بهبود سرعت یادگیری شبکه های عصبی 27ص

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 24

مقدمه

شبکه های عصبی چند لایه پیش خور1 به طور وسیعی د ر زمینه های متنوعی از قبیل طبقه بندی الگوها، پردازش تصاویر، تقریب توابع و ... مورد استفاده قرار گرفته است.

الگوریتم یادگیری پس انتشار خطا2، یکی از رایج ترین الگوریتم ها جهت آموزش شبکه های عصبی چند لایه پیش خور می باشد. این الگوریتم، تقریبی از الگوریتم بیشترین تنزل3 می باشد و در چارچوب یادگیری عملکردی 4 قرار می گیرد.

عمومیت یافتن الگوریتمBP ، بخاطر سادگی و کاربردهای موفقیت آمیزش در حل مسائل فنی- مهندسی می باشد.

علیرغم، موفقیت های کلی الگوریتم BP در یادگیری شبکه های عصبی چند لایه پیش خور هنوز، چندین مشکل اصلی وجود دارد:

- الگوریتم پس انتشار خطا، ممکن است به نقاط مینیمم محلی در فضای پارامتر، همگرا شود. بنابراین زمانی که الگوریتم BP همگرا می شود، نمی توان مطمئن شد که به یک جواب بهینه رسیده باشیم.

- سرعت همگرایی الگوریتم BP، خیلی آهسته است.

از این گذشته، همگرایی الگوریتم BP، به انتخاب مقادیر اولیه وزنهای شبکه، بردارهای بایاس و پارامترها موجود در الگوریتم، مانند نرخ یادگیری، وابسته است.

در این گزارش، با هدف بهبود الگوریتم BP، تکنیک های مختلفی ارائه شده است. نتایج شبیه سازیهای انجام شده نیز نشان می دهد، الگوریتم های پیشنهادی نسبت به الگوریتم استاندارد BP، از سرعت همگرایی بالاتری برخوردار هستند.

خلاصه ای از الگوریتم BP

از قانون یادگیری پس انتشار خطا (BP)، برای آموزش شبکه های عصبی چند لایه پیش خور که عموماً شبکه های چند لایه پرسپترون 5 (MLP) هم نامیده می شود، استفاده می شود، استفاده می کنند. به عبارتی توپولوژی شبکه های MLP، با قانون یادگیری پس انتشار خطا تکمیل می شود. این قانون تقریبی از الگوریتم بیشترین نزول (S.D) است و در چارچوب یادگیری عملکردی قرار می گیرد.

بطور خلاصه، فرایند پس انتشار خطا از دو مسیر اصلی تشکیل می شود. مسیر رفت6 و مسیر برگشت 7 .

در مسیر رفت، یک الگوی آموزشی به شبکه اعمال می شود و تأثیرات آن از طریق لایه های میانی به لایه خروجی انتشار می یابد تا اینکه

_________________________________

1. Multi-Layer Feedforward Neural Networks

2. Back-Propagation Algorithm

3. Steepest Descent (S.D)

4. Performance Learning

5. Multi Layer Perceptron

6. Forward Path

7. Backward Path

نهایتاً خروجی واقعی شبکه MLP، به دست می آید. در این مسیر، پارامترهای شبکه (ماتریس های وزن و بردارهای بایاس)، ثابت و بدون تغییر در نظر گرفته می شوند.

در مسیر برگشت، برعکس مسیر رفت، پارامترهای شبکه MLP تغییر و تنظیم می گردند. این تنظیمات بر اساس قانون یادگیری اصلاح خطا1 انجام می گیرد. سیگنال خطا، رد لایه خروجی شبکه تشکیل می گردد. بردار خطا برابر با اختلاف بین پاسخ مطلوب و پاسخ واقعی شبکه می باشد. مقدار خطا، پس از محاسبه، در مسیر برگشت از لایه خروجی و از طریق لایه های شبکه به سمت پاسخ مطلوب حرکت کند.

در شبکه های MLP، هر نرون دارای یک تابع تحریک غیر خطی است که از ویژگی مشتق پذیری برخوردار است. در این حالت، ارتباط بین پارامترهای شبکه و سیگنال خطا، کاملاً پیچیده و و غیر خطی می باشد، بنابراین مشتقات جزئی نسبت به پارامترهای شبکه به راحتی قابل محاسبه نیستند. جهت محاسبه مشتقات از قانون زنجیره ای2 معمول در جبر استفاده می شود.

فرمول بندی الگوریتم BP

الگوریتم یادگیری BP، بر اساس الگوریتم تقریبی SD است. تنظیم پارامترهای شبکه، مطابق با سیگنالهای خطا که بر اساس ارائه هر الگو به شبکه محاسبه می شود، صورت می گیرد.

