عنوان مقاله: شبکه های عصبی 
مولف: میثم هادی (موسسه آموزش عالی غیرانتفاعی علوم و فناوری سپاهان)
موضوع: مفاهیم نوین در سازمانها
سال انتشار(میلادی): 2012
وضعیت: تمام متن
منبع: ارسال شده توسط عضو پایگاه مقالات علمی مدیریت www.system.parsiblog.com
تهیه و تنظیم: پایگاه مقالات علمی مدیریت  www.SYSTEM.parsiblog.com      
چکیده: موضوع ای که  در این مقاله مورد بررسی قرار گرفته  شبکه های عصبی است ، که شامل موضوعاتی از قبیل اینکه : شبکه عصبی چیست ، چرا ازشبکه های عصبی استفاده کنیم ، شامل چه مواردی است ، ازچه بخش هایی تشکیل شده ،چه کاربردی دارد و اینکه چگونه کار می کند ، می باشد .از آنجا که شبکه های عصبی نسل جدیدی از شبکه می باشد لذا دارای دنیای از اطلاعات جدید در زمینه شبکه و علم آن است.از جمله نتایج ارزشمند این مقاله می توان به آشنایی مبتدی با شبکه عصبی و طریقه کار آن و استانداردهای به کار رفته در آن اشاره کرد ، که پایه و مقدمه ای برای آشنایی هر چه بیشتر با این علم جدید می باشد ، و ما در پایان این مقاله هر چند کوتاه  با پیشرفت های شگرف در زمینه شبکه آشنا خواهیم شد. 
کلمات کلیدی: عصبی،الگوریتم،هوش مصنوعی،شبکه،نورون

1- مقدمه

   قرن بیست و یکم را قرن ارتباطات و اطلاعات نام نهاده¬اند و این خود کوچکترین دلیل برای اهمیت برقراری ارتباط در دنیای امروز است. امروزه یک نگاه متخصص می¬تواند برای بسیاری از مشکلات و مسائلی که به ظاهر لاینحل هستند، یک راه حل مبتنی بر فن¬آوری اطلاعات و ارتباطات به سادگی و به نحو شایسته ارائه کند. به عنوان مثال می¬توان به شبکه عصبی اشاره نمود که می¬تواند با بکارگیری سیستم های کامپیوتری، همر بین افراد مختلف در سر تا سر دنیا ارتباطی مطمئن و با کیفیت برقرار کند و هم حجم بسیار زیادی از محاسبات را در زمان بسیار کوتاهی انجام دهد.

   دانشمندانی که در پی توسعه این شبکه هستند، دنیایی را به تصویر می کشند که هر شخصی می تواند به راحتی وارد یک شبکه شود و از توان محاسباتی موجود در شبکه استفاده کند.در شیوه های نوین به جای استفاده از رایانه های اختصاصی برای حل مسائل بزرگ ، با استفاده از رایانه های موجود پراکنده که از همه توان محاسباتی خود استفاده نمی کنند، سعی می شود با جمع آوری این توانهای پراکنده که اغلب بی استفاده می مانند، کارهای خود را انجام دهند. این منابع محاسباتی اگرچه اغلب قدرت و هماهنگی رایانه های اختصاصی را ندارند، اما تعداد زیادی از آنها به وفور در مراکز عمومی از قبیل دانشگاه ها، اداره ها، کتابخانه ها و غیره و حتی در منازلی که اتصال قوی به اینترنت دارند یافت می شوند و این موجب می شود که توان محاسباتی آن در مجموع بسیار بالا باشد و در عین حال هزینه آن به مراتب پایین تر می باشد. 

   مخصوصاً اینکه هزینه های نگهداری به عهده مالکین منابع می باشد و مدیریت این سیستم صرفاً از منابع برخط در زمانبندی برنامه ها استفاده می کنند.  با استفاده از شبکه عصبی توان کامپیوتر ها دیگر بی معنا است ، صرف نظر از آن که کامپیوتر شما ضعیف و ابتدایی است ، می توانید به بیش از قدرت کامپیوتری دست یابید که هم اکنون در پنتاگون وجود دارد .

