انسان امروز همواره در تلاش است تا با طراحی سیستمهای جدید، هر چه بیشتر به دستیابی به شبکه های عصبی مشابه مغز و سیستم عصبی انسان نزدیکتر شود.
یکی از پیشرفتهای نوین در این زمینه، طراحی شبکههای عصبی مصنوعی (ANN) است.
ساختار کلی این شبکه ها، مشابه شبکه های نورونی و سیناپسی انسان است، بدین نحو که مشابه با سیناپس عصبی انسان، این شبکه ها نیز از تعداد بیشماری سیناپس تشکیل یافته است که تجزیه و تحلیل اطلاعات ورودی به این سیناپسها، درآنها به انجام رسیده و نتایج آن به سیناپس های بعدی منتقل میگردد.
بر این اساس، یک شبکه عصبی مصنوعی ساده دارای سه جزء یا لایه است:
۱- لایه ورود اطلاعات (Input Layer):
در این لایه، اطلاعات اولیه که همان مقادیر مربوط به متغیرهای مستقل و وابسته طرح میباشند، وارد شبکه میگردند.
۲- لایه یا لایههای محاسباتی (Analyze Layer):
این لایه که بر مبنای پیچیدگی تحلیلها، تعداد آنها نیز افزایش مییابد، وظیفه ایجاد روابط منطقی میان متغیرهای مستقل و وابسته اولیه و یافتن فرمول بین این متغیرها را بر عهده دارد.
۳- لایه خروجی (Output Layer)
در این لایه، رابطه یا فرمول بین متغیرهای مستقل و وابسته اولیه ارائه میشود.
در واقع نرم افزار جدید از طریق سیستم فوق، ابتدا با دریافت نمونهای محدود از متغیرهای مستقل و وابسته اولیه، رابطه منطقی را میان آنها کشف میکند و در مرحله بعد، تنها با ارائه سری متغیرهای مستقل، مقدار متغیرهای وابسته را با دقت بسیار بالا پیشبینی و ارائه مینماید.
در این قسمت با بیان مثالی علمی، نحوه کارکرد شبکه عصبی مصنوعی را شرح میدهیم: فرض کنید میخواهیم رابطه میان مقدار قند خون و درصد گرفتگی عروق کرونر قلب را بررسی نمایم.
درابتدا تعداد محدودی از مقادیر متغیرهای مستقل (مقدار قند خون) و وابسته (درصد گرفتگی) را وارد شبکه میکنیم:
شبکه عصبی، پس از دریافت داده ها، به بررسی رابطه میان دو نوع متغیر میپردازد و در مدت زمانی بسیار بسیار اندک (چند ثانیه) رابطه منطقی میان متغیر مستقل و وابسته را با دقتی بسیار بالا کشف میکند.
در این مرحله و پس از کشف فرمول میان متغیرها، با ارائه هر مقدار از قند خون به شبکه، درصد گرفتگی رگ کرونر محاسبه و پیشبینی میشود.
در شماره بعدی نشریه فواید و برتری شبکه عصبی مصنوعی را نسبت به نرم افزارهای پژوهشی کلاسیک شرح خواهیم داد.