الگوریتم بیشترین تنزل با معادلات زیر توصیف می شود:

(1)

(2)

به طوری WLji و bLj، پارامترهای نرون j ام در لایه iام است. α، نرخ یادگیری2 و F، میانگین مربعات خطا می باشد.

(3)

(4)

(5)

به طوریکه SLj(k)، حساسیت رفتار شبکه در لایه L ام است.

_________________________________

1. Error-Correctting Learning Rule

2. Chain Rule

3. Learning Rate

معایب الگوریتم استاندارد پس انتشار خطا1 (SBP)

الگوریتم BP، با فراهم آوردن روشی از نظر محاسباتی کارا، رنسانسی در شبکه های عصبی ایجاد نموده زیرا شبکه های MLP، با قانون یادگیری BP، بیشترین کاربرد را در حل مسائل فنی- مهندسی دارند.

با وجود، موفقیت های کلی این الگوریتم در یادگیری شبکه های عصبی چند لایه پیش خود، هنوز مشکلات اساسی نیز وجود دارد:

- اولاً سرعت همگرایی الگوریتم BP آهسته است.

همانطور که می دانیم، تغییرات ایجاد شده در پارامترهای شبکه (ماتریس های وزن و بردارهای بایاس)، پس از هر مرحله تکرار الگوریتم BP، به اندازه ، است، به طوریکه F، شاخص اجرایی، x پارامترهای شبکه و α، طول قدم یادگیری است.

از این، هر قدر طول قدم یادگیری، α، کوچکتر انتخاب گردد، تغییرات ایجاد شده در پارامترهای شبکه، پس از هر مرحله تکرار الگوریتم BP، کوچکتر خواهد بود، که این خود منجر به هموار گشتن مسیر حرت پارامترها به سمت مقادیر بهینه در فضای پارامترها می گردد. این مسئله موجب کندتر گشتن الگوریتم BP می گردد. بر عکس با افزایش طول قدم α، اگرچه نرخ یادگیری و سرعت یادگیری الگوریتم BP افزایش می یابد، لیکن تغییرات فاحشی در پارامترهای شکه از هر تکراربه تکرار بعد ایجاد می گردد، که گاهی اوقات موجب ناپایداری و نوسانی شدن شبکه می شود که به اصطلاح می گویند پارامترهای شبکه واگرا شده اند:

در شکل زیر، منحنی یادگیری شبکه برای جدا سازیالگوها در مسأله XOR، به ازای مقادیر مختلف نرخ یادگیری، نشان داده شده است. به ازای مقادیر کوچک، α، شبکه کند اما هموار، یاد نمی گیرد الگوهای XOR را از هم جدا نماید، ددر صورتی که به ازای 9/0= α شبکه واگرا می شود.

_________________________________

1. Standard Back-Propagation Algorithm

شکل (1). منحنی یادگیری شبکه برای نرخ های یادگیری مختلف در مسأله XOR

- ثانیاً احتمالاً به دام افتادن شبکه در نقاط مینیمم محلی وجود دارد.

در شبکه های MLP، میانگین مجوز خطا، در حالت کلی خیلی پیچیده است و از تعداد زیادی نقطه اکسترمم در فضای پارامترهای شبکه برخوردار می باشد. بنابراین الگوریتم پس انتشار خطا با شروع از روی یک سری شرایط اولیه پارامترهای شبکه، به نقطه مینیمم سراسری و با شروع از یک مجموعه شرایط اولیه دیگر به تقاط مینیمم محلی در فضای پارامترها همگرا می گردد، بنابراین زمانی که الگوریتم BP همگرا می شود، نمی توان مطمئن شد که به یک جواب بهینه رسیده باشیم.

- ثالثاً: همگرایی الگوریتم BP، به یقین مقادیر اولیه پارامترهای شبکه عصبی MLP وابسته است، بطوری که یک انتخاب خوب می تواند کمک بزرگی در همگرایی سریعتر الگوریتم BP فراهم آورد. برعکس انتخاب اولیه نادرست پارامترهای شبکه MLP، منجر به گیر افتادن شبکه در نقاط مینیمم محلی در فضای برداری پارامترهای شبکه می گردد که این خود منجر به این می شود که شبکه خیلی زودتر از معمول به موضعی بیفتد که منحنی یادگیری شبکه برای تعداد بزرگی از دفعات تکرار، تغییر نکند.