2- شبکه عصبی چیست

   شبکه‌های عصبی را می‌توان با اغماض زیاد، مدل‌های الکترونیکی از ساختار عصبی مغز انسان نامید. مکانیسم فراگیری و آموزش مغز اساساً بر تجربه استوار است. مدل‌های الکترونیکی شبکه‌های عصبی طبیعی نیز بر اساس همین الگو بنا شده‌اند و روش برخورد چنین مدل‌هایی با مسائل، با روش‌های محاسباتی که به‌طور معمول توسط سیستم‌های کامپیوتری در پیش گرفته شده‌اند، تفاوت دارد. می‌دانیم که حتی ساده‌ترین مغز‌های جانوری هم قادر به حل مسائلی هستند که اگر نگوییم که کامپیوترهای امروزی از حل آنها عاجز هستند، حداقل در حل آنها دچار مشکل می‌شوند. به عنوان مثال، مسائل مختلف شناسایی الگو، نمونه‌ای از مواردی هستند که روش‌های معمول محاسباتی برای حل آنها به نتیجه مطلوب نمی‌رسند. درحالی‌که مغز ساده‌ترین جانوران به‌راحتی از عهده چنین مسائلی بر می‌آید. تصور عموم کارشناسان IT بر آن است که مدل‌های جدید محاسباتی که بر اساس شبکه‌های عصبی بنا می‌شوند، جهش بعدی صنعت IT را شکل می‌دهند. تحقیقات در این زمینه نشان داده است که مغز، اطلاعات را همانند الگو‌ها (pattern) ذخیره می‌کند. فرآیند ذخیره‌سازی اطلاعات به‌صورت الگو و تجزیه و تحلیل آن الگو‌، اساس روش نوین محاسباتی را تشکیل می‌دهند. این حوزه از دانش محاسباتی (computation) به هیچ وجه از روش‌های برنامه‌نویسی سنتی استفاده نمی‌کند و به‌جای آن از شبکه‌های بزرگی که به‌صورت موازی آرایش شده‌اند و تعلیم یافته‌اند، بهره می‌جوید.

   یک شبکه عصبی مصنوعی (Artificial Neural Network (ANN))  ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد . عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم پیوسته تشکیل شده(neurons)که برای حل یک مسأله با هم هماهنگ عمل می کند.ANN ها ،نظیر انسانها ، با مثال یاد می گیرند . یک ANN برای انجام وظیفه ای مشخص  ، مانند شناسایی الگو ها و دسته بندی اطلاعات ، در طول یک پروسه یاد گیری ، تنظیم می شود . در سیستم های زیستی  یاد گیری  با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است . این  روش ANN ها هم می باشد.

3- سابقه تاریخی

   به نظر می آید شبیه سازی های شبکه عصبی  یکی از پیشرفت های اخیر باشد . اگرچه این  موضوع پیش از ظهور  کامپیوتر ها بنیان گذاری شده  و  حداقل یک مانع بزرگ تاریخی  و  چندین دوره مختلف را پشت سر گذاشته است. 

   خیلی از پیشرفت های مهم با تقلید ها وشبه سازی های   ساده  و ارزان کامپیوتری  بدست آمده است. در پی یک دوره ابتدائی اشتیاق و فعالیت در این زمینه ، یک دوره ی بی میلی و بدنامی راهم پشت سر گذاشته است . در طول این دوره سرمایه گذاری و پشتیبانی حرفه ای از این موضوع در پایین ترین حد خود بود ، پیشرفت های  مهمی به نسبت تحقیقات محدود در این زمینه صورت گرفت . که بدین وسیله  پیشگامان قادر شدند تا به گسترش تکنولوژی متقاعد کننده ای بپردازند که خیلی برجسته تر از محدودیت هایی بود که توسط Minsky وPapert شناسانده  شد. Minsky وPapert ،کتابی را در سال 1969 منتشر کردند که در آن عقیده عمومی را جع به   میزان محرومیت  شبکه های عصبی را در میان محققان معین کرده بود و بدین صورت این عقیده بدون تجزیه و تحلیل های بیشتر پذیرفته شد. هم اکنون ، زمینه تحقیق شبکه های عصبی  از تجدید حیات علایق و متناطر با آن افزایش سرمایه گذاری لذت می برد .

