تحقیق در مورد دستگاه عصبی یا سیستم

لینک دانلود و خرید پایین توضیحات

دسته بندی : وورد

نوع فایل :  .doc ( قابل ویرایش و آماده پرینت )

تعداد صفحه : 5 صفحه

 قسمتی از متن .doc : 

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.

مغز

مغز بخشی از دستگاه عصبی مرکزی است که در بالای نخاع و درون جمجمه جای دارد این بخش از پایین به بالا شامل پیاز نخاع ، پل مغزی و مخچه ، مغز میانی ، مغز واسطه‌ای و نیمکره‌های مخ است.

نیمکره‌های مخ

دو نیمکره مخ توسط پلی از ماده سفید به نام جسم پینه‌ای بهم مربوطند. هر نیمکره با دو بخش سفید در وسط و خاکستری در قشر مشخص شده است. بخش خاکستری به ضخامت 3 - 2 میلیمتر این قسمت مخ را تشکیل می‌دهد. انواع نورونهایی که در قشر مخ وجود دارند عبارتند از: سلولهای افقی یا کانال ، هرمی ، ستاره‌ای یا دانه‌ای ، دوکی و چند شکلی. هر قسمت از قشر خاکستری مخ کار ویژه‌ای را برعهده دارد. مراکز مربوط به دریافت و تفسیر اطلاعات رسیده از اندامهای حسی مختلف مانند چشم و گوش و پوست در این قسمت واقع است. بخشی از قشر خاکستری مخ هم مرکز حرکات ارادی است.

مخچه

مخچه که تعادل بدن را حفظ می‌کند دارای بخش خاکستری در قشر و بخش سفید در مرکز است. قشر مخچه دارای سه طبقه است: طبقه ذره‌ای در بیرون ، دانه‌ای در درون ، و پورکنژ در وسط. مخچه بوسیله سه جفت پایک که شامل دسته‌هایی از تارهای عصبی می‌باشند با مغز میانی ارتباط برقرار می‌کند. در مرکز مخچه ، هسته‌های مرکزی مخچه قرار دارند. این هسته‌ها از جنس بخش خاکستری هستند که بوسیله بخش سفید احاطه شده است.

هسته‌های مرکزی مخچه از بیرون به درون عبارتند از: هسته دانه‌دار ، هسته سه گوش ، هسته مدور ، هسته فاسیتژیال که هر یک در درون دیگری قرار دارد. مخچه در کار کنترل فعالیتهای ماهیچه‌ای به مخ کمک می‌کنند. پیامهای حرکتی که از مخ به اندامها می‌رود. توسط مخچه ، تقویت و هماهنگ می‌شوند. برای کار چشمها و گوش داخلی وضعیت بدن را به مخچه خبر می‌دهند. در کل کارهای که مخچه انجام می‌دهد همگی غیر ارادی هستند.

دستگاه عصبی

دستگاه عصبی یا سیستم ‌عصبی یا سامانۀ عصبی ( Nervous System ) در بدن جانوران به هماهنگی فعالیت‌های ماهیچه‌ها پرداخته، اعضاء گوناگون را تحت نظارت درآورده، و ایجاد و توقّف ورودی‌های مربوط به حواس مختلف را باعث می‌شود. وظیفه کنترل اعمال بدن بر عهدۀ دو سیستم اعصاب و غدد داخلی می‌باشد، که از این میان، دستگاه عصبی، که از سلول‌های عصبی و سلولهای نگهبان تشکیل شده است، سلولهای عصبی (نورون‌ها) وظیفۀ تولید و هدایت پالس‌های الکتروشیمیایی را بر عهده داشته و سلولهای نگهبان وظیفه حمایت از سلولهای عصبی را بر عهده دارند.