به عنوان مثال، فرض می کنیم مقدار اولیه پارامترهای شبکه خیلی بزرگ باشند، در حالی که می دانیم توابع تبدیل نرونها مخصوصاً در لایه های میانی از نوع زیگموئید هستند. در این حالت برای نرون i ام، اندازه ورودی تابع تبدیل (ni) خیلی بزرگ می باشد و خروجی نرون (ai) به مقدار 1± میل می کند. لذا مشتق بردار خروجی شبکه، a ، خیلی کوچک می باشد. فرض کنیم که باید مقدار واقعی ai، 1 باشد

سیستم عصبی حشرات

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 7

سیستم عصبی حشرات

دستگاه عصبی Nervous system:

دستگاه عصبی در حشرات به صورت دو زنجیر عصبی در قسمت شکمی بدن قرار دارد . مراکز اصلی عصبی شامل سه قسمت است ، دستگاه عصبی مرکزی ، درونی یا احشائی ، وسطی یا جلدی .

1- دستگاه عصبی مرکزی Central Nervous system: یا زنجیر عصبی که از عصب ها و عقده های عصبی تشکیل یافته است. در ناحیه سر ، مغز(Brain) را تشکیل می دهد که به وسیله یک جفت رشته عصبی به نام گردنبند دورمری Circumoesophageal connectives به عقده زیر مری Suboesophageal ganglion متصل می گردد. زنجیر عصبی در ناحیه قفس سینه شامل سه جفت عقده عصبی است. معمولاً عقده پیش قفس سینه ای مشخص ولی عقده های میان و پس قفس به یکدیگر اتصال یافته اند . عقده های عصبی به وسیله یک رشته عرضی به نام پیوند Commissure و یک رشته طولی به نام طناب Cord به یکدیگر متصل می باشند . مغز از سه قسمت زیر تشکیل یافته است.

(1) مغز جلوئی یا مغز اول Protocerebron بزرگترین قسمت مغز می باشد و اعمال حسی چشم‌های ساده و مرکب را انجام می دهد و همچنین سلولهای عصبی ترشحی قسمت داخلی مغز، از نظر رشدی و تغییر جلد اهمیت دارند .

(2) مغز میانی یا مغز دوم Deutocerebron مرکز عصبی شاخکها می باشد.

(3)مغز عقبی یا مغز سوم Tritocerebron کهرشته های عصبی را به پیشانی ، لب بالا و قسمت جلوی لوله گوارش می فرستد.

مغز حشرات از توده سلولهای نر و پیل وسلولهای عصبی ارتباطی و تعداد کمی سلول های محرک تشکیل یافته و حجم آن بستگی به وضعیت تکاملی حشره دارد . چنانچه در سوسک Dytiscus حجم مغز و در زنبور عسل حجم بدن می باشد.

هرسلول عصبی یا نرون Neuron دارای یک جسم سلولی یا Neurocyte آکسون و انشعابات متعدد باریک به نام دندریت می باشد. نوروسیت های یک قطبی دارای یک آکسون و نوروسیت های دو قطبی و چند قطبی دارای دو یا چند آکسون هستند. سلولهای عصبی حساس معمولا دو یا چند قطبی هستند و نوروسیت آنها در سطح و یا نزدیک به سطح بدن قرار دارد و دندریت ها در سطح بدن و داخل غده ها و ماهیچه ها امتداد دارند. سلولهای عصبی محرک معمولا یک قطبی و نوروسیتها در مراکز عصبی و آکسون آنها در سطح جلد امتداد دارد.

عقده عصبی از یک توده متراکم رشته های عصبی به نام بافت نخاعی یا نروپیل در داخل و یک پرده به نام Epineural membrane تشکیل شده و دارای نوروسیتها و آکسون های سلولهای محرک ، انشعابات انتهائی سلولهای حساس در قسمت داخلی ، انشعابات تراشه ای و سلولهای پوششی در قسمت سطحی است.

عصب ، از آکسون های محرک یا حساس و یا هر دو نوع تشکیل یافته است.

عصب های مغز شامل: (1) عصب چشم های ساده میانی (2) عصب چشم های مرکب و چشم های ساده جانبی (3) عصب عقده پشت سر که رابط بین عقده پشت سر و قسمت عقبی مغز است. (4) عصب شاخکی (5) عصب جلدی (6) عصب جانبی که انشعابات آن به دهان و عقده پشت سر اتصال دارد (7) عصب لب و پیشانی (8) عصب زیر گلوئی که اعمال عصبی ماهیچه های منبسط کننده بخش جلوئی لوله گوارش را انجام می دهد.

