نوع فایل : Word
تعداد صفحات : 53
شرح مختصر :
شبکه‌های عصبی مصنوعی Artificial Neural Network – ANN) ) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده. ایده اصلی این گونه شبکه‌ها (تا حدودی) الهام‌گرفته از شیوه کارکرد سیستم عصبی زیستی، برای پردازش داده‌ها، و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل می‌کنند و توسط سیناپسها(ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‌کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلولها می‌توانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیریاند. مثلا با اعمال سوزش به سلولهای عصبی لامسه، سلولها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‌ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثالها وزن سیناپسها به گونه‌ای تغییر می‌کند که در صورت دادن ورودیهای جدید، سیستم پاسخ درستی تولید کند. توافق دقیقی بر تعریف شبکه عصبی در میان محققان وجود ندارد؛ اما اغلب آنها موافقند که شبکه عصبی شامل شبکه‌ای از عناصر پردازش ساده (نورونها) است، که می‌تواند رفتار پیچیده کلی تعیین شدهای از ارتباط بین عناصر پردازش و پارامترهای عنصر را نمایش دهد. منبع اصلی و الهام بخش برای این تکنیک، از آزمایش سیستم مرکزی عصبی و نورونها (آکسونها، شاخه‌های متعدد سلولهای عصبی و محلهای تماس دو عصب)نشأت گرفته‌است، که یکی از قابل توجهترین عناصر پردازش اطلاعات سیستم عصبی را تشکیل میدهد. در یک مدل شبکه عصبی، گرههای ساده (بطور گسترده نورون، نئورونها، “PE” ها (عناصر پردازش) یا واحدها) برای تشکیل شبکه‌ای از گرهها، به هم متصل شده اند،به همین دلیل به آن، اصطلاح”شبکه‌های عصبی” اطلاق میشود. در حالی که یک شبکه عصبی نباید به خودی خود سازگارپذیر باشد، استفاده عملی از آن بواسطه الگوریتمهایی امکان پذیر است، که جهت تغییر وزن ارتباطات در شبکه (به منظور تولید سیگنال موردنظر) طراحی شده باشد. با استفاده از دانش برنامه‌نویسی رایانه می‌توان ساختار داده‌ای طراحی کرد که همانند یک نرون عمل نماید. سپس با ایجاد شبکه‌ای از این نورون‌های مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد. این شبکه‌ها برای تخمین (Estimation) و تقریب (Approximation)کارایی بسیار بالایی از خود نشان داده‌اند. گستره کاربرد این مدلهای ریاضی بر گرفته از عملکرد مغز انسان، بسیار وسیع می‌باشد که به عنوان چند نمونه کوچک می‌توان استفاده از این ابزار ریاضی در پردازش سیگنال‌های بیولوییکی، مخابراتی و الکترونیکی تا کمک در نجوم و فضا نوردی را نام برد.
فهرست :
مقدمه ای بر شبکه‌های عصبی مصنوعی
تاریخچه شبکه‌های عصبی مصنوعی
شبکه عصبی چیست؟
شبکه عصبی چه قابلیتهائی دارد؟
الهام از طبیعت
شبکه های عصبی در مقایسه با کامپیوترهای سنتی
مسائل مناسب برای یادگیری شبکه های عصبی
پرسپترون
الگوریتم یادگیری پرسپترون
الگوریتم gradient descent
مشکلات روش gradient descent
تقریب افزایشی gradient descent
الگوریتم Back propagation
قدرت نمایش توابع
انواع آموزش شبکه
برخی زمینه های شبکه های عصبی
سبکهای معماری شبکه‌های عصبی
قواعد یادگیری در شبکه‌های عصبی
آموزش شبکه‌های عصبی
آموزش unsupervised یا تطبیقی (Adaptive)
تفاوت‌های شبکه‌های عصبی با روش‌های محاسباتی متداول و سیستم‌های خبره
انواع یادگیری برای شبکه های عصبی
یادگیری با ناظر
یادگیری تشدیدی
یادگیری بدون ناظر
معایب شبکه های عصبی
مزیتهای شبکه های عصبی
سیستم خبره
سیستم خبره چیست؟
ساختار یک سیستم خبره
استفاده از منطق فازی
مزایا و محدودیت‌های سیستم‌های خبره
کاربرد سیستم‌های خبره
چند سیستم خبره مشهور
مروری بر کاربردهای تجاری
بازاریابی
بانکداری و حوزه های مالی
پیش بینی
پیش بینی
تبیین مفهوم ورشکستگی
متغیرهای مدل تحقیق
اطلاعات شرکتهای نمونه تحقیق
تعیین مدل شبکه عصبی سه لایه برای پیش‌بینی ورشکستگی شرکتها
تعیین مدل بهینه شبکه عصبی چهار لایه برای پیش‌بینی ورشکستگی شرکتها
مقایسه مدلهای شبکه عصبی سه و چهار لایه برای پیش‌بینی ورشکستگی اقتصادی
پیش‌بینی ورشکستگی اقتصادی شرکتها در سالهای و
روند ورشکستگی اقتصادی شرکتهای بازار بورس در دوره ـ
جمع‌بندی و نتیجه‌گیری
منابع
مقاله سیستم های مبتنی بر شبکه عصبی