الشبكات العصبونية الاصطناعية (artificial neural network ANN) أوما يدعى أيضا بالشبكات العصبونية المحاكية simulated neural network أوSNN : مجموعة مترابطة من عصبونات افتراضية تنشئها برامج حاسوبية لتشابه عمل العصبون البيولوجي أوبنى الكترونية (شيبات الكترونية مصممة لمحاكاة عمل العصبونات ) تستخدم النموذج الرياضي لمعالجة المعلومات بناء على الطريقة الاتصالية في الحوسبة. تتألف الشبكات العصبونية بشكل عام عناصر معالجة بسيطة تقوم بعمل سهل لكن السلوك الكلي للشبكة يتحدد من خلال الاتصالات بين مختلف هذه العناصر التي تدعى هنا بالعصبونات ومؤشرات هذه العناصر element parameters . الإيحاء الأول بفكرة الشبكات العصبونية أتى من آلية عمل العصبونات الدماغية التي يمكن تشبيهها بشبكات بيولوجية كهربائية لمعالجة المعلومات الواردة إلى الدماغ . في هذه الشبكات اقترح دونالد هب حتى المشبك العصبي يلعب دورا أساسيا في توجيه عملية المعالجة وهذا ما دفع للتفكير في فكرة الإتصالية والشبكات العصبونية الاصطناعية . تتالف الشبكات العصبونية الاصطناعية من عقد أوما قد ذكرنا مسبقا انه عصبونات neurons أووحدات معالجة processing elements ، متصلة معا لتشكل شبكة من العقد ، وجميع اتصال بين هذه العقد يملك مجموعة من القيم تدعى الأوزان تسهم في تحديد القيم الناتجة عن جميع عنصر معالجة بناء على القيم الداخلة لهذا العنصر .

مقدمة

يكمن أحد مسببات تفوق الدماغ البشري في قدرته على معالجة المعطيات بأكثر من مجموعة من الخلايا العصبية داخله بنفس اللحظة بشكل متوازي، أجهزة الحاسوب اليوم تقوم بمحاكاة هذه العملية في ما يسمى حوسبة متوازية، Parallel Computing، وبالرغم من السرعة العالية الناتجة عن هذه التقنية إلا أنها تفتقر إلى القدرة على الإستقلال بحل المشكلة، بمعنى حتى النظام غير قادر على حل المشكلة بإستعمال المعطيات المدخلة لوحدها بدون فهم أسلوب حل المشكلة (خوارزمية Algorithm ). وهوما تقدمه الشبكات العصبية.

دونالد هيب، في كتابه منظمة السلوك 1949م، أشار إلى أنّ المشابك العصبية بين العصبونات تقوى حدثا تم إستعمالها أكثر وتصبح عملية معالجتها للعمليات أسرع مع تكرار إثارتها بنفس المعطيات. كانت هذه بداية التفكير لما يسمى بالمعالجات العصبية أوالشبكات العصبية والتي كانت مطروحة في وقتها على صورة خلايا وليس شبكات مترابطة. في الخمسينات من القرن العشرين قامت شركة أي بي إم بأول محاولة لمحاكاة الخلية العصبية، ونجح ذلك بعد عدة محاولات فاشلة.ولكن كان فهم الكمبيوتر في ذلك الوقت يتجه ناحية الحساب المتسلسل مما أدى إلى إهمال موضوع الخلايا العصبية ووضعه في الأدراج.

في نهاية الخمسينيات، بدأ فرانك روزنبلات بالعمل على ما يدعى اليوم بالبيرسيبترون، Perceptron، حيث كان قادرا على فصل النقاط القابلة للفصل خطيّا دون النقاط غير القابلة للفصل خطيا . وهذا ما اعتبر عيبا ضخما في البيرسبترون . في عام 1959م قام برنارد فيدرووماركيان هووف ببناء نموذجي عنصر تكيفي خطي آدالاين ADAptive LINear Element ومجموعة عناصر تكيفية خطية مادالاين Many ADALINE. كان هذا هوأول ظهور للشبكات العصبية بشكلها الحالي. كانت تستخدم كفلاتر أومرشحات قابلة للتكيف (Adaptive Filter) لإلغاء الصدى من خطوط الهاتف. وما تزال تستعمل تجاريا حتى هذا الوقت.