2- دستگاه عصبی درونی یا احشائی Ventral Nervous system:

این دستگاه به نام سیستم سمپاتیک از سه قسمت زیر تشکیل شده است:

(1) دستگاه عصبی بخش جلوئی لوله گوارش Stomodaeal nervous system یا سیستم استوموگاستریک شامل سلولهای حساس و محرک ، عقده زیر مغذی یا عقده پشت سر ، عقده پیشانی و عصب های متعدد می باشد. این قسمت، عصب های متعدد می باشد. این قسمت، عصب های متعدد به بخش جلوئی لوله گوارش ، قلب و آئورت و اجسام آلاتا و گاهی ماهیچه های لب پائین و آرواره های بالا و در بعضی از حشرات به تمام بخش میانی لوله گوارش می فرستد.

(2) دستگاه سمپاتیک دمی Caudal sympathic system اعمال عصبی غدد تناسلی و قسمت انتهائی لوله گوارش را انجام می دهد.

(3) عصب های فرد شکمی Impaire ventral nerves رشته های عصبی به سوراخهای تنفسی و استیگمات ها می فرستد.

3- دستگاه عصبی سطحی یا جلدی Peripheral Nervous system: شامل سلولهای حساس دو یا چند قطبی و قسمتهایی انتهائی آکسون سلول ها محرک می باشد که معمولا در لایه اپیدرمی جلد و پوشش سطحی لوله گوارش و ماهیچه های سمپاتیک متمرکز هستند. دستگاه عصبی در حشرات، دارای ترشحات هرمونی است که از غده های بدون مجرای ترشحی به نام اجسام آلاتا Corpora allata و کاردیاکا C.cardiaca که در عقب مغز جلوئی لوله گوارش در محل اتصال مری قرار دارند و ترشحات که در عقب معز جلوئی قرار دارد ترشح می شوند، اجسام آلاتا در قسمت پشتی بخش جلوئی لوله گوارش در محل اتصال مری قرار دارند و ترشحات آنها به نام هورمون جوانی از نظر پدیده دگردیسی و رشد غدد تناسلی اهمیت دارد. اجسام کاردیاکا در قسمت میانی مغز جلوئی قرار دارند و ترشحات آنها احتمالا در تغییر جلد موثرند.

4- انعکاس – عبارت است از عکس العمل غیر ارادی است، که در آن یک نرون حساس ، یک نرون محرک و یک عقده عصبی دخالت دارند و بر دو نوع است: انعکاس ساده و انعکاس مرکب‌، در انعکاس ساده فقط یک عقده عصبی و در انعکاس مرکب چندین رشته و عقده عصبی دخالت دارند. تروپیسم و تاکتیسم عکس العمل حیوان در مقابل عوامل محرکه محیط خارج نظیر نور و حرارت و رطوبت می باشد که با تغییر جهت یا حرکت آن به سمت و یا جهت مقابل عامل محرک است . تروپیسم شامل گرایش یا تغییر سمت و تاکتیسم به مفهوم حرکت به سمت عامل تحریک و یا فرار از آن می باشد. گرایش و کشش به سمت نور، فتوتروپی یا فتو تاکسی گرایش و کشش به سمت حرارت ، ترموتروپی یا ترموتاکسی گفته می شود.

دانلود پروژه نگاهی به روش های کاهش استرس عصبی در امتحانات

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 10

نگاهی به روش های کاهش استرس عصبی در امتحانات

دکتر فرزاد فخیمی نزدیک شدن زمان امتحانات همواره برای دانش آموزان و دانشجویان با بروز حالات و واکنش های هیجانی، رفتاری، عصبی و.... همراه است. این قشر از جامعه از یک طرف تحت تأثیر عوامل استرس زای عمومی که کل جامعه را متأثر می کند، قرار دارند و از طرف دیگر با حضور فعال در متن جامعه علمی، فشارهای مقطعی ناشی از الزامات دانش اندوزی، مطالعه، تحقیق، امتحانات و... را تجربه می کنند و هرچه به تاریخ امتحانات نزدیکتر شوند، استرس بیشتر آنها را محاصره کرده و تحت فشار قرار می دهد. در واقع این گروه و یا طبقه از جامعه با استرس مضاعف روبه رو هستند که حتی تابع منطق ریاضی یعنی ۴=۲+۲ نیست، بلکه از اصل هم افزایی (Synergy) یعنی ۵=۲+۲ تبعیت می کنند. همانند برخورد دو موج به یکدیگر که ارتفاع موج حاصل از دو موج، بیشتر از ارتفاع آنها قبل از برخورد است. بدیهی است که تحمل استرس تا این حد برای دانش آموزان و دانشجویان که در سنین جوانی هستند و هنوز مقاومت های طبیعی خود را نه تجربه کرده و نه توسعه داده اند، اغلب بسیار سنگین و غیرقابل تحمل است و در صورت عدم شناخت و فراگیری شیوه کنار آمدن و دفع آنها، عوارضی از جمله بی خوابی، خستگی، بی حوصلگی، افسردگی، دلزدگی و در نهایت فرسایش روانی که به قول «مارک سینگر» نوعی پریشانی و درماندگی است به دنبال خواهد داشت.

