دانش رسان |
مرکز علم و دانش کشور مقاله شبکه‌های عصبی
در حال بارگذاری
توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد
مقاله شبکه‌های عصبی دارای ۹۱ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقاله شبکه‌های عصبی کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.
توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله شبکه‌های عصبی،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن مقاله شبکه‌های عصبی :
فصل اول : مقدمه
۱-۱ پیشگفتار
انرژی الکتریکی به عنوان محور اصلی توسعه صنعتی در میان انواع انرژی از اهمیت خاصی برخوردار است. این انرژی با آنکه خود به انواع دیگر انرژی وابستگی دارد، اتکا شاخه‌های مختلف اقتصادی به آن در حدی است که براحتی می‌توان حد مصرف معقول این انرژی در یک جامعه را به عنوان شاخص عمده‌ای برای تعیین حد پیشرفت اقتصادی آن جامعه دانست.
بر خلاف سهولت استفاده از این نوع انرژی و مطلوبیت آن، تولید و انتقال این انرژی از پیچیدگی زیادی برخوردار بوده و در مجموع صنعت برق با ویژگیهایی در میان سایر صنایع شاخص است، از جمله این ویژگیها باید از لزوم همزمانی تولید و مصرف آن نام برد، به عبارت دیگر تولید برق فقط در مقابل مصرف آن مطرح می‌گردد و بطور معمول قابل ذخیره کردن نیست. دیگر ویژگی این صنعت سرمایه طلب بودن طرح‌ها و پروژه‌های آن و زمان بر بودن آنها است.
مجموعه این خصوصیات و حساسیت‌ها است که پیشبینی صحیح نیاز مصرف برای این نوع انرژی در آینده را طلب می‌نماید. چون هرگاه پیشبینی نیاز مصرف یا بار شبکه بیش از حد واقعی باشد، سرمایه گذاری بیهوده در این صنعت را بدنبال خواهد داشت و هر پیش بینی بار کمتر از واقعیت باعث لطمات شدید اقتصادی شده و جبران آن به مناسبت زمان بر بودن پروژه‌های توسعه‌ای امکانات تولید و انتقال برق، غیر ممکن است.
انرژی الکتریکی در مقیاس وسیع به طور اقتصادی قابل ذخیره نمی‌باشد. بدین دلیل بر خلاف شاخه‌های دیگر اقتصاد، در اقتصاد الکتریسیته باید همزمان با مصرف، انرژی الکتریکی تولید گردد. میزان مصرف بار الکتریکی ثابت نمی‌باشد بلکه به صورت پیچیده و غیر خطی تابعی از پارامترهای متعددی می‌باشد. با توجه به متغییر بودن میزان مصرف بار الکتریکی، شرکتهای تولید کننده برق، موظفند با پیش بینی آن در زمانبندی‌های مختلف اطلاعات مورد نیاز برای تصمیم‌گیریهای خود در سیستم قدرت را حاصل نماید.
در دنیای خصوصی سازی جدید هر شرکت سعی در افزایش قابلیت اطمینان محصول خود و تولید بهینه توان برای مصرف کنندگان خود دارد. این وظیفه عموماً از طریق پیش بینی فراهم می‌شود. پیش بینی بارهای ساعتی تا یک هفته جلوتر برای کارهای برنامه‌ریزی از قبیل هماهنگی بین واحدهای آبی و حرارتی و سنجش تبادل با دیگر رقبا و برای آنالیزهای کوتاه مدت از قبیل پخش توان در مراکز دیسپاچینگ و پخش بهینه توان لازم است. به طور کلی پیش بینی بار بر اساس دوره پیش بینی به دسته‌هایی تقسیم می‌شود :
– برنامه ریزی بسیار کوتاه مدت (چند دقیقه تا چندین ساعت) : برنامه ریزی بسیار کوتاه مدت اطلاعات مورد نیاز در پخش بار اقتصادی و تخمین اطمینان را تأمین می‌نماید. همچنین پیش بینی بسیار کوتاه مدت (چند دقیقه تا چند ساعت) برای زمانبندی تعویض قدرت بین شرکتها و مطالعه تحمیلات انتقال مفید می‌باشد.
– برنامه ریزی کوتاه مدت (یک روز تا یک هفته) : برنامه ریزی کوتاه مدت برای برنامه ریزی روزانه و هفتگی، در مدار قرار گرفتن بهینه نیروگاهها (بهینه سازی ولتاژ/ توان راکتیو، برنامه‌ریزی برای انرژی رزرو مورد نیاز، زمان بهره‌برداری پمپی از نیروگاههای پمپ ذخیره‌ای) و تبادل انرژی با شرکا استفاده می‌شود.
– برنامه‌ریزی میان مدت (۱ ماه تا ۵ سال) : در برنامه‌ریزی میان مدت، با در نظر گرفتن توان و ترکیب نیروگاههای موجود، میزان ذخیره سوخت، میزان ذخیره آب مخزنها، در مورد نحوه و زمان بکارگیری نیروگاههای حرارتی و آبی، تهیه سوخت، میزان تبادل انرژی الکتریکی با سیستمهای همسایه در سیستمهای بهم پیوسته، زمانبندی بهینه برای بازرسی و تعمیرات نیروگاهها و شبکه تصمیم‌گیری می‌شود.
– برنامه ریزی بلند مدت (۵ تا ۳۰ سال): در برنامه ریزی بلند مدت با در نظر گرفتن توان و ترکیب و طول عمر نیروگاههای موجود، توانایی شبکه انتقال و توزیع، قراردادهای بلند مدت برای تبادل انرژی الکتریکی با سیستمهای مجاور (کشورهای همسایه) در سیستمهای بهم پیوسته، در مورد نوع، اندازه و محل احداث نیروگاههای جدید، نحوه گسترش شبکه، بستن و یا تجدید نظر در قراردادها و ; تصمیم‌گیری می‌شود.
بار در یک شبکه برقرسانی به مجموع مصارف مختلف انرژی الکتریکی در یک واحد زمانی اتلاق می‌گردد. بار شبکه به مناسب همزمانی و غیر همزمانی مصرف انرژی در بخشهای مختلف دستخوش تغییراتی در طول شبانه روز، هفته، ماه و سال می‌گردد.
اگر به یک منحنی تغییرات بار بیست‌و چهار ساعته در الگوی مصرف انرژی الکتریکی ایران توجه کنیم ملاحظه می‌شود که منحنی از یک حداقل غیر صفر شروع می‌شود و پس از عبور از آن، با یک شیب نسبتاً تند به سمت کوهان دوم که بزرگتر از کوهان اول است میل نموده، پس از گذر از آن دوباره به سمت حداقل میل می‌کند. باید توجه داشت که ظهور این دو کوهان ناشی از همزمانی مصرف انرژی الکتریکی بخشهای مختلف مصرف در طول یک شبانه‌روز است. جالب توجه است که منحنی تغییرات بار در طول ماه و سال نیز تقریباً روند مشابهی با تغییرات بار بیست و چهار ساعته دارد. در مطالعه بار بخصوص در پیش بینی بار اعم از پیشبینی بار ساعتی روزانه جهت تنظیم برنامه بهره‌برداری از نیروگاهها تا بار ماههای سال برای تنظیم برنامه تعمیرات منظم و دوره‌ای و بارهای سالهای آینده برای برنامه‌ریزی توسعه‌ای این متغیرها و عوامل مؤثر در پیدایش آنها مورد توجه قرار می‌گیرد.
