دانلود مقاله دستگاه عصبی

اختصاصی از کوشا فایل دانلود مقاله دستگاه عصبی دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 5

دستگاه عصبی

از ویکی‌پدیا، دانشنامهٔ آزاد

(تغییر مسیر از سیستم عصبی)

پرش به: ناوبری, جستجو

/

/

دستگاه عصبی

دستگاه عصبی یا سیستم عصبی یا سامانهٔ عصبی (Nervous System) در بدن جانوران به هماهنگی فعالیت‌های ماهیچه‌ها پرداخته، اندام گوناگون را تحت نظارت درآورده، و ایجاد و توقّف ورودی‌های مربوط به حواس مختلف را باعث می‌شود. وظیفه کنترل اعمال بدن بر عهدهٔ دو سامانهٔ عصبی و غده‌ای درونی می‌باشد، که از این میان، سامانهٔ عصبی، از یاخته‌های عصبی و یاخته‌های کمکی تشکیل شده‌است.

به این ترتیب دستگاه عصبی، با ساختار و کار ویژه‌ای که دارد، در جهت ایجاد هماهنگی بین اعمال سلول‌ها و اندام‌های مختلف بدن تمایز و تکامل یافته‌است. خواص ویژهٔ آن عبارت اند از تأثیرپذیری نسبت به محرک‌های خارجی، ایجاد یک جریان عصبی که نمایانگر تأثیر محرک است، هدایت جریان عصبی از یک نقطهٔ دستگاه به نقطهٔ دیگر و سرانجام انتقال آن از یک واحد عصبی به یک واحد دیگر.۱

فهرست مندرجات

[نهفتن]

۱ تقسیم‌بندی دستگاه عصبی

۱.۱ از دیدگاه کالبدشناختی

۱.۲ از دیدگاه کارکردی

۲ وظیفه دستگاه عصبی

۳ جنین شناسی دستگاه عصبی

۴ دستگاه عصبی مرکزی

۴.۱ مغز

۴.۲ نخاع

۴.۳ محافظت از دستگاه عصبی مرکزی

۴.۴ نوروگلی

۵ دستگاه عصبی محیطی

۵.۱ اعصاب مغزی

۵.۲ اعصاب نخاعی

۶ پیوند به بیرون

۷ پانویس‌ها

۸ منبع ها

[ویرایش] تقسیم‌بندی دستگاه عصبی

تقسیم‌بندی دستگاه عصبی معمولا بر دو مبنای کالبدشناختی (آناتومیک) و کارکردی صورت می‌گیرد.

[ویرایش] از دیدگاه کالبدشناختی

دستگاه عصبی را از دیدگاه کالبدشناختی به دو بخش تقسیم می‌نمایند، که عبارت‌اند از:

دستگاه عصبی مرکزی۲: از مغز و نخاع تشکیل گردیده‌است.

دستگاه عصبی محیطی۳: از۱۲ جفت رشته‌های عصبی مغزی و ۳۱ جفت رشته‌های عصبی نخاع تشکیل گردیده‌است که مغز و نخاع را به سایر قسمت‌های بدن ارتباط می‌دهند. دستگاه عصبی محیطی شامل دو بخش اصلی حسی و حرکتی است. بخش حسی اطلاعات اندام‌های حس را به دستگاه عصبی مرکزی هدایت می‌کند، و بخش حرکتی ارسال پیام عصبی را به اندام‌های حرکتی بر عهده دارد و خود شامل دو دستگاه مستقل می‌شود: دستگاه عصبی پیکری و دستگاه عصبی خودمختار.۱

[ویرایش] از دیدگاه کارکردی

از دیدگاه کارکردی سامانهٔ عصبی را به دو بخش تقسیم می‌نمایند:

دستگاه عصبی محیطی۴: بخش ارادی سامانهٔ عصبی بوده و به ماهیچه‌های اسکلتی و همچنین ماهیچه زبان عصب‌دهی می‌نماید. برخی از فعالیت‌ها در این دستگاه همچون انعکاس‌های نخاعی، غیر ارادی اند۱.

