about artificial neural network (ann)

بسم اهللا الرحمن الرحیم

پروژه کالسی روش هاي کمی براي تصمیم گیري مدیران

استاد مربوطه:

دکتر بهشتی نیا

دانشجو:

وجیهه ذوقیان

تاریخچه:

شبکه هاي عصبی مصنوعی توسط مک کوالخ و پیت مطرح شد که یک مدل MPمدل 1949ال در س

آغاز افول موقت 1969خطی ساده بود. سپس پرسپترون الگوریتم هاي یادگیري را ارائه نمود. سال

ANNشبکه هاي عصبی شد. زیرا عدم توانایی شبکه هاي عصبی در حل مسائل غیر خطی آشکار شد.

مسائلی بودند که می توانستیم پاسخ هاي آن مسئله را توسط یک خط هاي آن زمان فقط قادر به حل

هاپفیلد به معرفی شبکه هاي چند الیه و الگوریتم هاي 1982در محور مختصات از هم جدا کنیم. در

راه حلی براي حل موارد غیر خطی ارائه کرد. در این زمان بود که شبکه feedbackیادگیري داراي

و روش یادگیري هیبیان مطرح شد. از نیمه RFB ،Autoregressiveسازمانده، هاي بازگشتی، خود

ها مطرح شدند که عبارت بودند از : ANNنسل سوم 90دهه

محدودیت هاي تئوري و عملی شبکهتعیین

عمومیت و حدود آن

و الگوریتم هاي ژنتیکی و منطق فازي ANNترکیب

هستند؟چه کسانی به شبکه هاي عصبی عالقه مند

Gathered by : Vajiheh Zoghiyan

مهندسان کامپیوتر: کسانی که بر روي ربات ها کار می کنند.

مهندسان برق: کسانی که بر روي سیگنال ها کار می کنند.

دانشمندان کامپیوتر: کسانی که بر روي متن کار می کنند.

ریاضی دانان: کسانی که بر روي مدل ها کار می کنند.

شبکه عصبی مصنوعی:

تعدادي عناصر مرتبط به هم به نام نرون که هر نرون داراي ورودیها و خروجی یک ساختار شبکه اي از

هایی است و یک عمل نسبتا ساده و محلی را انجام می دهد. شبکه هاي عصبی عموما عملکرد خود را

طی یک پروسه یادگیري فرا می گیرد.

ساختار نرون:

اغراق آمیز می باشد. دانشمندان "کوشند ها در مدل سازي مغز بشر می ANN "البته این سخن که

هر چه بیشتر در مورد مغز بشر تحقیق می کنند و می آموزند، بیشتر در می یابند که مغز بشر دست

اطالعات زیادي به دست آمده و ساختار سیستم عصبی انسان مغز نیافتنی است. در حقیقت در مورد

انسان بر اساس اطالعاتی و تکنولوژي که امروزه است. ولی پیاده سازي ساختاري با پیچیدگی مغز

وجود دارد غیر ممکن می باشد.

ما می توانیم یک نرون عصبی انسان و عملکرد آن را توسط مدل هاي ریاضی، مدل سازي کنیم. شکل

ساختار یک نرون طبیعی را نشان می دهد. 1

هر نرون طبیعی از سه قسمت اصلی تشکیل شده است:

1. Soma بدنه سلول

2. Dendrite دندریت


3. Axon اکسون

دندریت ها به عنوان مناطق دریافت سیگنال هاي الکتریکی، شبکه هایی تشکیل یافته از فیبرهاي

سلولی هستند که داراي سطح نامنظم و شاخه هاي انشعابی بی شمار می باشند. دندریت ها سیگنال

فراهم هاي الکتریکی را به هسته سلول منتقل می کنند. بدنه سلول انرژي الزم را براي فعالیت نرون

کرده و بر روي سیگنال هاي دریافتی عمل می کند، که با یک جمع ساده و مقایسه با یک سطح آستانه

مدل می گردد. اکسون بر خالف دندریت ها از سطحی هموارتر و تعداد شاخه هاي کمتري برخوردار می

لول را به نرون هاي باشد. اکسون طول بیشتري دارد و سیگنال هاي الکتروشیمیایی دریافتی از هسته س

دیگر منتقل می کند. محل تالقی یک اکسون از یک سلول به دندریت هاي سلول هاي دیگر را سیناپس

می گویند. توسط سیناپس ها ارتباطات مابین نرون ها برقرار می شود. به فضاي مابین اکسون و دندریت

ها فضاي سیناپسی می گویند.

دي نرون و اکسون به عنوان خروجی و فضاي سیناپسی محل اتصال در حقیقت دندریت ها به عنوان ورو

این دو می باشد. زمانی که سیگنال عصبی از اکسون به نرون ها و یا عناصر دیگر بدن مثل ماهیچه ها

می رسد، باعث تحریک آن ها می شود.

ل عصبی نرون ها از هر یک از اتصاالت ورودي خود یک ولتاژ کم دریافت می کند(توسط سیگنا

ورودي) و آن ها را با هم جمع می زند. اگر این حاصل جمع به یک مقدار آستانه رسید اصطالحا نرون

آتش می کندو روي اکسون خود یک ولتاژ خروجی ارسال می کند که این ولتاژ به دندریت هایی که به

ت سیناپسی ذخیره این اکسون متصل اند رسیده و باعث یک سري فعل و انفعاالت شیمیایی در اتصاال

ها می شود. می کند که عمدتا منجر به تغییر یون

هاي عصبی را ایجاد کرد:توان شبکهبه سه روش می MATLABافزار به طور کلی در نرم


کدنویسی .1

)Simulinkهاي بلوکی(استفاده از سیستم .2

)GUIاستفاده از محیط گرافیکی( .3

م البته یابزار شبکه عصبی را معرفی کندر جعبه GUIي استفاده از م نحوهیقصد دار جادر این

م که ابتدا با کدنویسی آشنا شوند زیرا ممکن است درجایی مجبور به یکنتوصیه می همهبه

نوشتن کد باشند مگر کسانی که شبکه عصبی، درس تخصصی آنها نبوده و فقط براي انجام

در این GUIهاي عصبی استفاده کنند که استفاده از خواهند از شبکهشان میقسمتی از پروژه

مورد بسیار ساده و سریع است.

