مدل سازي رآكتور شيميايي با شبكه‌هاي عصبي مصنوعي
فهرست مطالب
«مدل سازي رآكتور شيميايي با شبكه‌هاي عصبي مصنوعي» 1
چكيده: 5
فصل اوّل: 1
مقدمه 1
مقدمه: 2
فصل دوم: 5
مقدمه‌اي بر مقايسه‌ي شبكه‌هاي عصبي بيولوژيكي و مصنوعي و شيوه‌هاي يادگيري در آنها 5
1-2 انسان و كامپيوتر: 6
2-2 ساختار مغز: 8
شكل 1-2 مشخصات اصلي يك نرون بيولوژيك 9
شكل 2-2 ورودي‌هاي نرون بايد از آستانه معيني تجاوز كند تا نرون بتواند كنش كند. 11
1-2-2 يادگيري در سيستم‌هاي بيولوژيك: 11
2-2-2 سازمان مغز: 12
3-2 يادگيري در ماشين‌ها: 13
4-2 تفاوت‌ها: 14
چكيده نكات مهم فصل دوم: 16
فصل سوم: 17
بازشناسي الگوها 17
بازشناسي الگوها: 18
1-3 مقدمه: 18
2-3 چشم‌انداز طرح شناسي: 18
3-3 تعريف بازشناسي الگوها: 19
4-3 بردارهاي مشخصات و فضاي مشخصات: 20
شكل 1-3 يك فضاي مشخصات دوبعدي اقليدسي 21
5-3 توابع تشخيص‌دهنده يا مميز 21
شكل 2-3 محدوده‌ي تصميم يك طبقه‌بندي خطي. 23
6-3 فنون طبقه‌بندي: 23
1-6-3 روش طبقه‌بندي «نزديكترين همسايه»: 23
شكل 3-3 طبقه‌بندي به وسيله مقايسه با «نزديكترين همسايه» 24
شكل 4-3 اندازه‌گيري تا نزديكترين همسايه گاه باعث خطا مي‌شود. 25
2-6-3 ميزان‌هاي اندازه‌گيري فاصله 25
فاصله‌ي همينگ 25
شكل 5-3 فاصله اقليدسي 27
8-3 بازشناسي الگوها – خلاصه : 32
چكيده نكات مهم فصل سوم: 32
فصل چهارم: 33
نرون پايه 33
2-4 مدل‌سازي نرون تنها: 34
شكل 2-4 نماي مدل اصلي نرون. 36
3-4 تابع آستانه 37
شكل 8-4 آيا مي‌توانيم Aها را از Bها تميز دهيم؟ 42
1-3-4 الگوريتم فراگيري پرسپترون: 45
1-4-4 يادگيري و تعديل وزنها در آدالاين: 48
جدول 3-4) جدول ارزش گزاره مربوط به تابع 52
2-4-4 قاعده دلتا براي ورودي‌ها و خروجي‌هاي دوقطبي: 54
جدول 8-4) الگوي مرحله دوم استفاده از مجموعه آموزش، براي تابع 56
جدول 9-4) 57
شكل 9-4 دو مجموعه‌ي مجزا از الگوها در فضاي دوبعدي. 58
شكل 10-4 رفتار بردار ضرايب وزني در فضاي الگوها. 59
شكل 11. 60
تعاريف: 61
7-4 محدوديت‌هاي پرسپترون: 65
8-4 آيا اين به معناي پايان راه است؟ 67
1-8-4 نتيجه‌گيري: 68
فصل پنجم: 69
پرسپترون چندلايه‌اي 69
1-2-5 رفع مشكل: 70
شكل 2-5 دو راه ممكن براي توابع آستانه‌اي. 72
شكل 3-5 پروسپترون چند لايه‌اي. 73
شكل 5-5) نمايش مدل پرسپترون چند لايه به صورت اختصاري 74
1-4-5 رياضيات: 76
5-5 الگوريتم پرسپترون چند لايه‌اي: 80
شكل 6-5 يك راه براي مسئله XOR. 82
7-5 تجسم رفتار شبكه : 85
8-5 پروسپترون چند لايه‌اي به عنوان دستگاه طبقه بندي: 89
شكل 18-5 95
آموزش تدريجي: 98
آموزش يكباره: 98
12-5 تعميم‌دهي: 100
13-5 تحمل نقص: 102