سامانه عصبی خودگردان و یا خودمختار ۵: همانطور که از نام آن مشخص است، سامانهٔ عصبی کاملاً غیر ارادی بوده که بر اعمال اندام درونی بدن، غده‌ها و... نظارت دارد و شامل دو گروه رشته‌های عصبی سمپاتیک و رشته‌های عصبی پاراسمپاتیک می‌باشد که حالت پایدار بدن را حفظ می‌کنند. عمل این دو بخش به طور معمل برخلاف یک‌دیگر است.

[ویرایش] وظیفه دستگاه عصبی

سامانهٔ عصبی سه وظیفه اصلی دارد: دریافت حواس، ترکیب داده‌ها واعمال حرکات. این فعالیت‌های عصبی به طور کلی در دو جهت انجام می‌گیرند: تنظیم فعالیت‌های درونی بدن و تنظیم موقعیت جانور نسبت به محیط اطراف. البته در اغلب موارد، هر دو نوع تنظیم عصبی داخلی و خارجی با هم کار می‌کنند.۱ دریافت حواس هنگامی اتفاق می‌افتد که بدن از راه نورون‌ها، گلیا و سیناپس‌ها به گردآوری اطلاعات و داده‌ها می‌پردازد. دستگاه عصبی از سلولهای عصبی قابل تحریک و سیناپس‌هایی پایه ریزی می‌گردد که سلول‌ها را به یکدیگر یا به مراکز سراسری و یا به دیگر نورونها متصل می‌کنند. کارکرد این نورونها بر پایه تحریک و بازدارندگی است و هرچند سلولهای عصبی از دید اندازه و مکان متفاوت هستند، ولی روش ارتباط میان آنهاست که تعیین کننده کارکرد آنها می‌باشد تفاوت دارد. این رشته‌های عصبی محرک‌های عصبی را از گیرنده‌های حسی به مغز و نخاع هدایت می‌کنند. پردازش اطلاعات درنهایت با ترکیب داده‌ها و فقط درمغز صورت می‌پذیرد. پس از پردازش اطلاعات درمغز، فرمان‌های عصبی ازطریق مغز و نخاع به ماهیچه‌ها و غده‌ها هدایت می‌شوند که به این فرایند اعمال حرکت گفته می‌شود. سلول‌های گلیا داخل بافت‌ها یافت می‌شوند و قابل تحریک نیستند.

[ویرایش] جنین شناسی دستگاه عصبی

در هفته سوم پس از لقاح، در ناحیه پشتی جنین، نوار طولی از اکتودرم ظاهر شده که دارای دو پایانه سری و دمی می‌باشد، این صفحه، صفحه عصبی (Neural Plate) گفته می‌شود، از آنجایی که رشد اطراف صفحه بیش از نواحی مرکزی آن می‌باشد پس از مدتی صفحه بصورت ناودان مانند موسوم به ناودان عصبی (Neural Groove) و با ادامه روند رشد، سرانجام بصورت لوله در امده که به آن لوله عصبی (Neural Tube) گفته می‌شود.

[ویرایش] دستگاه عصبی مرکزی

/

/

نمایی کلی از دستگاه عصبی مرکزی شامل مغز و نخاع

دستگاه عصبی مرکزی با از دو قسمت مغز و نخاع (medulla spinalis) تشکیل شده‌است. مغز در داخل حفره جمجمه‌ای جای دارد و توسط کپسولی استخوانی محافظت می‌شود. نخاع نیز در داخل حفره نخاعی جای دارد و توسط ستون مهره‌ها حمایت می‌شود. هم مغز و هم نخاع در داخل پوششی بنام مننژ قرار دارند و مایع مغزی نخاعی نیز فضای بین این اعضا و مننژ را پر کرده است۶.

دستگاه عصبی مرکزی از دو بخش ماده سفید و خاکستری (Gray and White Matter) تشکیل یافته‌است. ماده خاکستری حاوی سلول‌های عصبی و قسمت ابتدایی زواید آنها است و ماده سفید حاوی الیاف عصبی است.

[ویرایش] مغز

نوشتار اصلی: مغز

مغز در داخل حفره جمجمه‌ای جای دارد و از راه سوراخ ماگنوم به نخاع متصل می‌شود. قسمت پایینی مغز را که به طناب نخاعی متصل میشود را بنام ساقه مغز (Brain Stem) می‌شناسند و قسمت جلویی مغز را جلومغز (پروزانسفالون) (Prosencephalon) می‌نامند۶.