تقسیم بندی سیستم عصبی

تقسیم بندی سیستم عصبی معملا بر اساس دو مبنای اناتومیکی و عملکردی صورت می گیرد. الف- از لحاظ آناتومی: دستگاه عصبی را از لحاظ کالبدشناختی به دو بخش تقسیم می نمایند،که عبارتند از: الف-الف-دستگاه عصبی مرکزی( Central Nervous System ): دستگاه عصبی مرکزی از مغز و نخاع تشکیل گردیده است. الف-ب-دستگاه عصبی محیطی( Peripheral Nervous System ): دستگاه عصبی محیطی از12 جفت اعصاب مغزی و 31 جفت اعصاب نخاع تشکیل گردیده است. ب- از لحاظ عملکردی: دستگاه عصبی را از لحاظ عملکردی به دو بخش تقسیم می نمایند، که عبارتند از: ب-الف-دستگاه عصبی مرکزی( Somatic Nervous System ): سیستم اعصاب پیکری ، بخش ارادی سیستم اعصاب بوده و به عضلات مختطط اسکلتی و همچنین عضلا زبان عصب دهی می نماید ب-ب-دستگاه عصبی محیطی( Autonomic Nervous System ): سیستم اعصاب خودکار همانطور که از نام آن مشخص است ، سیستم کاملا غیر ارادی بوده که بر اعمال احشاء داخلی بدن ، غدد و ..... نظارت دارد و شامل دو گروه اعصاب سمپاتیک (Nerve Sympathetic ) و پاراسمپاتیک(Nerve Para Sympathetic ) می باشد. جنین شناسی

دانلود تحقیق درباره ی مدلهای محاسباتی عصبی از تأثیرات جانبی ناحیة آسیب دیده مغز روی نواحی دورتر از منطقه آسیب دیده

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 36

مدلهای محاسباتی عصبی از تأثیرات جانبی ناحیة آسیب دیده مغز روی نواحی دورتر از منطقه آسیب دیده:

اختلال ناگهانی در منطقه ای از مغز، مثلاً در اثر سکته های مغزی، باعث نقصهای عصبی مستقیماً مطابق با منطقة آسیب دیده می شود و آسیب درست از این منطقه شروع میشود. به علاوه دیگر نقصهای بالینی که به عنوان نقصها یا تأثیرات دوم یا Secondarg remote نامیده می شوند. وی قسمتهای بی عیب باقیمانده از مغز تأثیر خود را می گذراند. (برای مثال به علت قطع شدن ارتباط آنها با ناحیه آسیب دیده) این پدیده به عنوان diashisis نامیده شده است. diashisis (نقص الکتریکی و functional که بعلت آسیب در قشر مغز آغاز می شود و در منطقه ای دورتر از منطقه آسیب دیده نیز این آسیب را می توان فهمید منطقه ای که خود آسیب می بیند وی از لحاظ عصبی (ارتباط عصبی ) به آن اتصال دارد.

این پدیده باعث شده ، خصوصاً در مورد ارتباط بین نیمکره چپ و راست مغز، مسأله ویژه ای که در ارتباط با هر یک از نیمکره ها وجود دارد باعث مشکل در فهم و درک پدیده شود. این مقاله بعضی از مدلهای Neurocouputetional اخیر را مورد مطالعه قرار داده (اثر و کیفیت diashisis) مدل ارائه شده تنها یک مدلی است که همه خصوصیت دیگر بین نیمکره ها و همه اثر diashisis را شرح می دهد. در انتها، نتایج تأثیرات زیرقشری نیمکره چپ و راست روی خصوصیت نیمکره ها مورد بررسی قرار می گیرد.

1- مقدمه: Stoke : یا (سکته مغزی) ، اختلال ناگهانی است که در جریان supply کردن خون برای مغز بوجود می آید. زمانیکه یک سد ناگهانی در برابر جریان خون در سرخرگهای مغزی ایجاد می شود متعاقب آن باعث کمبود خون رسانی به آن ناحیه شده و ایسکمیک مغزی را به دنبال دارد. سکته مغزی یکی از بیماریهای شایع در نورولوژی است. برای مثال سومین عامل مرگ در کشور آمریکاست و اغلب موارد باعث نقص در بستر کرونیک (نقص در سیستم عصبی ، عضلانی قلبی ) اختلاف در زبان و صحبت کردن و مشکلات حافظه ای را به دنبال دارد. این باعث شده که توجه بسیار زیادی روی تحقیقات در مورد این مطلب در طی چند دهة اخیر صورت گیرد. اکثر این تحقیقات به دنبال اصلاح کردن یافته ها و دانسته ها درباره مکانیسم و پاتوفیزیولوژی این بمیاری (strake) هستند. یافته ها این تحقیقات در اکثر موارد بسیار پیچیده و حتی بسیار مورد بحث و جدل بوده اند.