>> Startرا در خط فرمان تایپ و اینتر کنید و یا از مسیر nntoolبراي شروع

Toolboxes << Neural Network << Neural Network Tool استفاده کنید

کنید:اي مانند شکل زیر مشاهده میپنجره


اي باز پنجرهشود، طور که مشاهده میکلیک کنید همان New براي ایجاد یک شبکه جدید، روي دگمه

:نظرتان را وارد کنیدي مورد توانید در آن پارامترهاي شبکهشود که میمی


توانید تنظیمات مربوط به شبکه عصبی مورد نظرتان را وارد کنید و در زبانه شما می Network در تب

خواهیم با یک تک حاال براي مثال اول می .کنیدهاي خود را وارد میشما داده Data دوم یعنی

ابتدا نام شبکه مورد نظر را در قسمتسازي کنیم دو ورودي را پیاده NAND پرسپترون، گیت

Name وارد کنید من نامNAND کنم سپس در قسمترا وارد می Network Type نوع شبکه را

Perceptron انتخاب کنید پس از آن به تب Data رفته و در قسمت Name نام p و در قسمت


Value ] و در0 0 1 1;0 1 0 1مقدار [ Data Type حالت Inputs خاب کرده و به رويرا انت

Create کنید آن راکلیک کنید دیالوگی مبنی بر ذخیره دیتا مشاهده می Ok کنید سپس براي

و در قسمت t نام Name هاي تارگت مشابه حالت قبل عمل کنید یعنی در قسمتي دادهذخیره

Value ] و در1 1 1 0مقدار [ Data Type حالتTargets را انتخاب کرده و به روي Create

هاي ورودي و تارگت بازگشته و داده Network کنید. به تب Ok کلیک کنید دیالوگ مشاهده شده را

:کلیک کنید بصورت زیر View را از منوي مقابلشان انتخاب کنید براي دیدن ساختار شبکه، بر دگمه


هاي ما صفر یا م تا خروجیایبینید از تابع محدود کننده سخت نامتقارن استفاده کردهطور که میهمان

کنید به پنجره اصلی Okرا کلیک، و دیالوگ پس از آن را Createیک شوند حاال براي ایجاد شبکه،

را بزنید در پنجره باز شده Openکلیک کرده و NANDبه روي Networksبازگشته و در قسمت

را Train Networkشروع آموزش رفته و مقادیر ورودي و تارگت را وارد کرده و براي Trainبه تب

ایم(اتفاقی که در هیچکدام از مسائل کنید به پرفورمانس صفر رسیدهطور که مشاهده میبفشارید همان

دانید حال به واقعی که ما با آن سروکار داریم، هرگز رخ نخواهد داد!) که دلیلش را هم احتماال می

هاي آموزشی مشاهده کنید که البته از ه ازاي دادهپنجره اصلی بازگشته و مقادیر خروجی و خطا را ب

توان حدس زد که چه مقادیري به دست آمده است.پرفورمانس صفر می

سازي کنید نتایج وحشتناکی خواهید گرفت.را پیاده XORي همین روش تابع اکنون اگر بوسیله

، تقریب بزنیم براي این MLPي یک شبکه عصبی خواهیم تابع سینوس را بوسیلهبراي مثال دوم می

:کنید عمل زیر شکل مانند و کرده را کلیک Newمنظور در پنجره مدیریت شبکه و دیتا،


ایم که در الیه اول ده نرون با تابع تبدیل تانژانت سیگموئید و الیه دوم که شبکه را دو الیه قرار داده

هاي هاي الیه خروجی برابر تعداد خروجینایم(نروهمان الیه خروجی است را تابع تبدیل خطی داده

باشد که در این مثال برابر یک است.)شبکه می


توانید از روش قبل براي ها را به شما بگم در اینجا دیگر نمیي ایجاد دادهالبته من یادم رفت که نحوه

از فضاي کاري متلب. بگیرید و یا matهاي خود استفاده کنید و باید دیتا را یا از یک فایل ایجاد داده

دستورات زیر را در خط فرمان تایپ و اینتر کنید:

;p=0:0.1:4*pi

;)t=sin(p

هاي را به ترتیب عنوان داده tو pهاي را کلیک کنید سپس داده Importي اصلی بازگشته و به پنجره

کنید. Closeکرده و سپس Importورودي و تارگت،

هاي ورودي و تارگت را وارد کرده و شبکه را ایجاد کنید. ي تنظیمات بازگشته و دادهحال به پنجره

هاي بروید و پس از وارد کردن داده Trainاید، باز کنید و به تب ذخیره کرده Sinاي را که با نام شبکه

کنید در اینجا بروید همانطور که مالحظه می Training Parametersورودي و تارگت، به تب

اي خاص، پرفورمانسی برابر توانید پارامترهاي زیادي را تغییر دهید مثال ممکن است در مسالهمی

آن عدد را وارد کنید و نیز تنظیمات دیگري از جمله goalتوانید در قسمت کافی باشد که می 0,001

زمان، تعداد مراحل آموزش و ...


:فرض قرار داده و شبکه را آموزش دهیدقادیر را پیشم


اید، تعجب نکنید.اگر به مقادیري غیر از آنچه در باال آمده، رسیده

ي اصلی ها را مشاهده کنید به پنجرهها و بایاستوانید تمام وزنمی View/Edit Weightsدر تب

هاي خروجی و خطا را به فضاي کاري متلب را کلیک کرده و شبکه و نیز داده Exportبازگردید و

انتقال دهید و کدهاي زیر را اجرا کنید:

)subplot(2,1,1

;)y1=sim(Sin,p

)'plot(p,t,p,y1,'m

;])xlim([0 4*pi]);ylim([-1 1

;)')title('Network Output (Training Data

)subplot(2,1,2

;x=0:0.001:4*pi

;)y2=sim(Sin,x

)'plot(x,sin(x),x,y2,'m


;])xlim([0 4*pi]);ylim([-1 1

;)')title('Network Output (Test Data

هاي تست نیز شود شبکه با ده نرون به خوبی آموزش دیده و براي دادهطوري که مشاهده میهمان

خروجی مناسبی داریم.