در رویان ۵ هفته‌ای جلومغز از دو قسمت تشکیل شده‌است: تلانسفال (Telencephalon) و دیانسفال(Diencephalon). تلانسفال که نیمکره‌های مغزی را می‌سازد و دیانسفال که چشم‌ها، هیپوفیز، تالاموس، هیپوتالاموس و اپی فیز (جسم پینه آل) را می‌سازد۷.

ساقه مغز از دو تشکیل شده‌است: مزانسفالون (Mesencephalon) یا مغز میانی و رومبانسفالون (Rhombencephalon) یا مغز خلفی.

/

/

نمای از تمایز دستکاه عصبی مرکزی در دوران جنینی

رومبانسفالون نیز از دو بخش تشکیل شده‌است: متانسفالون (Metencephalon) که در آینده پل مغز (Pons) و مخچه (Cerebellum) از آن منشا میگیرد و میلانسفالون (Myelencephalon) که در آینده پیاز مغز (Medulla oblongata) را می‌سازد۷.

وزن مغز: وزن مغز در انسان‌ها بطور متوسط بین ۱۲۵۰ تا ۱۶۰۰ گرم می‌باشد. وزن مغز با وزن بدن نیز ارتباط دارد و معمولا افراد سنگین وزن تر دارای وزن مغز بیشتری می‌باشند. متوسط وزن مغز در مردان ۱۳۵۰ گرم و در زنان ۱۲۵۰ گرم میباشد. در سن ۲۰ سالگی وزن مغز به حداکثر میزان خود می‌رسد. در سنین پیری وزن مغز به علت آتروفی وابسته به سن (age-related atrophy) کاهش می‌یابد. باید توجه داشت که میزان وزن مغز افراد با میزان هوش آنها ارتباطی ندارد۶.

/

/

برش عرضی از نخاع

[ویرایش] نخاع

نوشتار اصلی: نخاع

نخاع درون ستون مهره‌ها از پیاز مغز تا کنار پایینی اولین مهره کمری امتداد دارد و مغز را به دستگاه عصبی محیطی متصل می‌کند. نخاع در کودکان بلند تر بوده و تا کنار بالایی سومین مهره کمری امتداد دارد. نخاع علاوه بر انتقال اطلاعات حسی به مغز و پیام‌های عصبی به ماهیچه‌ها، مرکز برخی از انعکاس‌های بدن است. انعکاس (Reflex)، پاسخ ناگهانی و غیر ارادی ماهیچه‌ها در پاسخ به محرک‌هاست.

۳۱ جفت عصب به نخاع متصل است. هر عصب شامل یک ریشهٔ پشتی و یک رشتهٔ شکمی است. ریشه‌های پشتی محتوی نورون‌های حسی‌اند که اطلاعات را از گیرنده‌های حسی به دستگاه عصبی مرکزی وارد می‌کنن. ریشه‌های شکمی محتوی نورون‌های حرکتی اند که پاسخ حرکتی را از دستگاه عصبی مرکزی به ماهیچه‌ها و غده‌ها منتقل می‌کنند.

در برش عرضی نخاع دو بخش دیده می‌شود: بخشی در وسط که از جنس مادهٔ خاکستری است و شامل جسم سلولی نورون‌هاست، و بخشی از جنس مادهٔ سفید که محتوی آکسون و دندریت نورون‌هاست و بخش خاکستری را دربر گرفته‌است. همچنین در بخش خاکستری نخاع، نورون‌های رابط وجود دارند که باعث ارتباط نورون‌ها با یک‌دیگر می‌شوند.۱

[ویرایش] محافظت از دستگاه عصبی مرکزی

دیدگاه رشد عصبی در آموزش و یادگیری

اختصاصی از کوشا فایل دیدگاه رشد عصبی در آموزش و یادگیری دانلود با لینک مستقیم و پر سرعت .