منحنی مصرف برای مصرف کننده کاملاً تصادفی و غیر مشخص بوده وقابل پیشبینی نیست و از سوی دیگر، هر مجموعه خاص از مصرف کننده‌ها منحنی مصرف مخصوص به خود را دارا است، همچنین مصرف بار الکتریکی تابعی کاملاً غیر خطی و بسیار پیچیده از پارامترهایی از جمله شرایط آب و هوایی، شرایط اقتصادی، زمان و عوامل تصادفی می‌باشد. همچنین تقریباً هر روز هفته منحنی خاص خود را دارد. لذا مدل مورد نظر باید توانایی این کار راد اشته باشد که اثر تمامی این عوامل را بر منحنی مصرف در نظر بگیرد، همچنین بایستی خطای پیش بینی تا حدامکان کم باشد، از طرفی دارای ساختاری ساده باشد و در کوتاهترین زمان ممکن به جواب نهایی برسد، و از همه مهمتر اینکه استفاده از آن برای برنامه‌ریزان و اپراتورها ساده باشد. لذا با توجه به اهمیت پیش بینی بار کوتاه مدت و خواصی که برای یک برنامه ریزان و اپراتورها ساده باشد. لذا با توجه به اهمیت پیش بینی بار کوتاه مدت و خواصی که برای یک برنامه پیشبینی بار بر شمردیم، روشهای مختلفی در این زمینه ارائه شده است که هر یک به نوعی دارای برخی کاستی‌ها (و بخصوص در پیش بینی روزهای تعطیل) بودند، با وارد شدن شبکه‌های عصبی در این عرصه تقریباً تمامی مدلها وروشهای قبلی کنار گذاشته شد، چراکه این شبکه‌ها دارای توانایی‌های بسیار زیادی رد بیان روابط غیر خطی می‌باشند. در شکل صفحه بعد موارد استفاده پیشبینی بار کوتاه مدت آمده است.
شکل ۱-۱ موارد استفاده پیش بینی بار کوتاه مدت
۱-۲- تاریخچه پیش بینی بار
پیش بینی کوتاه مدت بار در شبکه‌های قدرت از دیرباز مورد توجه قرار گرفته است. اتخاذ تصمیم در مدیریت انرژی، در مدار قرارگیری نیروگاهها، بررسی پخش بار اقتصادی، تحلیل قابلیت اطمینان سیستم و برنامه‌ریزی تعمیر و نگهداری و نیروگاهها، همگی نیازمند پیش بینی بار در بازه‌های زمانی مختلف می‌باشد. در گذشته روشهای متعدد آماری مورد استفاده قرار می‌گرفت، ک هاز آن جمله می‌توان به روش هموار سازی نمایی، روش باکس جنکیز، روش تخمین حالت، سریهای زمانی و فیلتر کالمن اشاره نمود. این روشها عموماً برای روزهای عادی مؤثر بوده و برای روزهای خاص سال قابل اعتماد نیستند. به همین خاطر در بعضی کشورها اپراتورهای با تجربه، پیشگویی را با قوانین منطقی خود انجام داده و یا با استفاده از تجربه، نتایج روشهای آماری را تصحیح می‌کنند.
با پیشرفت تکنولوژی رایانه، کاربرد حافظه وسیع‌تر و همچنین افزایش سرعت دسترسی به اطلاعات و انجام محاسبات پیچیده‌تر میسر گردیده و در دو دهه اخیر تکنیکهای هوش مصنوعی مورد توجه قرار گرفته است. از سال ۱۹۸۸ به بعد، مقالاتی در پیش بینی بار کوتاه مدت مشاهده می‌گردد، که در آن مدل ریاضی به ندرت به چشم می‌خورد و پیش بینی تنها از طریق تحلیل اطلاعات گذشته و ادغام تجربیات اپراتورها صورت می‌گیرد.
با ورود شبکه‌های عصبی به مقوله پیش بینی بار کوتاه مدت در سال ۱۹۹۱ توسط Yangm,HSU و Park و همکارانش، زمینه ابطال روشهای ریاضی قبل تقریباً به طور کلی فراهم گردید.
۱-۳ رئوس مطالب
فصل جاری حاوی مقدمه و تاریخچه پیش بینی بار کوتاه مدت و همچنین رئوس مطالب پایان نامه می‌باشد. در فصل دوم روشهای قدیمی پیش بینی بار کوتاه مدت ذکر شده و مهمترین آنها را که بیش از سایرین استفاده می‌شدند، توضیح داده‌ایم. در فصل سوم مبانی شبکه‌های عصبی و شیوه‌های آموزش این شبکه‌های آمده‌است. با توجه به اهمیت و نقش پارامترهای ورودی در آموزش یک شبکه عصبی، در فصل چهار با جمع‌بندی کارای انجام شده قبلی در این زمینه به همراه مهمترین متغییرهای ورودی آنها آمده است و در فصل پنجم نیز کاربرد شبکه‌های عصبی در پیش بینی کوتاه مدت بار آمده است و در ادامه نتایج کلی و پیشنهاداتی برای انجام کارهای بعدی آمده است.
فصل ۲
کلیات روشهای پیش بینی بار کوتاه مدت
۲-۱ انواع پیش بینی بار
۲-۱-۱ پیش بینی بر اساس مقیاس زمانی
روشهای پیش بینی بار را بر اساس مقیاس زمانی بکار برده شده همانگونه که گفته شد می‌توان به سه دسته تقسیم کرد :
۱) پیش بینی کوتاه مدت از یک ساعت تا یک هفته که در کنترل اتوماتیک و بهره‌برداری روزانه و لحظه به لحظه از سیستم استفاده دارد.
۲) پیش بینی میان مدت بار که تا دو سال را در بر می‌گیرد، در برنامه‌ریزی مسائل سوخت و تهیه برنامههای نگهداری و سرویس واحدهای تولید شبکه بکار گرفته می‌شود.
۳) پیش بینی بلند مدت بار که مربوط به پنج سال و بیش از آن است، در جهت گسترش سیستم و طراحی سیستمهای جدید استفاده می‌شود.
۲-۱-۲ پیش بینی بر اساس نحوه عملکرد
از نظر شیوه عملکرد، کلیه الگوریتم‌ها به دو دسته تقسیم می‌شوند : online , offline :
طریقه online در بهره‌برداری لحظه به لحظه از سیستم قدرت و ینز بار گذاری اقتصادی نیروگاههای سیستم مورد استفاده قرار می‌گیرد.
طریقه offline در جهت برنامه ریزی نیروگاههای بخاری و گازی استفاده می‌شود.
۲-۲ الگوی بارو عوامل مؤثر بر آن در سیستم قدرت
مجموع بار تمامی مصرف کننده‌ها به اضافه تلفات شبکه، کل بار سیستم ر ا تشکیل می‌دهد. منحنی مصرف برای مصرف کننده‌ها تا حدودی تصادفی و غیرمشخص بوده و به درستی قابل پیش بینی نیست و از سوی دیگر، هر مجموعه خاص از مصرف کننده‌ها منحنی مصرف مخصوص به خود را دارا است و به همین دلیل با استفاد هاز هر یک از مصرف کننده‌ها نمی‌توان به بار کل سیستم دست یافت. اما با وجود همه این شرایط همه مصرف کننده‌ها مجموعاً یکر وند و الگوی کلی ارائه می‌دهند که می‌توان آن راب ا روشهای آماری پیش بینی کرد.
عوامل مؤثر بر منحنی مصرف را می‌توان به چهار دسته تقسیم کرد که در زیر به توضیح هر یک می‌پردازیم :
۲-۲-۱ عوامل اقتصادی
عوامل اقتصادی، شامل سطح فعالیت‌های کشاورزی و صنعتی، میزان رشد جمعیت و رشد اقتصادی منطقه (برای پیش‌بینی‌های میان مدت و بلند مدت)
۲-۲-۲ عوامل اقلیمی
عوامل اقلیمی که موجب می‌شود منحنی مصرف برق مربوط به دستگاه‌های گرم کننده و سرد کننده تغییر کند. عواملی چون درجه حرارت، رطوبت هوا و سرعت وزش باد از مهمترین عوامل اقلیمی می‌باشند که در زیر به توضیح مختصری از هر یک می‌پردازیم :
۲-۲-۲-۱ درجه حرارت
دمای خشک بر روی مصرف انرژی ساعتی و همچنین مصرف زمان پیک تأثیر زیادی می‌گذارد، این اثر ابتدا باعث تغییر متوسط منحنی مصرف می‌گردد، به طوری که مقدار متوسط الگوی بار یک روز گرم در تابستان بالاتر از یک روز سردتر قرار می‌گیرد و عکس این موضوع در زمستان مصداق پیدا می‌کند.