در حال حاضر یک تردید ذاتی دربارة اینکه چه فاکتورها و عواملی باعث می شوند که ناحیه آسیب دیدة اولیه به بافتهای مجاور مغز گسترش یابد، وجود دارد.

پیچیده بودن مغز در حین سکته مغزی باعث شده به این نتیجه برسیم که مدلهای Computational می توانند ابزار بسیار قدرتمندی برای درک عمیق ما دربارة Stroke باشد. محدودیت دربارة تکنولوژی مدلهای عصبی و علم نورد سیانتیفیک Neurosaentific باعث شده بوجود آوردن و ساختن جزئیات مدل غیرممکن و غیر عملی باشد.

هر چند که ثابت شده که مطالعه روی بعضی قسمتهای بخصوص از سکته مغزی ممکن می باشد. (یا مثل دیگر اختلالات نورولوژیک ]2و1[ ) بوسیله مدلهای عصبی برای مثال یافته های بسیاری از مدلهای عصبی ]30007[ روی این متمرکز شده اند که قشر آسیب ایده چطور روی بافتهای مجاور، فعالیتهای و حرکتی آن را مختل می کند.

این مدلها ، نتایجی که داده اند بیشتر مبتنی بر مشاهده های بعدی روی مطالعات حیوانی بوده ]9/8[ دیگر مدلهای Computational به عنوان متدهای مرتبط استفاده شده است برای آزمایش کردن: (به عنوان مثال : چطور تغییرات بیوشیمیایی / بیوفیزیکی که بافت آسیب دیده مغز اتفاق می

دانلود تحقیق درباره ی نور و فیزیولوژی دستگاه عصبی 114 ص

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 126

نوروفیزیولوژی

طرح کلی دستگاه عصبی

نرون دستگاه اعصاب مرکزی – واحد عملکردی اصلی

دستگاه اعصاب مرکزی دارای متجاوز از 100 میلیارد نرون می‌باشد. شکل نوعی نرون را نشان می‌دهد که در قشر حرکتی مغز یافت می‌شود. سیگنالهای ورودی از طریق سیناپس‌هایی که عمدتا بر روی دندریت ها قرار دارد وارد نرون می‌شوند. این سناپس‌ها، بر روی جسم سلولی نیز وجود دارند. انواع مختلف نرون، ممکن است چند صد تا نزدیک به 200000 اتصال سیناپس از فیبرهای ورودی داشته باشند. از طرف دیگر، سیگنالهای خروجی از طریق تنها آکسونی که از نرون خارج می‌شود، حرکت می کنند. این آکسون تعداد زیادی شاخه مجزا دارد که به سایر قسمتهای دستگاه عصبی یا محیط بدن می‌رود.

یکی از ویژگیهای بیشتر سیناپس‌ها این است که اجازه می دهد سیگنال عصبی در حالت طبیعی فقط رو به جلو حرکت کند (از آکسون به دندریتها) و این امکان را فراهم می‌نماید که برای انجام اعمال عصبی لازم، سیگنال عصبی در مسیرهای مورد نیاز هدایت شود.

قسمت حسی دستگاه عصبی – گیرنده‌های حسی

بیشتر فعالیتهای دستگاه عصبی ، توسط تجربه حسی گیرنده های حسی آغاز می‌شوند.

اطلاعات حسی را از گیرنده‌های حسی تمام سطح بدن و بعضی از ساختمان‌های عمقی منتقل می کند. این اطلاعات از طریق اعصاب محیطی وارد دستگاه اعصاب مرکزی می‌شوند و بلافاصله به نواحی حسی متعدد، در قسمت های زیر منتقل می گردند:

1-تمام سطوح نخاع؛

2-تشکیلات مشبک بصل النخاع، پل دماغی (پونس) و مغز میانی (مزانسفال)؛

3-مخچه؛

4-تالاموس؛

5-مناطقی از قشر مغز.

