شبکه عصبی مصنوعی

Artificial Neural Networks

¨

¨موارد مورد بحث:

¨موارد مورد بحث:

¨تاریخچه

 اولین سلول عصبی در سال 1943 ساخته شد.

(نروفیزیولوژیست )Warren Mc Culloch

(منطق دان )Walter Pits

:پیشگامان شبکه عصبی

Minskyو Papert

¨
شبکه عصبی مصنوعی  چيست؟

   یک برنامه نرم افزاری يا تراشه نیمه هادی است که بتواند همانند مغز انسان عمل نمايد، به گونه ای که:

¨به مرور زمان و تعامل بیشتر با محيط، کارآزموده تر گردد.

¨علاوه بر انجام محاسبات قادر به نتیجه گیری منطقی باشد.

¨در شرايط جديد راهکار مناسب را ارائه دهد. (قابلیت تعمیم).

¨خواص مغز انسان

¨شبکه های عصبی در مقابل کامپیوتر های معمولی

1- کامپیوتر های معمولی یک مسیر الگوریتمی را استفاده می کنند به این معنی که کامپیوتر یک مجموعه از دستور العمل ها را به قصد حل مسئله پی می گیرد. بدون اینکه، قدم های مخصوصی که کامپیوتر نیاز به طی کردن دارد، شناخته شده باشند کامپیوتر قادر به حل مسئله نیست.

2شبکه های عصبی با مثال کار می کنند و نمی توان آنها را برای انجام یک وظیفه خاص برنامه ریزی کرد مثال ها می بایست با دقت انتخاب شوند در غیر این صورت زمان سودمند، تلف می شود و یا حتی بدتر از این شبکه ممکن استنادرست کار کند.

3- به طور کلی کامپیوترها قابل پیش بینی هستند و اگر چیزی به خطا انجام شود به یک اشتباه سخت افزاری یا نرم افزاری بر می گردد.

4-امتیاز شبکه عصبی این است که خودش کشف می کند که چگونه مسئله را حل .کند ، عملکرد آن غیر قابل پیش بینی  است

¨ANNدلایل استفاده از

یادگیری انطباق پذیر:

قابلیت یاد گیری نحوه انجام وظایف بر پایه اطلاعات داده شده برای تمرین وتجربه های مقدماتی

:سازماندهی توسط خود

– یک شبکه عصبی می تواند سازماندهی یا ارائه اش را ، برای اطلاعاتی که در طول دوره یادگیری در یافت می کندایجاد کند

  : عملکرد بهنگام

– محاسبات به طور موازی انجام شده و موجب بالا رفتن سرعت میشود.

برای این منظور سخت افزارهای مخصوصی طراحی شده است.

¨ANNدلایل استفاده از

حساسيت بالا به رخداد اشتباه :

– بروز اشتباه در فرمت و علائم برنامه نویسی منجر به اتلاف ساعتها وقت در ردیابی، شناسایی و اصلاح برنامه ميگردد. در حالی که عدم عملکرد صحيح قسمتی از نرون ها منجر به از کارافتادگی کامل مغز نميگردد و امکان اتخاذ تصميمصحيح در اين حالت نيز وجود دارد.

–  رایانه ها و نرم افزارهای موجود قادر نيستند از تجربيات گذشته استفاده نمايند.

¨ساختار شبکه عصبی مصنوعی

¨یادگیری توسط شبکه عصبی

1.داده پردازی در اجزای ساده به نام نرون صورت می گیرد.

2.اطلاعات از طریق ارتباط نرون ها ردو بدل می شود. 

مختص به خود است که در مقدارW 3. هر رابطه دارای وزن

اطلاعات رد وبدل شده با سایر نرون ها ضرب می شود.

4. هر نرون برای محاسبه خروجی خود دارای یک تابع عملیاتی

است که روی ورودی ها اعمال می شود.

