلیدسی ۲۷
۸-۳ بازشناسی الگوها – خلاصه : ۳۲
چکیده نکات مهم فصل سوم: ۳۲
فصل چهارم: ۳۳
نرون پایه ۳۳
۲-۴ مدل‌سازی نرون تنها: ۳۴
شکل ۲-۴ نمای مدل اصلی نرون. ۳۶
۳-۴ تابع آستانه ۳۷
شکل ۸-۴ آیا می‌توانیم Aها را از Bها تمیز دهیم؟ ۴۲
۱-۳-۴ الگوریتم فراگیری پرسپترون: ۴۵
۱-۴-۴ یادگیری و تعدیل وزنها در آدالاین: ۴۸
جدول ۳-۴) جدول ارزش گزاره مربوط به تابع   ۵۲
۲-۴-۴ قاعده دلتا برای ورودی‌ها و خروجی‌های دوقطبی: ۵۴
جدول ۸-۴) الگوی مرحله دوم استفاده از مجموعه آموزش، برای تابع   ۵۶
جدول ۹-۴) ۵۷
شکل ۹-۴ دو مجموعه‌ی مجزا از الگوها در فضای دوبعدی. ۵۸
شکل ۱۰-۴ رفتار بردار ضرایب وزنی در فضای الگوها. ۵۹
شکل ۱۱٫ ۶۰
تعاریف: ۶۱
۷-۴ محدودیت‌های پرسپترون: ۶۵
۸-۴ آیا این به معنای پایان راه است؟ ۶۷
۱-۸-۴ نتیجه‌گیری: ۶۸
فصل پنجم: ۶۹
پرسپترون چندلایه‌ای ۶۹
۱-۲-۵ رفع مشکل: ۷۰
شکل ۲-۵ دو راه ممکن برای توابع آستانه‌ای. ۷۲
شکل ۳-۵ پروسپترون چند لایه‌ای. ۷۳
شکل ۵-۵) نمایش مدل پرسپترون چند لایه به صورت اختصاری ۷۴
۱-۴-۵ ریاضیات: ۷۶
۵-۵ الگوریتم پرسپترون چند لایه‌ای: ۸۰
شکل ۶-۵ یک راه برای مسئله XOR. ۸۲
۷-۵ تجسم رفتار شبکه : ۸۵
۸-۵ پروسپترون چند لایه‌ای به عنوان دستگاه طبقه بندی:‌ ۸۹
شکل ۱۸-۵ ۹۵
آموزش تدریجی: ۹۸
آموزش یکباره: ۹۸
۱۲-۵ تعمیم‌دهی: ۱۰۰
۱۳-۵ تحمل نقص: ۱۰۲
۱۴-۵ مشکلات آموزش ۱۰۳
کاهش ضریب بهره: ۱۰۴
افزایش تعداد گره‌های داخلی ۱۰۴
۱-۱۴-۵ سایر مشکلات آموزش: ۱۰۵
۱-۱۵-۵ شبکه‌ی گویا: ۱۰۵
۲-۱۵-۵ فیلتر کردن اغتشاش ای – سی – جی (ECG) ۱۰۶
۳-۱۵-۵ کاربردهای مالی: ۱۰۷
۴-۱۵-۵ بازشناسی الگوها: ۱۰۸
فصل ششم: ۱۱۱
بررسی ویژگی‌ها و مدل‌سازی رآکتور شیمیایی مورد بحث در این پروژه: ۱۱۱
۱-۱-۶) پرسپترون‌های چندلایه: ۱۱۲
شکل ۲-۶) یک پرسپترون سه‌لایه ۱۱۳
۳-۶- آزمون صحت عملکرد مدل: ۱۱۸
۴-۶- کنترل غیر خطی پیش‌بین: ۱۲۰
۵-۶- ویژگی‌های رآکتور مورد مطالعه: ۱۲۲
شکل ۵-۶) شکل شماتیک از رآکتور مورد مطالعه ۱۲۲
شکل ۷-۶) مدل دینامیکی ۱۲۴
۷-۶) نتایج شبیه‌سازی: ۱۲۷
جدول ۱-۶) دقت تخمین، برای مدل‌های مختلف آموزش ۱۲۸
فصل هفتم: ۱۳۰
نتیجه‌گیری ۱۳۰
پیوست‌ها: ۱۳۳
بخش دوم: ۱۳۶
۲-ب- برنامه‌ی آموزش به شبکه: ۱۳۷
۳-ب- برنامه بررسی صحت عملکرد پاسخ‌های پیش‌بینی شده‌: ۱۳۸
مراجع: ۱۳۹
چکیده:
در این پروژه، ورودی‌ها و خروجی‌های یک سیستم چند ورودی و چند خروجی غیر خطی، برای ایجاد یک مدل دینامیکیِ هوشمند، استفاده شده است. بنابراین انتخاب شبکه‌های عصبی مصنوعی  از نوع پرسپترون‌های چندلایه  برای این منظور مناسب است. در کنار این نوع از مدل‌سازی، استفاده از یک شیوه‌ی مناسب برای کنترل پیشگویانه (پیش بینانه)ی مدل یاد شده، ضروری است.
