مبانی نظری و پیشینه تحقیق شبکه عصبی فازی مصنوعی

مبانی نظری و پیشینه تحقیق شبکه عصبی فازی

تعداد صفحات : 60

فرمت : word (قابل ویرایش)

کاملترین و به روزترین در سطح اینترنت
دارای پیشینه داخلی و خارجی جدید (1389-1397)
دارای منابع فارسی و انگلیسی جدید
فاقد غلط املایی و نگارشی.
رفرنس دهی و پاورقی استاندارد.

بخشی از مطالب فایل :

شبکه عصبي فازي
 سيستم فازي
در ميان روش‌هاي مدل سازي نوين، سيستم‌هاي فازي جايگاه ويژه اي را کسب نموده اند. اين امر را مي توان معلول توانايي پياده سازي دانش بشري با استفاده از مفهوم برچسب‌هاي زباني و قواعد فازي، غير خطي بودن و قابليت تطبيق پذيري اين نوع سيستم‌ها دانست. به طور خلاصه‌يک سيستم فازي‌يک سيستم مبتني بر قواعد منطقي اگر- آنگاه است. نقطه شروع ساخت‌يک سيستم فازي به دست آوردن مجموعه اي از قواعد اگر- آنگاه فازي از دانش فرد خبره‌يا دانش حوزه مورد نظر است. به دست آوردن اين قواعد مهمترين و سخت ترين مرحله کار است. چرا که نيازمند دانش بالاي فرد متخصص و پياده سازي صحيح آن است. داشتن روشي که در کنار دانش بشري بتوان از اطلاعات عادي موجود براي ساخت قواعد استفاده کرد نيز مي تواند در اين مرحله بسيار مفيد باشد(آذر و افسر،1385). در اين بخش به طور مختصر به معرفي سيستم‌هاي فازي که غالبا در مسائلي نظير پيش‌بيني به طور مکمل استفاده مي‌شوند، پرداخته مي‌شود. همانطور که اشاره شد، براي بيان کردن سيستم‌هاي فازي احتياج به قوانين اگر-آنگاه است. در سيستم‌هاي فازي از متغيرهاي فازي استفاده مي‌شود. متغيرهاي فازي به عبارات مورد استفاده در زبان طبيعي براي تشريح مفاهيمي که معمولا داراي ابهام و عدم قطعيت هستند، مي گويند(کلير^[1]، 1995). براي معرفي سيستم‌هاي فازي ابتدا بايد با منطق فازي و مفاهيم مرتبط با آن آشنا شد.
 
2-3-1- منطق فازي
در منطق دودويي که اولين بار توسط ارسطو مطرح شد، شاهد در نظر گرفتن حالات بصورت قطعي درست‌يا غلط هستيم.‌يعني مي توان وقايع طبيعي را بدرستي و با قطعيت تعريف و اندازه گيري نمود. در حاليکه در کسب وکار، اقتصاد، مباحث مالي و بسياري از علوم ديگر، حالات طبيعي مبهم بوده و فاصله بين آنچه هست و آنچه نيست به درستي تعريف نشده است. بهرحال، بطور کلي مي توان گفت، فازي عبارتست از عمليات روي اطلاعات نادقيق و تحليل نا دقيق اطلاعات(بوزاديو^[2]، 1997). منطق فازي اولين بار توسط پروفسور لطفي زاده استاد دانشگاه برکلي در مقاله اي تحت عنوان" مجموعه‌هاي فازي" در سال 1965 به دنيا عرضه شد. ليکن نزديک چندين سال طول کشيد تا دانشمندان به کاربردها آن دست‌يافتند و منطق فوق در سيستم‌هاي کنترلي مورد استفاده قرار گرفت. اين منطق سالها بعد و در اوائل دهه 90 کاربردهاي خويش را در عرصه‌هاي علوم ديگر همانند مديريت‌يافت و راهي تازه براي تحليل و مدلسازي مسائل در فضاي عدم قطيعت پيش روي محققان قرار داد(وونالتراک^[3]، 1997). 

