مقاله شبکه های عصبی بیولوژیک و شبکه های عصبی مصنوعی

AI(Artificial Intelligence) concept.

که در آن : [do_widget id=kl-erq-2]
Mj رتبه شرکت j ام
N تعداد متغیرهای ششگانه
I متغیر iام از مجموعه متغیرهای ششگانه می باشند.
شاخص پنجاه شرکت فعالتر بورس به دو روش میانگین حسابی وزنی و میانگین حسابی ساده و بر پایه ارزش جاری سهام پنجاه شرکت انتخاب شده ، محاسبه می شود . شاخص میانگین وزنی از 01/01/1377 و شاخص میانگین ساده از 01/08/1379 محاسبه وعدد مبنای آنها 100 در نظر گرفته شده است .
شبکه های عصبی مصنوعی
یک شبکه عصبی مصنوعی مدلی از شبکه عصبی بیولوژیک است . امروزه هوش محاسباتی یک مجموعه محدود از مفاهیم را مورد استفاده قرار می دهد که مبتنی بر دانش ما از سیستم های عصبی بیولوژیک می باشد . این مفاهیم به منظور پیاده سازی وشبیه سازی های نرم افزاری فرایند های موازی شامل عناصر پردازشی ( نرون های مصنوعی ) متصل به هم در معماری شبکه را مورد استفاده قرار می گیرند. علیرغم تحقیقات گسترده در زمینه هوش محاسباتی بیولوژیک ، هنوز سوالات مهمی در خصوص نحوه کار مغز وحافظه مطرح می باشد شبکه های عصبی مصنوعی مدل های غیر خطی ناپارامتری هستند که با قابلیت یادگیری ای که دارند می توان آنها را به منظور اهداف طبقه بندی پیش بینی وکنترل به کار برد . در این بخش مفاهیم شبکه های عصبی را به طور خلاصه توضیح می دهیم ابتدا اشاره ای به شبکه های عصبی بیولوژیک کرده ودر ادامه شبکه های مصنوعی تشریح می گردد .
شبکه های عصبی بیولوژیک
مغز انسان ( وحیوان ) متشکل از یک سری سلول به نام نرون می باشد که ویژگی بی نظیر آنها این است که این نرونها از بین نمی روند و احتمالا این پدیده علت آن است که ما قادر به حفظ اطلاعات هستیم . نرون های موجود در مغز انسان تا 100 میلیارد تخمین زده می شود و صدها نوع نرون تاکنون شناخته شده است . مجموعه نرون ها در یک گروه و ارتباطات آنها را شبکه می نامند ( تریپی وتوربان ، 1996). لذا مغز انسان را می توان یک مجموعه از شبکه های عصبی نامید .تفکر هوشمند توسط مغز و سیستم عصبی مرکزی کنترل می گردد و توان یادگیری وعکس العمل در مقابل تغییرات محیط ، مستلزم وجود هوش می باشد .
یادگیری در سیستم های بیولوژیک
تصور می شود یادگیری هنگامی صورت می گیرد که شدت اتصال یک سلول و سلول دیگر در محل سیاپس ها اصلاح می گردد .شکل (2-3) ویژگی های مهم سیناپس را با جزییات بیشتر نشان می دهد به نظر می رسد که این مقصود از طریق ایجاد سهولت بیشتر در میزان آزاد شدن ناقل شیمیایی حاصل می گردد. این حالت باعث می شود که دروازه های بیشتری روی دندریت های سمت مقابل باز شود و به این صورت باعث افزایش میزان اتصال دو سلول شود . تغییر میزان اتصال نرون ها به صورتی که باعث تقویت تماس های مطلوب شود از مشخصه های مهم در مدل های شبکه های عصبی است .
شکل 2-3- یک نرون بیولوژیکی ساده
مدل سازی نرون تنها
ابتدا مشخصات یک نرون و نحوه مدلسازی آن را بررسی می کنیم. نقش اصلی یک نرون بیولوژیکی عمل جمع آوری ورودیهای خود تا جایی است که مجموع ورودهای از حدی که به آن استانه می گوییم تجاوز نکند و آنگاه تولید یک خروجی است .ورودی های نرون از طریق دندریت ها که به خروجی های نرونهای دیگر توسط نقاط اتصال ( سیناپسها ) متصل است وارد می شوند . سیناپس ها کارایی سیگنال های دریافتی را تغییر می دهند . بدنه سلول کلیه ورودی ها را دریافت می کند . یک نرون بیولوژیکی ساده در شکل 2-3 نشان داده شده است . مدلی که از نرون می سازیم باید مشخصه های زیر را داشته باشد به طور خلاصه :
خروجی یک نرون یا فعال است ( یک ) ویا غیرفعال است ( صفر ).
خروجی تنها به ورودی های بستگی دارد میزان ورودی ها باید به حدی برسد که خروجی نرون را فعال سازد .
کارایی سیناپس ها در انتقال سیگنال های ورودی به بدنه سلول را می توان با استفاده از ضریبی که در ورودیهای نرون ضرب می شود مدلسازی کرد. سیناپس های قوی تر که سیگنال بیشتری را منتقل می کنند، دارای ضریب های بسیار بزرگتری هستند در حالی که سیناپس ها ضعیف ضریب های کوچکتری دارند .
شکل 2-4- شمای ساده یک آکسون عصبی
شکل 2-5- شمای ساده از نحوه مقدار دهی یک سلول عصبی
بدین صورت مدل ما به صورتی خواهد بود که در آن شکل 2-5 آمده است . این مدل ابتدا مجموع وزنی ورودی های خود را محاسبه کرده ، سپس آن را با سطح آستانه داخلی خود مقایسه می کند و چنانچه آز آن تجاوز کرد فعال می شود . در غیر این صورت غیر فعال باقی می ماند. چون ورودها برای تولید خروجی از میان نرون عبور می کنند به این سیستم «پیشخور » می گوییم .
بنابراین اگر خروجی را y بنامیم ،
معادله 16

درحالی که یک تابع پلکانی است ( در واقع این تابع را تابع «هوی ساید » می نامند) و