مدل‌های برگشتی تصحیح شونده که از قوانین تعدیل ماتریس‌های وزنی مسیرهای ارتباطی بین نرون‌های مدل استفاده می‌کنند، در این پروژه به کار گرفته شده‌اند.
این قوانین برای آموزش سیستم، جهت کنترل و دستیابی به خروجی مطلوب در زمان‌های بعدی به کار می‌روند.
فراگیری در این سیستم نیز از نوع فراگیری با سرپرست  می‌باشد؛ به این صورت که معادله‌ی دیفرانسیل دینامیکیِ سیستم در دسترس است و بنابراین مقادیر مطلوب برای متغیر هدف، که سیستم باید به آن برسد، برای زمان‌های آینده مشخص می‌باشد و خروجی سیستم با استفاده از یک کنترل‌کننده‌ی پیش‌بین، همواره باید به این اهداف دست یابد. سیستم مورد مطالعه در این پروژه، یک رآکتور شیمیایی است که برای اختلاط پیوسته‌ی مواد شیمیایی واکنش دهنده با غلظت‌ها و مقادیر تعریف شده و تولید یک ماده‌ی محصول با یک غلظت متغیر با زمان  به کار می‌رود؛ که میزان مطلوب این غلظت در یک زمان خاص، به‌عنوان هدف مطلوبی است که سیستم باید به آن دست یابد.
همچنین به‌جای یک سیستم واقعی، از یک مدل نرم‌افزاری برای جمع‌آوری داده‌های ورودی و خروجی استفاده می شود و در نهایت، نتایج این مدل سازی موفقیت‌آمیز، توانایی روش‌های مدل سازی هوشمند را همان‌گونه که در این تحقیق آمده است، اثبات می‌کند.
Incomplete Artificial Neural Network models.
فصل اوّل:
مقدمه
مقدمه:
در کنترل با پسخور ، که به عنوان معمول‌ترین نوع کنترل سیستم‌های دینامیکی مورد استفاده قرار می‌گیرد، فرمان کنترل سیستم، با در نظر گرفتن میزان خطای محاسبه شده بین خروجی واقعی و مطلوب، صادر می‌شود.
کنترل پیش‌بین نیز که با استفاده از روش‌های هوش محاسباتی انجام می‌شود، نوعی کنترل با پسخور است. در این روش کنترلی، خطای سیستم قبل از اینکه اتفاق بیفتد، پیش‌بینی شده و برای تعیین دستور کنترل خطا، پیش از آنکه خطایی اتفاق بیفتد، استفاده می‌شود.
کنترل پیش بین در ابتدا به عنوان مدل کنترلی پیش بین کلاسیک که به یک مدل خطی، از سیستم، در فضای حالت نیاز داشت، معرفی شد.
در هر حال طبیعت غیرخطی بسیاری از سیستم‌ها، قابل صرف نظر کردن نیست؛ بنابراین مدل‌های خطیِ فضای حالت نمی‌توانند به‌درستی، خواص غیر خطی سیستم‌ها را ارائه دهند.
در چنین مواردی، تقریب کامل یا قسمتی از مدُل خطی ممکن است استفاده شود ولی در حالت کلی مدل‌های غیر خطی برای پیش بینیِ خروجی سیستم‌های غیر خطی برای اهداف کنترلی استفاده می‌شوند.
برخی از روش‌هایی که از اساس قواعد فیزیک استفاده می‌کنند، وجود دارند که می‌توانند مُدل برخی از سیستم‌ها را به طور کامل، و یا تا اندازه‌‌ی قابل قبولی، توصیف کنند و ساختارهای مدل را به‌وجود آورند.
