شبکه عصبی مصنوعی عبارت است از مجموعه ای عظیم از پردازشگرهای موازی که استعداد ذاتی برای ذخیره اطلاعات تجربی و به کار بردن آن ها دارد. این شبکه دست کم از دو منظر به مغز انسان شباهت دارد:
1- مرحله یادگیری
2- وزن سیناپسی که برای ذخیره دانش به کار می رود
وضعیت نسبی سلول ها در شبکه (تعداد و گروه بندی و نوع اتصال آن ها)، توپولوژی شبکه نام دارد. معمول ترین توپولوژی شبکه عصبی، پیشخور (Feed Forward)است.
نمایش شبکه عصبی استاندارد پیش خور
بین 90 تا 95 درصد کاربرهای شبکه های عصبی امروزی از این توپولوژی بهره می برند. طراحی یک شبکه عبارت است از رسیدن به تعداد لایه ها، تعداد نرون های هر لایه و نوع تابع تحریک به کار رفته در هر لایه، با استفاده از آزمون و خطا به نحوی که در هر دو مجموعه آموزش و آزمون حداقل خطای پیش گویی حاصل شود. برای به کار گیری شبکه های عصبی در مدل سازی باید یک مدل ریاضی از آن ها در نظر گرفته شود. یک مدل ریاضی ساده جهت تحلیل رفتار شبکه عصبی در شکل 2 نشان داده شده است؛ بردار X ها، Y ها، θ ها و (f(net به ترتیب بردارهای ورودی و وزن ها، مقدار بایاس و تابع در نظر گرفته شده برای نورون که خطی و غیر خطی در نظر گرفته می شوند، هستند. خروجی این مدل مطابق رابطه (1) خواهد بود.
یک مدل ریاضی نوعی از نرون ها در شبکه عصبی مصنوعی
برای تابع خروجی معمولا توابعی نظیر خطی، لگاریتمی و تانژانتی در نظر گرفته می شود که با توجه به هدف تنظیم می شود. یکی از ساده ترین و در عین حال کارآمد ترین چیدمان های پیشنهادی برای استفاده در مدل سازی عصبهای واقعی، مدل پرسپترون چندلایه( Multi-layer perceptron) یا به اختصار MLP می باشد که از یک لایه ورودی، یک یا چند لایه پنهان و یک لایه خروجی تشکیل شده است. در شکل زیر یک ساختار شبکه عصبی با 3 لایه وجود دارد که هر لایه جدا از لایه دیگر می باشد.
ساختار شبکه عصبی پرسپترون 3 لایه
به منظور ارزیابی عملکرد شبکه، چهار شاخص آماری مختلف استفاده می شود. این شاخص ها شامل میانگین مربعات خطا (MSE)، جذر متوسط مربعات خطا (RMSE)، میانگین قدر مطلق خطا (MAE) و ضریب تعیین (R2) می باشند که طبق رابطه های (2تا5 ) محاسبه می شوند.
در ادامه برخی مقالات مرتبط با شبکه عصبی قرار دارد:
عنوان مقاله شماره1)
Optimized forest degradation model (OFDM): an environmental decision support system for environmental impact assessment using an artificial neural networ
عنوان مقاله شماره2)
بررسی فاکتورهای مؤثر رویشگاهی بر فراوانی قارچهای ماکروسکوپی چوبزی و تحلیل حساسیت با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: جنگل خیرود نوشهر)
عنوان مقاله شماره3)
مدل سازی آشفتگی انبوهی جنگل در ارزیابی محیطی با استفاده از شبکه عصبی مصنوعی
عنوان مقاله شماره4)
مدلسازی کیفیت زیباشناختی منظر در فضای سبز شهری با استفاده از شبکه عصبی مصنوعی