   اولین سلول عصبی مصنوعی در سال 1943 بوسیله یک neurophysiologist به نلمWarren McCulloch ویک منطق دان به نام Walter Pits ساخته شد . اما محدودیتهای تکنولوژی  در آن زمان اجازه کار بیشتر به آنها نداد.

4- چرا از شبکه های عصبی استفاده میکنیم

   شبکه های عصبی ، با قابلیت قابل توجه  در استنتاج معانی از داده های پیچیده یا مبهم ، برای استخراج الگوها و شناسایی روشهایی که آگاهی از آنها برای انسان و دیگر تکنیک های کامپیوتری بسیار  پیچیده و دشوار است  به کار گرفته می شوند. یک شبکه عصبی تربیت یافته می تواند به عنوان یک متخصص در مقوله اطلاعاتی ای که برای تجزیه تحلیل به آن داده شده به حساب آید.از این متخصص می توان  برای بر آورد وضعیت های دخواه جدید و جواب سؤال های " چه می شد اگر "  استفاده کرد.

   مزیتهای دیگر آن شامل موارد زیر می شود :

1. یادگیری انطباق پذیر: قابلیت یاد گیری نحوه انجام وظایف بر پایه اطلاعات داده شده برای تمرین وتجربه های مقدماتی .

2. سازماندهی توسط خود: یک ANN می تواند سازماندهی یا ارائه اش را ، برای اطلا عاتی  که در طول دوره یادگیری در یافت می کند، خودش ایجاد کند. 

3. عملکرد بهنگام(Real time ) : محاسبات  ANN  می تواند بصورت موازی انجام شود، و سخت افزارهای مخصوصی طراحی و  ساخته شده است که می تواند از این قابلیت استفاده کند.

   تحمل اشتباه بدون ایجاد وقفه در هنگام کد گذاری اطلاعات : خرابی جزئی یک شبکه منجر به تنزل کارایی متناظر با آن می شود اگر چه تعدادی از قابلیت های شبکه ممکن است حتی با خسارت بزرگی هم باقی بماند

5- تفاوت‌های شبکه‌های عصبی باروش‌های محاسباتی متداول و سیستم‌های خبره

   گفتیم که شبکه‌های عصبی روش متفاوتی

برای پردازش و آنالیز اطلاعات ارائه می‌دهند. اما نباید این گونه استنباط شود که شبکه‌های عصبی می‌توانند برای حل تمام مسائل محاسباتی مورد استفاده واقع شوند. روش‌های محاسباتی متداول همچنان برای حل گروه مشخصی از مسائل مانند امور حسابداری، انبارداری و محاسبات عددی مبتنی بر فرمول‌های مشخص، بهترین گزینه محسوب می‌شوند. جدول 1، تفاوت‌های بنیادی دو روش محاسباتی را نشان می‌دهد.

مشخصه روش محاسباتی متداول

)شامل سیستم‌های خبره( شبکه‌های عصبی مصنوعی

روش پردازش ترتیبی موازی

توابع منطقی (left brained) estault (right brained)

روش فراگیری به کمک قواعد (didactically) با مثال (Socratically)

کاربرد حسابداری، واژه پردازی، ریاضیات،

 ارتباطات دیجیتال پردازش حسگرها، تشخیص گفتار، نوشتار، الگو

   تلاش‌هایی که برای اجرایی کردن سیستم‌های خبره به کار گرفته شده‌اند، با مشکلات مشترکی مواجه بوده‌اند. با افزایش سطح پیچیدگی سیستم‌ها، منابع کامپیوتری مورد نیاز سیستم به شدت افزایش می‌یابند و سیستم با کندی بیش از حد روبرو می‌شود. در حقیقت تجربه نشان داده است که در وضعیت فعلی، سیستم‌های خبره تنها می‌توانند در مواقعی مفید واقع شوند که هدف محدود و مشخصی تعیین شده باشد. 