وصف عام لآلية عمل العصبون الاصطناعي

بشكل عام يمكننا ان نقول حتى جميع شبكة عصبونية ترتب بشكل طبقات من العصبونات الاصطناعية : طبقة ولج وطبقة خرج وطبقات مخفية تتواجد بين طبقتي الدخل وطبقة الخرج . جميع عصبون في احدى هذه الطبقات يتصل بكافة العصبونات الموجودة في الطبقة التي تليه وكافة العصبونات في الطبقة التي تسبقه ، حيث ترده الإشارات أوالقيم من عصبونات الطبقة السابقة ليقوم بمعالجتها وإعطاء قيمة خرج وحيدة تنقل إلى كافة عصبونات الطبقة التي تلي طبقته . جميع عصبون اذا يتلقى عدة قيم ولج Input ويعطي قيمة خرج وحيدة Output (طريقة الوصل الموصوفة هنا هي الطريقة العامة لكن هذا لا يمنع من وجود طرق اخرى) . ترتبط العصبونات أحيانا بدخل ثابت يدخل في جميع عملية معالجة ولا علاقة له بمدخلات الشبكة يدعى الانحياز bias .

طريقة معالجة المعلومات

كل اتصال بين عصبون وآخر يتميز بارتباطه بقيمة تدعى الوزن وهي تشكل مدى أهمية الارتباط بين هذين العنصرين ، يقوم العصبون بضرب جميع قيمة ولج واردة من عصبونات الطبقة السابقة بأوزان الاتصالات مع هذه العصبونات ، من ثم جمع نواتج الضرب جميعا ، ثم إخضاع النتيجة لتابع تحويل يختلف حسب نوع العصبون ، ناتج تابع التحويل يعتبر خرج العصبون الذي ينقل إلى عصبونات الطبقة اللاحقة .

البنية

تعتبر الشبكات العصبونية الاصطناعية ، أواختصارا الشبكات العصبونية ، مجموعة متوازية من وحدات المعالجة الصغيرة والبسيطة التي تدعى بالعقد أوالعصبونات ، في حين تكتسب الاتصالات البينية بين مختلف هذه الوحدات أهمية خاصة وتقوم بدور كبير في خلق ذكاء الشبكة . لكن على العموم ، ورغم حتى الفكرة أساسا مستوحاة من آلية عمل العصبونات الدماغية فلا يجب حتى نخلط كثيرا أونشابه بين الدماغ والشبكات العصبونية فالشبكات العصبونية أصغر وأبسط من العصبونات البيولوجية وقد تكون مجرد وحدات افتراضية تنشأها برامج الحاسب ، كما إذا آلية عمل العصبونات الاصطناعية تقتبس بعض ميزات العصبون البيولوجي ولا تشابهه تماما ، باللقاء أضيفت الكثير من الميزات وتقنيات المعالجة إلى العصبونات الاصطناعية بناء على أفكار رياضية أوهندسية ، وهذه الإضافات أوأساليب العمل الجديدة ( بعضها مقتبس من الإحصاء أومن نظرية المعلومات ) لا ترتبط بالعصبونات البيولوجية أبدا . باللقاء تبدي الشبكات العصبونية ميزة مهمة كان الدماغ يتفرد بها إلا وهي التفهم وهذا ما يمنح هذه الشبكات أهمية خاصة في الذكاء الصنعي .

اقرأ أيضا : عصبون اصطناعي, بيرسيبترون

نماذج الشبكات العصبونية

تم استيحاء آلية عمل العصبون الاصطناعي من عصبونات الدماغ : ففي العصبونات الحيوية ، يمكن ان ننسب لكل مشبك اتصال قادم incoming synapse (أي مشابك التفرعات العصبية dendrite ) قيمة تدعى وزن المشبك weight تساعد هذه القيمة في نمذجة المشبك (عن طريق تحديد قيمته وأهميته) فالوزن يحدد قوة هذا المشبك وأثره في العصبون . يضرب وزن جميع مشبك بالدخل القادم ، ومن ثم تجمع نواتج الضرب لكل المشابك القادمة . عادة ما تكون العصبونات البيولوجية تابعة لقاعدة قيمة العتبة 'threshold value' فإذا كان المجموع الموزون weighted Sum لقيم الدخل اكبر من قيمة معينة تدعى العتبة threshold ، يضطرم العصبون اولنقل انه يتفعّل مرسلا إشارة كهربائية تدعى كمون العمل على طول المحور العصبي axon ومن ثم تصل هذه الإشارة عن طريق تفرعات المحور إلى جميع المشابك الخارجة outgoing synapses التي تتصل بعصبونات اخرى في الدماغ

الشبكات العصبونية النموذجية تحاول ان تقلد هذا السلوك ، فكل عقدة عصبونية تتلقى مجموعة من المدخلات عن طريق اتصالاتها بالعصبونات القبلية وجميع عقدة لها تابع تفعيل activation function أوتابع تحويل transfer function ، يحدد للعقدة متى وكيف من الممكن أن تعمل أي لحظة وقيمة الخرج التي يجب حتى تعطيها تماما كما العصبون البيولوجي .

