مقاله رایگان با موضوع شبکه های عصبی مصنوعی، شبکه های عصبی، شبکه عصبی، مدل ریاضی

سطح ملی شناخته شود. ویژگی و شاخصه مهم این مدل جامعیت آن، امکان استفاده از آن جهت ارزیابی کیفیت در یک مقیاس وسیع و امکان مرتبط ساختن کیفیت با رفتار مشتری می باشد(کاوسی و سقایی، 1384).

2-3-6-3- مدل اسکمپر34
تکنیک اسکمپر توسط دکتر « اسبورن » ارائه شده است و یکی از مدلهای جلب رضایت مشتری و ایجاد خلاقیت و ابتکار در رسیدن به هدف است. این تکنیک به نام سوالات ایده برانگیز و یا صورت تطبیقی نیز معروف است. کلمه ی اسکمپر از حروف اول هفت کلمه تشکیل شده است.هر یک از آنها نشانه ی یک جهت و سمت و سوی فکری است که شامل یک سری سئوالات تیپ می باشد. این تکنیک که کاربرد اصیلش بر پایه ایده یابی فردی طراحی شده است، می تواند به نحو بسیار اثر بخشی برای گروه ها نیز مفید باشد. به عنوان مثال می توان از آن، قبل از جلسات یورش فکری استفاده کرد. هدف اصلی این تکنیک تحریک قدرت تصور است تا آنرا در جهات و ابعاد مختلف و ضروری به حرکت در آورد. این تحریک بوسیله یک سری سئوالات تیپ و ایده برانگیز صورت می گیرد که شخص در رابطه با مسئله مورد نظرش از خود سئوال می کند و نهایتا با افزایش ایده ها، کیفیت ایده ها تضمین و ارتقا می یابد. نظر به اهمیت و فراگیری این تکنیک، برای هر یک از جهات فکری، تعدادی سئوال نمونه و تعدادی مثال واقعی ارائه و در پایان، تمریناتی برای هر یک از آنها تهیه شده است.لازم به توضیح است که مقصود از تمرینات این بخش گرفتن نتیجه ای کاربردی، دقیق و صحیح و قابل اجرا نیست بلکه انتظار می رود خواننده با کوشش ذهنی که در این تمرینات به عمل می آورد آمادگی بیشتری برای ایده یابی در مسایل و امور واقعی و اجرایی خود پیدا کند(دیواندری و دلخواه، 1384).

2-3-6-4- مدل سروکوال35
این مدل در اوایل دهه 80 میلادی توسط پاراسورامن و همکاران معرفی شد. در این مدل رضایت مشتریان از کیفیت خدمات ارائه شده سنجیده می شود. در این مدل پرسشنامه ای طراحی گردیده که شامل 22 معیاری بود که گیرندگان خدمات و مشتریان در گروه های کانونی تشکیل شده توسط این گروه محقق، جهت ارزیابی کیفیت خدمات به کار می بردند، این 22 پرسش، 5 جنبه مختلف خدمات کیفیت را شامل می شد و در سال 88 میلادی جنبه دیگری نیز به آن اضافه شد که برخی از جنبه ها و ابعاد مدل سروکوال عبارتند از(دیواندری و دلخواه، 1384):
محسوس ها: شامل وسایل فیزیکی، تجهیزات، ظاهر کارکنان و وسایل ارتباطی به لحاظ ظاهری.
قابلیت اطمینان : تونایی انجام خدمات تعهد شده با دقت کامل و قابل اطمینان.
پاسخ دهی : شامل رغبت کمک به مشتری و فراهم کردن فوری خدمات.
تضمین : شامل دانش و نزاکت کارکنان و توانایی آنان در القای اعتماد به درستی خدمات.
همدلی : شامل توجه اختصاصی که شرکت برای مشتریان ویژ خود فراهم می آورد.
بهبود : شامل توانایی سازمان در اصلاح مشکلات بوجود آمده احتمالی.