   شبکه‌های عصبی در مسیری گام برمی‌دارند که ابزارها توانایی فراگیری و برنامه‌ریزی خود را داشته باشند. ساختارشبکه‌های عصبی به گونه‌ای است که قابلیت حل مسئله را بدون کمک فرد متخصص و برنامه‌ریزی خارجی داشته باشند. شبکه‌های عصبی قادر به یافتن الگوهایی در اطلاعات هستند که هیچ‌کس، هیچ‌گاه از وجود آنها اطلاع نداشته است. 

   درحالی‌که سیستم‌های خبره در عمل به موفقیت‌های بسیاری دست یافته‌اند، شبکه‌های عصبی در کاربردهایی همچون دید مصنوعی، تشخیص و تولید پیوسته گفتار، فراگیری ماشینی و نظایر آن با مشکلاتی روبرو بوده‌اند.  در حال حاضر شبکه‌های عصبی کاملاً وابسته به سرعت پردازنده سیستم اجرا کننده هستند.

6- کاربردهای شبکه های عصبی

   ...

7- الگوریتم ژنتیک

  الگوریتم ژنتیک که بعنوان یکی از روشهای تصادفی بهینه یابی شناخته شده,  توسط جان هالند در سال 1967 ابداع شده است. بعدها این روش با تلاشهای گلدبرگ 1989, مکان خویش را یافته و امروزه نیز  بواسطه توانایی های خویش , جای مناسبی در میان دیگر روشها دارد. روال بهینه یابی در الگوریتم ژنتیک  براساس یک روند تصادفی- هدایت شده استوار می باشد. این روش , بر مبنای نظریه تکامل تدریجی و ایده های بنیادین داروین پایه گذاری شده است.در این روش , ابتدا برای  تعدادی ثابت که جمعیت نامیده می شود مجموعه ای از پارامترهای هدف بصورت اتفاقی تولید می شود , پس از اجرای برنامه شبیه ساز عددی را که معرف انحراف معیار و یا برازش آن مجموعه از اطلاعات است را به آن عضو از جمعیت مذکور نسبت می دهیم . این عمل را برای تک تک اعضای ایجاد شده تکرار می کنیم , سپس با فراخوانی عملگرهای الگوریتم ژنتیک از جمله لقاح , جهش و انتخاب نسل بعد را شکل می دهیم و این روال تا ارضای معیار همگرایی ادامه داده خواهد شد.(شکل 1) 

 ...

8- الگوریتم مورچگان

   سیستم مورچه CE یک سیستم  هوشمند پر ازدحام (مانند کندوی زنبوران) است و رفتار کاوش آذوقه مورچگان را تقلید می کند که شامل تعداد زیادی عامل با رفتارهای ساده است که بطور غیر مستقیم و غیر همزمان با هم ارتباط برقرار می کنند . همه عاملها مأموریت جستجوی مسیرهای حلقه ای و گزارش کیفیت مسیر  که بوسیله مفهوم " عملکرد مسیر " تعریف می شود , را دارند.

 1-8 کاربردهای الگوریتم مورچگان :

   ایجاد و نگهداری اتصال مسیرهای اولیه و پشتیبانی از هم گسیخته .

حل مسایل مربوط به پیدا کردن و نگهداری مسیرهای مجازی در یک شبکه ارتباطات با تغییر شرایط.

ساختار اتوماتیک سایتهای پرتال در وب .

   استفاده در مسیریاب های نرم افزاری و عاملهای موبایل ( مثال زیر ) .

    مورچگان بین منبع غذا و لانه یک مسیر را حفظ می کنند.

2-8 مسیریاب :

   پاکتهای داده با کلیک مسیریابی می شوند.

کد مورچه در Java VM  اجرا می شود.

دو زیر سیستم اطلاعاتشان مورد نیازشان را با هم رد و بدل  می کنند.

   ...