شبکه‌های عصبی مصنوعی ۲] و [۱۱ و سیستم‌های منطق فازی  (شبکه‌های نوروفازی) ۸] [نیز می‌توانند برای مدل کردن سیستم‌ها به کار روند که به عنوان روش‌های مدل سازی هوشمند طبقه‌بندی می‌شوند. این گونه مدل‌ها باید پس از طراحی مقدماتی، توسط داده‌های ورودی و خروجی آموزش ببینند.
سیگنال داده‌های ورودی و خروجی در آموزش سیستم، به‌صورت آرایه‌ای‌از اعداد استفاده می‌شوند. آموزش سیستم به این شیوه، برای بهبود عملکرد سیستم، به شدت وابسته به خروجی مُدل می‌باشد.
در این پروژه، سیستم مورد مطالعه برای مُدل‌سازی هوشمند، یک رآکتور شیمیایی در نظر گرفته شده است که مدل نرم‌افزاری آن، در دسترس می‌باشد [۲] و داده‌های ورودی و خروجی این سیستم، با داده‌های حاصل از آزمایش یک رآکتور واقعی، جایگزین می‌شود.
رآکتور شیمیایی مورد مطالعه، یک سیستم دینامیکی غیر خطی با چند ورودی و چند خروجی  است.
هدف این تحقیق، آشکار ساختن توانایی یک مدل هوشمند، برای مقاصد پیش‌بینی غیر خطی کمیت‌های سیستم دینامیکی و پیشنهاد راه‌کارهای مفیدی جهت کاربرد سیستم‌های هوشمند است.
در واقع روش‌ پیشنهادی می‌تواند در مواقعی که مدل ریاضی دقیقی از سیستم با استفاده از روش‌های مشخص و معمول (مانند معادله‌های موازنه جرم و انرژی) در دسترس نیست، و یا اینکه ساختار ریاضی و یا پارامترهای غیر قابل اندازه‌گیری و تأثیرگذار مدل به طور قابل توجهی نامشخص باشد (مانند ایجاد خوردگی در برخی نقاط خطوط انتقال یا بدنه سیستم) مورد استفاده قرار گیرد.
یکی از ویژگی‌های برجسته‌ی این مدل هوشمند در مقایسه با روش‌های مدل سازی کلاسیک، بی‌نیازی آن در اندازه‌گیری پارامترهای سیستم (مانند پارامترهای مربوط به انتقال جرم و حرارت) است.[۸]
مرور اجمالی فصل‌های این پایان‌نامه به قرار زیر است:
فصل اول، مقدمه‌ای شامل شرح عنوان پایان‌نامه، روش تحقیق، و تشریح کامل صورت مسأله می‌باشد که از نظر گذشت. در فصل دوم مقایسه‌ای بین شبکه‌های عصبی طبیعی و مصنوعی و نحوه‌ی پردازش داده‌ها در آنها صورت گرفته است. همچنین شیوه‌های یادگیری در انسان و ماشین نیز بررسی شده‌اند.
فصل سوم به معرفی مختصر فنون طرح شناسی می‌پردازد که بخش مهمی از علوم کامپیوتری است. بیشتر مطالب ریاضی در مبحث طرح شناسی همانند مطالب ریاضی بحث شده در مورد شبکه‌های عصبی است. طرح شناسی به‌عنوان یک موضوع پایه، به شناخت ما از نحوه‌ی عملکرد شبکه‌های عصبی کمک می‌کند.
فصل چهارم به معرفی نرون پایه بیولوژیکی و مقایسه‌ی ویژگی‌های آن با پرسپترون که نرون مدل سازی شده برای استفاده در شبکه‌های عصبی مصنوعی است، می‌پردازد؛ و در ادامه به الگوریتم فراگیری پرسپترون و محدودیت‌های آموزش سیستم، توسط تک‌پرسپترون می‌پردازد.
در فصل پنجم به بررسی ساختار مدل پرسپترون چند لایه پرداخته شده و توانایی آن در حل مسائل تفکیک پذیر غیر خطی تشریح شده است. در انتهای این فصل نیز به مواردی از کابرد شبکه‌های عصبی مصنوعی از نوع پرسپترون‌های چند لایه در شبکه‌های گویا، زمینه‌های پزشکی و سیستم‌های پیش‌بین مالی و اقتصادی، اشاره شده است.