بخش سوم: مروری بر شبکه های عصبی مصنوعی36
2-4- شبکه های عصبی مصنوعی
2-4-1- تاریخچه شبکه های عصبی مصنوعی
از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوژیست‌ها سعی کردند سامانه یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوشش‌ها در شبیه سازی با استفاده از یک مدل منطقی توسط مک کلوک37 و والتر پیتز38 انجام شد که امروزه بلوک اصلی سازنده اکثر شبکه‌های عصبی مصنوعی است. این مدل فرضیه‌هایی در مورد عملکرد نورون39‌ ها ارائه می‌کند. عملکرد این مدل مبتنی بر جمع ورودی‌ها و ایجاد خروجی است. چنانچه حاصل جمع ورودی‌ها از مقدار آستانه بیشتر باشد اصطلاحا نورون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده مثل AND و OR بود.
نه تنها نروفیزیولوژیست‌ها بلکه روان شناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه‌های عصبی تاثیر داشتند. در سال 1958 شبکه پرسپترون40 توسط روزنبلات41 معرفی گردید. این شبکه نظیر واحدهای مدل شده قبلی بود. پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده می‌باشد، است. این سامانه می‌تواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند. سامانه دیگر مدل خطی تطبیقی نورون می‌باشد که در سال 1960 توسط ویدرو42 و هاف43 (دانشگاه استنفورد) به وجود آمد که اولین شبکه‌های عصبی به کار گرفته شده در مسائل واقعی بودند.آدالاین44 یک دستگاه الکترونیکی بود که از اجزای ساده‌ای تشکیل شده بود، روشی که برای آموزش استفاده می‌شد با پرسپترون فرق داشت.در سال 1969 میسکی45 و پاپرت46 کتابی نوشتند که محدودیت‌های سامانه‌های تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیش داوری و قطع سرمایه گذاری برای تحقیقات در زمینه شبیه سازی شبکه‌های عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله جالبی نمی‌باشد، تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.
با وجود اینکه اشتیاق عمومی و سرمایه گذاری‌های موجود به حداقل خود رسیده بود، برخی محققان تحقیقات خود را برای ساخت ماشین‌هایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند، ادامه دادند. از جمله گراسبگ47 که شبکه‌ای تحت عنوان آوالانج48 را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد. همچنین او با همکاری کارپنتر49 شبکه‌های ART 50را بنا نهادند که با مدل‌های طبیعی تفاوت داش
ت. اندرسون51 و کوهونن52 نیز از اشخاصی بودند که تکنیک‌هایی برای یادگیری ایجاد کردند. ورباس53 در سال 1974 شیوه آموزش پس انتشار خطا را ایجاد کرد که یک شبکه پرسپترون چند لایه البته با قوانین نیرومندتر آموزشی بود.
پیشرفت‌هایی که در سال 1970 تا 1980 بدست آمد برای جلب توجه به شبکه‌های عصبی بسیار مهم بود. برخی فاکتورها نیز در تشدید این مساله دخالت داشتند، از جمله کتاب‌ها و کنفرانس‌های وسیعی که برای مردم در رشته‌های متنوع ارائه شد. امروز نیز تحولات زیادی در تکنولوژی شبکه های عصبی مصنوعی ایجاد شده‌است(عسکری، 1390).

مطلب مرتبط با این موضوع :  منابع پایان نامه ارشد دربارهعقود معین، نظم عمومی، قواعد عمومی، قراردادهای خصوصی

2-4-2- مفهوم شبکه
از روش های کارآمد در حل مسائل پیچیده، شکستن آن به زیرمسأله های ساده تر است که هر کدام از این زیربخش ها به نحو ساده تری قابل درک و توصیف باشند. در حقیقت یک شبکه، مجموع های از این ساختارهای ساده است که در کنار یکدیگر سیستم پیچیده نهایی را توصیف می کنند. شبکه ها انواع مختلفی دارند اما همگی آ نها از دو مؤلفه تشکیل می شوند:
مجموعه ای از گرهها؛ هر گره در حقیقت واحد محاسباتی شبکه است که ورود یها را گرفته و برروی آن پردازش انجام میدهد تا خروجی بدست آید. پردازش انجام شده توسط گره می تواند از ساده ترین نوع پردازش ها نظیر جمع کردن ورودی ها تا پیچیده ترین محاسبات را شامل شود. در حالت خاص، یک گره می تواند خود، شامل یک شبکه دیگر باشد.
اتصالات بین گره ها؛ این اتصالات نحوه گذر اطلاعات بین گر هها را مشخص می کند. در حالت کلی اتصالات می توانند تک سویه54 یا دوسویه55 باشند.
تعامل بین گره ها از طریق این اتصالات سبب بروز یک رفتار کلی از سوی شبکه می گردد که چنین رفتاری به تنهایی در هیچ یک از المانهای شبکه دیده نمی شود. جامع بودن این رفتار کلی بر عملکرد موجود در هر گره سبب تبدیل شبکه به یک ابزار توانمند می شود. به عبارت دیگر، مجموعه ساده ای از المان ها وقتی در قالب یک شبکه باشند می توانند رفتاری از خود بروز دهند که هیچ یک از آن المان ها به تنهایی قادر به بروز چنین مشخصه ای نبود.

2-4-3- یک شبکه عصبی مصنوعی

آنچنانکه بیان شد انواع مختلفی از شبکه ها وجود دارد. در این بین شبکه ای وجود دارد که گره را به عنوان یک نرون مصنوعی درنظر می گیرد. در اصطلاح، این چنین شبکه هایی را شبکه عصبی مصنوعی یا به اختصار ANN می نامند.