استرس چیست ؟ استرس (فشار عصبی) از نظر لغوی از کلمه لاتین استرینجر به مفهوم به هم رفتن، قبض شدن و... گرفته شده است و در زبان فارسی معادل های تکانه عصبی، فشار روانی، تنیدگی، نگرانی و... برای آن عنوان گردیده است. «استرس» را فشار عصبی (Nervous Strain) هم ترجمه کرده اند که این اصطلاح هم معادل دقیقی برای «استرس» نیست. زیرا استرس از «فشار» ناشی می شود و خود فشار نیست، اگر چه به رغم دو نفر از محققان به نام های «مورهد» و «گریفین» با اندک اغماضی می توان «استرس» را همان «فشار عصبی» معنی کرد و آن را عکس العملی دانست که انسان در مقابل محرک های ناسازگار از خود بروز می دهد. در این مقاله نیز این معادل به کار گرفته شده است. استرس پدیده تازه ای نیست و در طول تاریخ بشر وجود داشته و به صورت های مختلفی بر انسان عارض شده است از جمله: نگرانی از بلایای طبیعی، جنگ ها، قتل عام ها، ستمکاری های حکام جابر و... با انقلاب صنعتی و به دلیل تحولات عمیق اجتماعی، اقتصادی، فرهنگی، سیاسی ناشی از آن در کلیه جوامع و ضرورت تطابق مداوم با شرایط جدید و در عین حال در تحول و تغییر، استرس، دامنه، شدت و وسعت بیشتری گرفت به طوری که می توان آن را فرزند ناخلف انقلاب صنعتی و یک قاتل بی سروصدا (Silent Killer) نامید. استرس در دنیای امروز تقریباً همه گیر شده و از پیر و جوان، زن و مرد، تحصیل کرده و بی سواد همه و همه به گونه و با نوعی از آن دست به گریبانند و فقط افراد معدودی که شناخت کافی از آن داشته و ابزار مقابله با آن را در اختیار دارند از آثار مخرب آن برکنار هستند. تحقیقات علمی مؤید این واقعیت است که استرس بر سلامت جسم و روان فرد تأثیر می گذارد و انرژی های بالقوه و بالفعل او را هدر داده و باطل می سازد. امروزه مردم اغلب کلمه استرس را به صورت موضوعی متداول و یا به شکل بیماری «اپیدمی» به کار می برند و این کلمه مدتها است که در ادبیات محاوره ای جا باز کرده و به همان گونه که از کار، غذا، مسکن، مسافرت، تحصیل و... صحبت می کنیم، از استرس هم صحبت می کنیم. با تمام جنبه های منفی که در فرهنگ عامه برای استرس وجود دارد، معهذا این پدیده دارای جنبه های مثبت نیز است. جنبه های منفی استرس را «استرس مخرب» (Distress) می گویند که از شنیدن خبر ناگوار بر شخص دست می دهد و جنبه های مثبت استرس، «استرس سازنده» (Eustress) است، که هنگام دریافت خبرهای شاد و خوشحال کننده عارض فرد می شود.

تعاریف علمی استرس محققان برای استرس تعاریف مختلفی ارائه داده اند. این تعاریف اگر چه دارای تفاوت هایی ظاهری و شکلی هستند، ولی از نظر محتوائی تقریباً عقیده واحدی را منعکس می کنند. «دنیس جیف» استرس را حالتی می داند که از دخالت متغیرات «روانی- فیزیولوژیکی» بر دو عامل محیط و سلامتی جسمانی فرد بروز می کند. محقق دیگری به نام «کری کوپر» آن را عکس العمل بیوشیمیائی و رفتاری فرد می داند که در مواجهه با خطر به انسان دست می دهد. به رغم «سوزان کارترایت» استرس مجموعه ای از واکنش های عمومی فرد به عوامل ناسازگار و غیرمنتظره محیط است که او را وادار می کند با اتخاذ روش «جنگ یا گریز» (Fight or Flight) با خطر مقابله کرده و یا راه فرار را انتخاب کند. «کاکس» می گوید استرس پاسخ فرد به فرآیندهای درونی و بیرونی است که بر ظرفیت ادغام نیروهای جسمی و روانی، فشار وارد می سازد. (جدول شماره ۱) به عقیده وی ، استرس بخشی از مجموعه سیستم پویای برخورد و تعامل فرد و محیط و به عبارت دیگر تطابق بین «خود دیگر» و یا «خود درون» که با «خود برون» در توافق نیست، می باشد. از طرفی کارل البرشت، استرس را بخش طبیعی عملکرد انسان دانسته و عقیده دارد که باید اختلاف بین استرس منطقی و استرس مخرب را آموخت و حساسیت خود را تجربه کرد تا توانائی مقاومت در ما ایجاد شود.