سپس از نواحی حسی، سیگنالهایی ثانویه تقریبا به تمام قسمتهای دیگر دستگاه عصبی ارسال می‌شوند.

سیناپس‌های دستگاه اعصاب مرکزی

اطلاعات در دستگاه اعصاب مرکزی عمدتا به شکل پتانسیل عمل عصبی، یا با بیان ساده‌تر «ایمپالس‌های عصبی» و از طریق تعدادی نرون متوالی انتقال می‌یابد.

انواع سیناپس‌ها – شیمیایی و الکتریکی

دو نوع سیناپس عمده وجود دارند:

1-سیناپس‌های شیمیایی

2-سیناپسهای الکتریکی

تقریبا تمام سیناپسهایی که برای انقال سیگنال در دستگاه اعصاب مرکزی انسان به کار رفته‌اند، سیناپس‌های شیمیایی هستند در این سیناپس ها، اولین نرون ماده ای شیمیایی در فضای سیناپسی ترشح می‌کنند که نروترانسمیتر (یا به بیان ساده‌تر ماده ترانسمیتر) نامیده می‌شود. این ترانسمیتر با تاثیر بر گیرنده‌های پروتئینی نرون بعدی، آن را تحریک یا مهار می‌کند و یا به روشی دیگر حساسیت آن را تغییر می‌دهد. تاکنون متجاوز از 40 ماده ترانسمیتر کشف شده است. تعدادی از شناخته‌ شده‌ترین آنها عبارتند از: استیل کولین،‌ نوراپی نفرین، هیستامین، اسید گاما آمینوبوتیریک (GABA)، گلیسین، سروتونین و گلوتامات.

در مقابل، سیناپس‌های الکتریکی با وجود کانالهای مایع باز و مستقیم مشخص می‌شوند، که الکتریسیته را از یک سلول به سلول بعدی هدایت می‌کنند. بیشتر این سیناپس‌ها از ساختمانهای توبولی پروتئینی و کوچکی تشکیل شده‌اند، که اتصالات شکاف دار نامیده می‌شوند و اجازه می‌دهند که یونها آزادانه از درون یک سلول به درون سلول بعدی جابجا شوند. اتصالات شکاف دار و دیگر اتصالات مشابه، وظیفه هدایت پتانسیل عمل را از یک فیبر ماهیچه صاف به فیبر بعدی در ماهیچه صاف احشایی و از یک سلول به سلول ماهیچه قبلی به سلول بعدی در ماهیچه قلب به عهده دارند.

هدایت «یک طرفه» در سیناپس‌های شیمیایی

سیناپس‌های شیمیایی مشخصه خیلی مهمی دارند که آنها را بای هدایت سیگنالهای دستگاه عصبی کاملا مطلوب می‌سازد.

آنها همیشه سیگنالها را در یک جهت هدایت می کنند؛ یعنی از نرونی که ترانسمیتر ترشح می‌کند (موسوم به نرون پیش سیناپسی) به نرونی که ترانسمیتر بر آن اثر می‌کند (موسوم به نرون پس سیناپسی). این همان اصل هدایت یک طرفه در سیناپس‌های شیمیایی است و کاملا با هدایت در سیناپس‌های الکتریکی متفاوت است. سیناپس‌های الکتریکی معمولا می‌توانند سیگنالها را به صورت دو طرفه هدایت کنند.