۲-۲-۲-۲- رطوبت
میزان رطوبت هوا باعث تغییر دمای مرطوب هوا و تغییر در احساس گرما توسط انسان می‌شود. این اثر در تابستان و بخصوص در نواحی شمالی و جنوب کشور که اصطلاحاً دارای آب و هوایی شرجی هستند اثر قابل توجهی بر روی میزان مصرف بار می‌گذارد.
۲-۲-۲-۳ سرعت باد
باد در تابستان باعث خنک‌تر شدن هوا و در نتیجه کاهش میزان مصرف می‌شود و در زمستان نیز منجر به افزایش شدت سردی و درپی آن ازدیاد مصرف می‌گردد.
۲-۲-۳ عامل زمانچ
عامل زمان که در برگیرنده تغییرات فصلی مانند گشایش مراکز آموزشی، تغییر ساعات کار، تعطیلات سالیانه و از این قبیل تغییرات می‌باشد. همچنین تعطیلات آخرهفته و روزهای تعطیل پیش بینی شده نیز از جمله این عوامل محسوب می‌شوند.
۲-۲-۴ عوامل تصادفی
عوامل تصادفی،به عنوان مثال صنایع فولاد و نورد و ذوب آهن نوسانات شدید و غیر قابل کنترل دارند. مشخص نبودن ساعت دقیق کار کرد این قبیل صنایع موجب می‌شود منحنی مصرف آنها شکل تصادفی به خود بگیرد. همچنین طوفان، ساعقه، پخش برنامههای خاص تلویزیون که دارای مصرف مشخص نیستند، و رویدادهای مهم ورزشی را می‌توان از این قبیل عوامل تصادفی دانست.
آنچه مسلم است اینکه، اگر همه عوامل فوق را در پیشبینی بار در نظر بگیریم، به یک پیش گویی خارق‌العاده دست یافته‌ایم، اما آشکارا می‌توان فهمید که امکان چنین امری بسیار بعید می‌باشد.
۲-۳ روشهای پیش بینی بار کوتاه مدت
روشهای قدیمی و مبتنی بر روابط پیچیده ریاضی
روشهای جدید و مبتنی بر الگوریتم‌های هوشمند
۲-۳-۱ روشهای قدیمی پیش بینی بار کوتاه مدت
۲-۳-۱-۱ روشهای مبتنی بر بار پیک
این روشها از مدلهایی استفاده می‌کنند که قادرند مقدار حداکثر بار روزانه و نه زمان وقوع آنرا برآورد کنند. این روشها از ابتدایی ترین روشهای پیش بینی بار هستند که طبق رابطه زیر مقدار پیک بار را پیشبینی می‌کنند.
۲-۱
که در این رابطه PB مقدار بار پایه آنروز را نشان می‌دهد که به آب و هوا حساس نیست و PW بیانگر مولفه وابسته به آب و هوای روز موردنظر می‌باشد، برای پیشبینی PW می‌توان از روش رگرسیون استفاده کرد.
۲-۳-۱-۲ روشهای مبتنی بر شکل بار
این دسته از روشها را که در پیشبینی بار استفاده می‌شد را بر حسب تکنیکهایی که به کار می‌برند می‌توان به دو گروه عمده تقسیم کرد. در یک روش با الگوی بار همانند یک سیگنال سری زمانی برخورد می‌کند و بار آینده را با استفاد هاز تکنیکهای آنالیز سری زمانی پیشبینی می‌کند. روش دوم تشخیص می‌دهد که الگوی بار به طور خیلی عمده به متغییرهای آب و هوایی بستگی دارد و یک رابطه یا تابع بین متغییرهای آب و هوایی و الگوی بار می‌یابد. در زیر به توضیح مختصری در مورد هر کدام می‌پردازیم.
۲-۳-۱-۲-۱ روش سری زمانی
ایده روش سری زمانی بر اساس درک این مطلب است که الگوی بار چیزی نیست بیش از سیگنال سری زمانی با پریودهای مشخص روزانه، هفتگی و یا فصلی. این تناوب یک پیش یک پیش بینی بار بی‌نظمی در هر زمان می‌دهد که تفاوت این پیش بینی و بار واقعی را می‌توان به صورت یک فرآیند اتفاقی در نظر گرفت که با آنالیز این سیگنال تصادفی می‌توان به دقت بیشتری در پیشبینی دست یافت. از جمله مهمترین تکنیکهایی که برای آنالیز این سیگنال تصادفی استفاده
می‌شوند می‌توان به فیلتر کالمن، روش باکس- جنکینز، اتوگرسیون، روش فضای حالت و روش تجزیه طیفی اشاره کرد. ولی در هر حال تکنیکهای سری زمانی در صورتی که یک تغییر ناگهانی در متغیرهای ورودی نباشد، مناسب کار می‌کنند، ولی اگر هرگونه تغییر ناگهانی در متغیرهای ورودی باشد سریهای زمانی نمی‌توانند بدرستی کار کنند. از طرف دیگر روشهای سری زمانی، از تعداد زیادی روابط غیر خطی استفاده می‌کنند که به زمان محاسبه طولانی احتیاج دارند و ممکن است منجر به واگرایی گردند.
مشکلات عمده‌ای که در ارتباط با سریهای زمانی مطرح می‌باشند، عبارتند از عدم دقت کافی در پیش بینی و ناپایداری عددی.
بین رفتار مصرف توان و متغیرهای آب و هوایی از قبیل درجه حرارت، رطوبت سرعت باد و پوشش ابری یک رابطه بسیار محکم وجود دارد، خصوصاً در نواحی مسکونی. روشهای سری زمانی غالباً از الگوریتم تطبیقی با محاسبات ماتریسی استفاده می‌کنند که ممکن است باعث ناپایدار شود.
بیشتر روشهای رگرسیون سعی در پیدا کردن روابطی به صورت یک تابع بین متیغرهای آب و هوایی و تقاضاهای مصرف بار دارند. روشهای رگرسیون معمولی از توابع خطی یا تکه تکه خطی برای تابع پیش بینی استفاده می‌کنند. روش رگرسیون با استفاد هاز ترکیب خطی از این توابع، یک رابطه بین متغیرهای آب و هوایی انتخاب شده و تقاضای بار پیدا می‌کند. ولی نکته‌ای که باید به آن توجه داشت این است که این روابط بین بار و متغیرهای آب و هوایی، روابطی ثابت نیستند بلکه به عناصری متغیر وابسته‌اند. روش رگرسیون نمی‌تواند این تغییرات را به خوبی دنبال کند.
روش فیلتر کالمن احتیاج به تخمین ماتریس کواریانس دارد، که احتمال فراوان در متغیر بودن الگوی بار اجازه تخمین درستی را نمی‌دهد. روش باکس جنکینز احتیاج به تابع همبستگی برای تشخیص مدلهای اتورگرسیون میانگین متحرک، دارد. این کار می‌تواند با استفاد هاز تکنیکهای تشخیص الگو همراه باشد. مانع اصلی در اینجا کندی کار است. مدل اتورگرسیون میانگین متحرک برای تشریح رفتار اتفاقی الگوهای بار ساعتی در یک سیستم قدرت استفاده می‌شود. مدل اتورگرسیون میانگین متحرک فرض می‌کند که بار یک ساعت را می‌توان با ترکیب خطی بار چند ساعت قبل تخمین زد. معمولاً هر چه مجموعه دیتاها بیشتر باشد نتیجه حاصله از دقت بالاتری برخوردار است که این خود باعث افزایش زمان لازم برای محاسبات می‌گردد.
۲-۲
که در آن y(t-I) اطلاعات بار گذشته و a مربوط به اغتشاش حال و گذشته است. ها و ها پارامترهای مدل و q,p مرتبه مدل ARMA(p,q) می‌باشد.