عوامل استرس زا به طور کلی پاره ای از استرس ها می توانند کل جامعه را آزار دهند که شامل کلیه اقشار و طبقات جامعه می شود. علی رغم وجود استرس های عمومی و کلی، اقشار مختلفی که در متن جامعه فعالیت دارند؛ از دیگر انواع استرس نیز رنج می برند که هر یک شیوه برخورد خاص خود را ایجاب می کند. در این بحث بدواً منشأ فشارزاهای عمومی و نتایج فشارهای عصبی و همچنین نقش تعدیل کننده ها که مکانیزم های طبیعی و غریزی انسان

آشنایی با شبکه های عصبی مصنوعی

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 96

فصل 1 : مقدمه

انسان و کامپیوتر

انسان ها از کامپیوترها باهوش ترند. چرا چنین گفته می‌شود؟

درست است که بعضی از اعمالی را که ما به سختی انجام می دهیم یک کامپیوتر به سرعت و به راحتی انجام می دهد ،مانند جمع چندصد عدد ، اما این مطلب باعث نمی شود که ما یک کامپیوتر را باهوشتر از انسان بدانیم چون این سیستم هرگز قادر نمی باشد که اعمالی را که نیاز یه استدلال دارد و یا حل آنها از طریق شهودی و حدس و گمان می باشد را به طور مطلوب انجام دهد. شاید بهتر است بگوییم آن‌هاموجودات منطقی ای هستند و تنها اعمال منطقی را به خوبی انجام می دهند.

مسئله دیگر شاید این باشد که یک کامپیوتر می تواند بعضی کارها را که ما در مدت زمان قابل ملاحظه ای انجام می دهیم را در زمان بسیار کوتاه تری انجام می دهد.ویا بعضی از اطلاعات را پس از گذشت ماه ها ویا سالها به خاطر می آورد .

به همین دلیل از کامپیوتر ها انتظار داریم در زمینه های دیگر نیز چنین رفتاری را از خود نشان دهند و چون نمی توانند تمام انتظارات ما را بر آورده کنند ما مایوس می شویم.در واقع این هدفی است که دست اندرکاران هوش مصنوعی دنبال می کنند اما هنوز پس از گذشت 30 سال تحقیقات گسترده نمی توانند این ادعا را داشته باشند که به چنین کامپیوتری دست پیدا کرده اند.

هدف هوش مصنوعی را می توان در این جمله خلاصه کرد که می خواهد در نهایت به کامپیوترهایی دست یابد که اغلب در فیلم های سینمایی مشاهده می شود، ماشین‌های بسیار توانمند تر از انسان – هدفی که بسیار از دنیای واقعی به دوراست . دنیایی که اغلب به خاطراشتباهات فاحش کامپیوترها هزینه‌های بسیار زیادی را متحمل می شود .

اگر به داخل یک کامپیوتر نگاه کنیم چیزی جز تعدادی تراشه های الکترونیکی ، مدارها ،مقاومتها و سایر قطعات الکترونیکی نخواهیم دید. اما اگر به درون مغز نگاه کنیم ، به هیچ صورت چنین ساختاری را مشاهده نخواهیم کرد. بررسی اولیه ما چیزی جزمجموعه ای گره خورده از ماده‌ای خاکستری رنگ نشان نمی دهد. بررسی بیش‌تر و روشن‌ می کند که مغز از اجزایی ریز تشکیل شده است . لیکن این اجزاء به شیوه‌ای بی نهایت پیچیده‌، مرتب شده‌اند و هز جزء به هزاران جزء دیگر متصل است. شاید این تفاوت در شیوه ساختار ، علت اصلی اختلاف بین مغز و کامپیوتر است. کامپیوترها طوری طراحی شده‌ اند که یک عمل را بعد از عمل دیگر باسرعت بسیار زیاد انجام دهند . لیکن مغز ما با تعداد اجزای بیش‌تر اما با سرعتی بسیار کم‌تر کار می‌کند . در حالی که سرعت عملیات در کامپیوتر‌ها به میلیون‌ها محاسبه در ثانیه بالغ می شود، سرعت عملیات در مغز تقریباً بیش‌تر از ده بار در ثانیه نمی‌باشد. لیکن مغز در یک لحظه با تعداد زیادی اجزاء به طور هم زمان کار می کند، کاری که از عهده کامپیوتر بر نمی‌آید . کامپیوتر ماشینی سریع اما پیاپی کار است در حالی که مغز شدیداً ساختاری موازی دارد. کامپیوترها می توانند عملیاتی را که با ساختار آن‌ها سازگاری دارند به خوبی انجام دهند. برای مثال شمارش و جمع‌کردن اعمالی پیاپی است که یکی بعد از دیگری انجام می شود . لیکن دیدن و شنیدن، اعمالی شدیداً موازی‌اند که در آن‌ها داده‌های متضاد و متفاوت هر کدام باعث اثرات و ظهور خاطرات متفاوتی در مغز می شوند وتنها از طریق ترکیب مجموعه این عوامل متعدد است که مغز می‌تواند چنین اعمال شگفتی را انجام دهد .