فرمت فایل: word (قابل ویرایش) تعداد صفحات :9 صفحه

مغز انسان مثل یک ارکستر پیچیده است. نقشها و فعالیتهای آن، یعنی همان عملکرد های عصب شناختی، به شدت به هماهنگی، کنار هم قرار دادن و همزمان کردن احتیاج دارد. درست مانند هر ارکستر دیگری، نقش هر نوازنده بنابر موقعیت تغییر می‌کند. و همان طور که گاهی نقش سازهای زهی یا بادی در موسیقی پر رنگ تر می‌شود، عملکردهای عصب شناختی متفاوتی به هنگام خواندن زبان،ریاضی، گزارش نوشتن یا ورزش کردن تعیین کننده می‌شوند.همان طور که در یک ارکستر، سازها ایجاد هارمونی می‌کنند، عملکردهای عصب شناختی متفاوت با هم تعامل می‌کنند تا دانش آموز قادر به کسب دانش، مهار یا زیر مهارت‌ها باشد یا بتواند فعالیتهای خاص مدرسه مثل سازمان دهی، طرح ریزی کارا و استراتژیک را انجام دهد. وقتی دانش آموزان در یادگیری یک مهارت آکادمیک خاص به مشکل بر می‌خورند؛ والدین، معلمان و متخصصان باید ناحیه بروز مشکل را معین کنند تا زیر مهارتهای ضعیف مشخص شده و برنامه ای برای قوی کردن نواحی قدرت و نواحی دارای نیاز به بهبود، طراحی گردد.

شبکه های عصبی Neural Network

اختصاصی از کوشا فایل شبکه های عصبی Neural Network دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 16

شبکه های عصبی Neural Network

شبکه‌های عصبی مصنوعیArtificial Neural Network

چکیده:شبکه‌های عصبی مصنوعی از مباحث جدیدی است که دانشمندان علوم کامپیوتر به آن علاقمند شده‌اند و برای پیشرفت هرچه بیشتر علوم کامپیوتر وقت و هزینه بسیاری را صرف آن کرده و می‌کنند. این موضوع با ایده گرفتن از سیستم عصبی بدن انسان و با هدف شبیه‌سازی هرچه بیشتر کامپیوتر به انسان شکل گرفت و تا حال به خوبی پیشرفته است. از جمله کاربردهای این بحث می‌توان از شناسایی الگوها, پردازش تصویر و رویت, هوش مصنوعی, کنترل رباتها و موارد بسیار دیگر نام برد. ما در این مقاله پس از مقدمه به مسائل در خور شبکه‌های عصبی مصنوعی و نیز کاربردهای آن خواهیم پرداخت, در ادامه Perceptron ها را که یکی از مهمترین الگوریتم‌های شبکه‌های عصبی مصنوعی می‌باشد معرفی می‌کنیم.

1- مقدمه1-1- ایده پیدایش شبکه‌های عصبی مصنوعیآیا کامپیوتر میتواند همان نوع از محاسباتی را که یک فرد هوشمند انجام میدهد به کار گیرد؟بسیاری از دانشمندان عقیده داشته ودارند که این بحث باید مورد توجه قرار گیرد. شبکه‌های عصبی در حل مسائل یک جهت جدید و متمایز نسبت به کامپیترهای عمومی می‌گشود. کامپیوترهای عمومی از یک الگوریتم استفاده می‌کنند یعنی برای حل مسائل از یک سری دستورات از پیش تعیین شده پیروی می‌کنند مگر در مواقع ویژه‌ای که کامپیوتر نیاز به یک‌سری اطلاعات برای حل مسئله دارد. و همین مسئله توانایی پردازش را از کامپیوترهای عمومی به مسائلی که ما قبلا فهمیده‌ایم و روش حل آنها را شناخته‌ایم محدود می‌کند و تنها سرعت عمل و قدرت در حل نمونه‌های بزرگتر را به همراه دارند. اما کامپیوترها باید به قدری مفید باشند که بتوانند کارهایی را انجام دهند که واقعا ما نمی‌دانیم چگونه باید آنها را انجام دهیم.1-2- بررسی سلولهای مغزی افرادتحقیق درباره سلولهای مغزی افراد و همچنین شناخت ‌‌Neuron ها یا رشته‌های مغزی وبیان یک راه نسبتا متفاوت که یک سیستم هوشمند را بنا می‌کند شروع شد. مغز بشر متشکل از میلیونها نرون عصبی منحصر بفرد است واین رشته‌های عصبی به اشکال و اندازه‌های مختلف تغییر می‌کنند.. هر نرون عموما یک هسته دارد و یک‌سری سلولهای عصبی Axon (آکسون)ـ که علائم خروجی را به سلولهای عصبی نرون دیگر حمل می‌کنندـ و Dendrite ها (شاخه‌های سلولهای عصبی). علائم در سلولهای عصبی میان شاخه‌های سلولهای عصبی ونواحی خروجی جریان دارند.در اینجا برای حالت برانگیزش باید آشفتگی از یک حدی تجاوز کند که آستانه یا سرحد نامیده می‌شود و پس از برانگیزش نرون‌ها پیامهایی برای نرون‌های دیگر می‌فرستند و خود را برای دریافت و پاسخ به اطلاعات عمومی آماده می‌کنند.

