In general a biological neural network is composed of a group or groups of chemically connected or functionally associated neurons. A single neuron may be connected to many other neurons and the total number of neurons and connections in a network may be extensive. Connections, called synapses, are usually formed from axons to dendrites, though dendrodendritic microcircuits[1] and other connections are possible. Apart from the electrical signaling, there are other forms of signaling that arise from neurotransmitter diffusion, which have an effect on electrical signaling. As such, neural networks are extremely complex.
Artificial intelligence and cognitive modeling try to simulate some properties of neural networks. While similar in their techniques, the former has the aim of solving particular tasks, while the latter aims to build mathematical models of biological neural systems.
In the artificial intelligence field, artificial neural networks have been applied successfully to speech recognition, image analysis and adaptive control, in order to construct software agents (in computer and video games) or autonomous robots. Most of the currently employed artificial neural networks for artificial intelligence are based on statistical estimation, optimization and control theory.
The cognitive modelling field involves the physical or mathematical modeling of the behaviour of neural systems; ranging from the individual neural level (e.g. modelling the spike response curves of neurons to a stimulus), through the neural cluster level (e.g. modelling the release and effects of dopamine in the basal ganglia) to the complete organism (e.g. behavioural modelling of the organism's response to stimuli).
Full View in Subject Resumption
ادامه مطلب
What is a Neural Network?
A neural network is a powerful data modeling tool that is able to capture and represent complex input/output relationships. The motivation for the development of neural network technology stemmed from the desire to develop an artificial system that could perform "intelligent" tasks similar to those performed by the human brain. Neural networks resemble the human brain in the following two ways:
- A neural network acquires knowledge through learning.
- A neural network's knowledge is stored within inter-neuron connection strengths known as synaptic weights.
Extra in Continuance Subject
ادامه مطلب
برقراري ارتباط گفتاري با كامپيوترها به جاي استفاده از صفحه كليد و ماوس يكي از زمينههاي تحقيقاتي مهم چند دههي اخير بوده است و شركتهاي بزرگي چون IBM، ALIT، Philips و Microsoft سالانه هزينههاي هنگفتي را براي اين منظور پرداخت کرده و ميكنند.
به عنوان يک کاربر کامپيوتر، احتمالاً با قابليت گفتاري مجموعه آفيس به عنوان يكي از ويژگيهاي جذاب و تا حدي فانتزي برخورد كرده و يا با آن كار كردهايد. به کمک اين قابليت شما به جاي استفاده از صفحه كليد براي تايپ مطالبتان، به راحتي با خواندن متن مورد نظر و انتقال گفتارتان به كمك يك ميكروفون معمولي به کامپيوتر، آنرا در محيط Word تايپ شده ميبينيد. حتي براي ذخيره كردن، کپي کردن، گذاشتن عكس در متن و . . . به جاي كليكهاي پشت سر هم و گاهي با تعداد بالا، ميتوانيد فرمان مربوطه را به كمك گفتار به نرمافزار داده تا كار شما را انجام دهد.
جداي از اينكه توانايي درست كاركردن اين قابليت آفيس چقدر باشد، يك محدوديت بزرگ در سر راه استفاده از آن براي ما ايرانيان وجود دارد: اين قابليت فقط براي زبان انگليسي است. (البته زبانهاي چيني يا ژاپني را نيز ميتوان استفاده كرد!). ايجاد چنيني سيستمي كه آنرا تشخيص يا بازشناسي گفتار (Speech recognition) مينامند، در زبان فارسي، چندين سال از تحقيقات محققان، اساتيد و دانشجويان دانشگاههاي مختلف كشور را به خود اختصاص داده است. اما جديترين جهشي كه در حدود ده سال پيش در اين زمينه ايجاد شد، ايجاد دادگان گفتاري فارسدات و يك سيستم اوليه تشخيص گفتار فارسي در مركز هوشمند علائم بوده است.
در ادامه و در طي يکي-دو سال اخير، مهمترين دستاورد در اين تكنولوژي براي زبان فارسي، سيستمهاي تشخيص گفتار شركت عصرگويش پرداز (ASR Gooyesh Pardaz ) http://www.asr-gooyesh.com است. اين شركت که توسط گروهي از اساتيد و دانشجويان دانشگاه صنعتي شريف ايجاد شده است، تنها فعاليت تخصصي خود را در زمينه پردازش سيگنال گفتار و بويژه تشخيصخودكار آن قرار داده است و نرمافزارهايي را براي انجام كار تشخيص خودكار گفتار توسعه داده است.
نرمافزار نويسا كه براي ديكته خودكار ميباشد و نرمافزار نيوشا كه جهت تشخيص گفتار از پشت خط تلفن توسعه داده شده است، از دستاوردهاي آنهاست. از نظر فني، معيارهايي چون وابسته يا متعلق بوده به گوينده بودن سيستم، اندازه و تعداد واژگان، پيوسته يا گسسته بودن گفتار ورودي، استفاده از محدوديتهاي زباني و كارايي در محيطهاي واقعي توانمندي سيستمهاي تشخيص گفتار را مشخص ميكند.
در كاربردهايي مانند تشخيص گفتار تلفني، اطن سيستم لزوماً بايد مستقل از گوينده باشند اما سيستم ديكته ميتواند وابسته به گوينده خاص باشد و براي آن گوينده سيستم بهترين كارايي را داشته باشد. در كاربردهاي واقعي معمولاً سيستم را مستقل از گوينده ميسازند و موقع استفاده به صداي گوينده خاصي آنرا اصطلاحاً تطبيق ميكنند.
