شبکه عصبی مصنوعی – معرفی و مبانی نظری

شبکه عصبی مصنوعی

شبکه عصبی مصنوعی

شبکه عصبی مصنوعی

معرفی روش آنالیز مولفه ­ی اصلی و شبکه عصبی مصنوعی.

3-1-    مقدمه شبکه عصبی مصنوعی

3-2-    روش آنالیز مولفه ­ی اصلی

3-3-    شبکه عصبی مصنوعی .

3-3-1-    تک­نرون به­ عنوان دسته ­بندی کننده

3-3-2-    آموزش پرسپترون

3-3-3-    پرسپترون تک­لایه

3-3-4-    پرسپترون چندلایه

3-3-5-    آموزش شبکه ­های عصبی MLP.

3-3-6-    الگوریتم پس­انتشار خطا برای یک شبکه با تعداد دلخواه لایه و نرون.

3-4-    نقش شبکه عصبی در عیب­یابی.

منابع شبکه عصبی مصنوعی

شبکه عصبی مصنوعی

مقدمه شبکه عصبی مصنوعی

روش­های مبتنی بر دادﻩها بر اساس دادﻩهای دريافتی از حسگرهای موجود در واحد فرآيندی و با استفاده از دانش آمار چند متغيره، عادی يا غيرعادی بودن فرآيند را مشخص نموده و در صورت غيرعادی بودن وضعيت به تشخيص عيوب سيستم، می­پردازند. در اين راستا، بسته به نوع روش بكار گرفته شده برای ارزيابی تغييرات دادﻩها، كارایی سيستم  ﻋﻴﺐيابی متفاوت است. به­طور كلی دو دسته تغييرات برای دادﻩهای فرآيندی وجود دارند. يک دسته از تغييرات، ناشی از وجود نويز در ﺳﻴﺴﺘﻢهای اندازﻩگيری می­باشد و ﺑﻪطور كلی در دادﻩهای هر فرآيندی يافت می­شود. دﺳﺘﻪی دوم تغیيرهای موجود در دادﻩها، ناشی از نويز نبوده و می­تواند به علت وجود عيب و يا اغتشاش باشد. ﺳﻴﺴﺘﻢهای كنترل مرسوم در واحدهای فرآيندی، در جهت كنترل تغييرات دﺳﺘﻪی دوم، فعال می­شوند.

لذا، دﺳﺘﻪی اول تغييرات هميشه در دادﻩها وجود دارند و به همين دليل نظرﻳﻪ­ی آمار در بيشتر ﺳﻴﺴﺘﻢهای بازبينی، نقش مهمی ايفا می­نمايد. فرض مهم روﺵهای مبتنی بر دادﻩها اين است كه برای يک وضعيت معين، معيارها و خصوصيات آماری حاصل از پردازش دادﻩهای فرآيندی، منحصربفرد و قابل تكرار می­باشد. بر اين اساس می­توان با محاﺳﺑﻪی پارامترها و معيارهای آماری دادﻩهای  ﺑﻪ­دست آمده از فرآيند و مقاﻳﺴﻪی آن با خصوصيات آماری فرآيند در وضعيت عادی فرآيند، عادی يا غيرعادی بودن وضعيت فرآيند را تعيين نمود.

استفاده از روﺵهای مرسوم در آمار يك متغيره مانند نمودارهای شوارت و يا روش متوسط نمائی متحرک[1] ازجمله شيوﻩهای تشخیص عادی يا غيرعادی بودن فرآيند، می­باشند. در اين روﺵها با استفاده از دادﻩهای اندازﻩگيری شده برای هر متغير، آستاﻧﻪای تعريف می­گردد. در صورتی ­كه هريک از متغيرهای اندازﻩگيری شده از آستاﻧﻪی مربوطه تجاوز كنند، به­معنای وضعيت غيرعادی درسيستم فرآيندی می­باشد.

روش آنالیز مولفه­ ی اصلی

قبل از استفاده از داده­های فرآیند، برای آموزش سیستم مانیتورینگ مبتنی بر داده، مانند شبکه­های عصبی و مدل­های آماری، بایستی 3 عملیات مختلف بر روی آنها انجام داد. داده­های مذکور از حسگرهای متنوعی که در نقاط متعدد فرآیند نصب شده­اند به واحد ارسال می­گردد. همچنین احتمال دارد برخی از داده­های ارسالی از حسگرها با آن بخش از فرآیند که تحت نظارت سیستم مانیتورینگ قرار داده می­شود، مرتبط نباشد. از طرف دیگر این امکان وجود دارد که برخی از حسگرها مشکل کالیبراسیون داشته و یا اصولا خراب باشند. لذا برای افزایش کارایی لازم است پیش از بکارگیری مجموعه داده­ها در طراحی سیستم مانیتورینگ عملیات حذف متغیرهای اضافی، نامرتبط و دارای خطای زیاد بر روی مجموعه متغیرها صورت پذیرد.