دانلود تحقیق درباره ی مقدمه ای بر شبکه های عصبی مصنوعی و کاربردهای آن 65 ص

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 163

مقدمه ای بر شبکه های عصبی مصنوعی و کاربردهای آن:

امروزه با شکسته شدن پی در پی استقلال ، شاخه های مختلف علوم و بهره وری شاخه ای از شاخه ی دیگر و پیشبرد مسائل پیچیده خود، پیوستگی و لاینفک بودن تمامی شاخه های علوم را نمایان تر می سازد که سرمنشأ تمامی آنها از یک حقیقت نشأت گرفته و آن ذات باری تعالی است.اولین تلاش ها به منظور ارائه ی یک مدل ریاضی برای سیستم عصبی انسان در دهه 40 توسط Mcculloch , pitts انجام شد ، که حاصل آن یک نورون ساده ی تک لایه ویک روش برای آموزش آن بود . در ادامه ی این کار Hebb نتایج آزمایشات پاولف را در مورد شرطی شدن ،گسترش داد و یک روش برای یادگیری ارائه کرد . در سال 1958 ،Rossonblatt شبکه ی پرسپترون را ارائه کرد . بعد از مدتی اثبات شد شبکه ی عصبی پرسپترون تک لایه نمی تواند تابع ساده ای مانند EX-OR را بیاموزد .بنابراین تقریباً تا دهه ی 80 تلا ش ها برای گسترش شبکه ی عصبی بسیار کم بود. سپس در طی یک مقاله اثبات شد که شبکه ی عصبی پرسپترون چند لایه می تواند به عنوان یک تخمین گر جهانی مطرح شود . بدین معنی که این شبکه قابلیت دارد هر تابع غیرخطی را با دقت دلخواه مدل سازی کند . از آن به بعد شبکه های عصبی مصنوعی گسترش یافتند و در زمینه های بسیاری از آنها استفاده شد .

سیستم شبکه ی عصبی مصنوعی از مغز وسیستم عصبی انسان الهام گرفته شده و مانند مغز انسان از تعداد زیادی نورون تشکیل شده است . این شبکه ها مانند مغز انسان دارای قابلیت یادگیری هستندکه از مزیت های عمده ی این سیستم هاست در مواردی که نتوانیم یک الگوریتم حل به صورت فرمولی بیابیم یا تعداد زیادی مثال از ورودی و خروجی سیستم موردنظرمان در اختیار داشته باشیم و بخواهیم برای آن سیستم ، مدل ارائه کنیم یا اینکه یک ساختار از اطلاعات موجود بدست آوریم ، استفاده از شبکه های عصبی مصنوعی سودمند است . تاکنون برای شبکه های عصبی توپولوژی های مختلف همراه با کاربردهای متنوع ارائه شده است که طیف وسیعی از موضوعات را پوشش می دهد . 

الهام از نورون واقعی :

سیستم عصبی انسان و مغز وی متشکل از ترکیب و به هم پیوستن تعداد زیادی سلول به نام نورون می باشد . تعداد نورون های مغز انسان به طور متوسط حدود 100 تریلیون می باشد . یک نورون دارای تعداد زیادی ورودی و یک خروجی است . خروجی می تواند دو حالت فعال یا غیرفعال را اختیار کند . در یک نورون ورودی ها تعیین می کنند که خروجی نرون فعال یا غیرفعال باشد . یک نرون از یک حجم سلولی ، تعداد زیادی « دنوریت » به عنوان ورودی و یک « اکسون » به عنوان خروجی تشکیل شده است.

به محل اتصال اکسون یک سلول به دنوریت های یک سلول دیگر نیز «سیناپس » می گویند که نقش بسزایی در سیستم عصبی ایفا می کند . سیناپس می تواند در طول دوره ی یادگیری نسبت به سیگنال های ورودی تغییر کند .در این قسمت به قانون یادگیری «هبی» اشاره می کنیم . این قانون به طور ساده به این صورت می باشد که اگر ورودی های یک نرون به طور مکرر منجر به فعال شدن خروجی شود ، یک تغییر متابولیک در سیناپس اتفاق می افتد که در طی آن مقاومت سیناپس نسبت به آن ورودی خاص کاهش می یابد. 

مدل ریاضی نرون :

یک نرون مجموع وزن های ورودی را حساب کرده و براساس یک تابع فعالیت ( که در حالت ساده می تواند یک Threshold باشد ) خروجی را تعیین می کند . اگر این مجموع از ترشلد بیشتر باشد خروجی نرون « یک » می شود در غیر این صورت خروجی نرون منفی یک ( 1- ) خواهد شد . 