14-5 مشكلات آموزش 103
كاهش ضريب بهره: 104
افزايش تعداد گره‌هاي داخلي 104
1-14-5 ساير مشكلات آموزش: 105
1-15-5 شبكه‌ي گويا: 105
2-15-5 فيلتر كردن اغتشاش اي – سي – جي (ECG) 106
3-15-5 كاربردهاي مالي: 107
4-15-5 بازشناسي الگوها: 108
فصل ششم: 111
بررسي ويژگي‌ها و مدل‌سازي رآكتور شيميايي مورد بحث در اين پروژه: 111
1-1-6) پرسپترون‌هاي چندلايه: 112
شكل 2-6) يك پرسپترون سه‌لايه 113
3-6- آزمون صحت عملكرد مدل: 118
4-6- كنترل غير خطي پيش‌بين: 120
5-6- ويژگي‌هاي رآكتور مورد مطالعه: 122
شكل 5-6) شكل شماتيك از رآكتور مورد مطالعه 122
شكل 7-6) مدل ديناميكي 124
7-6) نتايج شبيه‌سازي: 127
جدول 1-6) دقت تخمين، براي مدل‌هاي مختلف آموزش 128
فصل هفتم: 130
نتيجه‌گيري 130
پيوست‌ها: 133
بخش دوم: 136
2-ب- برنامه‌ي آموزش به شبكه: 137
3-ب- برنامه بررسي صحت عملكرد پاسخ‌هاي پيش‌بيني شده: 138
مراجع: 139
چكيده:
در اين پروژه، ورودي‌ها و خروجي‌هاي يك سيستم چند ورودي و چند خروجي غير خطي، براي ايجاد يك مدل ديناميكيِ هوشمند، استفاده شده است. بنابراين انتخاب شبكه‌هاي عصبي مصنوعي از نوع پرسپترون‌هاي چندلايه براي اين منظور مناسب است. در كنار اين نوع از مدل‌سازي، استفاده از يك شيوه‌ي مناسب براي كنترل پيشگويانه (پيش بينانه)ي مدل ياد شده، ضروري است.
مدل‌هاي برگشتي تصحيح شونده كه از قوانين تعديل ماتريس‌هاي وزني مسيرهاي ارتباطي بين نرون‌هاي مدل استفاده مي‌كنند، در اين پروژه به كار گرفته شده‌اند.
اين قوانين براي آموزش سيستم، جهت كنترل و دستيابي به خروجي مطلوب در زمان‌هاي بعدي به كار مي‌روند.
فراگيري در اين سيستم نيز از نوع فراگيري با سرپرست مي‌باشد؛ به اين صورت كه معادله‌ي ديفرانسيل ديناميكيِ سيستم در دسترس است و بنابراين مقادير مطلوب براي متغير هدف، كه سيستم بايد به آن برسد، براي زمان‌هاي آينده مشخص مي‌باشد و خروجي سيستم با استفاده از يك كنترل‌كننده‌ي پيش‌بين، همواره بايد به اين اهداف دست يابد. سيستم مورد مطالعه در اين پروژه، يك رآكتور شيميايي است كه براي اختلاط پيوسته‌ي مواد شيميايي واكنش دهنده با غلظت‌ها و مقادير تعريف شده و توليد يك ماده‌ي محصول با يك غلظت متغير با زمان به كار مي‌رود؛ كه ميزان مطلوب اين غلظت در يك زمان خاص، به‌عنوان هدف مطلوبي است كه سيستم بايد به آن دست يابد.
همچنين به‌جاي يك سيستم واقعي، از يك مدل نرم‌افزاري براي جمع‌آوري داده‌هاي ورودي و خروجي استفاده مي شود و در نهايت، نتايج اين مدل سازي موفقيت‌آميز، توانايي روش‌هاي مدل سازي هوشمند را همان‌گونه كه در اين تحقيق آمده است، اثبات مي‌كند.