در فصل ششم نیز به اصول زمینه‌ای، کاربرد تئوری‌های مطرح شده در فصول قبل و روابط مورد نیاز برای مدل‌سازی یک رآکتور شیمیایی به عنوان یک سیستم غیر خطی پرداخته شده است. در انتها نیز نتایج حاصل از این مدل‌سازی آورده شده است.
در نهایت فصل هفتم نیز شامل نتیجه‌گیری و پیشنهاداتی در جهت تداوم تحقیق و انجام مدل‌سازی‌های جدیدی از این دست است.
فصل دوم:
مقدمه‌ای بر مقایسه‌ی شبکه‌های عصبی بیولوژیکی و مصنوعی و شیوه‌های یادگیری در آنها
۱-۲ انسان و کامپیوتر:
موجوداتی منطقی هستند و تنها اعمال منطقی را به خوبی انجام می‌دهند. چون کامپیوترها می‌توانند بعضی کارها را که ما آن‌ها را در مدت زمان قابل ملاحظه‌ای انجام می‌دهیم (چون جمع کردن اعداد)، در کم‌ترین زمان انجام دهند و یا می توانند نام‌ها و آدرس‌ها را ماه‌ها بعد به درستی به یاد بیاورند، از آن‌ها انتظار می‌رود که در سایر زمینه‌ها نیز چنین عمل کنند. بدین علت آن‌گاه که نمی‌توانند انتظارات ما را برآورده کنند مأیوس می‌شویم. هدف هوش مصنوعی را می‌توان در این جمله خلاصه کرد که می‌خواهد در نهایت به کامپیوترها و ماشین‌هایی بسیار توانمندتر از انسان (هدفی که بسیار از دنیای واقعی به‌دور است) دست یابند.
چرا کامپیوترها نمی‌توانند کارهایی را که ما انجام می‌دهیم انجام دهند؟ یکی از دلایل را می‌توان در نحوه‌ی ساختار آن‌ها جستجو کرد. به‌طور منطقی می‌توان انتظار داشت که سیستم‌هایی با ساخت مشابه عملکرد مشابهی داشته باشند. کامپیوترها طوری طراحی شده‌اند که یک عمل را بعد از عمل دیگر با سرعت بسیار زیاد انجام دهند. لیکن مغز ما با تعداد اجزای بیش‌تر اما با سرعتی کم‌تر کار می‌کند. در حالی‌که سرعت عملیات در کامپیوترها به میلیون‌ها محاسبه در ثانیه بالغ می‌شود، سرعت عملیات در مغز تقریباً بیش‌تر از ده بار در ثانیه نمی‌باشد. لیکن مغز در یک لحظه با تعداد زیادی اجزاء به طور هم‌زمان کار می‌کند، ‌کاری که از عهده کامپیوتر بر نمی‌آید. کامپیوتر ماشینی سریع اما پیاپی کار است در حالی که مغز شدیداً ساختاری موازی دارد. کامپیوترها می‌توانند عملیاتی را که با ساختار آن‌ها سازگاری دارند به خوبی انجام دهند. برای مثال شمارش و جمع کردن اعمالی پیاپی است که یکی بعد از دیگری انجام می‌شود.
بنابراین کامپیوتر می‌تواند مغز را در این عملیات کاملاً شکست دهد. لیکن دیدن و شنیدن، اعمالی شدیداً موازی‌اند که در آن‌ها داده‌های متضاد و متفاوت هرکدام باعث اثرات و ظهور خاطرات متفاوتی در مغز می‌شوند و تنها از طریق ترکیب مجموعه‌ی این عوامل متعدد است که مغز می‌تواند چنین اعمال شگفتی را انجام دهد. ساختار موازی مغز چنین توانایی را به آن می‌دهد. شاید بتوان نتیجه گرفت که یک سیستم ممکن است برای یک منظور مناسب باشد ولی برای منظورهای دیگر مناسب نباشد.