نتیجه‌ای که می توان گرفت این است که مسائل مورد نظر ما شدیداً خاصیت موازی دارند. این مسائل نیازمند پردازش حجم زیادی از اطلاعات متفاوت هستند که باید در تقابل با یکدیگر به حل مسأله بیانجامد.

نتیجه مهم آن که سرعت عامل مهمی نیست . آنچه مهم است موازی بودن است و مغز به خوبی برای این کار مهیا شده است . شیوه برخورد روش محاسباتی شبکه‌های عصبی، تسخیر اصول راهبردی است که زیر بنای فرآیند مغز برای پاسخ‌گویی به این سؤالات و به کارگیری آن‌ها در سیستم‌های کامپیوتری است .

در مدل‌سازی سیستم‌های اصلی مغز، باید راه کاری را بیابیم که بیش‌تر با ساختار موازی مغز سازگاری داشته باشد نه با ساختار پی‌درپی آن .

به هر صورت ساختار طبیعتاً موازی سیستم های شبکه های عصبی آن ها را مناسب به کارگیری در ماشین های موازی می کند. که می تواند مزایای بیش تری از نظر سرعت و قابلیت اطمینان داشته باشد.

یکی از بارزترین ویژگی‌های مغز توان فراگیری آن می باشد. مغز می‌تواند به خود آموزش دهد . یادگیری از طریق مثال همان شیوه‌ای است که توسط آن اطفال زبان را فرا می‌گیرند . نوشتن، خوردن و آشامیدن را می آموزند و مجموعه معیارها و نکات اخلاقی را کسب می کنند . چنین تحولی درسیستم‌های کامپیوتری متعارف مشاهده نمی شود . کامپیوترها معمولاً از برنامه‌های از پیش نوشته شده‌ای پیروی می کنند که قدم به قدم دستورات مشخصی را در کلیه مراحل عملیاتی به آن ها می دهند هر مرحله از کار بایدبه وضوح شرح داده شود. روشن است که انسان این گونه عمل نمی کند.زیرا برای نوشتن چنین برنامه ای باید ساعت ها وقت صرف کنیم و با دقت موضوع خود را به صورت بر نامه قابل فهم کامپیوتر بنویسیم .که این کار مشکلات خود را دارا می باشد.حال آیا بهتر نیست که به جای برنامه های کامپیوتری ،کامپیوتر را رها کنیم که خود از طریق مشاهده مثال ها آن کار را فرا گیرد؟ البته امکان دارد که این کامپیوتر نیز در ابتدا دارای BUG باشد وگاه اشتباه کند ،لیکن به تدریج به اشتباه خود پی خواهد برد و آنها را تکرار نخواهد کرد.

1ـ2ـ ساختار مغز

مغز انسان از واحدهای کو چکی به نام نرون تشکیل شده است.می‌دانیم که مغز تقریباً دارای 1010 واحد پایه به نام نرون است و هر نرون تقریباً به 104 نرون دیگر اتصال دارد.

نرون عنصر اصلی مغز است و به تنهایی مانند یک واحد پردازش منطقی عمل می کند . نرون‌ها دو نوع هستند . نرون‌های داخلی مغز که در فاصله‌های حدود 100 میکرون به یکدیگر متصل اند و نرون‌های خارجی که قسمت‌های مختلف مغز را به یکدیگر و مغز را به ماهیچه‌ها و اعضای حسی را به مغز متصل می‌کنند . نحوه عملیات نرون بسیار پیچیده است و هنوز در سطح میکروسکوپی چندان شناخته شده نیست، هر نرون بسیار پیچیده است و هنوز در سطح میکروسکوپی چندان شناخته شده نیست ، هر چند قوانین

تحقیق درباره، دستگاه عصبی

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 13

دستگاه عصبی

دستگاه عصبی

دستگاه عصبی یا سیستم عصبی یا سامانهٔ عصبی (Nervous System) در بدن جانوران به هماهنگی فعالیت‌های ماهیچه‌ها پرداخته، اندام گوناگون را تحت نظارت درآورده، و ایجاد و توقّف ورودی‌های مربوط به حواس مختلف را باعث می‌شود. وظیفه کنترل اعمال بدن بر عهدهٔ دو سامانهٔ عصبی و غده‌ای درونی می‌باشد، که از این میان، سامانهٔ عصبی، از یاخته‌های عصبی و یاخته‌های کمکی تشکیل شده‌است.

