دانلود مقاله شبكه هاي عصبي کامپیوتر
چكيده
شبكه هاي عصبي مصنوعي در بسياري از موارد تحقيق و در تخصص هاي گوناگون به كار گرفته شده و به عنوان يك زمينه تحقيقاتي بسيار فعال حاصل همكاري دانشمندان در چند زمينه علمي از قبيل مهندسي رايانه ، برق ، سازه ، و بيو لوژي اند . از موارد كاربرد شبكه اي عصبي مي توان به طبقه بندي اطلاعات ، شناخت ويژگي هاي حروف و شكلها ، برآورد توابع و غيره اشاره كرد .
كاربرد شبكه هاي عصبي در مهندسي عمران و به خصوص سازه نيز روز به روز در حال توسعه است و بي شك در آينده شاهد فراگير شدن و گسترش اين علم در مهندسي سازه خواهيم بود . از موارد استفاده شبكه هاي عصبي در مهندسي عمران مي توان به بهينه سازي ، تحليل ، طراحي و پيش بيني خيز و وزن سازه ها ، تحليل و طراحي اتصالات ، پيش بيني نتايج آزمايشات بتني و خاكي ، كاربرد در تئوري گرافها و بسياري از موارد ديگر اشاره كرد .
اين مقاله حاوي پنج بخش است :
بخش اول به مفاهيم بنيادي شبكه هاي عصبي مصنوعي مي پردازد و بعضي از موضوعات براي آشنايي مقدماتي به اختصار در اين بخش توضيح داده شده است و شامل مدل بيولوژيكي شبكه هاي عصبي مي باشد و همچنين سلول عصبي مصنوعي توضيح داده شده است كه به منظور تقليد از خصوصيات مرتبه اول ( First order ) سلول عصبي بيولوژيكي طراحي شده است .سطح تحريك سلول عصبي كه توسط جمع ورودي هاي وزن دار معين شده است ، در اين بخش توضيح داده شده است .
شبكه هاي عصبي مصنوعي تك لايه و چند لايه نيز به طور مفصل مورد بحث قرار گرفته است كه ساده ترين شبكه به صورت گروهي از سلول هاي عصبي است كه در يك لايه مرتب شده اند و شبكه هاي چند لايه تواناييها و قابليت هاي محاسباتي بيشتري را ارائه مي كنند . شبكه هاي بازگشتي كه شامل ارتباطات تغذيه برگشتي هستند ، در اين شبكه ها ، خروجي هاي قبيل دوباره به سمت عقب به طرف ورودي ها منتشر مي شوند و خروجي شان هم با استفاده از ورودي جاري و هم خروجي قبليشان تعيين مي شو د.
بخش دوم :شامل الگوريتم هاي آموزشي مي باشد و هدف از آموزش شبكه را توضيح مي دهد كه يك شبكه به گونه اي آموزش داده مي شود كه با به كار بردن يك دسته از ورودي ها ، دسته خروجي هاي دلخواه توليد شود .
بخش سوم : الگوريتم انتشار برگشتي را توضيح مي دهد كه انتشار برگشتي يك روش سيستماتيك براي تربيت شبكه هاي عصبي مصنوعي چند لايه است و يك پايه رياضي دارد كه با وجود قوي بودن خيلي عملي نيست و ساختار شبكه كه شامل سلول عصبي است ، توضيح داده مي شود و در قسمت بعدي شبكه چند لايه كه از الگوريتم انتشار برگشتي استفاده مي كند ، توضيح داده مي شود .
در بخش چهارم راهنماي استفاده از برنامه NETS2.01 كه يك شبيه ساز عصبي است و توسط محققان در بخش هوش مصنوعي فن آوري مركز فضايي ناسا توسعه داده شده است ، توضيح داده مي شود و اهداف آن شامل دو قسمت است :
- تهيه سيستمي كه حدي براي ايجاد ساختارهاي عصبي شبكه عصبي كه به منظور ياد گيري از روش انتشار برگشتي استفاده مي كنند قابل تغيير باشد .
- تشويق كاربران عام جهت ميل به ياد گيري فن اوري شبكه عصبي بدون نياز به سخت افزار هاي خاص .
در بخش پنجم اموزش شبكه هاي عصبي مورد بحث قرار گرفته است كه براي تحليل سازه ها و طراحي سازه ها به كار گرفته مي شود .