اند)هاي خروجی و تارگت روي هم افتاده(توجه کنید که در شکل، منحنی


هاي توانید با تعداد نرونترین توابع است و آن را میتوجه کنید که تابع سینوس یکی از ساده :هنکت

سازي کنید. درواقع بسته به خودتان است که چه کمتري(حتی دو سه نرون) با تقریب نسبتا خوبی پیاده

باشد که دلیل آن سازي، تابع مربعی میمیزان دقت مورد نیاز شماست. یکی از توابع سخت براي پیاده

خواهید دو تابع ي آن است به عبارتی دیگر اگر شما میروندههاي باالرونده و پائینتغییرات شدید در لبه

ي بزرگتري را براي تابع سینوسی و مربعی را با دقت یکسانی تقریب بزنید، شما مجبور هستید تا شبکه

.نید تا درك بهتري از شبکه عصبی داشته باشیدسازي کمربعی درنظر بگیرید این تابع را خودتان پیاده

تمام این مراحل را به شیوه اي دیگر اما مشابه می توان انجام داد:

جعبه ابزار شبکه گرافیکیرا اجرا کنید. محیط nntoolدستور command windowابتدا در

از منوي ظاهر Importشود. گام اول انتخاب متغیرهاي ورودي است. با انتخاب گزینه ظاهرمیعصبی

شده می توانید متغیرهاي مورد نظر را انتخاب کنید.


منوي زیر ظاهر می شود که می توانید متغیرهاي ورودي، متغیرهاي هدف و Importبا انتخاب گزینه

تعریف شده workspaceدر متغیرهارا وارد کنید. دقت کنید قبل از این گام باید متغیرهاسایر

را انتخاب کنید Importاز انتخاب هر متغیر و نوع آن گزینه باشند. پس

dataو سپس استفاده از زبانه Newراه دیگر براي انتخاب و یا تعریف متغیرهاي ورودي انتخاب گزینه

است creat Network or dataدر منوي


تعیین ویژگی هاي شبکه


Network/dataاز منوي Networksبا انجام دستورات فوق شبکه با نام موردنظر در لیست

manager قرار می گیرد


را انتخاب کنید منوي زیر openحال براي آموزش شبکه آن را از لیست فوق انتخاب نموده و گزینه

ظاهر می شود


متغیرهاي ورودي و خروجی و سایر پارامترهاي شبکه را تعیین نموده و Trainسپس با انتخاب زبانه

را انتخاب کنید. Train networkگزینه

با انجام عملیات فوق شبکه آموزش می یابد و منوي زیر ظاهر می شود. براي دیدن مراحل آموزش

را انتخاب کنید Performanceشبکه گزینه


Network/dataدر منوي workspaceبه محیط پس از آموزش شبکه براي انتقال متغیرها

manager با انتخاب متغیر و با استفاده از گزینهExport متغیر موردنظر را بهworkspace یا هر

دیگري می توان انتقال داد دلخواهیمکان


MATLABنرم افزار Helpشبکه عصبی در ToolboXاستفاده از


تفاوت شبکه عصبی با روشهاي محاسباتی متداول ( سیستم هاي خبره)

گفتیم که شبکه هاي عصبی روش متفاوتی براي پردازش و آنالیز اطالعات ارائه میدهند. اما نباید

میتواند براي حل تمام مسائل محاسباتی مورد استفاده واقع اینگونه استنباط شود که شبکه هاي عصبی

شوند. روش هاي محاسباتی متداول همچنان براي حل گروه مشخصی از مسائل مانند امور حسابداري،

انبارداري و محاسبات عددي مبتنی بر فرمول هاي مشخص، بهترین گزینه محسوب میشوند. جدول زیر

اتی را نشان میدهد.تفاوت هاي بنیادي دو روش محاسب


مشخصهروش محاسباتی متداول

(شامل سیستم هاي خبره) شبکه هاي عصبی مصنوعی

موازي ترتیبی روش پردازش

left brained( estault (right brained)منطقی( توابع

)socraticallyمثال( اب )didacticallyبه کمک قواعد( روش فراگیري

کاربردپردازي، ریاضیات، حسابداري، واژه

ارتباطات دیجیتال

پردازش حسگرها، تشخیص گفتار،

نوشتار، الگو

تالش هایی که براي اجرایی کردن سیستمهاي خبره به کار گرفته شده اند، با مشکالت مشترکی مواجه

بوده اند. با افزایش سطح پیچیدگی سیستم ها، منابع کامپیوتري مورد نیاز سیستم به شدت افزایش می

در وضعیت هکیابند و سیستم با کندي بیش از حد روبرو می شود. در حقیقت تجربه نشان داده است

فعلی سیستم هاي خبره تنها می توانند در مواقعی مفید واقع شوند که هدف محدود و مشخصی تعیین

شده باشد.

شبکه هاي عصبی در مسیري گام بر می دارند که ابزارها توانایی فراگیري و برنامه ریزي خود را داشته

مسئله را بدون کمک فرد متخصص و باشند.ساختار شبکه هاي عصبی به گونه ایی است که قابلیت حل

برنامه ریزي خارجی داشته باشند. شبکه هاي عصبی قادر به یافتن الگوهایی در اطالعات هستند که

هیچ کس، هیچ گاه از وجود آنها اطالع نداشته است.

در حالی که سیستم هاي خبره در عمل به موفقیت هاي بسیاري دست یافته اند، شبکه هاي عصبی در

رد هاي همچون دید مصنوعی، تشخیص و تولید پیوسته گفتار، فراگیري ماشینی و نظایر آن با کارب


مشکالتی رو برو بوده اند. در حال حاضر شبکه هاي عصبی کامال وابسته به سرعت پردازنده سیستم اجرا

کننده هستند.

آموزش شبکه عصبی مصنوعی

براي نمونه هاي مختلف است که با تغییر توابع منظور از آموزش شبکه، اصالح مقادیر وزن هاي شبکه

انتقال، تعداد الیه ها و گره هاي هر الیه ، و عوامل موثر در یادگیري وزن ها به صورت سعی و خطا،

خروجی مطلوب بدست می آید. بهتر است در ابتداي کار پارامتر هاي بیشتري در ورودي شبکه استفاده

دي هایی که در مقایسه با سایر ورودي ها داراي وزن کمتري شود و سپس در طول آموزش شبکه ورو

هستند میتوانند حذف شوند.