1-3- تاریخچهشبکه‌های عصبی دهها سال است که جلب توجه می‌کنند وتاکنون راه حلهایی برای استفاده از هوش بشری ارائه شده است. اولین نرون مصنوعی درسال 1943 توسط نروفیزیولوژیست وارن‌مک‌کالوک و منطق دان والتر‌پیتز تولید شد.در دهه 60 به دلایلی که خارج از بحث این مقاله است مردم به‌سوی شبکه‌های عصبی متمایل شدند و تنها در دهه 80 دانشمندان توانایی‌های واقعی شبکه‌های عصبی را دیدند.2- شبکه‌های عصبی مصنوعی2-1- شبکه‌های عصبی مصنوعیشبکه‌های عصبی شبیه به مغز انسان اطلاعاتی را پردازش می‌کنند. شبکه‌ از تعداد زیادی سلولهای عصبی(Neuron ها) تشکیل شده با پردازشی بسیار بزرگ و به‌هم پیوسته که در حل موازی مسائل ویژه مشغول به کارند.یادگیری شبکه‌های عصبی از طریق مثالهاست. آنها برای انجام یک کار خاص برنامه‌ریزی نشده‌اند. مثالها باید با دقت بسیار بالایی انتخاب شوند والا زمان مفید هدر خواهد رفت و یا حتی ممکن است شبکه به طور ناقص دایر شود و در اینجا راهی برای فهمیدن اینکه سیستم معیوب است یا خیر وجود ندارد مگر اینکه خطایی رخ دهد.شبکه‌های عصبی مصنوعی یک ترکیبی از مجموعه نرون‌هاست و البته نرونهای مصنوعی‌ای که بسیار شبیه به نرونهای زیستی کار می‌کنند. و بدین گونه است که ورودیهای زیادی با وزنهای مختلف می‌گیرد و یک خروجی که به ورودی وابسته است تولید می‌کند. نرونهای زیستی می‌توانند در حال برانگیزش باشند یا نباشند. ( وقتی یک نرون برانگیخته می‌شود ضربه علائم خروجی آن مقداری کمتر از 100 هرتز است)شبکه‌های عصبی استفاده وسیعی در شناسایی الگوها دارند زیرا از خودشان قابلیت آن را دارند که بطور عمومی به ورودی‌های غیر منتظره نیز پاسخ دهند. در طول ساخت نرونها می‌آموزند که چگونه الگوهای ویژه گوناگون را تشخیص دهند. اگر الگویی پذیرفته شود در حالی که در طول اجرا ورودی با خروجی مرتبط نباشد، نرون از مجموعه‌ای از الگوهایی که سابقا آموخته خروجیی را که شبیه به الگو می‌باشد وکمترین تفاوت را با ورودی دارد انتخاب می‌کند. این روال عموما فراخوانی می‌شود.مثال:وقتی که ورودی نرون 1111 باشد چهار ورودی بر حسب برانگیزش مرتب شده‌اند و وقتی ورودی‌های 0000 را داریم نرون برای برانگیزش مرتب نیست. قاعده عمومی این است که نرونها مایلند برانگیخته شوند وقتی که ورودی‌ها 0111 ، 1011 ، 1101 ، 1110 یا 1111 باشند و در صورتی که ورودی آنها 1000 ، 0001 ، 0010 ، 0100 یا 0000 باشند مایل به برانگیخته شدن نیستند.شناسایی الگوهای پیچیده سطح بالا می‌تواند به وسیله شبکه‌ای از نرونها انجام شود و بدین ترتیب نام آن را شبکه‌های عصبی مصنوعی گذاشتند. اکنون شبکه‌های عصبی کاربردهای زیادی دارند(درمنطق وکلام و شناسایی عکسها)البته شناسایی الگوهامی‌تواند به‌طور موفقیت آمیز بر روی کامپیوترهای عمومی انجام شود. این شبکه‌های عمومی که برای شناسایی الگوها استفاده می‌شوند Feed-Forward نامیده می‌شدند زیرا آنها یک بازخورد (Feed-Back) داشتند. آنها به‌طور ساده ورودی‌ها را با خروجی‌ها می‌آمیختند. اما شناسایی الگوها به تدریج کاملتر شد به‌طوریکه بر روی کامپیوترهای عمومی با سیستم خاص خودشان به‌سختی انجام می‌شد پس برای شناسایی الگوها شبکه‌های Feed-Forward کافی نبودند.در شبکه‌های عصبی خروجی هر نرون به ورودی نرونهای مجاورش متصل شده است. شبکه‌های عصبی نمی‌توانند معجزه کنند اما اگر به درستی استفاده شوند نتایج شگفت‌انگیزی خواهند داشت.2-2- مشخصات مسائل در خور شبکه‌های عصبی مصنوعی ANN(Artificial Neural