Incomplete Artificial Neural Network models.
فصل اوّل:
مقدمه
مقدمه:
در كنترل با پسخور ، كه به عنوان معمول‌ترين نوع كنترل سيستم‌هاي ديناميكي مورد استفاده قرار مي‌گيرد، فرمان كنترل سيستم، با در نظر گرفتن ميزان خطاي محاسبه شده بين خروجي واقعي و مطلوب، صادر مي‌شود.
كنترل پيش‌بين نيز كه با استفاده از روش‌هاي هوش محاسباتي انجام مي‌شود، نوعي كنترل با پسخور است. در اين روش كنترلي، خطاي سيستم قبل از اينكه اتفاق بيفتد، پيش‌بيني شده و براي تعيين دستور كنترل خطا، پيش از آنكه خطايي اتفاق بيفتد، استفاده مي‌شود.
كنترل پيش بين در ابتدا به عنوان مدل كنترلي پيش بين كلاسيك كه به يك مدل خطي، از سيستم، در فضاي حالت نياز داشت، معرفي شد.
در هر حال طبيعت غيرخطي بسياري از سيستم‌ها، قابل صرف نظر كردن نيست؛ بنابراين مدل‌هاي خطيِ فضاي حالت نمي‌توانند به‌درستي، خواص غير خطي سيستم‌ها را ارائه دهند.
در چنين مواردي، تقريب كامل يا قسمتي از مدُل خطي ممكن است استفاده شود ولي در حالت كلي مدل‌هاي غير خطي براي پيش بينيِ خروجي سيستم‌هاي غير خطي براي اهداف كنترلي استفاده مي‌شوند.
برخي از روش‌هايي كه از اساس قواعد فيزيك استفاده مي‌كنند، وجود دارند كه مي‌توانند مُدل برخي از سيستم‌ها را به طور كامل، و يا تا اندازه‌‌ي قابل قبولي، توصيف كنند و ساختارهاي مدل را به‌وجود آورند.
شبكه‌هاي عصبي مصنوعي 2] و [11 و سيستم‌هاي منطق فازي (شبكه‌هاي نوروفازي) 8] [نيز مي‌توانند براي مدل كردن سيستم‌ها به كار روند كه به عنوان روش‌هاي مدل سازي هوشمند طبقه‌بندي مي‌شوند. اين گونه مدل‌ها بايد پس از طراحي مقدماتي، توسط داده‌هاي ورودي و خروجي آموزش ببينند.
سيگنال داده‌هاي ورودي و خروجي در آموزش سيستم، به‌صورت آرايه‌اي‌از اعداد استفاده مي‌شوند. آموزش سيستم به اين شيوه، براي بهبود عملكرد سيستم، به شدت وابسته به خروجي مُدل مي‌باشد.
در اين پروژه، سيستم مورد مطالعه براي مُدل‌سازي هوشمند، يك رآكتور شيميايي در نظر گرفته شده است كه مدل نرم‌افزاري آن، در دسترس مي‌باشد [2] و داده‌هاي ورودي و خروجي اين سيستم، با داده‌هاي حاصل از آزمايش يك رآكتور واقعي، جايگزين مي‌شود.
رآكتور شيميايي مورد مطالعه، يك سيستم ديناميكي غير خطي با چند ورودي و چند خروجي است.
هدف اين تحقيق، آشكار ساختن توانايي يك مدل هوشمند، براي مقاصد پيش‌بيني غير خطي كميت‌هاي سيستم ديناميكي و پيشنهاد راه‌كارهاي مفيدي جهت كاربرد سيستم‌هاي هوشمند است.
در واقع روش پيشنهادي مي‌تواند در مواقعي كه مدل رياضي دقيقي از سيستم با استفاده از روش‌هاي مشخص و معمول (مانند معادله‌هاي موازنه جرم و انرژي) در دسترس نيست، و يا اينكه ساختار رياضي و يا پارامترهاي غير قابل اندازه‌گيري و تأثيرگذار مدل به طور قابل توجهي نامشخص باشد (مانند ايجاد خوردگي در برخي نقاط خطوط انتقال يا بدنه سيستم) مورد استفاده قرار گيرد.