۲-۳-۱-۲-۲ روش تجزیه طیفی
روش تجزیه طیفی از سری فوریه استفاده می‌کند. به خاطر اینکه الگوی بار را می‌توان به طور تقریبی به صروت سیگنالهای تناوبی در نظر گرفت، لذا الگوی بار را می‌توان به صورت ترکیبی از چندین موج سینوسی با فرکانسهای مختلف در نظر گرفت. هر موج سینوسی با یک فرکانس مشخص بیانگر یک پایه ارتوگونال (متعامد) است. یک ترکیب خطی از این پایه‌های ارتوگونال با ضرایب صحیح می‌تواند بیانگر یک الگوی بار کاملاً تناوبی باشد. ولی در هر حال الگوهای بار به طور
کامل و صددرصد متناوب نیستند. در این تکنیک معمولاً فقط کسر کوچکی از پایه‌های متعامد استفاده می‌شود و بنابراین الگوی بار می‌شود که در حوزه فرکانس منجر به مؤلفه‌های فرکانس بالا می‌شود. بنابراین تکنیک تجزیه طیفی نمی‌تواند پیش بینی درستی برای حالات تغییر سریع در شرایط آب و هوایی انجام دهد، مگر اینکه عناصر پایه زیادی استفاده شود.
در این روش می‌توان منحنی مصرف بار را به سه مؤلفه تقسیم کرد. مؤلفه رشد بار در اشل زمانی بلند مدت، مؤلفه متغیر با روزهای هفته و مؤلفه تصادفی بار.
اگر بار سیستم در ساعت kام در روز a ام از سال باشد، مقدار بار به این صورت نوشته می‌شود :
۲-۳
دو مؤلفه اول با حداقل کردن متوسط مربع خطای مؤلفه تصادفی با توجه به داده‌های گذشته بار در فاصله زمانی چند هفته مشخص می‌شود. هر کدام از دو مؤلفه فوق را می‌توان به صورتهای زیر نوشت :
۲-۴
در رابطه فوق nd : تعداد روزهای هفته و nw تعداد هفته مورد نظر در تعیین است. پس از تعیین مؤلفه باقیمانده بصورتی ک بسط از توابع مشخصه تابع همبستگی بیان می‌شود :
۲-۵
که در آن مقدار ویژه و توابع مشخصه با استفاد هاز معادله انتگرالی زیر مشخص می‌شوند :
۲-۶
M : تعداد روزهایی که برای محاسبه توابع همبستگی به کار می‌رود و تابع همبستگی است.
۲-۳-۱-۲-۳ روش هموارسازی نمایی
با این روش می‌توان بار را تا یک هفته آینده محاسبه کرد ، بدون آنکه برای روزهای هفته تفاوتی قائل شد. به این ترتیب که تغییرات هفتگی دربار ساعتی را به صورت یک تابع متناوب با پریود اصلی یک هفته (۱۶۸ ساعت) که در واقع یک بسط فوریه است بیان می‌کند :
۲-۷
در این رابطه دوره تناوب اصلی برابر ۱۶۸ درنظر گرفته شده است. بنابراین مقدار wi به صورت می‌باشد که ki ها ضرایب صحیح کوچکتر از ۸۴ هستند. فرمولی که بار را برای T واحد زمانی در اینده پیشبینی می‌کند عبارتست از :
۲-۸
عناصر بردار a (t) با معیار حداقل مربعات خطا بگونه‌ای برآورد می‌شوند که مجموع مربع خطا حداقل شود :
۲-۹
این روش در مجموع دارای دقت نسبتاً حوبی در پیشبینی بار کوتاه مدت است.
۲-۳-۱-۲-۴ روش فضای حالت
این یکی از کاملترین روشهاست. از بیست سال اخیر، برای مدل کردن بار سیستم معادلات حالت بخاطر ساختار مناسب روابط ریاضی آن و بدلیل امکان استفاده از فیلتر کالمن برای انجام پیشبینی بار مورد توجه قرار گرفته است. استفاده از این
روش بخاطر روابط تکراری به بهترین شکلی برای انجام محاسبات بطور on line امکان‌پذیر است.
شکل عمده این روش، شناسایی مدل مناسب و همچنین محاسبات زیاد برای بدست آوردن پارامترهای تشریح کننده مدل است. مزیت آن دقت نسبتاً خوب این روش است.
معادلات حالت به صورت زیر بیان می‌گردند :
معادله سیستم ۲-۱۰
معادله اندازه‌گیری ۲-۱۱
: ماتریس انتقال حالت
: سیگنال نویز با میانگین صفر و کواریانس ثابت
: بردار اندازه‌گیری در زمان k
: ماتریس اندازه‌گیری
: بردار خطای اندازه‌گیری با میانگین صفر و کواریانس R (k)
در هر لحظه از زمان k می‌توان یک تخمین اولیه برای X(t) بر حسب مقادیر قبلی آن تا لحظه k بدست آورد که با نشان داده می‌شود. خطای متناظر با آن برابر است با :
۲-۱۲
X(k) مقدار واقعی فرآیند مورد نظر در زمان k است. برای این بردار خطا ، ماتریس کوتریانس خطا به صورت زیر تعریف می‌شود :
۲-۱۳
تخمین ثانویه توسط یک ترکیب خطی از تخمین اولیه و خطای اندازه‌گیری بشکل زیر بدست می‌آید :
۲-۱۴
که در اینجا k (k) ضریب بهره کالمن و تخمین ثانویه برای مقدار X در زمان t است. ماتریس پراکندگی این خطا مطابق رابطه زیر تعریف می‌شود :
۲- ۱۵
پس به طور خلاصه برای استفاده از این روش باید ابتدا یک تخمین اولیه پیش فرض مانند برای بار و برای ماتریس پراکندگی بدست آورد . سپس بهره کالمن را محاسبه کرد و بعد از آن ماتریس پراکندگی بدست آورد. سپس ضریب بهره کالمن را محاسبه کرد و بعد از آن ماتریس پراکندگی را update کرده و سپس به پیشبینی و بپردازیم :
۲- ۱۶
و سپس برای یک مرحله بعد محاسبات را از مرحله دوم باید تکرار کنیم .
بنابراین همانگونه که در بالا نیز گفته شد تکنیکهای مورد استفاده در روشهای سری زمانی در شرایط عادی خوب کار می‌کنند ولی در شرایطی که یک تغییر ناگهانی در شرایط آب و هوایی یا دیگر متغیرهای تأثیرگذار در الگوی بار بوجود آید، دیگر این تکنیکها نمی‌توانند بدرستی کار کنند. از طرفی با توجه به اینکه در این تکنیکها از تعداد زیادی روابط پیچیده ریاضی استفاده می‌شود، زمان محاسبات زیاد است و ممکن است که منجر به ناپایداری نیز گردد.
۲-۳-۱-۲-۴ رگرسیون
روش عمومی در رگرسیون به صورت زیر است :
۱) انتخاب متغیرهای آب و هوائی صحیح و قابل استفاده
۲) پذیرفتن عناصر تابعی اصلی
۳) پیدا کردن ضرائب صحیح برای ترکیب خطی عناصر تابعی اصلی
بخاطر اینکه درجه حرارت از مهمترین اطلاعات آب و هوایی است، لذا غالباً در روش رگرسیون استفاده می‌شود. به هر حال اگر ما متغیرهای دیگری از جمله رطوبت، سرعت باد و پوشش ابری را نیز اعمال کنیم به نتایج بهتری خواهیم رسید.
غالب روشهای رگرسیون از توابع ساده خطی یا تکه تکه خطی به عنوان عناصر تابعی اصلی استفاده می‌کنند. رابطه‌ای که غالباً برای بیان رابطه بین بار L ، و درجه حرارت T استفاده می‌شود به صورت زیر است :
۲-۱۷
که در آن
۲-۱۸
و ثابت‌هایی هستد و برای تمام I ها ،
علاوه بر ریگرسیون روشهای دیگری نیز برای پیدا کردن ضرائب تابعی پیشنهاد شده است.
۱) جبر از تکنیک تشخیص الگو نیز برای پیدا کردن نزدیکترین همسایه برای یک بار هشت ساعتی با استفاده از الگوی آب و هوایی داده شده استفاده کرد.
۲) یک کاربرد از الگوریتم مربع خطی تعمیم یافته توسط ایریساری پیشنهاد شد ولی در هر حال GLSA غالباً با ناپایداری‌های عددی همراه است خصوصاً در مواقعی که برای یک مجموعه دیتاهای زیاد استفاده شود.
