دانلود پاورپوینت شبکه های عصبی و کاربرد آن در پزشکی با فرمت ppt ودر 37 اسلاید قابل ویرایش قسمتی از متن پاورپوینت

مقدمه

انسانها از زمانهاي بسيار دور سعي بر آنداشتند که بيوفيزيولوژي مغز را دريابند،چون همواره مسئله هوشمندي انسان و قابليت يادگيري، تعميم، خلاقيت، انعطاف‌پذيري و پردازش موازي در مغز براي بشر جالب بوده و بکارگيري اين قابليتها در ماشينها بسيار مطلوب مي نمود. روشهاي الگوريتميک براي پياده سازي اين خصايص در ماشينها مناسب نمي‌باشند.

شبکه‌هاي عصبي مصنوعي (Artificial Neural Network) الگويي براي پردازش اطلاعات مي‌باشند که با تقليد از شبکه هاي عصبي بيولوژيکي مغز انسان ساخته شده‌اند. ANNشاخه اي از فيلد هوش مصنوعي و يا سيستمهاي خبره مي باشد كه با منطق فازي مرتبط مي باشد

تاریخچه

سيستم ديگر مدل خطي تطبيقي نرون يا Adalaline (Adaptive linear element )در 1960 توسط ويدرو و هاف ( دانشگاه استنفورد ) بوجود آمداولين شبکه هاي عصبي بکار گرفته شده در مسائل واقعي بوده‌اند.

روش کار نرون ها

طرز كار يك مدل سلول عصبي بدين صورت است كه خطوط يا كانالهاي ورودي سيگنالهاي تحريكي يا مهاري را كه همان پارامترهاي تعريف كننده سيستم هستند به جسم سلولي يا گره هاي عصبي مي آورند مثلاً غلظت يك ماده mol/lit0.6 است. اين پارامتر به عنوان يك سيگنال الكتريكي با شدت ./6 به يك كانال ورودي مي رود در ابتداي هر كانال يك ضريب عددي ( وزن سيناسپي ) وجـود دارد كـه شـدت تـحريك در آن ضــرب مي شود . اگر مثبت باشد يك ســـيگنال تحريـكي و اگـر منفي باشد يك سيگنال مهاري است اين سيگنال هاي تحريكي يا مهاري كه از ورودي هاي مختلف به جسم سلولي مي رسند با هم به صورت خطي جمع مي گردد . اگر از ميزان آستانه كمتر باشد سلول عصبي خاموش شده و در غير اين صورت fire ( شليك ) مي شود و جريان الكتريكي ثابتي در خروجي ايجاد مي كند كه به سلولهاي ديگر وارد مي شود

روش supervised

از مجموعه‌ شناخته‌شده‌اي از داده‌هايورودي و خروجي‌هاي متناظر آنها (training set data) براي آموزش دادن شبكه استفادهمي‌شود. در چنين فرايندي، پس از اعمال مجموعه‌هاي داده‌هاي آموزشي، پارامترهاي شبكهبه تدريج به سمت مقادير نهايي خود همگرا مي‌شوند.شبكه‌هاي عصبي قادر بهيافتن الگوهايي در اطلاعات هستند كه هيچكس، هيچگاه از وجود آنها اطلاع نداشتهاست

روش unsupervised

شبكه‌ عصبي بدون در اختيارداشتن داده‌هاي خروجي، در معرض آموزش قرار مي‌گيرد. در واقع سيستم به تنهايي و بدونكمك خارجي بايد با توجه به شكل سيگنال‌هاي خروجي خود، درباره درستي و نادرستي آنهاتصميم‌گيري نمايد

به عنوان مثال گفته مي‌شود كه شرايط جنگي به دليل فراواني پارامترها و تكنيك‌هاي نظامي متغير و پيشرفت‌هاي تكنولوژي نظامي، از نمونه مواردي است كه در آنها به هيچ وجه نمي‌توان مجموعه داده‌هاي آموزشي كافي به دست آورد

معایب شبکه های عصبی

در مواردي ممكن است كه شبكه‌ عصبي اصولاً موفق به فراگيري نشود. بدين معني كه پارامترهاي شبكه پس از زمان‌هاي طولاني به مقدار مشخصي همگرا نشود. چنين مواردي ممكن است بر اثر ناكافي بودن داده‌هاي آموزشي و يا اصولاً نقص طراحي شبكه ايجاد شوند.

مواردي در عمل وجود دارند كه شبكه عصبي مشخصي، بر اثر آموزش بيش از حد، اصطلاحا over trained شود. توجه داشته باشيد كه فرايند آموزش شبكه‌هاي عصبي فقط به ازاي زير مجموعه‌اي از داده‌هايي كه قرار شبكه آنها را در كاربرد حقيقي خود پردازش كند، آموزش داده مي‌شوند. درصورتي‌كه تعداد داده‌هاي آموزشي يك شبكه عصبي بيش از اندازه زياد باشد (در واقع از تمامي داده‌هاي مسئله براي آموزش دادن به شبكه استفاده شود)، شبكه عصبي به جاي آنكه آموزش ببيند، به حالتي مي‌رسد كه به آن حفظ كردن اطلاعات مي‌گويند. در واقع به جاي آنكه يك شبكه عصبي براي حل مسئله از هوش خود كمك بگيرد، از محفوظات خود استفاده مي‌كند!