يكي از ويژگي‌هاي برجسته‌ي اين مدل هوشمند در مقايسه با روش‌هاي مدل سازي كلاسيك، بي‌نيازي آن در اندازه‌گيري پارامترهاي سيستم (مانند پارامترهاي مربوط به انتقال جرم و حرارت) است.[8]
مرور اجمالي فصل‌هاي اين پايان‌نامه به قرار زير است:
فصل اول، مقدمه‌اي شامل شرح عنوان پايان‌نامه، روش تحقيق، و تشريح كامل صورت مسأله مي‌باشد كه از نظر گذشت. در فصل دوم مقايسه‌اي بين شبكه‌هاي عصبي طبيعي و مصنوعي و نحوه‌ي پردازش داده‌ها در آنها صورت گرفته است. همچنين شيوه‌هاي يادگيري در انسان و ماشين نيز بررسي شده‌اند.
فصل سوم به معرفي مختصر فنون طرح شناسي مي‌پردازد كه بخش مهمي از علوم كامپيوتري است. بيشتر مطالب رياضي در مبحث طرح شناسي همانند مطالب رياضي بحث شده در مورد شبكه‌هاي عصبي است. طرح شناسي به‌عنوان يك موضوع پايه، به شناخت ما از نحوه‌ي عملكرد شبكه‌هاي عصبي كمك مي‌كند.
فصل چهارم به معرفي نرون پايه بيولوژيكي و مقايسه‌ي ويژگي‌هاي آن با پرسپترون كه نرون مدل سازي شده براي استفاده در شبكه‌هاي عصبي مصنوعي است، مي‌پردازد؛ و در ادامه به الگوريتم فراگيري پرسپترون و محدوديت‌هاي آموزش سيستم، توسط تك‌پرسپترون مي‌پردازد.
در فصل پنجم به بررسي ساختار مدل پرسپترون چند لايه پرداخته شده و توانايي آن در حل مسائل تفكيك پذير غير خطي تشريح شده است. در انتهاي اين فصل نيز به مواردي از كابرد شبكه‌هاي عصبي مصنوعي از نوع پرسپترون‌هاي چند لايه در شبكه‌هاي گويا، زمينه‌هاي پزشكي و سيستم‌هاي پيش‌بين مالي و اقتصادي، اشاره شده است.
در فصل ششم نيز به اصول زمينه‌اي، كاربرد تئوري‌هاي مطرح شده در فصول قبل و روابط مورد نياز براي مدل‌سازي يك رآكتور شيميايي به عنوان يك سيستم غير خطي پرداخته شده است. در انتها نيز نتايج حاصل از اين مدل‌سازي آورده شده است.
در نهايت فصل هفتم نيز شامل نتيجه‌گيري و پيشنهاداتي در جهت تداوم تحقيق و انجام مدل‌سازي‌هاي جديدي از اين دست است.
فصل دوم:
مقدمه‌اي بر مقايسه‌ي شبكه‌هاي عصبي بيولوژيكي و مصنوعي و شيوه‌هاي يادگيري در آنها
1-2 انسان و كامپيوتر:
موجوداتي منطقي هستند و تنها اعمال منطقي را به خوبي انجام مي‌دهند. چون كامپيوترها مي‌توانند بعضي كارها را كه ما آنها را در مدت زمان قابل ملاحظه‌اي انجام مي‌دهيم (چون جمع كردن اعداد)، در كم‌ترين زمان انجام دهند و يا مي توانند نام‌ها و آدرس‌ها را ماه‌ها بعد به درستي به ياد بياورند، از آنها انتظار مي‌رود كه در ساير زمينه‌ها نيز چنين عمل كنند. بدين علت آن‌گاه كه نمي‌توانند انتظارات ما را برآورده كنند مأيوس مي‌شويم. هدف هوش مصنوعي را مي‌توان در اين جمله خلاصه كرد كه مي‌خواهد در نهايت به كامپيوترها و ماشين‌هايي بسيار توانمندتر از انسان (هدفي كه بسيار از دنياي واقعي به‌دور است) دست يابند.