9- آشنایی باشبکه های عصبی زیستی

   این شبکه ها مجموعه ای بسیار عظیم از پردازشگرهایی موازی به نام نورون اند که به صورت هماهنگ برای حل مسئله عمل می کنند و توسط سیناپس ها(ارتباط های الکترومغناطیسی)اطلاعات را منتقل می کنند.در این شبکه ها اگر یک سلول آسیب ببیند بقیه ی سلولها می توانند نبود آنرا جبران کرده و نیز در بازسازی آن سهیم باشند.

   این شبکه ها قادر به یادگیری اند.مثلا با اعمال سوزش به سلولهای عصبی لامسه، سلولها یاد می گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می آموزد که خطای خود را اصلاح کند.back propagation of error))

   یادگیری در این سیستم ها به صورت تطبیقی صورت می گیرد، یعنی با استفاده ازمثال ها وزن سیناپس ها به گونه ای تغییر می کند که در صورت دادن ورودی های جدید سیستم پاسخ درستی تولید کند.

10- معرفی ANN ها

ANN    ها در واقع مثلثی هستند با سه ضلع مفهومی  :

سیستم تجزیه و تحلیل داده ها

نورون یا سلول عصبی

قانون کار گروهی نورونها (شبکه)

ANN    ها دست کم از دو جهت شبیه مغز انسا ن اند: 

مرحله ای موسوم به  یاد گیری دارند.

وزن های سیناپسی  جهت ذخیره ی دانش به کار می روند.

   هوش مصنوعی و مدل سا زی شناختی سعی بر این دارند که بعضی خصوصیا ت شبکه های عصبی را شبیه سازی کنند. گرچه این دو روش ها یشان شبیه هم است، اما هدف هوش مصنوعی از این کار حل مسائل شخصی و هدف مدل سا زی شناختی ،ساخت مدلهای ریا ضی سیستم های نورونی زیستی می باشد .

   به طور خلاصه یک شبکه عصبی باید خصوصیات زیر را داشته باشد:

 بتواند الگوها را طبقه بندی کند.

 به اندازه کافی کوچک باشد تا از نظر فیزیکی واقع گرایانه باشد.

   با به کار گیری آموزش، قابل برنامه ریزی باشد و قدرت یادگیری داشته باشد. یعنی توانایی تنظیم پارامترهای شبکه ( اوزان سیناپتیکی )، در مسیر زمان که محیط شبکه تغییر می کند و شبکه وارد شرایط جدیدی می شود. هدف از این کار این است که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی شبکه رخ داد، شبکه بتواند با آموزش مختصر، برای شرایط جدید نیز کارآمد باشد.    دیگر این که اطلاعات در شبکه های عصبی در سیناپس ها ذخیره و هر نرون در شبکه به صورت بالقوه از کل فعالیت سایر نرون ها تأثیر می پذیرد. در نتیجه اطلاعات از نوع مجزا از هم نبوده و متأثر از کل شبکه می باشد.

 توانایی تعمیم را با استفاده از مثال های ارائه شده در فرآیند آموزش، داشته باشد. 

 1-10 مبانی ANN ها :

  ......

12- مقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبی

...

13- مدل سازی شبکه ی عصبی 

   اگر هدف پیشگویی کمی باشد ،مجموع تحریکات آخرین عصب خروجی ،آن عدد خواهد بود.

   اگر هدف طبقه بندی باشد ،فعالیت یا عدم فعالیت (on یا off بودن)نورونهای لایه ی آخر نمایانگر این امر خواهد بود .مثلا شلیک نورون خروجی(فعال بودن آن)نشانگر حضور بیماری و خاموش بودن آن نشانه ی سلامتی است.

   سیستم شبکه ی عصبی در فرآیند یادگیری طوری وزنهای سیناپسی را تغییر می دهد که بتواند با هر سری تحریکات ورودی (یعنی داده های هر نمونه)جریان خروجی مناسب(پاسخ R)را تولید کند.

   چگونگی ریاضی این تغییر وزنها ظریفترین بخش مکانیسم عملکرد شبکه است. 

14- فرآیند یادگیری شبکه

   وظیفه ی شبکه های عصبی یادگیری است.تقریبا چیزی شبیه به یادگیری کودک خردسال.