عملیات دیگری که بر روی داده­ها باید صورت گیرد، حذف داده­هایی است که به­طور ناگهانی از روند بقیه داده­های یک متغیر خاص فاصله می­گیرند. این­گونه داده­های پرت ممکن است به علت یک خطای لحظه­ای ایجاد شود. چون داده­های پرت باعث خطای زیادی در تخمین پارامترهای آماری می­شوند، لازم است پیش از طراحی سیستم مانیتورینگ آنها را حذف نمود. تشخیص این داده­های پرت می­تواند به­صورت شهودی از طریق ترسیم داده­های هر متغیر و یا از روش­های آماری مانند استفاده از آماره­ی هاتلینگ باشد.

ماهیت و مقادیر متغیرهای اندازه­گیری شده توسط حسگرهای فرآیند با یکدیگر متفاوت بوده و این مسئله برای مدل­های آماری که مستقل از مقیاس متغیرها نیستند، مانند روش کاهش بعد PCA ایجاد اشکال می­نماید، در واقع بزرگ بودن مقادیر برخی از متغیرها نسبت به بقیه باعث می­شود که اهمیت آنها در سیستم مانیتورینگ بدون دلیل منطقی زیاد شده و اثر متغیرهای مهم دیگر که مقادیر آنها کوچک است، حذف شود.

شبکه عصبی مصنوعی

جهت مشاهده نمونه های دیگر از ادبیات و مبانی نظری مهندسی برق کلیک کنید.

شبکه­ عصبی

اولین کارهای مربوط به شبکه­های عصبی به سال 1943 برمی­گردد، زمانی که یک فیزیولوژیست اعصاب به­نام مک­کلا[1] و یک ریاضیدان به­نام پیتس[2] رساله خود را در مورد نحوه عملکرد احتمالی نرون­ها در مغز منتشر کردند. از آن زمان تا سال حدود 1959 این موضوع مورد توجه مهندسین قرار نگرفت. اما در این سال از شبکه­های عصبی به­عنوان فیلتر تطبیقی در خطوط تلفن مورد استفاده قرار

گرفت که اولین استفاده شبکه عصبی در دنیای واقعی نیز بود. در سال 1962 رزنبلات[3] مفهوم پرسپترون تک­لایه را به­عنوان ابزاری مفید در در دسته­بندی مجموعه­ای از داده­ها به دو کلاس  معرفی و برای قانون آموزش پرسپترون، اثبات پایداری ارایه نمود.

در سال 1969 ، مینسکی [4]و پپرت [5]در رساله­شان و کتابی به نام پرسپترون­ها نشان دادند که شبکه عصبی (تک­لایه) در جداسازی مجموعه داده­هایی که به صورت غیرخطی جداپذیرند ضعیف عمل می­کند حتی در مورد داده­هایی که توابع ساده­ای مانند XOR (یای انحصار) را نمایش می­دهند. مینسکی و پپرت ضعف­های دیگری از شبکه­های عصبی را نیز نشان دادند. آنها همچنین (به اشتباه) اظهار داشتند که چندلایه کردن شبکه عصبی، تاثیری در حل محدودیت­های گفته شده ندارد؛ هر چند در ادامه تاکید کردند که پژوهش در این زمینه ارزشمند می­باشد، این امر موجب شد پژوهش و سرمایه­گذاری در زمینه شبکه عصبی به­شدت کاهش یافت.

در سال 1982 ، اتفاقات زیادی موجب علاقه دوباره به شبکه عصبی شد. از آن جمله می­توان به ارایه مدلی توسط هپفیلد[6] با اتصال دو طرفه نرون­ها و برگزاری کنفرانس آمریکایی-ژاپنی با عنوان شبکه­های عصبی همیاری/رقابتی در کیوتوی ژاپن نام برد. شبکه­های عصبی از این شروع مجدد پژوهش­ها تا به­حال، پیشرفت­های زیادی به چشم دیده است. مدل­های مختلف و روش­های آموزش متنوعی معرفی و توسعه داده شدند و شبکه عصبی مصنوعی در کاربردهای تشخیص الگو، تقریب توابع و مدلسازی سیستم­های دینامیکی خطی و غیرخطی و … مورد استفاده قرار گرفتند. در [24] گردآوری خوبی در زمینه تاریخچه شبکه عصبی انجام شده است.

در ادامه به بررسی عملکرد شبکه عصبی پرسپتر.ن چندلایه[7] (MLP) و نحوه آموزش آن می­پردازیم. مطالعه بر روی  شبکه­های عصبی را به دو دلیل با تک­نرون آغاز می­کنیم. اول، به دلیل آنکه بسیاری از مدل­های شبکه عصبی از تک­نرون­ها تشکیل می­شوند و دوم آنکه، یک تک­نرون به تنهایی قابلیت “آموزش”  را دارد و می­توان مفاهیم آموزش را با آن به­صورت ساده­تری بیان نمود.