چرا كامپيوترها نمي‌توانند كارهايي را كه ما انجام مي‌دهيم انجام دهند؟ يكي از دلايل را مي‌توان در نحوه‌ي ساختار آنها جستجو كرد. به‌طور منطقي مي‌توان انتظار داشت كه سيستم‌هايي با ساخت مشابه عملكرد مشابهي داشته باشند. كامپيوترها طوري طراحي شده‌اند كه يك عمل را بعد از عمل ديگر با سرعت بسيار زياد انجام دهند. ليكن مغز ما با تعداد اجزاي بيشتر اما با سرعتي كم‌تر كار مي‌كند. در حالي‌كه سرعت عمليات در كامپيوترها به ميليون‌ها محاسبه در ثانيه بالغ مي‌شود، سرعت عمليات در مغز تقريباً بيشتر از ده بار در ثانيه نمي‌باشد. ليكن مغز در يك لحظه با تعداد زيادي اجزاء به طور هم‌زمان كار مي‌كند، كاري كه از عهده كامپيوتر بر نمي‌آيد. كامپيوتر ماشيني سريع اما پياپي كار است در حالي كه مغز شديداً ساختاري موازي دارد. كامپيوترها مي‌توانند عملياتي را كه با ساختار آنها سازگاري دارند به خوبي انجام دهند. براي مثال شمارش و جمع كردن اعمالي پياپي است كه يكي بعد از ديگري انجام مي‌شود.
بنابراين كامپيوتر مي‌تواند مغز را در اين عمليات كاملاً شكست دهد. ليكن ديدن و شنيدن، اعمالي شديداً موازي‌اند كه در آنها داده‌هاي متضاد و متفاوت هركدام باعث اثرات و ظهور خاطرات متفاوتي در مغز مي‌شوند و تنها از طريق تركيب مجموعه‌ي اين عوامل متعدد است كه مغز مي‌تواند چنين اعمال شگفتي را انجام دهد. ساختار موازي مغز چنين توانايي را به آن مي‌دهد. شايد بتوان نتيجه گرفت كه يك سيستم ممكن است براي يك منظور مناسب باشد ولي براي منظورهاي ديگر مناسب نباشد.
نتيجه‌اي كه مي‌توان گرفت اين است كه مسائل مورد نظر ما شديداً خاصيت موازي دارند. اين مسائل نيازمند پردازش حجم زيادي از اطلاعات متفاوت هستند كه بايد در تقابل با يكديگر به حل مسأله بيانجامد. دانش لازم براي حل اين مسائل هر كدام از منبع متفاوتي در مغز مي‌آيند و هر كدام نقش خود را در تهيه‌ي خروجي نهايي ايفا مي‌كنند. مغز با ساختاري موازي مي‌تواند اين دانش را در خود به‌صورتي حفظ كند كه قابل دسترس باشد. مغز همچنين مي‌تواند به علت نحوه‌ي عمل موازي خود اين دانش را همراه با ساير تحريكات مختلف كه دريافت مي‌كند هم‌زمان پردازش كند. در اين راه سرعت عامل مهمي نيست. آنچه مهم است موازي بودن است و مغز به خوبي براي اين كار مهيا شده است.
روش محاسباتي شبكه‌هاي عصبي، شناخت و به كاربردن اصول راهبردي است كه زيربناي فرايند مغز براي انجام اين اعمال و به‌كار گيري آنها در سيستم‌هاي كامپوتري است. ما نمي‌دانيم مغز چگونه اطلاعات سطح بالا را در خود مي‌گنجاند؛ بنابراين نمي‌توانيم از آن تقليد كنيم، ليكن مي‌دانيم كه مغز از تعداد زيادي واحدهاي بسيار كند ليكن شديداً مرتبط با يكديگر تشكيل شده است.