بنابراین شبکه هاي عصبی قابل آموزش و یادگیري هستند و بسته به نوع آموزش و یادگیریشان به سه

دسته تقسیم میشوند:

:) Supervizedیادگیري تحت نظارت ( .1

شبکه می گیرد. ال هاي مختلفی از آن صورت با تمرکز روي یک موضوع خاص و ارائه مث

اطالعات ورودي و مثال ها را تجزیه و تحلیل خواهد کرد به طوري که پس از مدتی قادر خواهد بود

یک نوع جدید از آن دسته مثال ها را که قبال هرگز ندیده بود شناسایی کند. در واقع در این روش

زشی ورودي، خروجی هاي متناظر نیز به شبکه نشان داده میشوند در ازاي هر دسته از الگوهاي آمو

و تغییر وزن ها تا زمانی صورت میگیرد که بردار خطا یعنی اختالف خروجی شبکه از خروجی

.مطلوب حد اقل شود

: )Unsupervizedیادگیري بدون نظارت یا یادگیري خود سامانه ( .2


اصالح و تنظیم میشوند. به عبارتی ،توسط پاسخ سیستمدر این یادگیري پارامترهاي شبکه عصبی تنها

تنها اطالعات دریافتی از محیط به شبکه را بردارهاي ورودي تشکیل میدهند. در واقع به شبکه عصبی

هیچ نمونه اي از تابعی که قرار است بیاموزد داده نمیشود. در عمل می بینیم که یادگیري با ناظر در

اد زیادي الیه هاي نورونی تشکیل شده باشد بسیار کند عمل می کند و در مورد شبکه هایی که از تعد

این گونه موارد تلفیق یادگیري تحت نظارت و یادگیري بدون نظارت پیشنهاد میگردد. در واقع در این

روش وزن ها فقط بر اساس ورودي ها اصالح میشوند و خروجی مطلوبی وجود ندارد تا با مقایسه

آن و تغییر مقدار خطا وزن ها اصالح شوند. یعنی با کشف همبستگی و خواص آماري خروجی شبکه با

.اصالح میشوندبین ورودي هاي مختلف، وزن هاي شبکه

: ) Reinforcementیادگیري تقویتی ( .3

یک اشکال یادگیري تحت نظارت این است که شبکه عصبی ممکن است بدون معلم نتواند مواضع

اده هاي جدید تجربی پوشانده نشده است یاد بگیرد. یادگیري تقویتی این جدیدي را که توسط د

صورت می گیرد. در حالی که on-line محدودیت را بر طرف میکند. این نوع یادگیري به صورت

off-lineمیتوان انجام داد. در حالت off-lineو on-lineیادگیري تحت نظارت را به دو صورت

هاي یادگیري استفاده کرد و طراحی شبکه داده اسب با در اختیار داشتن میتوان از یک سیستم مح

شبکه عصبی به عنوان یک سیستم ،عصبی را به پایان رساند. پس از مرحله طراحی و یادگیري

شبکه عصبی همراه با خود سیستم یادگیر در حال on-lineاستاتیکی عمل میکند. اما در یادگیري

-onرو مثل یک سیستم دینامیکی عمل میکند. یادگیري تقویتی یک یادگیري انجام کار است و از این

line خروجی است. این کار از طریق یک پروسه سعی و خطا به صورتی انجام -از یک نگاشت ورودي

میپذیرد که یک شاخص اجرایی موسوم به سیگنال تشدید ماکزیمم شود و بنابراین این الگو نوعی از


است که در آن به جاي فراهم نمودن جواب واقعی به شبکه عددي که نشانگر یادگیري تحت نظارت

میزان عملکرد شبکه است ارائه میشود. این بدین معنی است که اگر شبکه عصبی پارامتر هایش را به

گونه اي تغیر داد که منجر به یک حالت مساعد شد، آنگاه تمایل سیستم یادگیر جهت تولید آن عمل

ن عمل خاص آمی گردد. در غیر این صورت تمایل شبکه عصبی جهت تولید )تشدید( خاص تقویت

تضعیف می گردد. یادگیري تقویتی مثل یادگیري با ناظر نیست و این الگوریتم بیشتر براي سیستم

هاي کنترلی کاربرد دارد.

نحوه عملکرد شبکه عصبی مصنوعی

امپیوتر در نوع آدرس دهی این دو نوع حافظه یکی از مهمترین تفاوت هاي حافظه انسان با حافظا ک

میباشد. در حافظا کامپیوتر اساس کار بر پایه آدرس خانه هاي حافظه یا آدرس اطالعات بر روي حافظه

دائم میباشد. به عنوان مثال براي دستیابی به یک تصویر یا متن خاص، باید آدرس حافظه یا فایل

اشید. اما با داشتن خود تصویر یا متن نمیتوانید به سادگی آدرس مربوط به آن تصویر یا متن را داشته ب

حافظه مربوطه را بیابید.( البته به این معنی که این کار با یک قدم قابل انجام نیست، وگرنه میتوانید

تصویر یا متن مورد نظر را با تمام موارد موجود در حافظه مقایسه کرده و در صورت تطبیق آدرس را

گفته پیداست که انجام چنین کاري بسیار زمان بر و پر هزینه میباشد.)بیابید. نا

اما به سازو کار همین عمل در ذهن انسان دقت کنید. با دیدن یک تصویر ناقص اغلب بالفاصله کامل آن

را به خاطر می آورید. یا با دیدن تصویر یک شخص سریعا نام او را میگویید، یا با خواندن یک متن

می مطالب مربوط به آن را به ذهن می آورید. در واقع ذهن انسان یک نوع حافظه آدرس دهی سریعا تما

شده بر اساس محتواست. همانگونه که از این نام مشخص است در این نوع حافظه، با دادن محتواي یک

خانه حافظه، بالفاصله آدرس آن به عنوان خروجی داده میشود.


قرار است "A"که داشتن چنین حافظه اي اصوال به چه کار می آید. فرض کنید که حرف دحال ببینی

توسط ماشین از میان مجموعه اي از حروف شناسایی شود. در حالت بسیار ساده فرض بر این است که

شکل تمامی حروف الفبا در حافظه ماشین موجود است. بنابر این ماشین خیلی ساده با مقایسه ورودي

هست یا خیر. اما "A"ی با اشکال موجود در حافظه تشخیص میدهد که حرف ورودي جاري فعل

هاي حروف موجود در حافظه بسیار زیاد باشد، مقایسه وهمانگونه که پیشتر گفتیم در صورتی که الگ

ه ورودي با تک تک الگوهاي ذخیره شده عمال بسیار زمان بر است و مقدور نیست، بنابراین نیاز به حافظ

به این ترتیب که این حافظه الگوي جاري را گرفته و .آدرس دهی شده بر اساس محتوا خواهیم داشت

بالفاصله پاسخ میدهد که آیا این الگو در حافظه موجود است یا خیر.