به عنوان مثال یک شبکه عصبی ساده به نام perceptron را در نظر می گیریم این شبکه در شکل زیر نشان داده شده است در این شبکه چند ورودی وجود دارد که یکی از آنها مربوط به بایاس است . تابع فعالیت نورون نیز به صورت یک ترشلد خطی می باشد و شبکه دارای یک خروجی است . در این شبکه سیناپس ها به صورت وزن های اتصالات در نظر گرفته شده است . به عنوان مثال فرض کنید که می خواهیم یک OR منطقی را به وسیله ی این شبکه مدل کنیم. هدف از الگوریتم یادگیری ، بدست آوردن وزن های مناسب برای حل مسئله ی مورد نظر ما می باشد .

قانون یادگیری شبکه به صورت زیر است که بیان کننده ی تغییرات وزن ، نرخ سرعت یادگیری و یک عدد ثابت می باشد .D بیان کننده ی خروجی مطلوب است که در الگوهای آموزشی وجود دارد Y بیان کننده ی خروجی به دست آمده از شبکه است و بیان کننده ورودی است .یادگیری همان طور که قبلاً اشاره شد ، از شبکه های عصبی مصنوعی برای مدل کردن سیستم هایی که غیرخطی یا جعبه سیاه هستند و ما از دینامیک داخلی سیستم خبری نداریم و فقط یک سری (ورودی – خروجی ) از سیستم داریم ، می توان استفاده کرد . بدین ترتیب که ابتدا یک توپولوژی مناسب از شبکه در نظر می گیریم، تعداد و نحوه ی اتصالات نورون ها را مشخص می کنیم و یک سری وزن های ابتدایی برای اتصالات در نظر می گیریم . در مرحله ی آموزش، هدف این است که با اعمال مجموعه «ورودی – خروجی » های سیستم مورد نظر وزن های اتصالات را طوری تنظیم کنیم که بتوانیم با دادن ورودی هایی غیر از ورودی های مجموعه ی آموزشی مان خروجی متناسب با سیستم مورد نظر بدست بیاوریم . به بیان دیگر بتوانیم سیستم رامدل کنیم.

در شکل توپولوژی یک شبکه عصبی که دارای لایه های مختلفی است ، این شبکه ، ازلایه های مختلفی تشکیل شده که بیان کننده ی نحوه ی اتصال نورون ها به یکدیگر می باشد . لایه ی ورودی شامل نورون نبوده و فقط بیان کننده ی ورودی هاست . به نورون هایی که مستقیم ، به خروجی متصل می شوند، لایه ی خروجی گفته می شود .بقیه لایه ها - غیر از ورودی و خروجی - لایه های پنهان نام دارند . به طور کلی فرآیند یادگیری را می توان به 3 دسته تقسیم کرد.

1- یادگیری نظارت شده Supervised Learning در این روش همان طور که قبلاً اشاره شد یک مجموعه ی آموزشی در نظر گرفته می شود و یادگیرنده بر اساس یک ورودی عمل کرده و یک خروجی به دست می آورد . سپس این خروجی توسط یک معلم که می تواند خروجی مورد نظر ما باشد مورد ارزیابی قرار می گیرد و براساس اختلافی که با خروجی مطلوب دارد یک سری تغییرات در عملکرد یادگیرنده به وجود می آید . این تغییرات می تواند، وزن های اتصالات باشد . یک مثال برای این روش الگوریتم « پس انتشار خطا »Back propagation error می باشد که در شبکه های پرسپترون برای آموزش ، مورد استفاده قرار می گیرد.

2- یادگیری نظارت نشده unsupervised Learning در این روش، حین فرآیند یادگیری از مجموعه های آموزشی استفاده نمی شود و به اطلاعات در مورد خروجی مطلوب نیز نیاز ندارد . در این روش معلمی وجود ندارد . و معمولاً برای دسته بندی وفشرده سازی اطلاعات استفاده می شود . یک مثال برای این روش الگوریتم kohonen می باشد .

