معرفی سیستم های عصبی

برای شروع ، یک نرون واحدی ابتدایی از مغز است و به انتقال اطلاعات از یک سلول عصبی به دیگری کمک می کند.
قسمت های اصلی :
• سیناپس : یک ساختار که اجازه عبور سیگنال های الکتریکی یا شیمیایی را از یک نرون ( یا سلول عصبی ) به نرون دیگر می دهد .
• آکسون : طرح بندی باریک از یک سلول عصبی، یا نورون، که به طور معمول تحریک الکتریکی را هدایت میکند.
• دندریت: گسترهای یک سلول عصبی که تحریک الکتروشیمیایی گرفته شده از سلول های عصبی دیگر به سلول بدن منتقل می کند

چگونه کار می کند ؟

نرون ها تحریک پذیرهستند   وقایعی  به نام های پتانسیل های عملی ، تکانه های عصبی و سنسور ها تولید میکنند . در حال حاضر تحریک های عصبی  به چند دلیل یک انتشار پایه از مغز میباشد     

1- برای ارتباط برقرار کردن یک نرون با نرون دیگر

2- برای انجام محاسبه

3- برای فرستادن اطلاعات

نرون ها با فرستادن سیگنال الکتریکی یک زنجیره واکنش را شروع می کنند . هر نرونی که در مسیر جریان باشد سیگنال را دریافت کرده و به نرون بعدی می دهد . دندریت تحریک را دریافت کرده و پیغام را به آکسون انتقال می دهد که آکسون آن را به نرون بعدی انتقال می دهد .

زمانی که پیام به هدف مورد نظر ( عضله ها ) می رسد ، پیام رسان عصبی تحریک میشود و موجب کنش برای آن بخشی که پیام فرستاده شده بود می شود .بخش جذاب تر فرایند فوق این است همه این ها در 7 میلی ثانیه اتفاق می افتد .
نرون های مصنوعی
در سال 1957 ظهور تکنولوژی دکتر فرانک روزنبلات که یک روانشناس آمریکایی که بر روی پرسپترون کارمیکرد ، یک مغز الکترونیکی که بر اساس بیولوژیکی مغز واقعی کار میکرد و توانایی یادگیری نشان میداد . ابتدا بر روی کامپیوتر آی بی ام 704 در آزمایشگاه کرنل حمل نقل هوایی شبیه سازی شد .

اگر مثلث جابه جاشود،پرسپترون های چشم تصویر را جمع آوری میکنندو  آن را در راستای ردیف های تصادفی آن خطها به بخش پاسخ ارسال میکند، جایی که تصویر ثبت شده است.آن می تواند فرق بین سگ و گربه را تشخیص دهد اگر چه نمی تواند بگوید سگ در سمت چپ یا راست قرار دارد .

پرسپترون تک لایه ، برای طبقه بندی مجموعه ای از مقادیر مستمر ورودی ها به یکی از دو کلاس ، مفید می باشد. پرسپترون ، مجموع وزن های ورودی را محاسبه میکند ،از مقدار آستانه را کم میکنید، ویکی از مقادیر ممکن برای خروجی را به عنوان نتیجه ارسال میکنید.پرسپترون ها هرچند ، قادر به حل مشکلات خطی تفکیک نا پذیر نیستند . این محدودیت از پرسپترون در سال 1969 توسط مینسکی و پاپرت مشخص شده است .
در سال 1959 برنارد ویدو و مارکن هاف از استنفورد مدل های توسعه یافته به نام آدلین و مدلین ساختند . این مدل ها به خاطر استفاده از عنصر های خطی تطبیقی چندگانه نام گذاری شدند . مدلین اولین شبکه عصبی اعمال شده در دنیای واقعی مسایل بود . این یک فیلتر تطبیقی است که اکو را در خطوط تلفن حذف می کند . این نوع شبکه عصبی هنوز استفاده تجاری دارد . روش یادگیری آن بر اساس مقایسه جواب بهینه ( درست ) شبکه و سیگنال غلط تولید شده است .روش یادگیری آن بر اساس سیگنال های غلط تولید شده توسط مقایسه پاسخ شبکه با پاسخ های بهینه می باشد.اگر اشکال ( به عنوان تفاوت بین تابستان و سوئیچ مرجع محاسبه شده ) بیشتر از صفر باشد سپس در مسیری که اندازه اشکال را کم کند دستاورد ها را اصلاح می شود 

 

پرسپترون های چند لایه ای
محدودیت جداسازی خطی شناسایی شده می تواند با معرفی چند لایه پرسپترون ها مغلوب شود.
اعداد داخل عصب ها نشان دهنده آستانه صریح هر نورون هستند ( که می تواند یک فاکتور باشد که نرون ها یک آستانه مشابه دارند ، معمولا 1هست ). عدد هایی که فلش های حاشیه نویسی نماینده وزن ورودی هاست . این شبکه فرض می کند که اگر آستانه آن غیر قابل دسترس باشد ، صفر ( 1 – نیست ) خروجی آن است . توجه داشته باشید که لایه پایین ورودی همیشه یک لایه شبکه واقعی عصبی نیست .

منبع: medium

 

Leave your comment