حتی "A"اندکی دقت در مثال اخیر نشاندهنده پیچیدگی مسائلی از این دست است. تشخیص حرف

ماشین اساسا کار ساده اي نیست. دقت کنید به تنوع اشکال این حرف، سایز، به صورت چاپی هم توسط

خمیدگی ها، دقت چاپگرها، ..... و پیچیدگی مسئله زمانی چند برابر میشود که کار به تشخیص

دستنویس حروف کشیده شود.حال اگر حافظه آدرس دهی شده بر اساس محتواي ما داراي این توانایی

کمی هم دچار تغییر شده باشد باز هم آن را تشخیص دهد، حل "A"ل حرف باشد که حتی اگر شک

مسئله تا حدود زیادي ساده تر شده است. شبکه هاي عصبی داراي چنین خصلتی هستند.

انواع شبکه عصبی مصنوعی


در این نوع شبکه ها گره هاي الیه :(feed-back neural network)شبکه هاي پسخور

پس اتصاالت در این شبکه ها رفت و .هاي باالتر به گره هاي الیه هاي پایین تر سیگنال منتقل میکنند

.برگشتی است و این شبکه ها نسبت به شبکه هاي عصبی پیشخور توانایی بالقوه بیشتري دارند

یشترین پیوند ها از این نوع ب :(feed-forward neural network)شبکه هاي پیشخور

است که در آن سیگنالها تنها در یک جهت حرکت میکنند یعنی هر گره فقط به گره هاي الیه بعد

سیگنال منتقل میکند و خروجی هر الیه بر همان الیه تاثیري ندارد.

شبکه هاي رقابتی

شبکه هاي عصبی مصنوعی

پسخور شبکه هاي)Feed-back(

شبکه هاي رقابتی

شبکه هاي کوهنن

شبکه هاپفیلد

ARTمدل هاي

شبکه هاي پیشخور )Feed-forward(

پرسپترون یک الیه

پرسپترون چند الیه

شبکه هایی با تقارن شعاعی


ا همدیگر رقابت میکنند ن پیداست، خروجی سلول هاي عصبی بادر این شبکه ها همانطور که از اسمش

تا یکی از آنها که داراي امتیاز بیشتري است در رقابت برنده شده و در بین سایر سلول ها متمایز شود.

هاي رقابتی دانست. این شبکه اساسا شبکه شبکه همینگ را شاید بتوان یکی از ساده ترین نمونه هاي

ت. الگوهاي باینري الگوهاي برداري هستند جهت حل مسئله شناسایی الگوهاي باینري طراحی شده اس

را قبول میکند. این شبکه نیز در چارچوب شبکه هاي عصبی -1و 1که عناصرشان فقط دو مقدار

قرار میگیرد، چون از یک سري نرون ها به مثابه گره ها و یکسري وزنه هاي ارتباطی بین گره ها تشکیل

خروجی نرون را میسازد. شبکه همینگ از هر دو یافته است. هر گره یک سطح فعال دارد که

ساختارپیشخور و پسخور تشکیل میشود( الیه اول و سوم این شبکه از نوع پیشخور هستند). هدف

اصلی در شبکه همینگ این است که تشخیص کدام الگوي مرجع بیشترین نزدیکی را به الگوي ورودي

دارد و سپس آن را در خروجی شبکه ظاهر میکند.

شبکه عصبی خود سازمانده مدل کوهنن

کوهنن شبکه اي معموال دانش پژوهان این شبکه را یکی از سخت ترین شبکه هاي تک الیه میدانند.

در حالی که وزنها و نرون هاي خروجی .طراحی کرد که تنها پارامتر معلوم آن نرون هاي ورودي است

وند.مهمترین خصوصیت این شبکه خودسازمانده به عنوان پارامترهاي مجهولی هستند که باید پیدا ش

روش کار کوهنن به این صورت است که براي تعداد نرون هاي خروجی عددي را انتخاب بودن آن است.

نرون هاي ورودي و خروجی با میکند و از یک منطق ساده فاصله هندسی الگو را بدست می آورد.

اساس کار شبکه بر مبناي کم کردن فاصله خود از الگوهاي ورودي مقادیر باینري مقدار دهی میشوند.

مدل کوهنن یک است. مقدار وزن ها با تکرار بدست می آید و شبکه به صورت غیر خطی عمل میکند.


مدل بدون ناظر است. در این مدل تعدادي سلول عصبی که معموالً در یک توپولوژي مسطح کنار

متقابل روي یکدیگر وظیفه شبکه خود سازمانده را ایفا می کنند . این یکدیگر چیده می شوند، با رفتار

وظیفه تخمین یک تابع توزیع است .

شبکه هاي هاپفیلد

در این شبکه تمام نرونها شبیه یکدیگر عمل میکنند و هیچکدام از نرون ها به عنوان ورودي یا خروجی

شبکه هایی است که مورد بررسی که با دیگر از هم متمایز نمیشوند و این وجه بارز اختالف این شب

قرار گرفتند. نرون ها نخست توسط ورودي مقادیر اولیه میگیرند و آنگاه شبکه طوري خود را تکرار

میکند که نتیجه نهایی، همگرایی شبکه به یکی از الگوهاي مرجع باشد و یکی از معایب این شبکه این

د که جز الگوهاي مرجع نیست.است که ممکن است به برداري همگرا شو

این شبکه عصبی داراي دو عنصر گره و یال میباشد. هر گره داراي دو وضعیت فعال و غیر فعال است(

صفر و یک) و هر یال نیز داراي یک وزن میباشد. یال هایی با وزن مثبت بین دو گره، گره فعال دیگري

، گره فعال دیگري را غیر فعال میسازند.را تحریک میکند و یال هایی با وزن منفی بین دو گره

نحوه عملکرد شبکه بدین صورت است که ابتدا یک گره به تصادف انتخاب میشود اگر یک یا بیشتر از

همسایه هاي آن گره فعال بودند جمع وزن دار یال هاي منتهی به آن گره ها حساب میشود. اگر این

سپس .غیر فعال باقی خواهد ماند ت گره مذکور جمع مثبت بود گره فعال میشود در غیر این صور

مجددا یک گره دیگر به تصادف انتخاب شده و همین عملیات آنقدر تکرار میشود تا شبکه به یک حالت

حالت پایدار ندارد 4پایدار برسد. نکته این جاست که این شبکه بیش از


حالت میل خواهد کرد. تز اصلی 4نیم نهایتا شبکه به یکی از این یعنی از هر حالت ابتدایی که شروع ک

یال ها که شروع کنیم شبکه در هاپفیلد نیز در واقع همین بود که از هر حالت ابتدایی و با هر وزنی از

نهایت به حالت پایدار خواهد رسید. با دقت در کل ایده این شبکه میتوان گفت که در واقع این شبکه

نوعی حافظه عمل میکند، حافظه اي که این چهار الگو را در خود ذخیره کرده است. عالوه بر به صورت

این شبکه فوق یک حافظه آدرس دهی شده بر اساس محتواست. به این معنا که اگر از یکی از این چهار

بدین حالت به صورت ناقص شروع به کار کنیم شبکه به سوي شبیه ترین حالت میل خواهد کرد و این

معناست که شبکه قادر به شناسایی یک الگوي ناقص است.