۳) رحمان یک روش سیستم خبره را اعمال کرد . سیستم خبره مزیت استفاده از اطلاعات یک شخص خبره اپراتور را دارد. او چندین محدوده درجه حرارتی ایجاد کرد و روابط تابعی متفائژوتی بر طبق ساعت مورد نظر ایجاد کرد. این کار موجب شد تا پیشبینی نسبتاً خوبی صورت گیرد، ولی استخراج اطلاعات از یک خبره ساده نیست و گرفتن اطلاعات کامل و جامع از تجربیات یک فرد خبره تا حدودی مشکل است.
۲-۳-۲- روشهای جدید پیشبینی بار کوتاه مدت
روشهای جدید پیشبینی بار کوتاه مدت که هم اکنون به وفور استفاده می‌شوند همان بکارگیری شبکه‌های عصبی و فازی در پیشبینی می‌باشند که هر یک دارای محاسنی می‌باشند. مزیتهای فراوان این شبکه‌ها نسبت به روشهای قدیمی بکلی کنار گذاشته شوند و به این روشهای جدید روی آورده شود.
فصل ۳
شبکه‌های عصبی مصنوعی
۳-۱ مقدمه
در سالیان اخیر شاهد حرکتی مستمر از تحقیقات صرفاً تئوری به تحقیقات کاربردی علی‌الخصوص در پردازش اطلاعات برای مسائلی که یا برای آنها راه حلی موجود نیست و یا براحتی قابل حل نیستند، بوده‌ایم.
با عنایت به این حقیقت، علاقه فراینده‌ای در توسعه تئوریک سیستمهای دینامیکی هوشمند که مبتنی بر داده‌های تجربی هستند، ایجاد شده است. شبکه‌های عصبی مصنوعی جزوا ین دسته از سیستمهای دینامیکی قرار دارند که با پردازش بر روی داده‌های تجربی، دانش یا قانون نهفته در ورای داده‌ها را به ساختار شبکه منتقل می‌کنند، به همین خاطر به این سیستم‌ها هوشمند گویند،چراکه بر اساس محاسبات روی داده‌ها عددی یا مثالها قوانین کلی را فرا می‌گیرند. این سیستم‌ها مبتنی بر هوش محاسباتی سعی در مدلسازی ساختار مغز بشر دارند.
مغز انسان به عنوان یک سیستم پردازش اطلاعا تبا ساختار موازی و کاملاً پیچیده که دو درصد وزن بدن را تشکیل می‌دهد و بیش از بیست درصد کل اکسیژن بدن را مصرف می‌کند برای خواندن، نفس کشیدن، حرکت، تفکر و تفحص و کلیه اعمال آگاهانه و بسیاری رفتارهای ناخودآگاه استفاده می‌شود. این مغز چگونه این کارها را انجام می‌دهد از زمانی شروع شد که دریافتند مغز برای محاسبات خود اساساً از ساختاری کاملاً مغایر با ساختار کامپیوترهای متداول برخوردار است.
تلاش برای فهم این موضوع خصوصاً از زمانی مطرح شد که برای نخستین بار در سال ۱۹۱۱ شخصی نام سگال اعلام کرد که مغز از عناصر اصلی ساختاری به نام نرون تشکیل یافته است. هر نرون بیولوژیکی به عنوان اجتماعی از مواد آلی، اگرچه دارای پیچیدگی یک میکروپروسسور می‌باشد ولی دارای سرعت محاسباتی براب ربا سرعت یک میکروپروسسور نیست.
دانشمندان علم بیولوژیکی به تازگی دریافته‌اند که شبکه‌های نرونی چگونه کار می‌کنند، به طور کلی به این نتیجه رسیده‌اند که عملکرد نرونهای بیولوژیکی از قبیل ذخیره سازی و حفظ اطلاعات در خود نرونها و ارتباطات بین نرونها نفهته است. به عبارت فنی‌تر یادگیری به عنوان ایجاد ارتباطات جدید بین نرونها و تنظیم و ارتباطات بین نرونها و تنظیم مجدد ارتباطات موجود، استنباط می‌شود.
مغز به عنوان یک سیستم پردازش اطلاعات با ساختار موازی از ۱۰۰ تریلیون (۱۰۱۱) نرونهای به هم مرتبط با تعداد کل ۱۰۱۶ ارتباط تشکیل شده است. نرونها ساده‌ترین واحد ساختاری سیستمهای عصبی هستند بافتهایی که عصب نامیده می‌شوند، اجتماعی از نرونها می‌باشند.
شبکه‌های مصنوعی دارای برخی ویژگیها و همچنین برخی شباهتها با شبکه‌های بیولوژیکی می‌باشند، شباهت آنها را می‌توان در دو مورد زیر خلاصه کرد :
۱- بلوک ساختاری در هر دو شبکه مصنوعی و بیولوژیکی دستگاه‌های محاسباتی خیلی ساده‌ای هستند و مضاف بر این نرونها مصنوعی از سادگی بیشتر برخوردار می‌باشند.
۳-۲ ویژگیها
شبکه‌های عصبی مصنوعی با وجود اینکه با سیستم عصبی طبیعی قابل مقایسه نیستند، ویژگیهایی دارند که آنهنا را در بعضی از کاربردها مانند تفکیک الگو، رباتیک، کنترل و به طور کلی در هر جا که نیاز به یادگیری یک نگاشت خطی و یا غیر خطی باشد، ممتاز می‌نمایند. این ویژگیها عبارتند از :
۳-۲-۱ قابلیت یادگیری
استخراج نتایج تحلیلی از یک نگاشت غیرخطی که با چند مثال مشخص شده، کار ساده‌ای نیست. چون می‌دانیم که یک نرون یک دستگاه غیر خطی است، در نتیجه یک شبکه عصبی که از اجتماع این نرونها تشکیل می‌شود هم یک سیستم کاملاً پیچیده و غیر خطی خواهد بود. به علاوه، خاصیت غیر خطی عناصر پردازش، در کل شبکه توزیع می‌گردد. هنگام پیاده سازی این نتایج با یک الگوریتم معمولی و بدون قابلیت یادگیری نیاز به دقت و مراقبت زیادی دارد. در چنین حالتی سیستمی که بتواند خود این رابطه را استخراج کند بسیار سودمند به نظر می‌رسد. خصوصاً اینکه افزودن مثالهای احتمالی در اینده به یک سیستم با قابلیت یادگیری، به مراتب آسانتر از انجام آن در یک سیستم بدون چنین قابلیتی است چرا که در سیستم اخیر افزودن یک مثال جدید به منزله تعویض کلیه کارهای انجام شده قبلی می‌باشد.
قابلیت یادگیری یعنی توانایی تنظیم پارامترهای شبکه در مسیر زمان که محیط شبکه تغییر می‌کند وشبکه شرایط جدید را تجربه می‌کند، با این هدف که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی شبکه رخ داد، شبکه بتواند با آموزش مختصر برای شرایط جدید نیز کار آمد باشد. دیگر اینکه اطلاعات در شبکه‌های عصبی در سیناپسها ذخیره و هر نرون در شبکه به صورت، بالقوه از کل فعالیت سایر نرونها متأثر می‌شود. در نتیجه، اطلاعات از نوع مجزا از هم نبوده، بلکه متأثر از کل شبکه می‌باشد.
۳-۲-۲ پراکندگی اطلاعات پردازش اطلاعات بصورت متن
آنچه که شبکه فرا می‌گیرد و یا به صورت دیگر اطلاعات یا دانش، در وزنهای سیناپسی مستتر می‌باشد. رابطه یک به یک بین ورودیها و وزنهای سیناپتیکی وجود ندارد. می‌توان گفت که هر وزن سیناپس مربوط به همه ورودیها است ولی به هیچیک از آنها به طور منفرد و مجزا مربوط نیست. به عبارت دیگر هر نرون در شبکه از کل فعالیت سایر نرونها متأثر می‌باشد. در نتیجه اطلاعات به صورت متن توسط شبکه‌های عصبی پردازش می‌شود. بر این اساس چنانچه بخشی از سلولهای شبکه حذف شوند و یا عملکرد غلط داشته باشند باز هم احتمال رسیدن به پاسخ صحیح وجود دارد. اگرچه این احتمال برای تمام ورودیها کاهش یافته ولی برای هیچ یک از بین نرفته است.