---

[1] Klir
[2] Bojadziev
[3] VonAltrock
2-4- شبکه عصبي فازي
2-4-1- شبکه‌هاي عصبي مصنوعي
هوش مصنوعي اختصارا روشي است در جهت هوشمند ساختن کامپيوتر. اين منظور زماني برآورد مي‌شود که ما قادر باشيم چگونگي تفکرانسان در زمان تصميم گيري‌يا حل مساله را بررسي کرده و آن را پس از تقسيم بندي به مراحل پايه اي در قالب‌يک برنامه کامپيوتري ارائه نمائيم. هوش مصنوعي وسيله ايست ساده و سازمان‌يافته براي طراحي برنامه‌هاي تصميم گيري پيچيده.  فکر انسان مي تواند اطلاعات را بدون تغيير در روند کار مغز و بدون ايجاد اختلال در اطلاعات ذخيره شده قبلي جذب نمايد.‌يک برنامه هوش مصنوعي نيز مشابه اين روش کار مي‌کند. روش‌هاي هوش مصنوعي اجازه مي دهند تا ساختار‌يک برنامه به گونه اي باشد که هر بخش آن مجزا بوده و مشخص کننده‌يک گام به سوي حل‌يک مساله‌يا‌يک سري از مسائل باشد. هر بخش از برنامه مانند قسمتي از اطلاعات مغز انسان مي‌باشد اگر اين اطلاعات دچار اختلال شود، مغز مي تواند به طور  خودکار رويه تفکرش را به گونه اي تغيير دهد تا واقعيت‌هاي جديد را تنظيم نمايد. براي اين کار نياز نيست تمامي پيش آگاهي‌هاي‌يک فرد مورد بررسي قرار گيرد. بلکه کافي است تنها اطلاعات بخشهايي که مربوط به اين تغيير مي‌شوند استفاده گردد.‌يک برنامه استاندارد مي تواند از پس تمامي قابليت‌هاي هوش مصنوعي برآيد، ولي نمي تواند مثل آن سريع و راحت باشد. هوش مصنوعي در مواردي همچون بازيها، اثبات تئوري‌ها، حل مسائل روزمره و عمومي، ادراک توسط کامپيوتر، فهم زبان طبيعي و حل مسائل خاص و تخصصي کاربر دارد(عرباني،1385). در طي دهه اخير شاهد حضور موفق شبکه‌هاي عصبي مصنوعي^[1] بوده ايم. ايده آموزش براي حل مسائل شناسايي الگوهاي پيچيده با استفاده از ديدگاه عامل‌هاي داده هوشمند براي محققان دانشگاهي بسيار چالش انگيز شده است. شبکه‌هاي عصبي ابزار محاسباتي ساده اي براي آزمون داده‌ها و ايجاد مدل از ساختار داده‌هاست. داده‌هايي که براي ايجاد مدل‌ها استفاده مي‌شوند، به داده‌هاي آموزشي مشهور هستند. هر گاه شبکه عصبي از داده‌هاي آموزش براي‌يادگيري الگوهاي موجود در داده‌ها استفاده کند، مي تواند آنها را براي دستيابي به خروجي‌ها و نتايج مختلف به کار بگيرد(سرفراز و افسر،1384). 
 
2-4-2- تاريخچه شبکه‌هاي عصبي مصنوعي
مباحث هوش مصنوعي پيش از بوجود آمدن علوم الکتريک، توسط فلاسفه و رياضي داناني نظير ارسطو^[2] و بول^[3] که اقدام به ارائه قوانين و نظريه‌هايي در باب منطق نمودند، مطرح شده بود. در سال 1943، با اختراع رايانه‌هاي الکترونيک، هوش مصنوعي دانشمندان را به چالشي بزرگ فراخواند. چرا که بنظر مي رسيد فناوري در نهايت قادر به شبيه سازي رفتارهاي هوشمندانه خواهد بود. در سال 1950 آلن تورينگ^[4]، رياضي دان انگليسي، معيار سنجش رفتار‌يک ماشين هوشمند را چنين بيان داشت: " سزاوارترين معيار براي هوشمند شمردن‌يک ماشين، اينست که آن ماشين بتواند انساني را به گونه اي بفريبد که آن را متقاعد کند با‌يک انسان روبروست" . در سال 1956 طي جلسه اي در کالج دارتموث^[5] آمريکا با حضور و همکاري ماروين مينسکي^[6]، جان مک کارتي^[7]، هربرت سايمون^[8]، آلن نيوئيل^[9] و غيره، اصطلاح هوش مصنوعي ابداع و اولين برنامه کامپيوتري هوش مصنوعي انتشار‌يافت. با وجود مخالفت گروهي از متفکرين با هوش مصنوعي که با ديده ترديد به کارآمدي آن مي نگريستند، تنها پس از چهار دهه عرصه علم شاهد تولد ماشينهاي شطرنج باز و ديگر سيستم‌هاي هوشمند در صنايع گوناگون گرديد(رعيتي شوازي،5 138). طي چند دهه اخير، تلاش‌هاي بسيار جدي جهت طراحي مدارات الکترونيکي که قادر باشند شبکه عصبي  زيستي را همانند سازي کنند صورت گرفته است. شبکه‌هاي مدل شده که با نام الگوهاي شبکه‌هاي عصبي شناخته شده اند، گسترش‌يافته و مدل سازي شده اند. برخي از اين نمونه‌ها به گونه اي بسيار نزديک عملکرد شبکه عصبي زيستي را همانند سازي کرده اند و برخي ديگر تفاوت بسياري دارند. 

---

[1] Artificial Neural Networks
[2] Aristotle
[3] Bool
[4] Alan Turing
[5] Dartmouth College
[6] Marvin Minsky
[7] John McCarthy
[8] Herbert Simon
[9] Alan Newell