امروز

جمعه ۳۰ اردیبهشت ۱۴۰۱

به گفته پروفسور الیوت اسمیت، اختراع یک پدیده منفرد نیست. حتی ساده ترین پیشرفت ها نشان دهنده درهم آمیختن بسیاری از رشته های دانش بشری است که به وجود آمدن آن قرن ها به طول انجامیده است.

منطق فازی و شبکه های عصبی نیز از این قاعده مستثنی نیستند. آنها ترکیب ریاضی، مهندسی و دهها علوم دیگر هسنند که توانسته اند با موضوعات جدید، قسمت اعظمی از دانش بشری را به خود اختصاص دهند.

نظریه فازی و شبکه های عصبی اخیراً در بسیاری از زمینه های علوم و مهندسی از جمله طراحی مدار مجتمع اعمال شده است. از اواخر 1980 کارهای فراوانی که امکان استفاده از منطق فازی و شبکه های عصبی را در طراحی الکترونیکی دیجیتال و آنالوگ ایجاد می کنند، به چاپ رسیده است. از الگوریتم های فازی و شبکه های عصبی برای پیاده سازی انواع چیپ های آنالوگی و دیجیتالی که استفاده روزمره در زندگی دارند ازجمله ماشین لباسشویی، تثبیت کننده تصویر دیجیتال و ...  به وفور استفاده می شود.

منطق فازی

منطق فازی به عنوان یک فرم کاملتر از منطق باینری است که اعضای مجموعه در آن می تواند مقادیری بین صفر تا یک داشته باشد. در زندگی واقعی، ممکن است با شرایطی روبرو شویم که نتوانیم درمورد درست یا غلط بودن گزاره تصمیم بگیریم. در این زمان، منطق فازی می تواند انعطاف پذیری بسیار ارزنده ای برای استدلال ارائه دهد.

الگوریتم منطق فازی پس از در نظر گرفتن تمام داده های موجود، به حل مسئله کمک می کند. سپس برای ورودی داده شده، بهترین تصمیم ممکن گرفته می شود. روش FL از نحوه تصمیم گیری در انسان تقلید می کند که تمام احتمالات بین مقادیر دیجیتال T و F را در نظر می گیرد.

کاربرد این منطق در علوم نرم‌افزاری را می‌توان به‌طور ساده این‌گونه تعریف کرد: منطق فازی از منطق ارزش‌های «صفر و یک» نرم‌افزارهای کلاسیک فراتر رفته و دری جدید برای دنیای علوم نرم‌افزاری و رایانه‌ها می‌گشاید، زیرا فضای شناور و نامحدود بین اعداد صفر و یک را نیز در منطق و استدلال‌های خود به کار برده و به چالش می‌کشد. منطق فازی از فضای بین دو ارزش «برویم» یا «نرویم»، ارزش‌های جدید «شاید برویم» یا «می‌رویم اگر» یا حتی «احتمال دارد برویم» را استخراج کرده و به کار می‌گیرد.

 

شبکه عصبی

یک شبکه عصبی مصنوعی (Artificial Neural Network) ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد . عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پرداز شی فوق العاده بهم پیوسته تشکیل شده (neurons)که برای حل یک مسأله با هم هماهنگ عمل می کند.ANN ها ،نظیر انسانها ، با مثال یاد می گیرند . یک ANN برای انجام وظیفه های مشخص ، مانند شناسایی الگو ها و دسته بندی اطلاعات ، در طول یک پروسه یاد گیری ، تنظیم می شود . در سیستم های زیستی یاد گیری با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است.

یک شبکه عصبی به عنوان یک سیستم محاسباتی تعریف می شود که شامل تعدادی عنصر یا گره ساده ، اما بسیار بهم پیوسته است که "نورون" نامیده می شوند ، که در لایه هایی سازمان یافته اند که اطلاعات را با استفاده از پاسخ های حالت پویا به ورودی های خارجی پردازش می کنند. این الگوریتم، در یافتن الگوهای بسیار پیچیده برای استخراج دستی و آموزش شناسایی دستگاه بسیار مفید است.