شبکه هاي پرسپترون

برداري پرسپترون یک میشود. ساخته پرسپترون نام به محاسباتی واحد یک برمبناي عصبی این شبکه

حاصل می کند.اگر محاسبه را ورودي ها از خطی ترکیب یک و گرفته را حقیقی مقادیر با ورودیها از

خواهد 1- معادل اینصورت غیر در و 1 با برابر پرسپترون خروجی بود بیشتر آستانه مقدار یک از


به ویژه پرسپترون چندالیه در زمره کاربردي ترین شبکه هاي عصبی شبکه هاي عصبی پرسپترون، .بود

که اغلب هم زیاد این شبکه ها قادرند باانتخاب مناسب تعدادالیه ها و سلول هاي عصبی،. می باشند

نیستند، یک نگاشت غیر خطی را با دقت دلخواه انجام دهند .

مدل عمومی شبکه هاي پرسپترون، شبکه هاي جلو رونده با روال تعلیم انتشار به عقب است. شبکه

هاي جلو رونده شبکه هایی هستند که ورودي هاي الیه اول نرون هاي آن به الیه هاي بعدي متصل

سطح این مسئله صادق بوده تا به الیه خروجی برسد. روال انتشار به عقب بدین معنی بوده و در هر

است که پس از مشخص شدن خروجی شبکه، ابتدا وزن هاي الیه آخر تصحیح شده و بعد به ترتیب

اوزان الیه هاي قبل تصحیح میشوند. ساده ترین پرسپترون ها داراي دو الیه (الیه ورودي، الیه خروجی)

پیچیده تر داراي الیه هایی با نام الیه هاي پنهانی میباشند که داراي اشند. اما پرسپترون هاي میب

توانایی هاي بیشتري نسبت به پرسپترون هاي دو الیه میباشند. در کل شبکه هاي پرسپترون از یک

زیر وجود الیه ورودي، تعدادي الیه پنهان و یک الیه خروجی تشکیل شده است. در این شبکه شرایط

دارد :

نرون هاي هر الیه تنها به نرون هاي الیه بعدي متصل میباشد. .1

هر نرون به تمامی نرون هاي الیه بعد متصل است. .2

میباشد. این نرون ها فاقد 1نرون هاي الیه ورودي عملی را انجام نمیدهند و اوزان ثابت و برابر .3

تابع فشرده سازي میباشند.

چند الیه، تعداد الیه هاي پنهان میتواند هر تعداد باشد. البته در بیشتر کاربرد در شبکه هاي پرسپترون

ها یک الیه پنهان کفایت میکند، در بعضی مواقع نیز دو الیه پنهان یادگیري شبکه را ساده تر میکند.


ز . در واقع پرسپترون برداري اwیادگیري پرسپترون عبارت است از پیدا کردن مقادیر درستی براي

ورودي ها را دریافت میکند، سپس ترکیب خطی این ورودي ها را محاسبه میکند و در نهایت اگر

میشود. 1حاصل از یک مقدار آستانه بیشتر بود بر انگیخته میشود یعنی خروجی پرسپترون برابر

1 if ( w0 + w1x1 + w2x2 + … + wnxn) > 0

(x1,x2,…,xn) =

-1 otherwise

قاعده فراگیري پرسپترون چند الیه را ((قاعده کلی دلتا)) یا قاعده پس انتشار خطا گویند.

است. بدین صورت که الگویی به شبکه نحوه عمل پرسپترون چند الیه اي مشابه پرسپترون تک الیه اي

مقایسه خروجی واقعی و خروجی مطلوب باعث می .عرضه می شود و خروجی آن محاسبه می گردد

گردد که ضرایب وزنی شبکه تغییر یابد به طوري که در دفعات بعد خروجی درست تري حاصل شود.

د.روش میزان کردن ضرایب وزنی شبکه را بیان می کن ،قاعده فراگیري

می کند. ابتدا وقتی به شبکه آموزش ندیده اي الگویی را عرضه می کنیم، خروجی هاي تصادفی تولید

باید تابع خطایی را تعریف کنیم که تفاوت خروجی واقعی و خروجی مطلوب را نشان دهد. چون

وفق شدن خروجی مطلوب را می دانیم این نوع فراگیري را ((فراگیري با سرپرست)) می نامیم. براي م

در آموزش شبکه باید خروجی آن را بتدریج به خروجی مطلوب نزدیک کنیم. به عبارت دیگر باید میزان

تابع خطا را به طور دائم کاهش دهیم. براي این منظور ضرایب وزنی خطوط ارتباطی واحدها با استفاده

ه کرده و آن را به عقب از یک از قاعده کلی دلتا میزان می شود. قاعده دلتا مقدار تابع خطا را محاسب

الیه به الیه پیشین آن انتشار می دهد. عبارت ((پس انتشار)) به این علت است. ضرایب وزنی هر واحد

جداگانه میزان می شود و بدین صورت میزان خطا کاهش می یابد. این عمل در مورد واحد هاي الیه


پنهان چندان همی دانیم، ولی در مورد الی خروجی ساده است؛ زیرا خروجی واقعی و مطلوب آن ها را

روشن نیست. این گمان می رود که ضرایب وزنی واحدهاي پنهان که به واحدهاي خروجی با میزان

خطایی بزرگ متصل هستند باید بیش تر از واحدهاي پنهان که به واحدهاي مرتبط آنها خروجی تقریباً

تناسب میزان به ان می دهد که ضرایب واحدها بایدتغییر یابد. در واقع ریاضیات نش دصحیحی دارن

د. بنابراین می توان با انتشار خطا به عقب ضرایب وزنی نخطاي واحدي که به آن متصل اند تغییر کن

خطوط ارتباطی تمام الیه ها را به درستی میزان کرد. به این طریق تابع خطا کاهش و شبکه آموزش

می یابد.