۳-۲-۳- قابلیت تعمیم
پس از آنکه مثالهای اولیه به شبکه آموزش داده شد، شبکه می‌تواند در مقابل یک ورودی آموزش داده نشده قرار گیرد و یک خروجی مناسب ارائه نماید. این خروجی بر اساس مکانیسم تعمیم که همانا چیزی جز یک پروسه درونیابی نیست بدست می‌آید. به عبارت روشنتر ، شبکه تابع را یاد می‌گیرد ، الگوریتم را می‌آموزد و یا رابطه تحلیل مناسبی را برای تعداد نقاط در فضا بدست می‌آورد.
۳-۲-۴ پردازش موازی
هنگامی که شبکه عصبی در قالب سخت افزار پیاده می‌شود، سلولهایی که در یک تراز قرار می‌گیرند، می‌توانند به طور همزمان به ورودیهای آن تراز پاسخ دهند. این ویژگی باعث افزایش سرعت پردزاش می‌شود. در واقع در چنین سیستمی، وظیفه کلی پردازش، بین پردازنده‌های کوچکتر مستقل از یکدیگر توزیع می‌گردد.
۳-۲-۵ مقاوم بودن
در یک شبکه عصبی، هر سلول به طور مستقل عمل می‌کند و رفتار کلی برآیند رفتارهای محلی سلولها متعددی است. این ویژگی باعث می‌شود تا خطاهای محلی از چشم خروجی نهایی بدور بمانند. به عبارت دیگر، سلولها در یکر وند همکاری، خطاهای محلی یکدیگر را تصحیح می‌کنند. این خصوصیت باعث افزایش مقاوم بودن (تحمل پذیری خطاها) در سیستم می‌گردد.
۳-۳ تاریخچه شبکه‌های عصبی
دیدگاه شبکه‌های عصبی در دهه ۴۰ قرن بیستم شروع شد، زمانی که وارن مک کلوث و والترپیتز نشان دادند که شبکه‌های عصبی در اصل می‌توانند هر تابع حسابی و منطقی را محاسبه نمایند. کار این افراد را می‌توان نقطه شروع حوزه علمی شبکه‌های عصبی مصنوعی نامید.
نخستین کاربر عملی شبکه‌های عصبی در اواخر دهه ۵۰ قرن بیستم مطرح شد، زمانیکه فرانک روزنبلات در سال ۱۹۵۸ شبکه پرسپترون را معرفی نمود. روزنبلات و همکارانش شبکه‌ای ساختند که قادر بود الگوها را از هم شناسایی کند. ولی به طور کلی تا اواسط ۱۹۸۰ توجه کمی به شبکه‌های عصبی شده بود، چراکه تا قبل از آن معمولاً آموزش شبکه‌های عصبی باب یش از دو لایه امکان نداشت. متأسفانه دنیای واقعی ما به صورت پیوسته است و نمی‌توان آنها را به صورت مدلهای ساده بیان کرد.
اولین گام در بهبود شبکه‌های عصبی زمانی بود که شبکه‌های چند لایه مطرح شدند. پس از آن ایده مهمی که کلید توسعه شبکه‌های عصبی در دهه ۸۰ شد، الگوریتم، پس از انتشار خطا بود که توسط دیوید راملهارت و جیمز مکلند مطرح گردید با پیدایش این روش در واقع مانع اصلی در زمینه شبکه‌های عصبی برداشته شد و شبکه‌های عصبی را متحول کرد.
گرچه این روش در سال ۱۹۷۴ کشف شد ولی تا سال ۱۹۸۰ عملاً به طور وسیعی مورد استفاده قرار نگرفت. شبکه‌های دولایه معمولاً فقط قادر به بیان روابط خطی بین بردارهای ورودی و خروجی بودند ولی این روش اجازه داد تا شبکه‌های آنالوگ با سه لایه یا بیشتر آموزش ببینند،لذا دری باز شد بر روی بسیاری کاربردهای آن شبکه‌های عصبی چند لایه می‌توانند بیشتر روابط خطی و غیر خطی بین متغیرهای ورودی خروجی را یاد بگیرند. بخاطر سریع و ارزان بودن
کامپیوتر شخصی می‌تواند کاربردهای این تکنولوژی جدید را در بسیاری محاسبات متنوع ببیند. همینکه شبکه‌های عصبی به صورت خیلی رایج برای کاربردهای پیش بینی هوا، تشخیص صحبت و دستخط، تمیز کردن نویز در تصاویر ویدیوئی، بازیهای کامپیوتری، پیشبینی بار، قسمتهای ماشین ابزار، ترجمه زبانهای طبیعی، آشکار کننده مواد منفجره در چمدانهای فرودگاهها و پیش بینی برنده بازی استفاده می‌شوند. معمولاً شبکه‌های عصبی بهترین انتخاب برای مسائلی می‌باشند که مقدار زیادی داده در آن موجود است و یک رابطه غیر خطی بین پترن‌های ورودی و خروجی موجود است.
در ده سال اخیر هزاران مقاله نوشته شده است و شبکه‌های عصبی کاربر زیادی در رشته‌های مختلف علوم پیدا کرده‌اند. شبکه‌های عصبی در هر د وجهت توسعه تئوریک و عملی در حال رشد می‌باشند. بیشتر پیشرفتها در شبکه‌های عصبی به ساختارهای نوین و روشهای یادگیری جدید مربوط می‌شود.
در زیر نگاهی اجمالی به تاریخچه شبکه‌های عصبی داریم.
۱۹۴۲ – مک‌کالوج و پیتز : مدل غیر خطی ساده نرون
۱۹۴۹ – هب: اولین قانون یادگیری
۱۹۵۸- روزنبلات : پرسپترون، ماشینی که قادر است یاد بگیرد که چگونه با استفاد هاز تطبیق وزنها، اطلاعات را دسته بندی کند.
۱۹۶۲-۱۹۶۰- ویدرو و هاف: نشان دادن حدود تئوریکی پرسپترون به عنوان کامپیوترهای عمومی ۲۳۰ سال در حالت بدون پیشرفت و تحرک، ولی بعضی به صورت جداگانه به تحقیقات ادامه می‌دادند.
۱۹۸۲ – هاپفیلد: نشان داد که با استفاد هاز تابع انرژی می‌توان مسائل زیادی را حل کرد.
۱۹۸۲- کوهنن : تشریح یادگیری خود سازمانده
۱۹۸۶- راملهرت : کشف روش پس انتشار خطا
۱۹۸۷ – مینسکی
۱۹۸۸- چاو و یانگ : شبکه‌های عصبی سلول دار، شبکه‌های کاربردی، با در نظر گرفتن نرونهایی که نزدیکترین همسایه‌ها متصل بودند.
همینک : پیشرفت به صورت پیوسته هم از نظر تئوری و هم از لحاظ کاربردهای عملی ادامه دارد.
فاصله زمانی ۲۵ ساله خواب زمستانی (توقف پیشرفت در شبکه های عصبی) بخاطر این بود که تا آن زمان شبکه های بالایی مخفی بوجود نیامده بود و این مدلها بدون لایه مخفی قادر به حل مسائل نبود.
در زیر جدولی از مشهورترین شبکه های عصبی به همراه سال معرفی آنها و مخترع آنها آمده است.
سال شبکه مخترع/ کاشف
۱۹۴۲ مک کالوچ – پیتزنرون مک کالوچ ، پیتز
۱۹۵۷ پرسپترون روزنبلات
۱۹۶۰ مادالاین ویدرو
۱۹۶۹ سربلاترون الباس
۱۹۷۴ شبکه پس انتشار خطا وربز، پارکر، راملهارت
۱۹۷۷ حالت مغز در یک جعبه اندرسون
۱۹۷۸ نئوکوگنیترون فوکوشیما
۱۹۷۸ تئوری رزونانس تطبیقی کارپنتر، گراس برگ
۱۹۸۰ خودسازمانده کوهنن
۱۹۸۲ شبکه هاپفیلد هاپفیلد
۱۹۸۵ حافظه دو جهتی کوسکو
۱۹۸۵ ماشین بولتزمن هینتون، سجنووسکی، سزو
۱۹۸۶ انتشار معکوس هچت، نیلسون
۱۹۸۸ شبکه عصبی سلولی چوا، یانگ
جدول ۳-۱: مشهورترین شبکه های عصبی به همراه سال معرفی آنها و مخترع آنها (۲۶)
۳- ۴ شبکه های عصبی طبیعی
مغز انسان که از پیچیده ترین ابزارهای محاسباتی به شمار می رود به صورت یک سیستم دینامیکی با ساختار موازی و پردازشگری کاملاً مغایر با پردازشگرهای متداول است. مغز به عنوان یک سیستم پردازش اطلاعات با ساختار موازی از ۱۰۰ تریلیون (۱۰۰میلیارد) نرون متصل به هم با تعداد کل ارتباط تشکیل شده است.