شکل (2-5): یک نمونه عصب واقعی (صیادی، 1387)
یک نرون مصنوعی در حقیقت مدلی محاسباتی است که از نرون های عصبی واقعی انسان، الهام گرفته است. نرون های طبیعی، ورودی خود را از طریق سیناپس دریافت می کنند. این سیناپس ها برروی دندریت ها یا غشاء عصب قرار دارند. در یک عصب واقعی، دندریت ها دامنه پالس های دریافتی را تغییر میدهند که نوع این تغییر در طول زمان یکسان نمی ماند و در اصطلاح، توسط عصب یاد گرفته می شود. اگر سیگنال دریافتی به حد کافی قوی باشد (از یک مقدار آستانه بیشتر شود)، عصب فعال شده و سیگنالی را در طول اکسون منتشر می کند. این سیگنال نیز به نوبه خود می تواند به یک سیناپس دیگر وارد شده و سایر اعصاب را تحریک کند. شکل (2-5) یک نمونه عصب واقعی را نشان می دهد(صیادی،1387).

مطلب مرتبط با این موضوع :  دانلود پایان نامه دربارهاشخاص ثالث، شخصیت حقوقی، شرکتهای سهامی، شرکت سهامی

2-4-4- مدل ریاضی یک سلول عصبی
به هنگام مدل کردن اعصاب، از پیچیدگی های آن ها صرف نظر می شود و تنها به مفاهیم پایه ای بها داده می شود، چرا که در غیر این صورت رویکرد مدلسازی بسیار دشوار خواهد شد. در یک نگاه ساده، مدل یک عصب باید شامل ورودی هایی باشد که در نقش سیناپس انجام وظیفه کنند. این ورودی ها در وزنهایی ضرب می شوند تا قدرت سیگنال را تعیین کنند. نهایتاً یک عملگر ریاضی تصمیم گیری می کند که آیا نرون فعال شود یا خیر و اگر جواب مثبت باشد، میزان خروجی را مشخص می سازد. بنابراین شبکه عصبی مصنوعی با استفاده از مدل ساده شده عصب واقعی به پردازش اطلاعات می پردازد. با توجه به این توضیحات، می توان مدل ساده ای برای توصیف یک نرون (یک گره در شبکه عصبی مصنوعی) پیشنهاد کرد. این مدل در شکل (2-6) نشان داده شده است. جدای از ساده سازی های اعمال شده، تفاوت اصلی این مدل با واقعیت در این است که در شبکه واقعی، ورودیها سیگنال های زمانی هستند حال آن که در این مدل، اعداد حقیقی ورودی اند.
در مدل ارائه شده در شکل(2-6)، تنوع های بسیاری وجود دارد. از جمله این که وزن های یک شبکه عصبی، که مقدار خروجی را منتقل می کنند، می توانند مثبت یا منفی باشند. از طرفی، توابع مورد استفاده برای آستانه گذاری می توانند بسیار متنوع باشند. از جمله مشهورترین این توابع میتوان به تابعهایی نظیر آرکسین56 ، آرکتان57 و سیگموئید58 اشاره کرد. این توابع باید پیوسته و هموار بوده و مشتق پذیر باشند. همچنین تعداد گره های ورودی میتواند متغیر باشد. البته با زیاد شدن تعداد این گره ها، به وضوح تعیین وزن ها را با مشکل روبرو می کند. لذا باید به دنبال روش هایی برای حل این موضوع باشیم. روند تعین وز نهای بهینه و تنظیم مقادیر آنها عمدتاً به صورت بازگشتی انجام می شود. بدین منظور شبکه را با استفاده از قواعد و داده ها آموزش داده و با استفاده از قابلیت یادگیری شبکه، الگوریتم های متنوعی پیشنهاد میگردد که همگی سعی در نزدیک کردن خروجی تولید شده توسط شبکه به خروجی ایده آل و مورد انتظار دارند( صیادی،1387).

شکل (2-6): مدل ریاضی ساده شده عصب واقعی (صیادی، 1387)

2-4-5- ساختار کلی شبکه عصبی مصنوعی
یک شبکه عصبی شامل اجزای سازنده لایه‌ها و وزن‌ها می‌باشد. رفتار شبکه نیز وابسته به ارتباط بین اعضا است
. در حالت کلی در شبکه‌های عصبی سه نوع لایه نورونی وجود دارد:
1. لایه ورود اطلاعات:
در این لایه اطلاعات اولیه که همان مقادیر مربوط به متغیر های مستقل و وابسته است مطرح می باشند که وارد شبکه می شوند. تعداد سلول های لایه ورودی به تعداد ورودی هاست. در عمل سعی بر این است که کلیه پارامترهایی که در پاسخ تاثیر دارند در نظر گرفته شوند، البته باید در نظر گرفت که اطلاعات بی استفاده ورودی کار شبکه را مشکل تر می کند، زیرا اگر چه شبکه عصبی به نویز (داده های دارای خطا) مقاوم است اما در هر صورت اگر میزان نویز بیش از حد زیاد باشد ممکن است شبکه نتواند همگرا شود.

2. لایه یا لایه های محاسباتی:
این لایه یا لایه ها که بر مبنای پیچیدگی تحلیل ها، تعداد آنها نیز افزایش می یابد، وظیفه ایجاد روابط منطقی میان متغیرهای مستقل و وابسته اولیه و یافتن فرمول بین این متغیر ها را بر عهده دارد. در این لایه واحدهای پردازشگر

دیدگاهتان را بنویسید