انواع آموزش شبکه:

   یادگیری تحت نظارت(یا supervised ) : با تمرکز روی یک موضوع خاص و ارائه ی  مثالهای مختلفی از آن صورت می گیرد .شبکه اطلاعات ورودی و مثال ها را تجزیه و تحلیل خواهد کرد به طوری که پس از مدتی قادر خواهد بود یک نوع جدید از آن دسته مثال ها را که قبلا هرگز ندیده بود شناسایی کند. 

   یادگیری بدون نظارت(یا unsupervised ) :یادگیری سطح بالاتری است که کاربرد آن امروزه کمتر است.

   یادگیری تقویتی(یا  reinforcement):

مدل پنهانی مارکوف(MDP):اجزای اصلی یک مدل مارکوف عبارتند از :مجموعه ی حالتها،مجموعه ی عملها،گذرها،ارزش افزوده ی فوری هر عمل

15- مهم ترین تفاوت حافظه ی انسان و حافظه ی کامپیوتر

   یکی از مهمترین تفاوتهای حافظه انسان با حافظه کامپیوتر در نوع آدرس دهی این دو نوع حافظه میباشد. در حافظه کامپیوتر اساس کار بر پایه آدرس خانههای حافظه یا آدرس اطلاعات بر روی حافظه دائم میباشد. به عنوان مثال برای دستیابی به یک تصویر یا متن خاص، باید آدرس حافظه یا فایل مربوط به آن تصویر یا متن را داشته باشید. اما با داشتن خود تصویر یا متن نمیتوانید به سادگی آدرس حافظه مربوطه را بیابید (البته به این معنی که این کار با یک قدم قابل انجام نیست، وگرنه میتوانید تصویر یا متن مورد نظر را با تمام موارد موجود در حافظه مقایسه کرده و در صورت تطبیق آدرس را بیابید. ناگفته پیداست که انجام چنین کاری بسیار زمان بر و پر هزینه میباشد).

   اما به سازوکار همین عمل در ذهن انسان دقت کنید. با دیدن یک تصویر ناقص اغلب بلافاصله کامل آنرا به خاطر میآورید یا با دیدن تصویر یک شخص سریعا نام او را میگویید، یا با خواندن یک متن سریعا تمامی مطالب مربوط به آن را به ذهن میآورید. در واقع ذهن انسان یک نوع حافظه آدرسدهی شده بر اساس محتواست (Content Addressable Memory). همانگونه که از این نام مشخص است در این نوع حافظه، با دادن محتوای یک خانه حافظه، بلافاصله آدرس آن به عنوان خروجی داده میشود.

16- شبکه های عصبی در مقابل کامپیوترهای معمولی

   شبکه های عصبی نسبت به کامپیوتر های معمولی مسیر متفاوتی را برای حل مسئله طی می کنند . کامپیوتر های معمولی یک مسیر الگو ریتمی را استفاده می کنند به این معنی که کامپیوتر یک مجموعه از دستورالعمل ها را به قصد حل مسئله پی می گیرد. بدون اینکه، قدم های مخصوصی که کامپیوتر نیاز به طی کردن دارد، شناخته شده باشند کامپیوتر قادر به حل مسئله نیست. این حقیقت قابلیت حل مسئله ی کامپیوتر های معمولی را به مسائلی ،محدود می کند که ما قادر به درک آنها هستیم و می دانیم چگونه حل میشوند. اما اگر کامپیوتر ها می توانستند کار هایی را انجام دهند که ما دقیقا نمیدانیم چگونه انجام دهیم ، خیلی پر فایده تر بودند. 

   شبکه های عصبی اطلاعات را به روشی مشابه با کاری که مغز انسان انجام می دهد پردازش می کنند. آنها از تعداد زیادی از عناصر پرداز شی(سلول عصبی) که فوق العاده بهم پیوسته اند تشکیل شده است که این عناصر به صورت موازی باهم برای حل یک مسئله مشخص کار می کنند .شبکه های عصبی با مثال کار می کنند و نمی توان آنها را برای انجام یک وظیفه خاص برنامه ریزی کرد مثال ها می بایست با دقت انتخاب شوند در غیر این صورت زمان سودمند، تلف می شود و یا حتی بدتر از این شبکه ممکن است نا درست کار کند. امتیاز شبکه عصبی این است که خودش کشف می کند که چگونه مسئله را حل کند ، عملکرد آن غیر قابل پیش گویی است. 