نتیجه‌ای که می‌توان گرفت این است که مسائل مورد نظر ما شدیداً خاصیت موازی دارند. این مسائل نیازمند پردازش حجم زیادی از اطلاعات متفاوت هستند که باید در تقابل با یکدیگر به حل مسأله بیانجامد. دانش لازم برای حل این مسائل هر کدام از منبع متفاوتی در مغز می‌آیند و هر کدام نقش خود را در تهیه‌ی خروجی نهایی ایفا می‌کنند. مغز با ساختاری موازی می‌تواند این دانش را در خود به‌صورتی حفظ کند که قابل دسترس باشد. مغز همچنین می‌تواند به علت نحوه‌ی عمل موازی خود این دانش را همراه با سایر تحریکات مختلف که دریافت می‌کند هم‌زمان پردازش کند. در این راه سرعت عامل مهمی نیست. آنچه مهم است موازی بودن است و مغز به خوبی برای این کار مهیا شده است.
روش محاسباتی شبکه‌های عصبی، شناخت و به کاربردن اصول راهبردی است که زیربنای فرایند مغز برای انجام این اعمال و به‌کار گیری آن‌ها در سیستم‌های کامپوتری است. ما نمی‌دانیم مغز چگونه اطلاعات سطح بالا را در خود می‌گنجاند؛ بنابراین نمی‌توانیم از آن تقلید کنیم، لیکن می‌دانیم که مغز از تعداد زیادی واحدهای بسیار کند لیکن شدیداً مرتبط با یکدیگر تشکیل شده است.
در مدل‌سازی سیستم‌های اصلی مغز، باید راه‌کاری را بیابیم که بیش‌تر با ساختار موازی مغز سازگاری داشته باشد نه با ساختار پی در پی. این مدل‌های موازی باید بتوانند دانش را به‌صورت موازی در خود جای دهند و به همین شکل نیز آن را پردازش کنند. به هر صورت، ساختار طبیعتاً موازیِ شبکه‌های عصبی، آن‌ها را مناسب به کارگیری در ماشین‌های موازی می‌کند؛ که می‌تواند مزایای بیشتری از نظر سرعت و قابلیت اطمینان داشته باشد.
در فصل‌های بعد می‌بینیم که چگونه مطالعه‌ی سیستم‌های نرون واقعی به ما این امکان را داده است که ساختارهای موازی مانند مغز را مدل سازی کنیم و به فرایندهای شبکه‌های عصبی دست یابیم که به‌تدریج به مقصود نهایی ما نزدیک می‌شوند. در حالی که حالت توازی مغز را تقلید می‌کنیم، خوب است ویژگی‌های دیگر سیستم‌های واقعی عصبی را نیز در نظر گرفته و ببینیم که آیا می‌توانیم آن‌ها را در شبکه‌های جدید خود به کار ببریم.
شاید یکی از بارزترین ویژگی‌های مغز توان فراگیری آن باشد. مغز می‌تواند به خود آموزش دهد. یادگیری از طریق مثال همان شیوه‌ای است که توسط آن اطفال زبان را فرا می‌گیرند. نوشتن، خوردن و آشامیدن را می‌آموزند و مجموعه‌ی معیارها و نکات اخلاقی را کسب می‌کنند. چنین تحولی در سیستم‌های کامپیوتری متعارف مشاهده نمی‌شود. کامپیوترها معمولاً از برنامه‌های از پیش نوشته شده‌ای پیروی می‌کنند که قدم به قدم دستورات مشخصی را در کلیه‌ی مراحل عملیاتی به آن‌ها می‌دهند. هر مرحله از کار باید به وضوح شرح داده شود. در برنامه‌های بزرگ این دستورات ممکن است از میلیون‌ها خط تجاوز کند و هر اشتباهی ممکن است انواع پیامدهای نامعلوم را در بر داشته باشد. این اشتباهات اصطلاحاً BUG نامیده می‌شوند. در واقع تجربه نشان داده است که اجتناب از این اشتباهات بسیار دشوار است و اکثر برنامه‌های بزرگ تعداد زیادی BUG دارند. حال آیا بهتر نیست به‌جای تهیه‌ی برنامه‌های کامپیوتری برای انجام کاری بتوانیم کامپیوتر را رها کنیم که خود از طریق مشاهده‌ی مثال‌ها آن کار را فراگیرد؟ شاید در نهایت به راهی بهتر از ما دست یابد و از برنامه‌ی کامپیوتری ساده‌ی ما بهتر عمل ‌کند. البته امکان دارد که این کامپیوتر نیز در ابتدا دارای BUG باشد و گاه اشتباه کند، لیکن به‌تدریج به اشتباهات خود پی خواهد برد و آن‌ها را تکرار نخواهد کرد. [۴و۵]
۲-۲ ساختار مغز:
مغز انسان پیچیده‌ترین چیزی است که تاکنون به دقت مطالعه شده و در مجموع چندان شناخته نشده است. ما هنوز جوابی به پرسشهای پایه مانند «اندیشه چیست؟» و «چگونه فکر می‌کنیم؟» نیافته‌ایم. لیکن شناختی ابتدایی را از نحوه‌ی عمل مغز در سطوح پایین‌تر کسب کرده‌ایم. مثلاً می‌دانیم که مغز تقریباً دارای ۱۰۱۰ واحد پایه نام نرون  است وهر نرون تقریبا به ۱۰۴ نرون دیگر اتصال دارد.
