دانلود پاورپوینت شبکه های عصبی و کاربرد آن در پزشکی با فرمت ppt ودر 37 اسلاید قابل ویرایش
قسمتی از متن پاورپوینت شبکه های عصبی و کاربرد آن در پزشکی
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
ü اولين کوششها در شبيه سازي با استفاده از يک مدل منطقي توسط مک کلوک و والتر پيتز انجام شد که امروز بلوک اصلي سازنده‌ي اکثر شبکه هاي عصبي مصنوعي است
در 1958 شبکه پرسپترون توسط روزنبلات معرفي گرديد. اين شبکه نظير واحدهاي مدل شده‌ي قبلي بود. پرسپترون داراي سه لايه به همراه يک لايه وسط که به عنوان لايه پيوند شناخته شده مي‌باشد است.
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.
در 1969 مينسکي و پاپرت کتابي نوشتند که محدوديتهاي سيستمهاي تک لايه و چند لايه پرسپترون را تشريح کردند
ورباس در 1974 شيوه آموزش پس انتشار خطا يا Back Propagation را ايجاد کرد که يک شبکه پرسپترون چند لايه البته با قوانين نيرومندتر آموزشي بود.
پاورپوینت شبکه های عصبی و کاربرد آن در پزشکی
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!
دیدگاه خود را ثبت کنید