نيروي محوري المان شماره المان عمق سازه طول سازه
L h NE p
و همچنين نرم افزار هاي مورد استفاده در شبكه ها كه شامل NETS2.01 و Neuralworks است ، توضيح داده شده است كه نرم افزار Neuralworks خود قادر به نگاشت اطلاعات ورودي به حدود دلخواه است ولي نرم افزار NETS2.01 قادر به نگاشت اطلاعات ورودي به حدود دلخواه نيست و براي اين منظور براي نگاشت اطلاعات ورودي به حدود دلخواه برنامه اي به نام m-in-net نوشته شده است و از اين برنامه براي اماده سازي اطلاعات ورودي براي برنامه NETS استفاده شده است .
در پايان اين بخش شبكه عصبي براي پيش بيني وزن سازه و براي پيش بيني خيز سازه مورد بررسي قرار گرفته كه توسط جداولي ، ورودي ها و خروجي هاي آن مشخص شده است .
و نيز يك مثال از شبكه عصبي براي تحليل سازه ها مورد بررسي قرار گرفته است . كه با استفاده از يك جدول شماره اي را براي يك المان و سازه در نظر گرفته و يك شماره براي المان در شبكه عصبي و ساير مشخصات شبكه كه شامل تعداد ورودي هاي شبكه عصبي – نوع اطلاعات ورودي شبكه عصبي ( طول دهانه (C ) سازه فضا كار دو لايه اي بر حسب متر ) و عمق ( h ) سازه فضا كار دو لايه اي بر حسب متر و تعداد خروجي هاي شبكه عصبي و نوع اطلاعات خروجي شبكه و تعداد زوجهاي آموزشي در نظر گرفته شده براي آموزش شبكه و تعداد زوجهاي آموزشي در نظر گرفته شده براي آزمايش شبكه كه با توجه به تعداد زوجهاي آموزشي و كسب عملكرد و دلخواه از شبكه سازه هاي مختلفي را براي شبكه در نظر مي گيريم ، آنها را تربيت و از ميان آنها بهترين ساختار را انتخاب مي نماييم .در بخش ششم هم توضيحاتي راجع به سازه هاي فضا كار داده مي شود كه از اعضاي مستقيم ساخته مي شوند و عمكرد آنها در فضاي سه بعدي است و به انواع اين سازه ها اشاره شده است .
نتيجه گيري
امروزه تحليل سازه ها را مي توان به آساني به وسيله كامپيوتر انجام داد ، حتي براي سازه هاي بزرگ و پيچيده مي توان از روشهاي كامپيوتري ، تحليل سازه ها كه داراي سرعت عمل بسيار زيادي هستند استفاده كرد. اين روشها داراي كارايي قابل توجهي بوده و نرم افزارهاي مربوط به آنها به طور گسترده در دسترسند و مواردي وجود دارد كه به كارگيري روشهاي تقريبي ، تحليل در آنها موثر واقع شده و از لحاظ زمان صرفه جويي قابل توجهي صورت مي گيرد .
همچنين دستيابي به تحليل تقريبي و در عين حال دقيق و براي سازه هايي كه شكل و فرم استاندارد و منظمي دارند بسيار مطلوب است . براي تحقق اين امر نيز مي توان از شبكه هاي عصبي براي تحليل سريع اين گونه سازه ها استفاده نمود .شبكه هاي عصبي در پيش بيني وزن و تغيير مكان سازه ها نيز مي تواند مورد استفاده قرار گيرند و با استفاده از آنها بدون اينكه مجبور به طرح سازه باشيم مي توانيم از وزن سازه آگاه شده و قيمت تقريبي سازه را حدس بزنيم .
همچنين در اينجا دو روش براي داده پردازي اطلاعات مربوط به تحليل و طراحي سازه ها ارائه شده است كه كاربرد آنها موجب كاهش ماهيت غير خطي اطلاعات و افزايش سرعت آموزش و پايداري شبكه مي شود . كاربرد اين دو روش در آموزش شبكه هاي عصبي براي تحليل و طراحي سازه ها مخصوصاً سازه هاي فضا كار كه در آنها ، نيرو از عضوي به عضو ديگر بسيار ممكن است تغيير كند ، الزامي است و يا باعث دقت شبكه عصبي مي شود .
همچنين استفاده از الگوريتم انتشار برگشتي ( Back propagation ) نقش قابل توجهي را در احياء مجدد شوق و علاقه به شبكه هاي عصبي مصنوعي ايفاء كرده است و انتشار برگشتي يك روش سيستماتيك براي تربيت شبكه هاي عصبي مصنوعي چند لايه است .
فرمت : WORD | صفحات : 131/فاقد منابع
*************************************
نکته : فایل فوق قابل ویرایش می باشد
