شبکه عصبی (به انگلیسی: Neural network)
جانوران پرسلولی برای ایجاد هماهنگی بین اعمال سلولها و اندامهای مختلف بدن خود نیاز به عوامل و دستگاههای ارتباطی دارند. شبکه عصبی با ساختار و کار ویژهای که دارد، در جهت ایجاد این هماهنگی به وجود آمده است. نورونها پیام عصبی را به بافتها و اندامهای بدن، مانند ماهیچهها غده هاو نیز نورونهای دیگر میفرستد و از این طریق با آنها ارتباط برقرار میکند. رشتههایی که از جسم سلولی نورونها بیرون زدهاند دو نوع اند: دندریت و آکسون دندریتها پیام هارا دریافت میکنند و به جسم سلولی میبرند، آکسونها پیام عصبی را از جسم سلولی به تا پایانههای آکسون هدایت میکند. وظایف دستگاه عصبی به ارتباط متقابل بین میلیونها نورون وابسته است.
نام سیستم عصبی از اعصاب گرفته میشود. در حالت کلی، یک شبکه عصبی زیستی از مجموعه یا مجموعهای از نورونهای به صورت فیزیکی به هم متصل یا از لحاظ عملکردی به هم وابسته تشکیل شدهاست. هر نورون میتواند به تعداد بسیار زیادی از نورونها وصل باشد و تعداد کل نورونها و اتصالات بین آنها میتواند بسیار زیاد باشد. اتصالات، که به آنها سیناپس گفته میشود، معمولاً از آکسونها و دندریتها تشکیل شدهاند.
هوش مصنوعی و مدل سازی شناختی سعی بر این دارند که بعضی از خصوصیات شبکههای عصبی را شبیهسازی کنند. این دو اگرچه در روشهاشان به هم شبیه هستند اما هدف هوش مصنوعی حل مسائل مشخصی است در حالی که هدف مدل سازی شناختی ساخت مدلهای ریاضی سامانههای نورونی زیستی است.
شبکه عصبی از دو بخش تشکیل شده است:
دستگاه عصبی مرکزی
دستگاه عصبی محیطی
دستگاه عصبی مرکزی شامل مغز و نخاع است که مراکز نظارت بر اعمال بدن اند. این دستگاه اطلاعات دریافتی از محیط و درون بدن را تفسیر میکند و به آنها پاسخ میدهد. دستگاه عصبی مرکزی از دو بخش مادهٔ خاکستری که بیشتر محتوی جسم سلولی نورون هاست و مادهٔ سفید که اجتماع بخشهای میلین دار نورون هاست، تشکیل شده است. دستگاه عصبی محیطی شامل تعداد زیادی عصب است که اطلاعات را جمعآوری میکند و به دستگاه عصبی مرکزی میبرد. مغز انسان از حدود ۱۰۰میلیارد (billion) نورون تشکیل شده هست و حدود ۱٫۵کیلوگرم وزن دارد.
شبکههای عصبی با توانایی قابل توجه خود در استنتاج نتایج از دادههای پیچیده میتوانند در استخراج الگوها و شناسایی گرایشهای مختلفی که برای انسانها و کامپیوتر شناسایی آنها بسیار دشوار است استفاده شوند. از مزایای شبکههای عصبی میتوان موارد زیر را نام برد:
یادگیری تطبیقی: توانایی یادگیری اینکه چگونه وظایف خود را بر اساس اطلاعات داده شده به آن یا تجارب اولیه انجام دهد در واقع اصلاح شبکه را گویند.
خود سازماندهی: یک شبکه عصبی مصنوعی به صورت خودکار سازماندهی و ارائه دادههایی که در طول آموزش دریافت کرده را انجام دهد. نورونها با قاعدهٔ یادگیری سازگار شده و پاسخ به ورودی تغییر مییابد.
عملگرهای بیدرنگ: محاسبات در شبکه عصبی مصنوعی میتواند به صورت موازی و به وسیله سختافزارهای مخصوصی که طراحی و ساخت آن برای دریافت نتایج بهینه قابلیتهای شبکه عصبی مصنوعی است انجام شود.
تحمل خطا: با ایجاد خرابی در شبکه مقداری از کارایی کاهش مییابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ میشود.
دستهبندی: شبکههای عصبی قادر به دستهبندی ورودیها بر ای دریافت خروجی مناسب میباشند.
تعمیم دهی: این خاصیت شبکه را قادر میسازد تا تنها با برخورد با تعداد محدودی نمونه، یک قانون کلی از آن را به دست آورده، نتایج این آموختهها را به موارد مشاهده از قبل نیز تعمیم دهد. توانایی که در صورت نبود آن سامانه باید بینهایت واقعیتها و روابط را به خاطر بسپارد.
پایداری-انعطافپذیری: یک شبکه عصبی هم به حد کافی پایدار است تا اطلاعات فراگرفته خود را حفظ کند و هم قابلیت انعطاف و تطبیق را دارد و بدون از دست دادن اطلاعات قبلی میتواند موارد جدید را بپذیرد.
کاربرد شبکه عصبی و یادگیری ماشین محدود به حوزه پزشکی نیست. بلکه از این تکنولوژی می توان در هر حوزه ای که تصمیم گیری اشتباه هزینه زیادی در بر داشته باشد استفاده کرد.
در این صفحه تعداد 3993 مقاله تخصصی درباره شبکه عصبی که در نشریه های معتبر علمی و پایگاه ساینس دایرکت (Science Direct) منتشر شده، نمایش داده شده است. برخی از این مقالات، پیش تر به زبان فارسی ترجمه شده اند که با مراجعه به هر یک از آنها، می توانید متن کامل مقاله انگلیسی همراه با ترجمه فارسی آن را دریافت فرمایید. در صورتی که مقاله مورد نظر شما هنوز به فارسی ترجمه نشده باشد، مترجمان با تجربه ما آمادگی دارند آن را در اسرع وقت برای شما ترجمه نمایند.
مقالات ISI شبکه عصبی (ترجمه نشده)
مقالات زیر هنوز به فارسی ترجمه نشده اند. در صورتی که به ترجمه آماده هر یک از مقالات زیر نیاز داشته باشید، می توانید سفارش دهید تا مترجمان با تجربه این مجموعه در اسرع وقت آن را برای شما ترجمه نمایند.
Keywords: شبکه عصبی; Hydro-optical model; Multivariate optimization technique; Neural network; Bio-optical retrieval algorithm; Water quality parameters/spatial and temporal distributions; Input signal noise; Retrieval algorithm robustness; Lake Michigan; Great Lakes; MODIS;