نرون عنصر اصلی مغز است و به تنهایی مانند یک واحد پردازش منطقی عمل می‌کند. نرون‌ها دو نوع هستند. نرون‌های داخل مغز که در فاصله‌های حدود ۱۰۰ میکرون به یکدیگر متصل‌اند و نرون‌های خارجی که قسمت‌های مختلف مغز را به یکدیگر و مغز را به ماهیچه‌ها و اعضای حسی را به مغز متصل می‌کنند. نحوه‌ی عملیات نرون بسیار پیچیده است و هنوز در سطح میکروسکوپی چندان شناخته شده نیست، هر چند قوانین پایه‌ی آن نسبتاً روشن است. هر نرون ورودی‌های متعددی را پذیراست.
شکل ۱-۲ مشخصات اصلی یک نرون بیولوژیک

که با یکدیگر به طریقی جمع می‌شوند. اگر در یک لحظه تعداد ورودی‌های فعال نرون به حد کفایت برسد نرون نیز فعال شده و آتش می‌کند. در غیر این صورت نرون به‌صورت غیرفعال و آرام باقی می‌ماند. نمایشی از ویژگی‌های عمده‌ی نرون در شکل ۱-۲ آمده است. بدنه‌ی نرون سوما  نامیده می‌شود. به سوما رشته های نامنظم طولانی متصل است که به آن‌ها دندریت  می‌گویند. قطر این رشته‌ها اغلب از یک میکرون نازک‌تر است و اشکال شاخه‌ای پیچیده‌ای دارند. شکل ظریف آن‌ها شبیه شاخه‌های درخت بدون برگ است که هر شاخه بارها و بارها به شاخه‌های نازک‌تری منشعب می‌شود.
دندریت‌ها نقش اتصالاتی را دارند که ورودی‌ها را به نرون‌ها می‌رساند. این سلول‌ها می‌توانند عملیاتی پیچیده‌تر از عملیات جمع ساده را بر ورودی‌های خود انجام دهند، لیکن عمل جمع ساده را می‌توان به‌عنوان تقریب قابل قبولی از عملیات واقعی نرون به حساب آورد.
یکی از عناصر عصبی متصل به هسته‌ی نرون، آکسون  نامیده می‌شود. این عنصر به‌عنوان خروجی نرون عمل می‌کند. اکسون‌ها همیشه در روی خروجی سلول‌ها مشاهده می‌شوند اکسون وسیله‌ای غیرخطی است که در هنگام تجاوز پتانسیل ساکن داخل هسته از حد معینی پالس ولتاژی را به میزان یک هزارم ثانیه، به نام پتانسیل فعالیت، تولید می‌کند. این پتانسیل فعالیت در واقع یک‌سری از پرش‌های سریع ولتاژ است. شکل ۲-۲ این حالت «همه یا هیچ» را نشان می دهد.