3- یادگیری تقویتی Rein forcement learning در این روش یک معلم به عنوان یاد دهنده وجود ندارد و خود یادگیرنده با سعی و خطا آموزش می بیند . در این روش یک استراتژی اولیه در نظر گرفته می شود . سپس این سیستم بر اساس همان رویه عمل می کند و یک پاسخ از محیطی که در آن فعالیت می کند، دریافت می کند. سپس بررسی می شود که آیا این پاسخ ، مناسب بوده یا خیر و با توجه به آن ، یادگیرنده یا مجازات می شود یا پاداش می گیرد . اگر مجازات شود عملی

دانلود تحقیق در مورد شبکه های عصبی Neural Network 16ص

لینک دانلود و خرید پایین توضیحات

فرمت فایل word  و قابل ویرایش و پرینت

تعداد صفحات: 17

شبکه های عصبی Neural Network

شبکه‌های عصبی مصنوعیArtificial Neural Network

چکیده: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. ما در این مقاله پس از مقدمه به مسائل در خور شبکه‌های عصبی مصنوعی و نیز کاربردهای آن خواهیم پرداخت, در ادامه Perceptron ها را که یکی از مهمترین الگوریتم‌های شبکه‌های عصبی مصنوعی می‌باشد معرفی می‌کنیم.

1- مقدمه1-1- ایده پیدایش شبکه‌های عصبی مصنوعیآیا کامپیوتر میتواند همان نوع از محاسباتی را که یک فرد هوشمند انجام میدهد به کار گیرد؟بسیاری از دانشمندان عقیده داشته ودارند که این بحث باید مورد توجه قرار گیرد. شبکه‌های عصبی در حل مسائل یک جهت جدید و متمایز نسبت به کامپیترهای عمومی می‌گشود. کامپیوترهای عمومی از یک الگوریتم استفاده می‌کنند یعنی برای حل مسائل از یک سری دستورات از پیش تعیین شده پیروی می‌کنند مگر در مواقع ویژه‌ای که کامپیوتر نیاز به یک‌سری اطلاعات برای حل مسئله دارد. و همین مسئله توانایی پردازش را از کامپیوترهای عمومی به مسائلی که ما قبلا فهمیده‌ایم و روش حل آنها را شناخته‌ایم محدود می‌کند و تنها سرعت عمل و قدرت در حل نمونه‌های بزرگتر را به همراه دارند. اما کامپیوترها باید به قدری مفید باشند که بتوانند کارهایی را انجام دهند که واقعا ما نمی‌دانیم چگونه باید آنها را انجام دهیم.1-2- بررسی سلولهای مغزی افرادتحقیق درباره سلولهای مغزی افراد و همچنین شناخت ‌‌Neuron ها یا رشته‌های مغزی وبیان یک راه نسبتا متفاوت که یک سیستم هوشمند را بنا می‌کند شروع شد. مغز بشر متشکل از میلیونها نرون عصبی منحصر بفرد است واین رشته‌های عصبی به اشکال و اندازه‌های مختلف تغییر می‌کنند.. هر نرون عموما یک هسته دارد و یک‌سری سلولهای عصبی Axon (آکسون)ـ که علائم خروجی را به سلولهای عصبی نرون دیگر حمل می‌کنندـ و Dendrite ها (شاخه‌های سلولهای عصبی). علائم در سلولهای عصبی میان شاخه‌های سلولهای عصبی ونواحی خروجی جریان دارند.در اینجا برای حالت برانگیزش باید آشفتگی از یک حدی تجاوز کند که آستانه یا سرحد نامیده می‌شود و پس از برانگیزش نرون‌ها پیامهایی برای نرون‌های دیگر می‌فرستند و خود را برای دریافت و پاسخ به اطلاعات عمومی آماده می‌کنند.

