شبکه عصبی

شبک ی عصبی یا شبکه عصبی مصنوعی به مجموعه ای از یاخته ها ( سلول های عصبی، نورون ) می گویند که در یک معماری ویژه ای برای حل مساله ای خاص به هم متصل شده اند[ ۱] و هر کدام محاسبات ساده ای به انجام می رسانند. فرایندی که درون شبکه ی عصبی مصنوعی دنبال می شود به این صورت است که نورون ها با توجه به اتصال هایی که با دیگر نورون ها دارند، داده هایی را دریافت می کنند و به دیگر نورون های متصل به خود می دهند. همچنین اتصال های موجود میان نورون ها متغیر می باشند و این نوید قابلیت یادگیری در آن شبکه را به ما می دهد. هدف کلی شبکه های عصبی مصنوعی، انجام مسائل دسته بندی و رگرسیون می باشد. اما ممکن است در این بین با شبکه های عصبی مصنوعی مواجه شوید که وظیفه ی راندن خودرو، تحلیل گفتار و یا نوشتن موسیقی کلاسیک را بر عهده گرفته اند.
این ساختارهای پردازشی از کنار گذاشتن چند ساختار کوچک پردازشی ( یاخته ها ) پدید می آیند. هنگامی که از «شبکه» می گوییم، این برداشت را می سازیم که همه ی تکه های آن به هم راه دارند. ولی در شبکه های عصبی اینگونه نیست، و همواره یک روند «آغاز - به - پایان» دارد و گاهی هم در این راستای آغاز - به - پایان بخش های همراستا با هم کار می کنند. برای نمونه، در هر لایه، سلول های عصبی ( یاخته های پردازشی ) به یکدیگر کاری ندارند و گهگاه این یاخته ها در لایه های پی در پی نیز کاری به هم ندارند. از این رو، بهتر است نام این ساختمان ها «در فارسی» برپایه ی کارکرد آن ها که تکه های پردازشگر کنار هم است، ساخته شود. می توان این ساختارهای پردازشی را «تارهای پردازشگر»، «رشته های پرداشگر»، «تورهای پردازشگر» نامید. اگر بخواهیم خواننده یا شنونده از همان آغاز دریابد که این ساختمان ها از ساختارهای زیستی برداشت شده اند می توان از «دسته پردازشگرهای یاخته سان» بهره برد.
دارا بودن حداقل یک ورودی و حداقل یک خروجی از ویژگی های عمومی شبکه های عصبی مصنوعی معمول می باشد و داده های وابسته به زمان مانند موسیقی یا ویدیو و داده های مستقل از زمان مانند تعداد ضلع های چندضلعی ها می توانند به عنوان ورودی شبکه های عصبی مصنوعی به کار گرفته شوند
اتصالات نورون های زیستی به صورت وزنی مدل می شوند. وزن مثبت نشانگر یک ارتباط تحریکی است، در حالی که مقادیر منفی به معنی اتصالات بازدارنده می باشند. تمام ورودی ها با یک وزن تغییر یافته و جمع می شوند. عمل مذکور همان ترکیب خطی در ریاضیات است. سرانجام، یک تابع فعال سازی، دامنه خروجی را کنترل می کند. به عنوان مثال، محدوده قابل قبول خروجی معمولاً ممکن است بین ۰ تا ۱، یا بین ۱− و ۱ باشد.

شبکه عصبی (کالبدشناسی). یک شبکه عصبی ( به انگلیسی: Nerve plexus ) از اجتماع شاخه های جلویی ( قدامی ) تعداد خاصی از اعصاب نخاعی ایجاد می گردد. از شبکه های عصبی، اعصاب محیطی به وجود می آیند که وظیفه حرکتی، حسی یا حسی - حرکتی دارند. به عنوان مثال، عصب میانی در اندام فوقانی و عصب سیاتیک در اندام تحتانی هر کدام یک عصب محیطی محسوب می شود که اولی از شبکه بازویی و دومی از شبکه خاجی ایجاد می گردد.
هر عصب نخاعی از به هم پیوستن یک ریشه جلویی ( Anterior root ) و یک ریشه پشتی ( Posterior root ) منشعب از یک طرف قطعه نخاعی در ناحیه سوراخ بین مهره ای [ ۱] ایجاد می شود. عصب نخاعی اندکی پس از خروج از سوراخ بین مهره ای به دو شاخه اولیه جلویی و پشتی [ ۲] تقسیم می شود. شاخه های جلویی اعصاب نخاعی در ایجاد یک شبکه عصبی شرکت می کنند. شاخه های پشتی اعصاب نخاعی در عصب رسانی به نواحی پوست و ماهیچه های صاف کننده ( اکستانسور ) گردن و تنه نقش دارند.
شبکه های عصبی که از شاخه های جلویی ( قدامی ) اعصاب نخاعی ایجاد می گردند عبارتنداز:
• شبکه گردنی [ ۳] ( سرویکال )
• شبکه بازویی [ ۴] ( براکیال )
• شبکه کمری [ ۵] ( لومبار )
• شبکه خاجی [ ۶] ( ساکرال )
• شبکه دنبالچه ای [ ۷] ( کوکسیژآل )
در ناحیه سینه ای ( توراسیک ) ، شبکه عصبی مربوط به شاخه های جلویی اعصاب نخاعی وجود ندارد.