أبسط توابع التحويل هوتابع قيمة العتبة الذي يعمل العصبون على أساسه : معطيا قيمة 1 إذا كان المجموع الموزون لقيم الداخلي أكبر من قيمة معينة تدعى العتبة و0 إذا كان المجموع الموزون اقل من العتبة . لكن توابع التحويل يمكن لها ان تأخذ أشكالا اخرى أكثر تعقيدا أهمها تابع السيغمويد (التابع الأسي ), ولا تخلوشبكة من بعض عقد عصبية تملك تابع تحويل أسي ، بشكل عام معظم توابع التحويل تحول قيمة المجموع الموزون لقيم الدخل إلى قيمة وحيدة محصورة في المجال [0-1] .

واحدة من أبرز أنواع الشبكات العصبونية : الشبكة العصبونية أمامية التغذية وهي مجموعة عقد عصبونية مرتبة بشكل طبقات . ترتبط هذه العصبونات مع بعضها عادة بحيث يرتبط جميع عصبون في طبقة ما بجميع العصبونات في الطبقة التالية (لا ترتبط عصبونات نفس الطبقة مع بعضها) .

الشكل النموذجي لهذه الشبكات هوثلاث طبقات عصبونية على الأقل تدعى (طبقة ولج input layer ، طبقة مخفية hidden layer ، طبقة خرج output layer ) طبقة الدخل لا تقوم بأي عملية معالجة فهي ببساطة مكان تغذية الشبكة بشعاع البيانات ، تقوم طبقة الدخل بعد ذلك بتغذية (نقل المعلومات) الطبقة المخفية ومن ثم تقوم الطبقة المخفية بتغذية طبقة الخرج . المعالجة العملية للبيانات Data تتم في الطبقة المخفية وطبقة الخرج أساسا .

عندماقد يكون هناك عدد كاف من العصبونات في جميع طبقة ، تكون الشبكة قادرة على التدرب training للقيام بأشياء مفيدة بالاستعانة بخوارزميات التدريب training algorithm ، تعتبر الشبكات أمامية التغذية مهمة جدا خاصة في استخدامات التصنيف الذكي والتمييز الذكي لبيانات غير مألوفة مسبقا .

حسابات الشبكات العصبونية

تابع السيغمويد هوالأكثر شيوعا كتابع تحويل للعصبونات لأنه يؤمن اللاخطية في حسابات الشبكة العصبونية عن طريق تحويل قيمة تفعيل النيورون ضمن المجال [0,1]. إضافة لذلك فهويؤمن ميزة اضافية تتلخص في بساطة تابعه المشتق ، المطلوب في خوارزمية الانتشار الخلفي back-propagatation للأخطاء وهي احدى خوارزميات التعليم المراقب المستخدمة في الشبكات أمامية التغذية .

الإستعمالات

• الذكاء الإصطناعي
• التعهد على الأشخاص
• التعهد على المواقف
• التعهد على الصوت أوالصورة إلخ
• التعهد على الخطوط والكتابة باليد
• التحكم
• محاكاة الأنظمة
• النمذجة
• الفلترة

الأسس البيولوجية

تعتمد الشبكات العصبية على تقليد عمل أعصاب الدماغ.

أنواع الشبكات العصبونية

• البيرسبترون

• شبكات عصبونية أمامية التغذية Feedforward Neuralnetworks أهمها :

شبكات عصبونية أمامية التغذية خلفية النقل Backpropagation Feedforward Neuralnetworks .

• شبكات كوهونين ذاتية التنظيم

تعليم الشبكات العصبونية

الشباكات العصبونية لا تبرمج بل إنها تقوم بالتفهم.

الآفاق

• إن محاولة بناء شبكات عصبونية عن طريق البرمجة( أي حتى الشبكة العصبونية هي تعبير عن برنامج كمبيوتر ) تضع حدا لعدد النورونات التي نريد إستعمالها لحل معضلة معينة فاليوم يمكن بهذه الطريقة إستعمال بضعة مئات من العصبونات فحسب وذلك لصعوبة تعليم الشبكات العصبونية.

• أما الشبكات العصبونية المبنية على أسس عتادية ( أي حتى الشبكة النورونية هي تعبير عن عن وصلات كهربائية أوشيب) فإن عدد العصبونات المستعملة يصل إلى 30.000 وللمقارنة فإن الحلزون يمتلك 20.000 خلية مخية أوما يسمى عصبونا .