   از طرف دیگر ، کامپیوتر های معمولی از یک مسیر مشخص برای حل یک مسئله استفاده می کنند . راه حلی که مسئله از آن طریق حل می شود باید از قبل شناخته شود و به صورت دستورات کوتاه و غیر مبهمی شرح داده شود. این دستورات سپس به زبان های برنامه نویسی سطح بالا برگردانده می شود و بعد از آن به کدهایی که کامپیوتر قادر به درک آنها است تبدیل می شود. به طور کلی این ماشین ها قابل پیش گویی هستند و اگر چیزی به خطا انجام شود به یک اشتباه سخت افزاری یا نرم افزاری بر می گردد. 

   شبکه های عصبی و کامپیوتر های معمولی با هم در حال رقابت نیستند بلکه کامل کننده یکدیگرند . وظایفی وجود دارد که بیشتر مناسب روش های الگو ریتمی هستند نظیر عملیات محاسباتی و وظایفی نیز وجود دارد که بیشتر مناسب شبکه های عصبی هستند . حتی فراتر از این ، مسائلی وجود دارد که نیازمند به سیستمی است که از تر کیب هر دو روش بدست می آید (بطور معمول کامپیوتر های معمولی برای نظارت بر شبکه های عصبی به کار گرفته می شوند ) به این قصد که بیشترین کارایی بدست آید. 

17- معایب ANN ها

با وجود برتری هایی که شبکه های عصبی نسبت به سیستم های مرسوم دارند، معایبی نیز دارند که پژوهشگران این رشته تلاش دارند که آن ها را به حداقل برسانند، از جمله:

   قواعد یا دستورات مشخصی برای طراحی شبکه جهت یک کاربرد اختیاری وجود ندارد.

   در مورد مسایل مدل‌سازی، نمی‌توان صرفاً با استفاده از شبکه عصبی به فیزیک مسأله پی برد. به عبارت دیگر مرتبط ساختن پارامترها یا ساختار شبکه به پارامترهای فرآیند معمولاً غیرممکن است.

   دقت نتایج بستگی زیادی به اندازه مجموعه آموزش دارد.

آموزش شبکه ممکن است مشکل یا حتی غیرممکن باشد.

   پیش‌بینی عملکرد آینده شبکه ( عمومیت یافتن ) آن به سادگی امکان‌پذیر  نیست.

18- کاربردهای شبکه های عصبی مصنوعی

   امروزه شبکههای عصبی در کاربردهای مختلفی نظیر مسائل تشخیص الگو(Pattern Recognition) که خود شامل مسائلی مانند تشخیص خط(Character Recognition)، 

شناسایی گفتار(Speech Recognition)،  پردازش      تصویر (Image Processing) 

و مسائلی ازاین دست میشود و نیز مسائل دستهبندی(Classification) مانند دستهبندی (Classification Problems)متون و یا تصاویر،به کار میروند.درکنترل یا مدلسازی سیستمهایی که ساختار داخلی ناشناخته یا بسیار پیچیدهای دارند نیز به صورت روز افزون از شبکههای عصبی مصنوعی استفاده میشود . به عنوان مثال میتوان در کنترل ورودی یک موتور از یک ANN استفاده نمود که در این صورت شبکه عصبی خود تابع کنترل را یاد خواهد گرفت.

19- نتیجه گیری 

   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. 

سپاسگزاری

   در اینجا لازم است که از زحمات و راهنمایی¬های استاد ارجمند مهندس مجید کفائی که بنده را در نوشتن هرچه بهتر این مقاله یاری رساندند، تشکر و قدردانی کنم. 

مراجع

http://www.wikipedia.com/

http://dbase.irandoc.ac.ir/