در مدل‌سازي سيستم‌هاي اصلي مغز، بايد راه‌كاري را بيابيم كه بيشتر با ساختار موازي مغز سازگاري داشته باشد نه با ساختار پي در پي. اين مدل‌هاي موازي بايد بتوانند دانش را به‌صورت موازي در خود جاي دهند و به همين شكل نيز آن را پردازش كنند. به هر صورت، ساختار طبيعتاً موازيِ شبكه‌هاي عصبي، آنها را مناسب به كارگيري در ماشين‌هاي موازي مي‌كند؛ كه مي‌تواند مزاياي بيشتري از نظر سرعت و قابليت اطمينان داشته باشد.
در فصل‌هاي بعد مي‌بينيم كه چگونه مطالعه‌ي سيستم‌هاي نرون واقعي به ما اين امكان را داده است كه ساختارهاي موازي مانند مغز را مدل سازي كنيم و به فرايندهاي شبكه‌هاي عصبي دست يابيم كه به‌تدريج به مقصود نهايي ما نزديك مي‌شوند. در حالي كه حالت توازي مغز را تقليد مي‌كنيم، خوب است ويژگي‌هاي ديگر سيستم‌هاي واقعي عصبي را نيز در نظر گرفته و ببينيم كه آيا مي‌توانيم آنها را در شبكه‌هاي جديد خود به كار ببريم.
شايد يكي از بارزترين ويژگي‌هاي مغز توان فراگيري آن باشد. مغز مي‌تواند به خود آموزش دهد. يادگيري از طريق مثال همان شيوه‌اي است كه توسط آن اطفال زبان را فرا مي‌گيرند. نوشتن، خوردن و آشاميدن را مي‌آموزند و مجموعه‌ي معيارها و نكات اخلاقي را كسب مي‌كنند. چنين تحولي در سيستم‌هاي كامپيوتري متعارف مشاهده نمي‌شود. كامپيوترها معمولاً از برنامه‌هاي از پيش نوشته شده‌اي پيروي مي‌كنند كه قدم به قدم دستورات مشخصي را در كليه‌ي مراحل عملياتي به آنها مي‌دهند. هر مرحله از كار بايد به وضوح شرح داده شود. در برنامه‌هاي بزرگ اين دستورات ممكن است از ميليون‌ها خط تجاوز كند و هر اشتباهي ممكن است انواع پيامدهاي نامعلوم را در بر داشته باشد. اين اشتباهات اصطلاحاً BUG ناميده مي‌شوند. در واقع تجربه نشان داده است كه اجتناب از اين اشتباهات بسيار دشوار است و اكثر برنامه‌هاي بزرگ تعداد زيادي BUG دارند. حال آيا بهتر نيست به‌جاي تهيه‌ي برنامه‌هاي كامپيوتري براي انجام كاري بتوانيم كامپيوتر را رها كنيم كه خود از طريق مشاهده‌ي مثال‌ها آن كار را فراگيرد؟ شايد در نهايت به راهي بهتر از ما دست يابد و از برنامه‌ي كامپيوتري ساده‌ي ما بهتر عمل كند. البته امكان دارد كه اين كامپيوتر نيز در ابتدا داراي BUG باشد و گاه اشتباه كند، ليكن به‌تدريج به اشتباهات خود پي خواهد برد و آنها را تكرار نخواهد كرد. [4و5]
2-2 ساختار مغز:
مغز انسان پيچيده‌ترين چيزي است كه تاكنون به دقت مطالعه شده و در مجموع چندان شناخته نشده است. ما هنوز جوابي به پرسشهاي پايه مانند «انديشه چيست؟» و «چگونه فكر مي‌كنيم؟» نيافته‌ايم. ليكن شناختي ابتدايي را از نحوه‌ي عمل مغز در سطوح پايين‌تر كسب كرده‌ايم. مثلاً مي‌دانيم كه مغز تقريباً داراي 1010 واحد پايه نام نرون است وهر نرون تقريبا به 104 نرون ديگر اتصال دارد.