• كما أنه قد نجح بعض الفهماء في تصنيع بعض الخلايا المخية إنطلاقا من بعض خلايا دماغ الفئران ثم إستعمال هذه العصبونات البيولوجية في تسيير برنامج لمحاكات الطيران وهذه خطوة قد تتيح إستعمال العصبونات البيولوجية لحل المسائل

معرض الصور

• A single-layer feedforward artificial neural network. Arrows originating from ${\displaystyle x_{2$ are omitted for clarity. There are p inputs to this network and q outputs. There is no activation function (or equivalently, the activation function is ${\displaystyle g(x)=x$). In this system, the value of the qth output, ${\displaystyle y_{q$ would be calculated as ${\displaystyle y_{q =\sum (x_{i *w_{iq )$

• A two-layer feedforward artificial neural network.

انظر أيضا

المصادر

المراجع

• مقدمة في الشبكات العصبية الاصطناعية - ويكيبوكس - قسم الذكاء الصناعي.
• Bar-Yam, Yaneer (2003). Dynamics of Complex Systems, Chapter 2. External link in |title= (help)
• Bar-Yam, Yaneer (2003). Dynamics of Complex Systems, Chapter 3. External link in |title= (help)
• Bar-Yam, Yaneer (2005). Making Things Work. External link in |title= (help) Please see Chapter 3
• Bhadeshia H. K. D. H. (1999). "Neural Networks in Materials Science". ISIJ International. 39: 966–979. doi:10.2355/isijinternational.39.966. External link in |title= (help)
• Bhagat, P.M. (2005) Pattern Recognition in Industry, Elsevier. ISBN 0-08-044538-1
• Bishop, C.M. (1995) Neural Networks for Pattern Recognition, Oxford: Oxford University Press. ISBN 0-19-853849-9 (hardback) or ISBN 0-19-853864-2 (paperback)
• Cybenko, G.V. (1989). Approximation by Superpositions of a Sigmoidal function, Mathematics of Control, Signals and Systems, Vol. 2 pp. 303–314. electronic version
• Duda, R.O., Hart, P.E., Stork, D.G. (2001) Pattern classification (2nd edition), Wiley, ISBN 0-471-05669-3
• Egmont-Petersen, M., de Ridder, D., Handels, H. (2002). "Image processing with neural networks - a review". Pattern Recognition. 35 (10): 2279–2301. doi:10.1016/S0031-3203(01)00178-9.CS1 maint: multiple names: authors list (link)
• Gurney, K. (1997) An Introduction to Neural Networks London: Routledge. ISBN 1-85728-673-1 (hardback) or ISBN 1-85728-503-4 (paperback)
• Haykin, S. (1999) Neural Networks: A Comprehensive Foundation, Prentice Hall, ISBN 0-13-273350-1
• Fahlman, S, Lebiere, C (1991). The Cascade-Correlation Learning Architecture, created for National Science Foundation, Contract Number EET-8716324, and Defense Advanced Research Projects Agency (DOD), ARPA Order No. 4976 under Contract F33615-87-C-1499. electronic version
• Hertz, J., Palmer, R.G., Krogh. A.S. (1990) Introduction to the theory of neural computation, Perseus Books. ISBN 0-201-51560-1
• Lawrence, Jeanette (1994) Introduction to Neural Networks, California Scientific Software Press. ISBN 1-883157-00-5
• Masters, Timothy (1994) Signal and Image Processing with Neural Networks, John Wiley & Sons, Inc. ISBN 0-471-04963-8
• Ness, Erik. 2005. SPIDA-Web. Conservation in Practice 6(1):35-36. On the use of artificial neural networks in species taxonomy.
• Ripley, Brian D. (1996) Pattern Recognition and Neural Networks, Cambridge
• Siegelmann, H.T. and Sontag, E.D. (1994). Analog computation via neural networks, Theoretical Computer Science, v. 131, no. 2, pp. 331–360. electronic version
• Sergios Theodoridis, Konstantinos Koutroumbas (2009) "Pattern Recognition" , 4th Edition, Academic Press, ISBN: 978-1-59749-272-0.
• Smith, Murray (1993) Neural Networks for Statistical Modeling, Van Nostrand Reinhold, ISBN 0-442-01310-8
• Wasserman, Philip (1993) Advanced Methods in Neural Computing, Van Nostrand Reinhold, ISBN 0-442-00461-3

وصلات خارجية

• البيرسيبترون
• Performance comparison of neural network algorithms tested on UCI data sets
• A close view to Artificial Neural Networks Algorithms
• Neural Networks at the Open Directory Project
• A Brief Introduction to Neural Networks (D. Kriesel) - Illustrated, bilingual manuscript about artificial neural networks; Topics so far: Perceptrons, Backpropagation, Radial Basis Functions, Recurrent Neural Networks, Self Organizing Maps, Hopfield Networks.
• Neural Networks in Materials Science
• A practical tutorial on Neural Networks
• Applications of neural networks