¨انواع شبکه های عصبی

1.پرسپترون

2.هاپفیلد

3.همینگ

¨ANNمقایسه کلی انواع

1.شبکه پرسپترون جوابها را کد می کند و خروجی از ورودی بدون هیچگونه فیدبکی محاسبه می گردد.

2. شبکه همینگ به پاسخ مناسب منتهی شده و همواره به یکی ازالگوهای مرجع همگرا می شود، والگویی را که بیشترین تشابه را با ورودی مرجع دارد انتخاب می کند(به نوعی بهترین جواب ممکن را می دهد).

3. در شبکه هاپفیلد تمامی نورونها همانند یکدیگر عمل می‌کنند و تقسیم بندی نورونهای ورودی و خروجی وجود ندارد. در واقع شبکه هاپفیلد، شبکه‌ای کاملا برگشتی است که در آن خروجی هر نورون، به ورودی تمام نورون‌های دیگر متصل است. این عمل آنقدر تکرار می‌شود تا خروجی شبکه به یک نقطه ثابت همگرا شود.شبکه هاپفیلد به الگویی همگرا می شود که ممکن است جزو الگوهای ذخیره شده نباشد.

¨ANNکاربردهای

کنترل هواپیما بدون خلبان

شبیه سازی مسیر

طراحی اعضای مصنوعی

تشخیص صدا
تشخیص چهره

آنالیز مالی

اکتشاف تقلب در کارت اعتباری

و…

¨بررسی ساختار یک سیستم شناسایی چهره

یک سیستم بازشناسی خودکار چهره انسان حالت خاصی از پردازش تصویر ، بازشناسی الگو ، بازشناسی اجسام و درک تصویر است.

در مبحث بازشناسی الگو، هدف اصلی، انتساب الگوی ورودی به یکی از کلاسهای موجود می باشد.

در بازشناسی چهره هم سیستم باید با دریافت یک تصویر در ورودی، با انجام پردازشهای تصویری لازم، تعیین کند که این تصویر مربوط به کدام یک از افرادی است که تصویرشان در بانک اطلاعاتی چهره ها وجود دارد. این الگوریتم ها براساس مدل محاسباتی درک تصویر از پردازشهای سطح پایین بر روی نقاط تصویر شامل چهره، شروع شده وبا پردازشهای سطح بالا برای تحلیل و درک چهره ختم خواهد شد.

¨ANNتشخیص چهره به وسیله ی

پردازش تصویر :

1.دریافت تصویر

2.تشخیص لبه

3.قسمت بندی

4.قسمت بندی سه بعدی

5.تشخیص و آنالیز

¨آشكارسازي چهره به كمك فیلتر گابور

آشكارسازي چهره عبارت از تعيين وجود يا عدم وجود و همچنين مكان و محدوده همه چهره هاي انسان در تصوير است.

– در بسياري از تحقيقات در زمينه بازشناسي چهره فرض شده است كه مكان و ابعاد چهره درتصوير معلوم است

– ارائه روشي كه چهره ها را تحت هر شرايطيآشكاركند، كارآساني نخواهد بود.

– روشهاي آشكارسازي چهره را ميتوان به آشكارسازي ثابت يا متحرك در تصاويررنگي يا با سطوح خاكستري تقسيم كرد.

 

¨آشكارسازي چهره به كمك فیلتر گابور

روشهايي كه بر روي تصاوير متحرك اعمال ميشوند، از خاصيتپويايي انسان نسبت به پس زمينه تصويربهرهميگيرند و مسئله آشكارسازي را به نواحي متحرك ساده ميكنند.