بهبود سرعت یادگیری شبکه های عصبی

اختصاصی از کوشا فایل بهبود سرعت یادگیری شبکه های عصبی دانلود با لینک مستقیم و پر سرعت .

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 24

مقدمه

شبکه های عصبی چند لایه پیش خور1 به طور وسیعی د ر زمینه های متنوعی از قبیل طبقه بندی الگوها، پردازش تصاویر، تقریب توابع و ... مورد استفاده قرار گرفته است.

الگوریتم یادگیری پس انتشار خطا2، یکی از رایج ترین الگوریتم ها جهت آموزش شبکه های عصبی چند لایه پیش خور می باشد. این الگوریتم، تقریبی از الگوریتم بیشترین تنزل3 می باشد و در چارچوب یادگیری عملکردی 4 قرار می گیرد.

عمومیت یافتن الگوریتمBP ، بخاطر سادگی و کاربردهای موفقیت آمیزش در حل مسائل فنی- مهندسی می باشد.

علیرغم، موفقیت های کلی الگوریتم BP در یادگیری شبکه های عصبی چند لایه پیش خور هنوز، چندین مشکل اصلی وجود دارد:

- الگوریتم پس انتشار خطا، ممکن است به نقاط مینیمم محلی در فضای پارامتر، همگرا شود. بنابراین زمانی که الگوریتم BP همگرا می شود، نمی توان مطمئن شد که به یک جواب بهینه رسیده باشیم.

- سرعت همگرایی الگوریتم BP، خیلی آهسته است.

از این گذشته، همگرایی الگوریتم BP، به انتخاب مقادیر اولیه وزنهای شبکه، بردارهای بایاس و پارامترها موجود در الگوریتم، مانند نرخ یادگیری، وابسته است.

در این گزارش، با هدف بهبود الگوریتم BP، تکنیک های مختلفی ارائه شده است. نتایج شبیه سازیهای انجام شده نیز نشان می دهد، الگوریتم های پیشنهادی نسبت به الگوریتم استاندارد BP، از سرعت همگرایی بالاتری برخوردار هستند.

خلاصه ای از الگوریتم BP

از قانون یادگیری پس انتشار خطا (BP)، برای آموزش شبکه های عصبی چند لایه پیش خور که عموماً شبکه های چند لایه پرسپترون 5 (MLP) هم نامیده می شود، استفاده می شود، استفاده می کنند. به عبارتی توپولوژی شبکه های MLP، با قانون یادگیری پس انتشار خطا تکمیل می شود. این قانون تقریبی از الگوریتم بیشترین نزول (S.D) است و در چارچوب یادگیری عملکردی قرار می گیرد.