رشته‌ی اکسون در نقطه‌ی تماس معینی به نام سیناپس قطع می‌شود و در این مکان به دندریت سلول دیگر وصل می‌گردد. در واقع این تماس به‌صورت اتصال مستقیم نیست بلکه از طریق ماده‌ی شیمیایی موقتی صورت می‌گیرد. سیناپس پس از آن‌که پتانسیل آن از طریق پتانسیل‌های فعالیت دریافتی از طریق اکسون به‌اندازه‌ی کافی افزایش یافت، از خود ماده‌ی شیمیایی به نام منتقل کننده‌ی عصبی  ترشح می‌کند. منتقل کننده‌ی عصبی ترشح شده در شکاف بین اکسون و دندریت پخش می‌شود و باعث می‌گردد که دروازه‌های موجود در دندریت‌ها فعال شده و باز شود و بدین صورت یون‌های شارژ شده وارد دندریت شوند. این جریان یون است که باعث می‌شود پتانسیل دندریت افزایش یافته و باعث یک پالس ولتاژ در دندریت شود که پس از آن منتقل شده و وارد بدن نرون دیگر می‌شود. هر دندریت ممکن است تحت تأثیر تعداد زیادی سیناپس باشد و بدین صورت اتصالات داخلی زیادی را ممکن می‌سازد. در اتصالات سیناپسی تعداد دروازه‌های باز شده بستگی به مقدار منتقل کننده‌ی عصبی آزاد شده دارد و همچنین به نظر می‌رسد که پاره‌ای سیناپس‌ها باعث تحریک دندریت‌ها می‌شوند در صورتی که پاره‌ای سیناپس‌ها دندریت‌ها را از تحریک باز می‌دارند. این به معنای تغییر پتانسیل محلی دندریت‌ها در جهت مثبت یا منفی می‌باشد. یک نرون خود به تنهایی می‌تواند دارای ورودهای سیناپسی متعددی در روی دندریت‌های خود باشد و ممکن است با خروجی‌های سیناپسی متعددی به دندریت‌های نرون‌های دیگر وصل شود. [۵]
شکل ۲-۲ ورودی‌های نرون باید از آستانه معینی تجاوز کند تا نرون بتواند کنش کند.

۱-۲-۲ یادگیری در سیستم‌های بیولوژیک:
تصور می‌شود یادگیری هنگامی صورت می‌گیرد که شدت اتصال یک سلول و سلول دیگر در محل سیناپس‌ها اصلاح می‌گردد. شکل ۳-۲ ویژگی‌های مهم سیناپس را با جزئیات بیش‌تر نشان می‌دهد.
به نظر می‌رسد که این مقصود از طریق ایجاد سهوت بیش‌تر در میزان آزاد شدن ناقل شیمیایی حاصل می‌گردد. این حالت باعث می‌شود که دروازه‌های بیش‌تری روی دندریت‌های سمت مقابل باز شود و به این صورت باعث افزایش میزان اتصال دو سلول شود. تغییر میزان اتصال نرون‌ها به‌صورتی که باعث تقویت‌ تماس‌های مطلوب شود از مشخصه‌های مهم در مدل‌های شبکه‌های عصبی است. [۵]
شکل ۳-۲ ناقل شیمیایی آزاد شده از شکاف سیناپس می‌گذرد و دریافت‌کننده‌های دندریت نرون دیگر را تحریک می‌کنند.
۲-۲-۲ سازمان مغز:
مغز از قسمت‌های مختلفی تشکیل شده و هرکدام از این قسمت‌ها مسئولیت انجام وظایف متفاوتی را به عهده دارد. در انسان این سازماندهی کاملاً مشهود است. بزرگ‌ترین قسمت مغز نیمکره‌های مخ است که قسمت عمده‌ی فضای داخلی جمجمه را اشغال می‌کند. مخ ساختارلایه‌ای دارد. آخرین لایه‌ی خارجی آن قشر مغز  نامیده می‌شود، جایی که سلول‌های نرون برای تسهیل اتصالات داخلی کاملاً به هم فشرده شده‌اند. مخ بستر وظایف عالی‌تر مغز و هسته‌ی مرکزی هوش است.
به نظر می‌رسد که تقسیم وظایف در این قسمت از مغز حالت منطقه‌ای دارد، به‌طوری که هر قسمت از قشر مغز نقش جداگانه‌ای مانند کنترل دست، شنیدن و دیدن را ایفا می‌کند. ساختارهای مغزی از داده‌های محیطی تأثیر می‌پذیرند و صرفاً از طرف عوامل ژنتیکی تعیین نمی‌شوند. این حالت اصطلاحاً خودسازمان‌دهی  نامیده می‌شود زیرا هیچ آموزگار خارجی برای آموزش مغز مداخله ندارد. این ویژگی در نوعی از شبکه‌های عصبی مصنوعی خودسازمان ده مورد بحث قرار می‌گیرد که ما در این پروژه مد نظر قرار نخواهیم داد. در این نوع شبکه، کوهونن نشان می‌دهد که سیستم‌های عصبی مصنوعی می‌توانند با استفاده از قوانین ساده‌ی یادگیری شکل‌های منظمی را پدید آورند. [۵]

(( برای دانلود کلیک کنید ))