در روشهاي اعمال شده بر روي تصاويررنگي نيز ميتوان طيف رنگ پوست بدن انسان را در تصوير شناسايي و مسئله آشكارسازي را تنها

. به اين نواحي ساده نمود

سخت ترين نوع آشكار سازي چهره مربوط به تصاوير ثابت با سطوح خاكستري است كه داده هاي ورودي تصوير، شدت نور منعكس شده به دوربينميباشند و در نگاه اول نمي توان به راحتي مكاناحتمالي چهره .را در پس زمينه تصوير تشخيص داد

¨آشكار سازي چهره هاي تمام رخ
در تصاوير ثابت با سطوح خاكستري

¨اكتشاف اطراف مراكز نادقيق

در صورتيكه يك مستطيلعمودي را محاط بر يك چهره در نظر گيريم كه در بالاترين سطر، پيكسلهاي اين مستطيل، پيكسل هاي آغازين مو و در سطر انتهاييپيكسلهايپايين چانه قرار گيرند، به طور معمول براي يك چهره طبيعي، مركز اين مستطيل بر روي بيني قرار مي گيرد.

به تجربه ديده شده است، مراكزنادقيق بدست آمده دربخش قبل كه مركز پنجره هاي مستطيليميباشند، يا بر روي مركزواقعي چهره در تصوير منطبق نبوده و يا بطور كل شامل چهره نمي باشند.

¨اكتشاف اطراف مراكز نادقيق

در اين شرايط به الگوريتمينياز است كه فضاي اطراف اين مراكزنادقيق را در صورت لزوم براي يافتنبهترين پاسخ وجود چهره مورد بررسي قرار دهد. ابتدا مراكزنادقيق جهت ارجاع به شبكه علامت گذاريميشوند

1. مراكز علامت گذاري شده را به شبكه عصبي ارجاع ده

2. در صورتيكه شبكه عصبي براي هر مركزمقداري بزرگتر از آستانه را بازگرداند، پيكسلهايكناري را در صورتيكهعلامتگذاري نشده اند، علامت بگذار

در نهايت تنها نواحي لازم  مورد بررسي قرار گرفته و الگوريتم ياد شده صرفه جويي زيادي در زمان آشكارسازي چهره ها ايجاد ميكند.

¨مراكز پنجره هاي بررسي شده توسط شبكه عصبي

¨مراحل استخراج ويژگي فیلتر های گابور براي  چهره

¨فیلتر گابور

¨مزایا

   1مدل سازی با سیستم های غیر خطی

.مقاوم بودن و تحمل آسیب ها2

(3.قابل یادگیر بودن (یعنی توانایی تنظیم وزنهای شبکه

.قابلیت تعمیم 4

.سرعت بالا به دلیل پردازش های موازی5

6. قابلیت سازگاری با تغییرات سیستم و…

¨معایب

  1. شبکه های عصبی می توانند پیچیده باشند وکار کردن با آنها دشوار باشد

2. نوع تنظیمات برنامه به گونه ای است که باید ورودی وارد کنیم و اگر مقدار داده کم باشد احتمال داشتن خطا وجود دارد

3.اثبات درستی نتایج دشوار است

4.در حالت کلی برای برخی مسایل کاربرد ندارد.

¨منابع

4.Kevin Curran, Xuelong Li and Neil Mc Caughley    

The Use of Neural Networks in Real-time FaceDetection,2005

5.امید بنکدار سخی و حسین میار نعیمی“آشکار سازی چهره به کمک

ویژگی های موجک های گابور“دانشگاه صنعتی نوشیروانی بابل

  6.علی محمد حسینی ” مقدمه ای بر شبکه های عصبی با رویکرد شیوه

های تشخیص و یادگیری و مقایسه آن با شبکه عصبی انسان“ دانشگاه آزاد

¨

 

Artifical Neural Network tutorial introduction training movie MATLAB programming for Artifical Neural Network tutorial training movie
MATLAB price prediction for Neural Network tutorial training movie MATLAB classification for Neural Network tutorial training movie
MATLAB times series prediction for Neural Network tutorial training movie MATLAB face detection Neural Network tutorial training movie
MATLAB advanced setting Neural Network tutorial training movie

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *