پروژه شبکه عصبی و کاربرد های آن در برق

شباهت شبکۀ عصبی زنده و مصنوعی :

ویژگیهای شبکه های عصبی مصنوعی :

ساختارهای مختلف شبکه های عصبی مصنوعی :

شبکه های عصبی پرسپترون چندلایه :

تعیین محل خطا براساس وضعیت کلیدها و رله ها :

بدست آوردن جریان اتصال کوتاه به وسیله نرم افزار پاشا :

نکاتی درباری چگونگی انتخاب تعداد و محل ثباتها :

فیلتر کردن مولفه اصلی جریان

شبکه های عصبی مصنوعی و کاربرد آن در عیب یابی سیستمها :

بعضی از پیش زمینه های شبکه عصبی را می توان به اوایل قرن بیستم و اواخر قرن نوزدهم برگرداند. در این دوره ، کارهای اساسی در فیزیک ، روانشناسی و نروفیزیولوژی توسط علمایی چون هرمان فون هلمهلتز ، ارنست ماخ و ایوان پاولف صورت پذیرفت. این کارهای اولیه عموماً بر تئوریهای کلی یادگیری ، بینایی و شرطی تأکید داشته اند و اصلاً به مدلهای مشخص ریاضی عملکرد نرونها اشاره ای نداشته اند.

مغز آدمی شامل بیش از ده بیلیون نرون می باشد که هر کدام از آنها به طور متوسط به چندین هزار نرون دیگر متصل می باشد. این اتصالات تحت عنوان سیناپس شناخته می شوند. مغز انسان شامل حدود 60 ترلیون از این پیوندها می باشد.

نرون ها دو نوع می باشند. نرون های داخلی مغز که در فاصله های حدود 100 میکرون به یکدیگر متصل اند و نرون های خارجی که قسمت های مختلف مغز را به یکدیگر و مغز را به ماهیچه ها و اعضای حسی را به مغز متصل می کنند.

نرون ها در واقع المان های پردازش و بسیار ساده می باشند. هر نرون شامل یک سوما که بدنه نرون می باشد ، یک آکسون و چند دندریت می باشد.

تصور می شود یادگیری هنگامی صورت می گیرد که شدت اتصال یک سلول و سلول دیگر در محل سیناپس ها اصلاح می گردد.

به نظر می رسد که این مقصود از طریق ایجاد سهولت بیشتر در میزان آزاد شدن ناقل شیمیایی حاصل می گردد. این حالت باعث می شود که دروازه¬های بیشتری روی دندریت های سمت مقابل باز شود و به این صورت باعث افزایش میزان اتصال دو سلول شود. تغییر میزان اتصال نرون ها به صورتی که باعث تقویت تماس های مطلوب شود از مشخصه های مهم در مدلهای شبکه های عصبی است.

شبکه های عصبی مصنوعی فعلی هرگز به پیچیدگی مغز انسان نیستند اما به هرحال دو شباهت اساسی بین شبکه های عصبی زنده و مصنوعی وجود دارد. شباهت اول در این است که ساختار هر دو از یک ابزار محاسباتی ساده با به هم پیوستگی بسیار بالا تشکیل شده اند. شباهت دوم این است که در هر دو مورد اتصالات بین نرون ها تعیین کنندۀ تابع شبکه می باشند.

با عنایت به اینکه شبکه های عصبی از دو ویژگی اساس یادگیری یا نگاشت پذیری براساس ارائه داده های تجربی و ساختارپذیری موازی برخوردار می باشند این شبکه ها برای مسائل کنترل ، علی-الخصوص سیستم های پیچیده که مدلسازی این سیستم ها یا مسیر نیست و یا به سختی انجام می شود بسیار مناسب می باشند.

از شبکه های عصبی می توان به جای تجهیزات بسیار گرانی که در گذشته در صنعت مورد استفاده بوده اند استفاده نمود. به عنوان مثال از شبکه های عصبی می توان برای پیش بینی مقدار گازهای خروجی از کوره برخی از فرآیندهای صنعتی استفاده نمود.

شبکه های عصبی مصنوعی (ANN) الگوهایی برای پردازش اطلاعات هستند که با تقلید از شبکۀ عصبی مغزی انسان ساخته شده اند.

شبکه های عصبی مصنوعی ، ساختاری (شبکه ای) هستند متشکل از تعدادی واحد (نرون مصنوعی) که در داخل شبکه به هم وصل شده اند. هر واحد دارای یک مشخصه ورودی / خروجی (I/O) می باشد و محاسبه یا عملی جزئی را اجرا می کند. خروجی هر واحد ، با توجه به مشخصه (I/O) آن ، اتصالات درونیش به سایر واحدها و ورودی های خارجی تعیین می گردد.

ANN (شبکۀ عصبی مصنوعی) متشکل از یک شبکه نیست ، بلکه خانواده ای متشکل از شبکه های گوناگون می باشد.

شبکه عصبی براساس مغز انسان مدل شده اند و شامل تعدادی نرون های مصنوعی می شوند. نرون ها در شبکه های عصبی مصنوعی سعی بر این دارند تا تعداد پیوندهای کمتری را نسبت به نرون های طبیعی داشته باشند. شبکه های عصبی همگی (درحال حاضر) بطور قابل ملاحظه ای از نظر تعداد نرون ها از مغز آدمی کوچکترند.

هر نرون (یا نود) در یک شبکۀ عصبی تعدادی ورودی دریافت می نماید. تابعی تحت عنوان تابع فعال ساز بر روی این مقادیر ورودی اعمال می شود که نتیجه آن تحت عنوان سطح فعال سازی نرون به عنوان مقدار خروجی نرون درنظر گرفته می شود. چند تابع ممکنه وجود دارند که می-توانند برای نرون ها مورد استفاده قرار گیرند