نرون عنصر اصلي مغز است و به تنهايي مانند يك واحد پردازش منطقي عمل مي‌كند. نرون‌ها دو نوع هستند. نرون‌هاي داخل مغز كه در فاصله‌هاي حدود 100 ميكرون به يكديگر متصل‌اند و نرون‌هاي خارجي كه قسمت‌هاي مختلف مغز را به يكديگر و مغز را به ماهيچه‌ها و اعضاي حسي را به مغز متصل مي‌كنند. نحوه‌ي عمليات نرون بسيار پيچيده است و هنوز در سطح ميكروسكوپي چندان شناخته شده نيست، هر چند قوانين پايه‌ي آن نسبتاً روشن است. هر نرون ورودي‌هاي متعددي را پذيراست.
شكل 1-2 مشخصات اصلي يك نرون بيولوژيك
كه با يكديگر به طريقي جمع مي‌شوند. اگر در يك لحظه تعداد ورودي‌هاي فعال نرون به حد كفايت برسد نرون نيز فعال شده و آتش مي‌كند. در غير اين صورت نرون به‌صورت غيرفعال و آرام باقي مي‌ماند. نمايشي از ويژگي‌هاي عمده‌ي نرون در شكل 1-2 آمده است. بدنه‌ي نرون سوما ناميده مي‌شود. به سوما رشته هاي نامنظم طولاني متصل است كه به آنها دندريت مي‌گويند. قطر اين رشته‌ها اغلب از يك ميكرون نازك‌تر است و اشكال شاخه‌اي پيچيده‌اي دارند. شكل ظريف آنها شبيه شاخه‌هاي درخت بدون برگ است كه هر شاخه بارها و بارها به شاخه‌هاي نازك‌تري منشعب مي‌شود.
دندريت‌ها نقش اتصالاتي را دارند كه ورودي‌ها را به نرون‌ها مي‌رساند. اين سلول‌ها مي‌توانند عملياتي پيچيده‌تر از عمليات جمع ساده را بر ورودي‌هاي خود انجام دهند، ليكن عمل جمع ساده را مي‌توان به‌عنوان تقريب قابل قبولي از عمليات واقعي نرون به حساب آورد.
يكي از عناصر عصبي متصل به هسته‌ي نرون، آكسون ناميده مي‌شود. اين عنصر به‌عنوان خروجي نرون عمل مي‌كند. اكسون‌ها هميشه در روي خروجي سلول‌ها مشاهده مي‌شوند اكسون وسيله‌اي غيرخطي است كه در هنگام تجاوز پتانسيل ساكن داخل هسته از حد معيني پالس ولتاژي را به ميزان يك هزارم ثانيه، به نام پتانسيل فعاليت، توليد مي‌كند. اين پتانسيل فعاليت در واقع يك‌سري از پرش‌هاي سريع ولتاژ است. شكل 2-2 اين حالت «همه يا هيچ» را نشان مي دهد.
رشته‌ي اكسون در نقطه‌ي تماس معيني به نام سيناپس قطع مي‌شود و در اين مكان به دندريت سلول ديگر وصل مي‌گردد. در واقع اين تماس به‌صورت اتصال مستقيم نيست بلكه از طريق ماده‌ي شيميايي موقتي صورت مي‌گيرد. سيناپس پس از آنكه پتانسيل آن از طريق پتانسيل‌هاي فعاليت دريافتي از طريق اكسون به‌اندازه‌ي كافي افزايش يافت، از خود ماده‌ي شيميايي به نام منتقل كننده‌ي عصبي ترشح مي‌كند. منتقل كننده‌ي عصبي ترشح شده در شكاف بين اكسون و دندريت پخش مي‌شود و باعث مي‌گردد كه دروازه‌هاي موجود در دندريت‌ها فعال شده و باز شود و بدين صورت يون‌هاي شارژ شده وارد دندريت شوند. اين جريان يون است كه باعث مي‌شود پتانسيل دندريت افزايش يافته و باعث يك پالس ولتاژ در دندريت شود كه پس از آن منتقل شده و وارد بدن نرون ديگر مي‌شود. هر دندريت ممكن است تحت تأثير تعداد زيادي سيناپس باشد و بدين صورت اتصالات داخلي زيادي را ممكن مي‌سازد. در اتصالات سيناپسي تعداد دروازه‌هاي باز شده بستگي به مقدار منتقل كننده‌ي عصبي آزاد شده دارد و همچنين به نظر مي‌رسد كه پاره‌اي سيناپس‌ها باعث تحريك دندريت‌ها مي‌شوند در صورتي كه پاره‌اي سيناپس‌ها دندريت‌ها را از تحريك باز مي‌دارند. اين به معناي تغيير پتانسيل محلي دندريت‌ها در جهت مثبت يا منفي مي‌باشد. يك نرون خود به تنهايي مي‌تواند داراي ورودهاي سيناپسي متعددي در روي دندريت‌هاي خود باشد و ممكن است با خروجي‌هاي سيناپسي متعددي به دندريت‌هاي نرون‌هاي ديگر وصل شود. [5]
شكل 2-2 ورودي‌هاي نرون بايد از آستانه معيني تجاوز كند تا نرون بتواند كنش كند.