بطور خلاصه، فرایند پس انتشار خطا از دو مسیر اصلی تشکیل می شود. مسیر رفت6 و مسیر برگشت 7 .

در مسیر رفت، یک الگوی آموزشی به شبکه اعمال می شود و تأثیرات آن از طریق لایه های میانی به لایه خروجی انتشار می یابد تا اینکه

_________________________________

1. Multi-Layer Feedforward Neural Networks

2. Back-Propagation Algorithm

3. Steepest Descent (S.D)

4. Performance Learning

5. Multi Layer Perceptron

6. Forward Path

7. Backward Path

نهایتاً خروجی واقعی شبکه MLP، به دست می آید. در این مسیر، پارامترهای شبکه (ماتریس های وزن و بردارهای بایاس)، ثابت و بدون تغییر در نظر گرفته می شوند.

در مسیر برگشت، برعکس مسیر رفت، پارامترهای شبکه MLP تغییر و تنظیم می گردند. این تنظیمات بر اساس قانون یادگیری اصلاح خطا1 انجام می گیرد. سیگنال خطا، رد لایه خروجی شبکه تشکیل می گردد. بردار خطا برابر با اختلاف بین پاسخ مطلوب و پاسخ واقعی شبکه می باشد. مقدار خطا، پس از محاسبه، در مسیر برگشت از لایه خروجی و از طریق لایه های شبکه به سمت پاسخ مطلوب حرکت کند.

در شبکه های MLP، هر نرون دارای یک تابع تحریک غیر خطی است که از ویژگی مشتق پذیری برخوردار است. در این حالت، ارتباط بین پارامترهای شبکه و سیگنال خطا، کاملاً پیچیده و و غیر خطی می باشد، بنابراین مشتقات جزئی نسبت به پارامترهای شبکه به راحتی قابل محاسبه نیستند. جهت محاسبه مشتقات از قانون زنجیره ای2 معمول در جبر استفاده می شود.

فرمول بندی الگوریتم BP

الگوریتم یادگیری BP، بر اساس الگوریتم تقریبی SD است. تنظیم پارامترهای شبکه، مطابق با سیگنالهای خطا که بر اساس ارائه هر الگو به شبکه محاسبه می شود، صورت می گیرد.

الگوریتم بیشترین تنزل با معادلات زیر توصیف می شود:

(1)

(2)

به طوری WLji و bLj، پارامترهای نرون j ام در لایه iام است. α، نرخ یادگیری2 و F، میانگین مربعات خطا می باشد.

(3)

(4)

(5)

به طوریکه SLj(k)، حساسیت رفتار شبکه در لایه L ام است.

_________________________________

1. Error-Correctting Learning Rule

2. Chain Rule

3. Learning Rate

معایب الگوریتم استاندارد پس انتشار خطا1 (SBP)

الگوریتم BP، با فراهم آوردن روشی از نظر محاسباتی کارا، رنسانسی در شبکه های عصبی ایجاد نموده زیرا شبکه های MLP، با قانون یادگیری BP، بیشترین کاربرد را در حل مسائل فنی- مهندسی دارند.

با وجود، موفقیت های کلی این الگوریتم در یادگیری شبکه های عصبی چند لایه پیش خود، هنوز مشکلات اساسی نیز وجود دارد:

- اولاً سرعت همگرایی الگوریتم BP آهسته است.

همانطور که می دانیم، تغییرات ایجاد شده در پارامترهای شبکه (ماتریس های وزن و بردارهای بایاس)، پس از هر مرحله تکرار الگوریتم BP، به اندازه ، است، به طوریکه F، شاخص اجرایی، x پارامترهای شبکه و α، طول قدم یادگیری است.

