شبکه های عصبی مصنوعی (Artificial Neural Network) الگویی برای پردازش اطلاعات می باشند که با تقلید از شبکه های عصبی بیولوژیکی مثل مغز انسان ساخته شده اند.عنصر کلیدی این الگو ساختار جدید سیستم پردازش اطلاعات آن می باشد و از تعداد زیادی عناصر (نرون) با ارتباطات قوی داخلی که هماهنگ با هم برای حل مسائل مخصوص کار می کنند تشکیل شده اند. شبکه های عصبی مصنوعی با پردازش روی داده های تجربی، دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کند که به این عمل یادگیری می گویند. اصولاً توانایی یادگیری مهمترین ویژگی یک سیستم هوشمند است. سیستمی که بتواند یاد بگیرد منعطف تر است وساده تر برنامه ریزی میشود، بنابراین بهتر میتواند در مورد مسایل و معادلات جدید پاسخگو باشد.
انسانها از زمانهای بسیار دور سعی بر آن داشتند که بیوفیزیولوژی مغز را دریابند چون همواره مسئله هوشمندی انسان و قابلیت یادگیری ،تعمیم،خلاقیت،انعطاف پذیری و پردازش موازی در مغز برای بشر جالب بوده و بکارگیری این قابلیتها در ماشینها بسیار مطلوب می نمود.روشهای الگوریتمیک برای پیاده سازی این خصایص در ماشینها مناسب نمی باشند در نتیجه می بایست روشها مبتنی بر همان مدلهای بیولوژیکی باشد.ANN درست مثل انسانها با استفاده از مثالها آموزش می بیند ; همانطور که یک بچه با دیدن انواع مختلف از یک حیوان قادر به تشخیص آن می باشد.
تاریخچه پیدایش ANN را می توان به مراحل زیر تقسیم کرد:
1. از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوژیستها سعی کردند سیستم یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد.اولین کوششها در شبیه سازی با استفاده از یک مدل منطقی توسط مک کلوک و والترپیتز انجام شد که امروز بلوک اصلی سازنده ی اکثر شبکه های عصبی مصنوعی است .این مدل فرضیه هایی در مورد عملکرد نرونها ارائه می کند .عملکرد این مدل مبتنی بر جمع ورودیها و ایجاد خروجی است . چنانچه حاصل جمع ورودی ها از مقدار آستانه بیشتر باشد اصطلاحا نرون برانگیخته می شود.نتیجه این مدل اجرای توابع ساده منطقی مثل OR وAND بود .
2. نه تنها نروفیزیولوژیستها بلکه روانشناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه های عصبی تأثیر داشتند. در 1958 شبکه پرسپترون توسط روزنبلات معرفی گردید.این شبکه نظیر واحدهای مدل شده ی قبلی بود پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده میباشد است. این سیستم میتواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند . سیستم دیگر مدل خطی تطبیقی نرون یا Adalaline (Adaptive linear element ) می باشد که در 1960 توسط ویدرو و هاف ( دانشگاه استنفورد ) بوجود آمد که اولین شبکه های عصبی بکار گرفته شده در مسائل واقعی بوده اند. Adalalineیک دستگاه الکترونیکی بود که از اجزای ساده ای تشکیل شده بود روشی که برای آموزش استفاده میشد با پرسپترون فرق داشت.
3. در 1969 مینسکی و پاپرت کتابی نوشتند که محدودیتهای سیستمهای تک لایه و چند لایه پرسپترون را تشریح کردند نتیجه این کتاب پیشداوری و قطع سرمایه گذاری برای تحقیقات در زمینه شبیه سازی شبکه های عصبی بود آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله جالبی نمی باشد تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.
4. با وجود اینکه اشتیاق عمومی و سرمایه گذاری های موجود به حداقل خود رسیده بود برخی محققان تحقیقات خود را برای ساخت ماشینهایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند ادامه دادند . از جمله گراسبرگ که شبکه ای تحت عنوان Avalanch را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد همچنین او با همکاری کارپنتر شبکه های ( Adaptive resonance theory ) ART را بنا نهادند که با مدلهای طبیعی تفاوت داشت. اندرسون و کوهونن نیز از اشخاصی بود که تکنیکهایی برای یادگیری ایجاد کردند.ورباس در 1974 شیوه آموزش پس انتشار خطا یا Back Propagation را ایجاد کرد که یک شبکه پرسپترون چند لایه بود البته با قوانین نیرومندتر آموزشی.آماری در 1967 مقاله ای در زمینه تئوری ریاضی یادگیری در ارتباط با کلاسبندی الگوهای تطبیقی ارائه داد در حالیکه فوکوشیما شیوه تفسیر کاراکترهای دستنوشته ها با استفاده از ANN چند لایه و به صورت تدریجی را ایجاد نمود .
5. پیشرفتهایی که در 1970 تا 1980 بدست آمد برای جلب توجه به شبکه های عصبی بسیار مهم بود.برخی فاکتورها نیز در تشدید این مسئله دخالت داشتند از جمله کتابها و کنفرانسهای وسیعی که برای مردم در رشته های متنوع ارائه شد.امروز نیز تحولات زیادی در تکنولوژی ANN ایجاد شده.
منبع:http://expertsystems.blogfa.com/cat-3.aspx
با سلام و تشکر از سایت شما.
از مطلبی که گذاشتید و همچنین منبعی که معرفی کرده بودید بسیار ممنونم.برای من مفید بود.