1-2-2 يادگيري در سيستم‌هاي بيولوژيك:
تصور مي‌شود يادگيري هنگامي صورت مي‌گيرد كه شدت اتصال يك سلول و سلول ديگر در محل سيناپس‌ها اصلاح مي‌گردد. شكل 3-2 ويژگي‌هاي مهم سيناپس را با جزئيات بيشتر نشان مي‌دهد.
به نظر مي‌رسد كه اين مقصود از طريق ايجاد سهوت بيشتر در ميزان آزاد شدن ناقل شيميايي حاصل مي‌گردد. اين حالت باعث مي‌شود كه دروازه‌هاي بيشتري روي دندريت‌هاي سمت مقابل باز شود و به اين صورت باعث افزايش ميزان اتصال دو سلول شود. تغيير ميزان اتصال نرون‌ها به‌صورتي كه باعث تقويت تماس‌هاي مطلوب شود از مشخصه‌هاي مهم در مدل‌هاي شبكه‌هاي عصبي است. [5]
شكل 3-2 ناقل شيميايي آزاد شده از شكاف سيناپس مي‌گذرد و دريافت‌كننده‌هاي دندريت نرون ديگر را تحريك مي‌كنند.
2-2-2 سازمان مغز:
مغز از قسمت‌هاي مختلفي تشكيل شده و هركدام از اين قسمت‌ها مسئوليت انجام وظايف متفاوتي را به عهده دارد. در انسان اين سازماندهي كاملاً مشهود است. بزرگ‌ترين قسمت مغز نيمكره‌هاي مخ است كه قسمت عمده‌ي فضاي داخلي جمجمه را اشغال مي‌كند. مخ ساختارلايه‌اي دارد. آخرين لايه‌ي خارجي آن قشر مغز ناميده مي‌شود، جايي كه سلول‌هاي نرون براي تسهيل اتصالات داخلي كاملاً به هم فشرده شده‌اند. مخ بستر وظايف عالي‌تر مغز و هسته‌ي مركزي هوش است.
به نظر مي‌رسد كه تقسيم وظايف در اين قسمت از مغز حالت منطقه‌اي دارد، به‌طوري كه هر قسمت از قشر مغز نقش جداگانه‌اي مانند كنترل دست، شنيدن و ديدن را ايفا مي‌كند. ساختارهاي مغزي از داده‌هاي محيطي تأثير مي‌پذيرند و صرفاً از طرف عوامل ژنتيكي تعيين نمي‌شوند. اين حالت اصطلاحاً خودسازمان‌دهي ناميده مي‌شود زيرا هيچ آموزگار خارجي براي آموزش مغز مداخله ندارد. اين ويژگي در نوعي از شبكه‌هاي عصبي مصنوعي خودسازمان ده مورد بحث قرار مي‌گيرد كه ما در اين پروژه مد نظر قرار نخواهيم داد. در اين نوع شبكه، كوهونن نشان مي‌دهد كه سيستم‌هاي عصبي مصنوعي مي‌توانند با استفاده از قوانين ساده‌ي يادگيري شكل‌هاي منظمي را پديد آورند. [5]