هدف .برد کار به میانی ي الیه تعداد هر با عصبی هاي شبکه براي نمیتوا را انتشار پس روش

ی خروج یها، ورود از هاي مجموع ي ارائه با که شوند تعدیل اي گونه به ها وزن که است این یادگیري

خروجی -ديورو جهاي زو از زیادي تعداد با شبکه معموالً کار این براي . آیند دست به مطلوب هاي

.شوند می داده آموزش شوند، می نامیده مثال که

:است زیر شرح به آموزش روش

.)مثبت هم و منفی هم( کوچک تصادفی اعداد صورت به ها وزن انتخاب .1

.کنید انتخابآموزشی ي مجموعه از آموزشی خروجی ورودي زوج یک .2

.کنید محاسبه را شبکه خروجی و کنید وارد را ورودي بردار .3

.کنید محاسبه را )مطلوب خروجی و شبکه خروجی تفاوت( خطا میزان .4

.شود حداقل خطا که کنید تعدیل ايه گون به را شبکه هاي وزن .5

کنید تکرار آموزش مجموعه در موجود آموزشی هاي زوج از یک هر براي را 5 تا 2 هاي گام .6

.شود کم قبولی حدقابل تا خطا که جا آن تا

مزایاي شبکه عصبی مصنوعی


توانایی یادگیري اینکه چگونه وظایف خود را بر اساس اطالعات داده شده به آن : تطبیقییادگیري . 1

یعنی با توجه به پاسخ هاي موجود در محیط مربوط به موضوع، میتوانند .و یا تجارب اولیه انجام دهد

مایند.یاد بگیرند که چگونه به ورودي ها پاسخ دهند و این یادگیري را در حافظه خود نگهداري مین

هایی که در یک شبکه عصبی مصنوعی به صورت خودکار سازماندهی و ارائه داده : خود سازماندهی .2

ورودي به پاسخ و شده سازگار یادگیري ◌ٴ ها با قاعدهطول آموزش دریافت کرده را انجام دهد. نورون

.یابدمی تغییر

ند به صورت موازي و به وسیله توامحاسبات در شبکه عصبی مصنوعی می: درنگعملگرهاي بی. 3

هاي شبکه عصبی افزارهاي مخصوصی که طراحی و ساخت آن براي دریافت نتایج بهینه قابلیتسخت

مصنوعی است انجام شود. در واقع جنبه هاي مختلف الگو را یکجا در نظر میگیرد و عملیات به صورت

مرحله اي و سریال انجام نمیشود.

یابد ولی برخی امکانات آن با با ایجاد خرابی در شبکه مقداري از کارایی کاهش می : . تحمل خطا4

شود.وجود مشکالت بزرگ همچنان حفظ می

ها براي دریافت خروجی مناسب هاي عصبی قادر به دسته بندي وروديشبکه : . دسته بندي5

باشند.می

با برخورد با تعداد محدودي نمونه، یک سازد تا تنهااین خاصیت شبکه را قادر می : . تعمیم دهی6

ها را به موارد مشاهده از قبل نیز تعمیم دهد. قانون کلی از آن را به دست آورده، نتایج این آموخته

ها و روابط را به خاطر بسپارد.توانایی که در صورت نبود آن سامانه باید بی نهایت واقعیت


هم به حد کافی پایدار است تا اطالعات فراگرفته خود یک شبکه عصبی: . پایداري ، انعطاف پذیري7

تواند موارد را حفظ کند و هم قابلیت انعطاف و تطبیق را دارد و بدون از دست دادن اطالعات قبلی می

جدید را بپذیرد.

معایب شبکه عصبی مصنوعی

این مهمترین انتقادي است که به شبکه هاي عصبی وارد است. شبکه :عدم ارائه توضیح پاسخ ها.1

هاي عصبی ابزاري مناسب براي زمینه هایی است که جواب ها مهمتر از درك آنها هستند با اینکه

این شبکه ها قادر به ارائه قوانین صریح نیستند اما آنالیز حساسیت می تواند توضیح دهد که کدام

قیه هستند.ورودي ها مهمتر از ب

.امکان ارائه یک جواب زودرس نامناسب: معموالً شبکه هاي عصبی براي هر مجموعه داده هاي 2

آموزشی به جواب همگرا می شوند. متأسفانه هیچ تضمینی وجود ندارد که حل ارائه شده ،

ا بهترین مدل داده ها باشد. لذا بایستی توسط مجموعه آزمون ، مناسب بودن مدل فراهم شده ر

سنجید و سپس آن را بر روي داده هاي ناشناخته به کار برد.

.شبکه عصبی یک مدل قابل درك نیست، این شبکه بیشتر ((جعبه سیاه)) است و توضیح 3

چرایی نتایج مشکل و یا غیر ممکن است.

.همراه با بکارگیري شبکه عصبی در سیستم کامپیوتر، شرکتها و سازمان ها نیاز به مفسران و 4

خبرگان ماهر در این زمینه دارند.

.براي افراد غیر فنی توضیح و توجیح چگونگی تصمیم خیلی مشکل است.5

کاربرد هاي شبکه عصبی مصنوعی

سیستم عصبی مصنوعی در امور مالی کاربرد هایی دارد که مهمترین آن ها عبارتند از:


اي نیست؛ زیرا عوامل بازاري ه ساد پیش بینی قیمت یا بازده سهام کاربینی روند قیمت سهام: پیش

ه بسیاري در تعیین آن دخالت دارند که تمام این عوامل را نمی توان صرفاً در تحلیل تکنیکی (فقط داد

پیش بینی حرکت آتی قیمت هاي تاریخی مربوط به حرکت قیمت و حجم معامالت سهام را براي

است که استفاده از ابزارها و الگوریتم هاي محاسباتی مطالعه می کند) در نظر گرفت. بنابراین ثابت شده

پیچیده تر مانند شبکه هاي عصبی مصنوعی از مدل سازي فرایندهاي غیر خطی که منتج به قیمت و

روند سهام می شوند، پاسخهاي بهتري از روش هاي آماري به دست می دهند .

فعالیت تداوم تصمیمات ، ی تحلیلیدر حسابرسی می تواند به فرایند بررس ANNکاربرد حسابرسی:

کند. کمک دیگر موارد و

به کمک مدل شبکه هاي عصبی و مدل هاي ترکیبی، می توان ارزش اوراق بهادار و دارایی ارزشیابی :

هایی دیگري را که می خواهیم خریداري کنیم، برآورد کنیم. در این مورد باید فرایند ارزشیابی انسانی

م که در شبکه عصبی مصنوعی این مهم ممکن است.را شبیه سازي کنی

يگونه ا سیستم عصبی مصنوعی را می توان به تصویب اعتبارات :پیش بینی میزان اعتبار و

آموزش داد که اطالعات ورودي آن داده هاي مربوط به مشتریان و داده هاي خروجی مطلوب آن

باشد. هدف سیستم، تقلید از تصمیم گیرنده انسانی در اعطا یا در يتصمیمات واقعی تحلیل گران اعتبار

است. سیستم توان آن را دارد که بدون ضرورت این که اطالعات را ياعتبار ياعتبار و تعیین سقف ها

در قالب خاصی بریزیم، از داده هاي ورودي متنوع و پراکنده استفاده کند.

شده عوامل زیادي از جمله تغییر مداوم ماهیت م بهاي تما در هنگام برآوردبرآورد بهاي تمام شده:

تکنولوژي، موجود بودن مواد و دستمزد مستقیم و ارزش واحد پولی و ... باید در نظر گرفته شود.


بنابراین با توجه به این که اطالعات ورودي زیاد و بعضاً ناقص هستند شبکه ي عصبی می تواند گزینه

.اي تمام شده باشدي مناسبی براي برآورد به

البته در پاره اي از حوزه هاي پیش بینی مالی، استفاده از کامپیوتر و نرم پیش بینی و برآورد آتی:

با يافزارهاي سنتی، مطلوب تر از مدل هاي شبکه عصبی و ابزار ترکیبی است. به ویژه اگر مدل ها

سنتی ياین موارد، استفاده از مدل ها روابط شناخته شده داشته باشیم که محاسبات بسیار بطلبند، در

شتر موارد نگران تأثیر اعمال خاص روي رفتار یکامپیوتر به صرفه و منطقی است. اما تحلیل گر مالی در ب

سرمایه گذاران براساس چند اطالع پراکنده در مورد شرکت ها، از خود واکنش سرمایه گذاران است.

می گیرند که از منابع مختلف در مورد تمامی اطالعاتی قرار نمی دهند. بلکه تحت تأثیر نشان

آموزش دهیم که از يشرکت به آنان می رسد. این امکان وجود دارد که سیستم عصبی مصنوعی را طور

.رفتار سرمایه گذاران نسبت به تغییرات در شرایط کلی مالی یا تغییرات شرکت تقلید کنند

اعتبارات در باال گفتیم، در يآن چه در مورد رده بندام دهی): ارزیابی ورشکستگی( ارزیابی خطر و

مصرفی کاربرد داشت . مؤسسات مالی نیز می توانند به يو وام ها يمورد وام دهی مؤسسات تجار

وام و تصمیم در مورد پرداخت یا عدم يعصبی مصنوعی در مورد بررسی تقاضا يکمک سیستم ها

این سیستم ها تصمیم نهایی را درمورد وام هاي بزرگ نمی گیرند، پرداخت تصمیم بگیرند. هر چند که

.خروجی سیستم در این مورد حداقل نظر یکی از کارشناسان می تواند تلقی شود

مؤسسات مالی می باید گلچینی از سهام، اوراق قرضه، مدیریت پرتفوي دارایی ها و اوراق بهاردار:

زمین و مستغالت را انتخاب کنند. در مورد تعدیل خطر، وام هاي رهنی، دارایی هاي فیزیکی همچون

، آثار مالیاتی، و ساختار سررسیدها، و متغیرهاي بسیار دیگري مداوما باید تصمیم رزمان عرضه در بازا

بانک ها می باید این يو واحدهاي سرمایه گذار يسرمایه گذار اخذ شود. مدیران انواع صندوق هاي


و مالی يوقتی توجه کنیم که محیط اقتصاد ،ند. وظیفه باز هم مشکل تر می شودتصمیمات را اخذ نمای

و عدم اطمینان از يدائماً نوسان می کند. با توجه به ماهیت سازمان نیافته فرایند تصمیمات مدیر پرتفو

مدل به اجرا در آوردن يو مالی و پراکندگی اطالعات مربوط، عرصه مناسبی برا ياوضاع و احوال اقتصاد

.عصبی پدید می آید يهاي شبکه ها

اي گونه به را عصبی شبکه سیستم توان می دوباره جا این در قیمت گذراري اوراق بهادار جدید:

تصمیمات واقعی يطریق مشاهده داده ها و ستاده ها از را انسانی کارشناسان تصمیمات که داد تعلیم

اخذ شده در گذشته، تقلید کند. به عالوه، در این محیط، سیستم توان آن را دارد که بهتر از عملکرد

می تواند شامل نحوه تغییرات قیمت واقعی و يکارشناس انسانی عمل کند، چرا که اطالعات ورود

را دارد که مستقیما از تصمیم فعالیت هاي فروش مؤخر بر انتشار اوراق بهادار باشد. سیستم توان آن

گیرنده انسانی و نیز از نتایج واقعی حاصله از تصمیمات، فرا بگیرد. به عالوه ، چنین سیستمی می تواند

حتی پس از ترك شرکت توسط کارشناس انسانی به کار ارائه خدمت ادامه دهد، و بدین ترتیب دانش

کارشناسی و تجربه گرانقدر حاصله را جاودانه کند.

نتیجه گیري

انسان امروزه همواره در تالش است تا با طراحی سیستم هاي جدید، هر چه بیشتر به دستیابی به شبکه

هاي عصبی مشابه مغز و سیستم هاي عصبی انسان نزدیک تر شود. یکی از پیشرفت هاي نوین در این


مشابه شبکه هاي نرونی و زمینه، طراحی شبکه هاي عصبی مصنوعی است. ساختار کلی این شبکه ها،

سیناپسی انسان است، بدین نحو که مشابه با سیناپس عصبی انسان، این شبکه ها نیز از تعداد بیشماري

سیناپس تشکیل یافته است که تجزیه و تحلیل اطالعات ورودي به این سیناپس ها، در آنها به انجام

چنین این شبکه ها با ایده گرفتن از رسیده و نتایج آن به سیناپس هاي بعدي منتقل میگردد. هم

سیستم عصبی بدن انسان و با هدف شبیه سازي کامپیوتر به انسان، براي پردازش اطالعاتی که راه حلی

ندارد یا به راحتی قابل حل نیست، استفاده میشوند.


about artificial neural network (ann)

Small Business & Entrepreneurship