اين كار در قابليت گفتاري مجموعه آفيس به كمك خواندن متون اوليه در ويزارد سيستم انجام ميشود، چنين قابليتي در سيستم نويسا نيز وجود دارد. هر چه تعداد واژگاني كه سيستم ميتواند تشخيص دهد بيشتر باشد، شباهت ميان كلمات بيشتر شده و در نتيجه كارايي سيستم به علت افزايش اشتباهات كاهش پيدا ميكند.
از اينررو در كاربرداهاي واقعي معمولآً فقط واژگان متناسب با كاربرد مورد نظر را انتخاب ميكنند تا محدود شود. در قابليت گفتاري آفيس هم كه ادعا ميشود اكثر كلمات انگليسي را دارد، كارايي به شدت پايين است (كارايي پايين آن به علت اين است كه ما غيرانگليسي زبان هستيم!) ولي در محصولات محدودتر اين شركت مانند قابليت گفتار I-mate كارايي به مراتب بهتر است. گفتار كاربر ميتواند پيوسته و طبيعي و يا با مكث ميان كلمات همراه باشد، بديهي است كه حالت اول مطلوب هركاربري است. يكي از مشكلاتي كه محصولات نويسا و نيوشا تا حدي زيادي آن را حل كردهاند، استخراج و بهكارگيري قابليتهاي زباني، زبان فارسي در حد نسبتاً کاملي است.
اين اطلاعات زباني ميتواند در ساير نرمافزارهايي كه نياز به اطلاعات زباني دارند، مانند مترجمها و نرمافزارهاي OCR نيز بكار گرفته شود. اثر صداهاي اضافي و ناخواسته در كاربردهاي واقعي نرمافزارهاي تشخيص گفتار را در عمل دچار افت شديد كارايي مينمايد، در محصولات فارسي ارائه شده با رويكردهاي مختلفي اين نقصان تا حد زيادي جبران شده است.
چكيده:
شبكههاي عصبي مصنوعي از مباحث جديدي است كه دانشمندان علوم كامپيوتر به آن علاقمند شدهاند و براي پيشرفت هرچه بيشتر علوم كامپيوتر وقت و هزينه بسياري را صرف آن كرده و ميكنند. اين موضوع با ايده گرفتن از سيستم عصبي بدن انسان و با هدف شبيهسازي هرچه بيشتر كامپيوتر به انسان شكل گرفت و تا حال به خوبي پيشرفته است. از جمله كاربردهاي اين بحث ميتوان از شناسايي الگوها, پردازش تصوير و رويت, هوش مصنوعي, كنترل رباتها و موارد بسيار ديگر نام برد. ما در اين مقاله پس از مقدمه به مسائل در خور شبكههاي عصبي مصنوعي و نيز كاربردهاي آن خواهيم پرداخت, در ادامه Perceptron ها را كه يكي از مهمترين الگوريتمهاي شبكههاي عصبي مصنوعي ميباشد معرفي ميكنيم.
مابقی در ادامه مطلب
ادامه مطلب
( قسمت اول )
شباهت با مغز
اگرچه مكانيسمهاي دقيق كاركرد مغز انسان (يا حتي جانوران) بهطور كامل شناخته شده نيست، اما با اين وجود جنبههاي شناخته شدهاي نيز وجود دارند كه الهام بخش تئوري شبكههاي عصبي بودهاند. بهعنوان مثال، يكي ازسلولهاي عصبي، معروف به نرون (Neuron) است كه دانش بشري آن را بهعنوان سازنده اصلي مغز ميانگارد. سلولهاي عصبي قادرند تا با اتصال بهيكديگر تشكيل شبكههاي عظيم بدهند. گفته ميشود كه هر نرون ميتواند به هزار تا ده هزار نرون ديگر اتصال يابد (حتي در اين مورد عدد دويست هزار هم به عنوان يك حد بالايي ذكر شده است).
قدرت خارقالعاده مغز انسان از تعداد بسيار زياد نرونها و ارتباطات بين آنها ناشي ميشود.
ساختمان هر يك از نرونها نيز بهتنهايي بسيار پيچيده است. هر نرون از بخشها و زيرسيستمهاي زيادي تشكيل شده است كه از مكانيسمهاي كنترلي پيچيدهاي استفاده ميكنند. سلولهاي عصبي ميتوانند از طريق مكانيسمهاي الكتروشيميايي اطلاعات را انتقال دهند. برحسب مكانيسمهاي بهكاررفته در ساختار نرونها، آنها را به بيش از يكصدگونه متفاوت طبقهبندي ميكنند. در اصطلاح فني، نرونها و ارتباطات بين آنها، فرايند دودويي(Binary)، پايدار (Stable) يا همزمان (Synchronous) محسوب نميشوند.
در واقع، شبكههاي عصبي شبيهسازي شده يا كامپيوتري، فقط قادرند تا بخش كوچكي از خصوصيات و ويژگيهاي شبكههاي عصبي بيولوژيك را شبيهسازي كنند. در حقيقت، از ديد يك مهندس نرمافزار، هدف از ايجاد يك شبكه عصبي نرمافزاري، بيش از آنكه شبيهسازي مغز انسان باشد، ايجاد مكانيسم ديگري براي حل مسائل مهندسي با الهام از الگوي رفتاري شبكههاي بيولوژيك است.
مابقی در ادامه مطلب
ادامه مطلب
پرواز و هواپیما
هوش مصنوعی
شبکه های عصبی
پردازش تصویر
نانو تکنولوژی
برنامه نویسی
منطق فازی
عمومی
کامپیوتر
الکترونیک
بینایی ماشین
ساختمان داده ها
مهندسی نرم افزار