به این ترتیب دستگاه عصبی، با ساختار و کار ویژه‌ای که دارد، در جهت ایجاد هماهنگی بین اعمال سلول‌ها و اندام‌های مختلف بدن تمایز و تکامل یافته‌است. خواص ویژهٔ آن عبارت اند از تأثیرپذیری نسبت به محرک‌های خارجی، ایجاد یک جریان عصبی که نمایانگر تأثیر محرک است، هدایت جریان عصبی از یک نقطهٔ دستگاه به نقطهٔ دیگر و سرانجام انتقال آن از یک واحد عصبی به یک واحد دیگر

مقدمه

دستگاه عصبی با داشتن نورونها ، هدایت تحریکات را به عهده دارد. تحریکات را حس می‌کند به مغز می‌فرستد در مقابل بخش تحریک شده که تحریک را حس کرده است واکنش نشان می‌دهد. این تحریکات اکثر اوقات از طریق نورونهای واسط صورت می‌گیرد. زیرا به ندرت یک نورون بسیار بلند در بدن یافت می‌شود. تحریکات باعث تولید مواد شیمیایی می‌شوند، این واسطه‌های شیمیایی از راس انشعابات انتهایی اکسون و دندریت که غالب اندامکهای جسم سلولی را دارا هستند، تولید می‌شوند.

پرده‌های مغز و نخاع

سطح بیرونی مغز و نخاع توسط سه پرده یا شامه پوشیده شده است پرده بیرونی سخت شامه ، میانی عنکبوتیه و درونی نرم شامه نامیده می‌شود. سطح بیرونی پرده‌ها بوسیله مزوتلیوم پوشیده شده است.

نخاع

نخاع رابط مغز و قسمتهای دیگر بدن است اعصاب در فواصل معین به نخاع وارد و یا از آن خارج می‌شوند. اعصاب حسی از طریق ریشه‌های پشتی وارد نخاع می‌شوند اعصاب حرکتی ریشه‌های شکمی نخاع را ترک می‌کنند. دو ریشه پشتی و شکمی به هم متصل شده و اعصاب نخاعی را می‌سازند.

مقطع نخاع

مقطع نخاع دارای دو بخش خاکستری و سفید است بخش خاکستری تقریبا به شکل H در وسط نخاع قرار دارد. این بخش غالبا جسم سلولی و دندریت نورونهای فاقد میلین را در خود جای داده است. بخش خاکستری توسط بخش سفید با ستونهای شکمی ، جانبی و پشتی احاطه شده است. این ستونها دارای اعصاب میلین‌دار هستند. رنگ سفید این بخش به خاطر وجود میلین است ستونهای بخش سفید دارای رشته‌های بدون میلین هستند. بازوهای H به نام شاخهای پشتی و شکمی نخاع خوانده می‌شوند. شاخهای پشتی را آوران یا حسی و شاخهای شکمی را وابران یا حرکتی می‌نامند.

اعمال حرکتی نخاع

در نخاع بین سلولهای حسی و حرکتی تعداد زیادی ارتباطات چند نورونی وجود دارد که فعالیت آنها یا باعث آغاز حرکت و یا ممانعت از آن می‌شود این ارتباطات اساس رفلکسهای نخاعی است.حرکت رفلکسی به عنوان پاسخی در قبال تحریک حسی است. از نخاع ، 31 جفت عصب خارج می‌شود که بطور قرینه به اندامهای مختلف چپ و راست بدن می‌روند. محل خروج این اعصاب از فاصله بین مهره‌ها است. هر عصب دارای دو ریشه پشتی و شکمی است در مسیر ریشه پشتی یک گره عصبی هم وجود دارد که جسم سلولی نورونهای حسی در آن واقع است. ریشه شکمی نخاعی ، حرکتی است و رشته‌هایی که در آن قرار دارند فرمانها را از نخاع به طرف ماهیچه‌ها یا غده‌های بدن می برند. جسم سلولی مرتبط با این رشته‌ها در ماده خاکستری نخاع واقع است.