[1] McCulloch

[2] Pitts

[3] Rosenblatt

[4] Minsky

[5] Papert

[6] Hopfield

[7] Multilayer Perceptron

نقش شبکه عصبی مصنوعی در عیب­یابی

شبکه عصبی مصنوعی به­طور متمرکز در طول دو دهه­ی گذشته مطالعه شده­اند، و به­طور موفق در مدلسازی سیستم دینامیک و نیز تشخیص و جداسازی عیب بکار رفته­اند. شبکه­های عصبی یک پیشنهاد باارزش و جالب نسبت به روش­های کلاسیک است، زیرا می­توانند با موقعیت­های بسیار پیچیده که به­طور کافی برای اجرای الگوریتم­های قطعی تعریف نمی­شوند، سروکار داشته باشند. در شرایط بخصوص که هیچ مدل ریاضی­ای از فرآیند در نظر گرفته شده وجود ندارد، مفید می­باشند به­طوری­که روش­های کلاسیک از جمله رویتگرها یا روش­های تخمین پارامتر نمی­توانند اعمال شوند.

شبکه عصبی مصنوعی یک ابزار ریاضی بسیار عالی برای برخورد با مشکلات غیرخطی فراهم می­کند. خاصیت مهمی که دارند اینست که می­توان هر تابع غیرخطی را با دقت دلخواه با استفاده از یک شبکه عصبی با معماری و پارامترهای وزن مناسب تقریب زد. شبکه­های عصبی ابزار پردازش موازی داده­ها است که توانایی یادگیری توابع وابسته به داده­ها را دارند. این ویژگی در هنگام حل مسائل مختلف شتاسایی الگو بسیار مفید است. یکی دیگر از ویژگی­های جذاب، توانایی خودیادگیری است.

شبکه عصبی مصنوعی می­تواند ویژگی­های سیستم را از تاریخ آموزش داده با استفاده از الگوریتم یادگیری با نیاز به دانش کم پیشینی یا هیچ در مورد فرآیند، استخراج کند. این ویژگی مدلسازی سیستم­های غیرخطی با انعطاف­پذیری بالا را فراهم می­کند. این ویژگی اجازه می­دهد تا سیستم­های کنترل تطبیقی دارای پیچیدگی، ناشناختگی و فرآیندهای دینامیک غیرخطی را طراحی ­کنیم. شبکه عصبی مصنوعی در رابطه با داده­های سالم و از دست رفته قوی هستند. شبکه­های عصبی همچنین سرعت محاسباتی بالا و قابلیت تطابق دارند.

در حالت عمومی، شبکه عصبی مصنوعی می­توانند برای تشخیص عیب به­منظور حل مشکلات مدلسازی و طبقه­بندی بکار روند. ساختارهای بسیاری از شبکه عصبی مصنوعی با مشخصه­های دینامیکی توسعه داده شده و معرفی شده­اند. این ساختارها با یک کارایی خوب در مدلسازی فرآیندهای غیرخطی مشخص می­شوند.

فهرست مراجع

• [1] J. M. Lee, C. Yoo, S. W. Choi. P. A. Vanrolleghem and I. –B. Lee, “Nonlinear process monitoring using      kernel principal component analysis,” Chem. Eng. Sci, vol. 59, pp. 223-234, 2004.
• [2] G. Torella, G. Lombardo, Utilization of neural-networks for gas-turbine engines, XII ISABE 95-703, 1995.
• [3] Kanelopoulos, A. Stamatis, K. Mathioudakis, Incorporating neural-networks into gas-turbine      performance diagnostics, in: ASME 97-GT-35, International Gas-turbine & Aero-engine Congress &  Exhibition, Orlando, Florida, 1997
• [4] S. Ogaji, Advanced Gas-Path Fault Diagnostics for Stationary Gas-Turbines, Ph.D. Thesis, School of Engineering, Cranfield University, 2003.
• [5] A. Volponi, H. DePold, R. Ganguli, C. Daguang, The use of Kalman-filter and neural-network  methodologies in gas-turbine performance diagnostics: a comparative study, ASME 2000-GT-547, 2000.
• [6] M. Zedda, R. Singh, Fault diagnosis of a turbofan engine using neural- networks: a quantitative approach,
•         in: 34th AIAA, ASME, SAE, ASEE Joint Propulsion Conference & Exhibit, AIAA 98-3602, Cleveland,
•         OH, 1998.
• [7] M. Ayoubi, Fault diagnosis with dynamic neural structure and application to a turbocharger, in:   Proceedings of the International Symposium on Fault Detection, Supervision and Safety for technical    Process SAFEPROCESS’94, vol. 2, Espoo, Finland, pp. 618–623, 1994.
• [8] A. Yazdizadeh, K. Khorasani, Adaptive time delay neural network structures for nonlinear system identification, Neurocomputing 47,  207–240, 2002.
• [9] Iz Al-Dein, Al-Zyoud, K. Khorasani, Detection of actuator faults using a dynamic neural network for the attitude control subsystem of a satellite, in: Proceedings of International Joint Conference on Neural         Networks, Montreal, Canada, July 31–August 4, 2005.
• [10] A.Valdes,K.Khorasani,L.MaDynamicneuralnetwork-basedfaultdetection and isolation for thrusters in   formation flying of satellites, in: Advancesin Neural Networks—ISNN 2009: 6th International  Symposiumon Neural Networks, pp.780–793, 2009.

شبکه عصبی مصنوعی

https://scholarcommons.sc.edu/elct_etd/