نرونها ساده ترین واحد ساختارهای سیستمهای عصبی هستند. بافتهایی که عصب نامیده می شوند، اجتماعی از نورونها می باشند. این نرونها اطلاعات و پیامها را از یک قسمت بدن به قسمت دیگر منتقل می کنند. پیامها از نوع ایمپالسهای الکتروشیمیایی هستند. میلیونها نرون دربدن انسان وجود دارد، حتی ساده ترین کارهای روزمره انسان از قبیل پلک ردن، تنها از طریق همکاری همه جانبه این نرونها میسر است.
بیشترین تعداد نرونها در مغز باقی در نخاع و سیستمهای عصبی جانبی تمرکز یافته اند.
گرچه همگی نرونها کارکرد یکسانی دارند ولی اندازه و شکل آنها بستگی به محل قرارگیری آنها در سیستم عصبی دارد، با وجود این همه تنوع بیشتر، نرونها از سه قسمت اساسی تشکیل شده اند:
۱-بدنه سلول: که شامل هسته و قسمتهای حفاظتی دیگر می باشد.
۲-دندریت: دندریت ها رشته های نازکی در انتهای آکسون و در اطراف عصبهای بعدی هستند.
۳-آکسون: وسیله انتقال خروجی بدنه سلول به سایر عصبها می باشند.
شکل (۳-۱) نواحی اصلی یک سلول عصبی بیولوژیک (۱۷)
نقاط اتصال بین یک تعداد عصب به مجموعه دیگری از عصبها تحت عنوان سیناپس ها شناخته می شوند، که اطلاعات و تجربیات قبلی عصب در قدرت انتقال سیناپس ها واقع شده است. سیناپس ها که در واقع بخشی از دندریت ها هستند، در دو نوع تحریک کننده و باز دارنده وجود دارند. اگر سیناپس ها از نوع تحریک کننده باشند، سطح فعالیت فرستنده، فعالیت عصب گیرنده را افزایش می دهد و اگر از نوع باز دارنده باشند، سطح فعالیت عصب گیرنده را کاهش می دهند. اختلاف سیناپس ها نه تنها در تحریک یا باز داشتن عصب گیرنده است بلکه در میزان این اثر (شدت سیناپسی) نیز می باشد.
قدرت زیاد مغز انسان در تفکر ، یادگیری ، به یاد آوردی، تعمیم، حل مسائل و …. سبب شد تا دانشمندان به مدل سازی آن بپردازند. با توجه به اینکه سرعت زیاد مغز انسان مربوط به موازی کار کردن عصبها به عنوان واحدهای محاسباتی می باشد، شبکه های عصبی مصنوعی را نیز بر همین اساس یعنی سیستمهای پردازش موازی طرح کرده اند.
۳-۵ شبکه های عصبی مصنوعی
بلوک ساختمانی اصلی کلیه مغزهای موجودات زنده، سلول عصبی یا نرون می باشند. هر نرون به صورت یک واحد پردازشگر عددی عمل می کند. در واقع مغز مجموعه ای است از چندین میلیون از این واحدهای پردازشگر که به صورت بسیار پیچیده ای به هم مرتبطند و به صورت موازی عمل می کنند . در مغز هر نرون مقادیر ورودی را از دیگر نرونها می گیرد، به تابع انتقال اعمال می کند و خروجی اش را به لایه بعدی از نرونها می فرستد. این نرونها به نوبت خروجی اشان را به دیگر لایه ها می فرستند. به روش مشابه شبکه های عصبی مصنوعی از چند صد یا چندین هزار واحد پردازشگر ساده تشکیل شده اند که به صورت موازی به هم مرتبطند و در چندین لایه به دنبال هم هستند.
در شبکه عصبی موجودات، حافظه در شدت اتصالات بین لایه های نرون هاست. شدت یا تأثیر یک اتصال داخلی به عنوان وزنش شناخته می شود. شبکه های عصبی مصنوعی از این قضیه استفاده کرده و از وزنهای اتصال داخلی متغییر بین لایه های نرونهای شبیه سازی شده استفاده می کند. قبل از اینکه آموزش شروع شود این وزنهای اتصالات داخلی مقادیر تصادفی اختیار می شوند. در طول فرآیند آموزش این نرونها به گونه ای اصلاح می شوند که باعث شود تا روابط ورودی/ خروجی آموخته شوند.
فرض کنید که اتصال داخلی از نرون A به نرون X وزن بزرگتری نسبت به اتصال داخلی نرون B به نرون X دارد، در این حالت خروجی نرون A تاثیر بیشتری در سطح فعالیت نرون X دارد تا نرون B . هنگامی که شدت اتصالات تنظیم شد، در بین کلیه نرونها ، نرونهای بخصوصی نسبت به متغیرهای بخصوصی حساس می شوند و نرونهای دیگر به دیگر ورودی ها حساس می شوند.
۳-۵-۱ شبکه عصبی چیست؟
یک شبکه عصبی مصنوعی یک سیستم پردازش اطلاعات است که مشخصات کاری آن مشابه شبکه های عصبی طبیعی است. شبکه های عصبی مصنوعی بر اساس تعمیم مدل ریاضی نرون های طبیعی بر اساس فرضیات زیر به وجود آمده اند:
۱- پردازش اطلاعات در عناصر کوچک و ساده ای به نام نرون صورت می گیرد.
۲- سیگنالها از طریق خطوط ارتباطی بین نرونها عبور می کنند.
۳- هر خط ارتباطی دارای وزنی مشخص است که در یک شبکه عصبی نوعی در سیگنال عبوری ضرب می شود.
۴- هر نرون یک تابع فعالیت دارد که آن را به مجموع ورودیها اعمال می کند ( که معمولاْ غیر خطی است) تا سیگنال خروجی اش را مشخص کند.
هر شبکه عصبی توسط این سه پارامتر مشخص می شود:
۱- نحوه اتصال بین نرونها (که معماری شبکه نامیده می شود)
۲- روش تعیین وزنهای اتصالات ( که الگوریتم آموزش یا یادگیری گفته می شود)
۳- تابع فعالیت آن
یک شبکه عصبی شامل تعداد زیادی واحد پردازش ساده به نام نرون ، واحد ، سلول یا گروه است. هر نرون توسط خطوط ارتباطی جهت داری به دیگر نرونها وصل است که هریک دارای وزنی مشخص است.
وزنها بیانگر اطلاعات استفاده شده توسط شبکه برای حل مسئله می باشند.
معمولاْ شبکه های عصبی مصنوعی با استفاده از برنامه کامپیوتری شبیه سازی می شوند، همچنین می توان آنها را با استفاده از عناصر پردازشگر گسسته هم ساخت.