1-3- تاریخچهشبکه‌های عصبی دهها سال است که جلب توجه می‌کنند وتاکنون راه حلهایی برای استفاده از هوش بشری ارائه شده است. اولین نرون مصنوعی درسال 1943 توسط نروفیزیولوژیست وارن‌مک‌کالوک و منطق دان والتر‌پیتز تولید شد.در دهه 60 به دلایلی که خارج از بحث این مقاله است مردم به‌سوی شبکه‌های عصبی متمایل شدند و تنها در دهه 80 دانشمندان توانایی‌های واقعی شبکه‌های عصبی را دیدند.2- شبکه‌های عصبی مصنوعی2-1- شبکه‌های عصبی مصنوعیشبکه‌های عصبی شبیه به مغز انسان اطلاعاتی را پردازش می‌کنند. شبکه‌ از تعداد زیادی سلولهای عصبی(Neuron ها) تشکیل شده با پردازشی بسیار بزرگ و به‌هم پیوسته که در حل موازی مسائل ویژه مشغول به کارند.یادگیری شبکه‌های عصبی از طریق مثالهاست. آنها برای انجام یک کار خاص برنامه‌ریزی نشده‌اند. مثالها باید با دقت بسیار بالایی انتخاب شوند والا زمان مفید هدر خواهد رفت و یا حتی ممکن است شبکه به طور ناقص دایر شود و در اینجا راهی برای فهمیدن اینکه سیستم معیوب است یا خیر وجود ندارد مگر اینکه خطایی رخ دهد.شبکه‌های عصبی مصنوعی یک ترکیبی از مجموعه نرون‌هاست و البته نرونهای مصنوعی‌ای که بسیار شبیه به نرونهای زیستی کار می‌کنند. و بدین گونه است که ورودیهای زیادی با وزنهای مختلف می‌گیرد و یک خروجی که به ورودی وابسته است تولید می‌کند. نرونهای زیستی می‌توانند در حال برانگیزش باشند یا نباشند. ( وقتی یک نرون برانگیخته می‌شود ضربه علائم خروجی آن مقداری کمتر از 100 هرتز است)شبکه‌های عصبی استفاده وسیعی در شناسایی الگوها دارند زیرا از خودشان قابلیت آن را دارند که بطور عمومی به ورودی‌های غیر منتظره نیز پاسخ دهند. در طول ساخت نرونها می‌آموزند که چگونه الگوهای ویژه گوناگون را تشخیص دهند. اگر الگویی پذیرفته شود در حالی که در طول اجرا ورودی با خروجی مرتبط نباشد، نرون از مجموعه‌ای از الگوهایی که سابقا آموخته خروجیی را که شبیه به الگو می‌باشد وکمترین تفاوت را با ورودی دارد انتخاب می‌کند. این روال عموما فراخوانی می‌شود.مثال:وقتی که ورودی نرون 1111 باشد چهار ورودی بر حسب برانگیزش مرتب شده‌اند و وقتی ورودی‌های 0000 را داریم نرون برای برانگیزش مرتب نیست. قاعده عمومی این است که نرونها مایلند برانگیخته شوند وقتی که ورودی‌ها 0111 ، 1011 ، 1101 ، 1110 یا 1111 باشند و در صورتی که ورودی آنها 1000 ، 0001 ، 0010 ، 0100 یا 0000 باشند مایل به برانگیخته شدن نیستند.شناسایی الگوهای پیچیده سطح بالا می‌تواند به وسیله شبکه‌ای از نرونها انجام شود و بدین ترتیب نام آن را شبکه‌های عصبی مصنوعی گذاشتند. اکنون شبکه‌های عصبی کاربردهای زیادی دارند(درمنطق وکلام و شناسایی عکسها)البته شناسایی الگوهامی‌تواند به‌طور موفقیت آمیز بر روی کامپیوترهای عمومی انجام شود. این شبکه‌های عمومی که برای شناسایی الگوها استفاده می‌شوند Feed-Forward نامیده می‌شدند زیرا آنها یک بازخورد (Feed-Back) داشتند. آنها به‌طور ساده ورودی‌ها را با خروجی‌ها می‌آمیختند. اما شناسایی الگوها به تدریج کاملتر شد به‌طوریکه بر روی