شبکۀ عصبی (Neural Network)
در علم رایانه، شبکه ای از اجزاء پردازندۀ اطلاعات که اتصالات بسیار زیادی بین آن ها برقرار است. شبکه های عصبی اتصالات و عملکرد مغز انسان را همانندسازی می کنند. یکی از مهمترین قابلیت های شبکه های عصبی توانایی آن ها در یادگیری از یک سری الگو های محدود است. تحقیقات شبکه های عصبی در دهه های ۱۹۵۰ و ۱۹۶۰ توسط دانشمندان رایانه و دانشمندان علوم ادراکی در تلاش برای مدل کردن درک احساسی در ارگانیسم های زنده، شروع شد. شبکه های عصبی به دو گروه عمدۀ شبکه های عصبی زیستی، و شبکه های عصبی مصنوعی تقسیم می شوند. شبکه های عصبی مصنوعی با الگوگیری از ساختار و عملکرد شبکه های عصبی زیستی ساخته می شوند. در شبکه های عصبی زیستی، مانند مغز انسان، سلول های عصبی به اسم نورون ها اطلاعات را پردازش می کنند، و بین نورون ها تعداد بسیار زیادی اتصال برقرار است. شبکه های عصبی مصنوعی هم ساختاری مشابه شبکه های عصبی زیستی دارند و عملکرد نورون های بیولوژیکی را شبیه سازی می کنند. به نورون های مصنوعی گره یا واحد می گویند. این نورون ها ممکن است به صورت مدارهای مجتمع ساده ای باشند که از طریق سیم ها به طور فیزیکی با هم ارتباط دارند. ولی شبکه های عصبی اکثراً به صورت نرم افزاری روی رایانه های معمولی مدل می شوند و ارتباط بین نورون ها مجازی است. به نحوۀ چیده شدن نورون ها و اتصالات بین آن ها، معماری شبکه عصبی می گویند. یکی از متداول ترین انواع معماری در شبکه های عصبی از سه لایه تشکیل می شود: لایۀ اول که به آن لایه ورودی می گویند، تنها لایه ای است که سیگنال های خارجی (ورودی) به آن اعمال می شود. این لایه بعد از پردازش سیگنال ها، آن ها را به لایۀ بعدی، به اسم لایۀ پنهان، می دهد. لایۀ پنهان ویژگی ها یا الگوهای مناسب را در سیگنال دریافت شده تشخیص می دهد و آن هایی را که مهم هستند به لایۀ خروجی هدایت می کند. شبکه های عصبی پیچیده ممکن است چندین لایۀ پنهان داشته باشند. شبکه های عصبی در ساختار و عملکرد تفاوت های اساسی با رایانه های سنتی (مثلاً رایانه های شخصی) دارند. در شبکه های عصبی از تعداد زیادی واحد پردازشگر ساده برای انجام محاسبات استفاده می شود، در حالی که در رایانه های معمولی از چند واحد پردازندۀ مرکزی پیچیده استفاده می شود. همچنین در شبکه های عصبی، حافظه به عنوان یک واحد متمرکز و جداگانه وجود ندارد. پردازش اطلاعات در قالب نورون ها و اتصالات آن ها در سطح شبکۀ عصبی توزیع می شود، و حافظه هم به صورت پارامتر وزن یا اهمیتی که بعضی از اتصالات دارند، در سطح شبکه توزیع می شود. توزیع توانایی پردازشی و حافظه در سطح شبکه به این معناست که اگر آسیبی به یک قسمت شبکه برسد، لزوماً کار کل شبکه را مختل نخواهد کرد و موجب ازدست رفتن اطلاعات نخواهد شد. این ویژگی یکی از مهمترین قابلیت های شبکه های عصبی است. تفاوت دیگر شبکه های عصبی و رایانه های سنتی در نحوۀ برنامه دادن به آن هاست. در رایانه های معمولی برنامه به صورت مجموعه ای از دستورالعمل های متوالی به رایانه داده می شود، درحالی که شبکه های عصبی انجام یک عملیات را از طریق مجموعه ای از مثال های آموزشی، «فرا می گیرند» آموزش اولیۀ یک شبکۀ عصبی با استفاده از مجموعه های آموزشی (training set) انجام می شود که در آن آموزش دهنده مجموعه ای از الگوهای اطلاعاتی را به لایۀ ورودی یک شبکه عصبی که وزن اتصالات آن صفر و یا تصادفی است، می دهد. آموزش دهنده با تغییر دادن وزن اتصالات، شبکۀ عصبی را هدایت می کند که چطور خروجی درست را بسازد. این عمل چندین بار برای الگو های مختلف اطلاعات تکرار می شود و هربار وزن اتصالات اصلاح می شود. وقتی که شبکۀ عصبی بتواند بدون دخالت آموزش دهنده خروجی درست را تولید کند، آموزش آن کامل شده است. از آنجایی که شبکه های عصبی عملکرد مغز را همانندسازی می کنند، توانایی آن ها در کارهایی مثل تشخیص گفتار، تشخیص الگو ها، و تشخیص دست خط، که اصطلاحاً پردازش های حسی خوانده می شوند، خیلی خوب است. علاوه بر این، توانایی شبکه های عصبی در آموختن از طریق مجموعه ای از مثال ها و تعمیم این آموخته ها به شرایط جدید، آن ها را برای اموری که به سیستم های کنترلی سازگارشونده نیاز دارند، بسیار مناسب ساخته است. به همین سبب سازمان فضایی امریکا (ناسا) با هدف استفاده از شبکه های مصنوعی در کنترل ربات هایی که به مأموریت های فضایی می روند، تحقیقات زیادی را روی این حوزه انجام می دهد. قابلیت حفظ عملکرد در صورت بروز خرابی نیز شبکه های عصبی را برای سیستم های کنترلی، به خصوص در هواپیماهای جنگی، بسیار مناسب می سازد.