کار بر روی شبکه های عصبی مصنوعی در سال ۱۹۴۳ با پیشنهاد و معرفی اولین و ساده ترین مدل برای یک عصب، توسط مک کلاک و پیتس آغاز شد که با معرفی پرسپترون بوسیله روزنبلات و معرفی آدالاین و مدلاین تسط ویدرو و هاف و در پی آن و پس از یک دهه وقفه، با پیدایش روش آموزش پس انتشار خطا برای شبکه های پرسپترون چند لایه ، این شبکه ها توسعه یافته و زمینه های رشد و تکامل آنها فراهم گردید ]۱۷[
گرچه سیستم اعصاب انسان از نظر کنترلی منحصر به فرد است، اما بسیاری از شبکه های عصبی مصنوعی را از نظر ساختمان، رفتار و نحوه عملکرد هر یک از اجزا، می توان برداشتی هر چند بسیار سطحی و کلی، از بعضی جنبه های سیستم اعصاب طبیعی دانست. از این روست که هم اکنون نیز افراد زیادی از جمله عصب شناسان، فیزیولوژیستها، متخصصان علوم کامپیوتر و کنترل، ریاضی دانان و مهندسین، درصد تکمیل نظریات موجود در این زمینه و کاربرد آنها هستند. استفاده از شبکه های عصبی مصنوعی در مواردی که سیستم دارای روال مشخص نبوده و دارای مشخصه کاملاً غیر خطی می باشد بسیار جالب توجه است که عموماً در صورت استفاده صحیح از آنها، در مقایسه با روشهای متداول ریاضی و آماری، می توان به نتایج بسیار مطلوب تر و بهتری دست یافت.
در شبکه های عصبی مصنوعی نیز هر جز تحت عنوان عنصر پردازنده یا نرون خوانده می شود. هر نرون حاصل جمع موزون ورودیهای متعددی را محاسبه نموده، با توجه با این مقدار محاسبه شده و نوع تابع فعالیت مورد استفاده، خروجی خود را صادر می نماید که این خروجی نیز ممکن است وزن داشته باشد و به نرونهای دیگری اعمال شود. یک شبکه عصبی در حقیقت ترکیبی از عناصر پردازنده متعدد است. این عناصر در گروههایی به صورت لایه سازماندهی می شوند. معمولاً دو لایه برای ارتباط با خارج شبکه وجود دارد که یکی از آنها به نام لایه ورودی (برای دریافت اطلاعات ورودی شبکه) و دیگری به نام لایه خروجی (جهت انتقال پاسخ به خارج) می باشد. سایر لایه هایی که مستقلاً و در بین این دو لایه قرار دارند به نام لایه های مخفی و یا لایه های میانی مشهورند. در زیر شمای کلی یک شبکه عصبی بسیار معروف به نام پرسپترون آمده است.
شکل (۳-۲) : شبکه پروسپترون (۱۸)
۳-۵-۲ دسته بندی شبکه های عصبی
دسته بندی شبکه ها بر اساس دو محور زیر ممکن است صورت پذیرد:
۱- توپولوژی یا ساختار شبکه
۲- روش آموزش یا قاعده یادگیری شبکه های عصبی
ولی در کل شبکه های عصبی را می توان به دو دسته کلی زیر تقسیم کرد:
الف) شبکه های عصبی با یادگیر با ناظر
ب) شبکه های عصبی با یادگیر بدون ناظر
شبکه های عصبی با ناظر خود شامل مدلهای گوناگونی است که همگی آنها را تحت عنوان شبکه های عصبی تطبیقی می شناسیم.
شبکه های تطبیقی
یک شبکه تطبیقی همان گونه که از نامش پیداست یک ساختار شبکه است که شامل تعدادی گره است که از طریق خطوطی جهت دار به هم متصلند. هر گروه بیانگر یک واحد پردازشگر است. همه یا قسمتی از این گروه ها تطبیقی هستند، به این معنی که خروجی این نقاط بستگی به پارامترهای قابل اصلاحی دارد که قانون یادگیری مشخص می کند که چگونه این پارامترها را باید تغییر داد تا خطای اندازه گیری را مینیمم کرد. این خطا به صورت یک تابع ریاضی است که بیان
کننده تفاوت بین خروجی شبکه و خروجی واقعی است، وظیفه ما پیدا کردن یک معماری شبکه و یک سری پارامترها است به گونه ای که بتوانند بهترین مدل را برای یک سیستم هدف که توسط جفت دیتاهای ورودی / خروجی بیان شده است ایجاد کند.
قانون یادگیری اصلی شبکه تطبیقی به روش بیشترین شیب، معروف است. این روش چند بار به طور مستقل توسط افراد مختلف پیشنهاد شده است، دانشمندان همچون بریسون وهو، وربز و پارکر از جمله این افراد بودند، ولی به خاطر اینکه تحقیقات بر روی شبکه های عصبی هنوز در ابتدای راه بود، به کارهای این محققان توجه چندانی نشد.
در سال ۱۹۸۶ این روش برای شبکه های چند لایه استفاده شد که به قانون یادگیری ،، پس انتشار خطا،، نامیده شد و همینک نیز بسیار استفاده می شود.
با استفاده از گفته های بالا می توان خصوصیات شبکه های عصبی مصنوعی را در مورد زیر خلاصه کرد:
۱- یک شبکه عصبی یک دستگاه پیچیده نیست بلکه تعداد زیادی وسیله محاسباتی ساده است.
۲- در یک شبکه عصبی پردازش بصورت موازی صورت می گیرد و هر نرون به مجموع ورودیهای آن نرون پاسخ می دهد نه تک تک آنها به طور جداگانه
۳- هیچ حافظه جداگانه ای برای ذخیره سازی داده ها در یک شبکه عصبی وجود ندارد.
۴- اطلاعات یک مسئله در وزنهای شبکه نهفته است، لذا می توان گفت که شبکه های عصبی دارای حافظه های گسسته اند.
۳-۵-۳ کار بردهای شبکه های عصبی مصنوعی
کار برد شبکه های عصبی حوزه وسیعی از مسائل در زمینه های مختلف فنی – مهندسی و اجتماعی از قبیل سیستمهای هوا – فضا ، وسایل اتوماتیک خانگی، بانکداری، الکترونیک، صنایع دفاعی، وسایل سرگرم کننده، پزشکی، صدا و تصویر، روباتها ، ارتباط راه دور، سیستمهای حمل و نقل و غیره را در بر خواهد گرفت.
آنچه که شبکه های عصبی را در آینده محبوبتر خواهد نمود، سرعت محاسباتی بالای کامپیوترها و الگوریتم های یادگیری سریعتر می باشد که استفاده از شبکه های عصبی را در مسائل صنعتی با محاسبات زیاد الزامی می نماید.
۳-۶- مدل درون و معماری شبکه های عصبی مصنوعی
۳-۶-۱-مدل ریاضی نرون
در این قسمت مدل ساده ای از یک نرون واقعی ارائه می شود و در ادامه توضیح داده می شود که چگونه می توان ساختارهای مختلف شبکه های عصبی مصنوعی را از ترکیب و کنار هم گذاشتن تعداد زیادی از این نرونها بوجود آورد.
مدل نرون
یک نرون کوچکترین واحد پردازشگر اطلاعات است که اساس عملکرد شبکه های عصبی را تشکیل می دهد. کلاً شبکه های عصبی از عناصری غیر خطی به نام عصب و از اتصالاتی که این عصبها را با وزنی مشخص به یکدیگر متصل می سازند تشکیل شده اند.
۳-۶-۱-۱-مدل نرون تک ورودی
شکل زیر ساختار یک نرون تک ورودی را نشان می دهد. اسکالرهای p و a به ترتیب بیانگر ورودی و خروجی می باشند.
شکل (۳-۳) :مدل نرون تک ورودی (۳۲)
میزان تأثیر p روی a بوسیله مقدار اسکالر w تعیین می شود. ورودی دیگر که مقدار ثابت ۱ است، در جمله بایاس ضرب شده و سپس با w p جمع می شود. این حاصل جمع، ورودی خالص n برای تابع محرک (یا تابع تبدیل خواهد بود). بدین ترتیب خروجی نرون با معادله زیر تعریف می شود:
باید توجه داشت که پارامترهای w و b قابل تنظیم هستند و تابع محرک نیز توسط طراح انتخاب می شود. براساس انتخاب f و نوع الگوریتم یادگیری، پارامترهای w و b تنظیم می شوند. یادگیری بدین معنی است که w و b طوری تغییر می کنند تا رابطه ورودی / خروجی با هدف خاصی مطابقت نماید در ادامه از الگوریتم های یادگیری بیشتر صحبت می شود.
۳-۶-۲-نرون چند ورودی
عموماً یک نرون، بیش از یک ورودی دارد. در شکل زیر مدل یک نرون یا R ورودی نشان داده شده است.
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.