از این، هر قدر طول قدم یادگیری، α، کوچکتر انتخاب گردد، تغییرات ایجاد شده در پارامترهای شبکه، پس از هر مرحله تکرار الگوریتم BP، کوچکتر خواهد بود، که این خود منجر به هموار گشتن مسیر حرت پارامترها به سمت مقادیر بهینه در فضای پارامترها می گردد. این مسئله موجب کندتر گشتن الگوریتم BP می گردد. بر عکس با افزایش طول قدم α، اگرچه نرخ یادگیری و سرعت یادگیری الگوریتم BP افزایش می یابد، لیکن تغییرات فاحشی در پارامترهای شکه از هر تکراربه تکرار بعد ایجاد می گردد، که گاهی اوقات موجب ناپایداری و نوسانی شدن شبکه می شود که به اصطلاح می گویند پارامترهای شبکه واگرا شده اند:

در شکل زیر، منحنی یادگیری شبکه برای جدا سازیالگوها در مسأله XOR، به ازای مقادیر مختلف نرخ یادگیری، نشان داده شده است. به ازای مقادیر کوچک، α، شبکه کند اما هموار، یاد نمی گیرد الگوهای XOR را از هم جدا نماید، ددر صورتی که به ازای 9/0= α شبکه واگرا می شود.

_________________________________

1. Standard Back-Propagation Algorithm

شکل (1). منحنی یادگیری شبکه برای نرخ های یادگیری مختلف در مسأله XOR

- ثانیاً احتمالاً به دام افتادن شبکه در نقاط مینیمم محلی وجود دارد.

در شبکه های MLP، میانگین مجوز خطا، در حالت کلی خیلی پیچیده است و از تعداد زیادی نقطه اکسترمم در فضای پارامترهای شبکه برخوردار می باشد. بنابراین الگوریتم پس انتشار خطا با شروع از روی یک سری شرایط اولیه پارامترهای شبکه، به نقطه مینیمم سراسری و با شروع از یک مجموعه شرایط اولیه دیگر به تقاط مینیمم محلی در فضای پارامترها همگرا می گردد، بنابراین زمانی که الگوریتم BP همگرا می شود، نمی توان مطمئن شد که به یک جواب بهینه رسیده باشیم.

- ثالثاً: همگرایی الگوریتم BP، به یقین مقادیر اولیه پارامترهای شبکه عصبی MLP وابسته است، بطوری که یک انتخاب خوب می تواند کمک بزرگی در همگرایی سریعتر الگوریتم BP فراهم آورد. برعکس انتخاب اولیه نادرست پارامترهای شبکه MLP، منجر به گیر افتادن شبکه در نقاط مینیمم محلی در فضای برداری پارامترهای شبکه می گردد که این خود منجر به این می شود که شبکه خیلی زودتر از معمول به موضعی بیفتد که منحنی یادگیری شبکه برای تعداد بزرگی از دفعات تکرار، تغییر نکند.

به عنوان مثال، فرض می کنیم مقدار اولیه پارامترهای شبکه خیلی بزرگ باشند، در حالی که می دانیم توابع تبدیل نرونها مخصوصاً در لایه های میانی از نوع زیگموئید هستند. در این حالت برای نرون i ام، اندازه ورودی تابع تبدیل (ni) خیلی بزرگ می باشد و خروجی نرون (ai) به مقدار 1± میل می کند. لذا مشتق بردار خروجی شبکه، a ، خیلی کوچک می باشد. فرض کنیم که باید مقدار واقعی ai، 1 باشد یعنی ti = 1، لیکن به خاطر انتخاب بر مقادیر اولیه، ai = -1 گردد. در این حالت خطای حداکثر را داریم در حالی که چون ai ≈ 0 می باشد تغییرات ناچیزی در پارامترهای متناظر با نرون i ام داریم. این چیزی است که بیانگر رسیدن زودتر از معمول نرونها به حد اشباع

پاورپوینت درس 10 علوم پنجم (دستگاه عصبی واندام های حسی)

اختصاصی از کوشا فایل پاورپوینت درس 10 علوم پنجم (دستگاه عصبی واندام های حسی) دانلود با لینک مستقیم و پر سرعت .

این پاورپوینت در 32 اسلاید تهیه و تنظیم شده است. با بکارگیری تصاویر جالب و جذاب و دسته بندی مطالب سعی کرده ایم یادگیری مطالب را برای دانش آموزان عزیز تسهیل بخشیم . با انتخاب این پاورپوینت از تدریس و آموزش لذت خواهید برد. بدیهی است عناوین و مطالب و اسلایدها توسط دبیران مجرب و دلسوز در جهت گسترش علم و دانش روزافزون همه دانشجویان  با ظرافت خاص جمع آوری شده است.