بررسی شبكه‌ های عصبی

    —         —    

ارتباط با ما     —     لیست پایان‌نامه‌ها

... دانلود ...

توجه : این فایل به صورت فایل ورد (Word) ارائه میگردد و قابل تغییر می باشد


بررسی شبكه‌ های عصبی دارای 94 صفحه می باشد و دارای تنظیمات و فهرست کامل در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد بررسی شبكه‌ های عصبی کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.

فصل اول : مقدمه
1-1 پیشگفتار
انرژی الكتریكی به عنوان محور اصلی توسعه صنعتی در میان انواع انرژی از اهمیت خاصی برخوردار است. این انرژی با آنكه خود به انواع دیگر انرژی وابستگی دارد، اتكا شاخه‌های مختلف اقتصادی به آن در حدی است كه براحتی می‌توان حد مصرف معقول این انرژی در یك جامعه را به عنوان شاخص عمده‌ای برای تعیین حد پیشرفت اقتصادی آن جامعه دانست.
بر خلاف سهولت استفاده از این نوع انرژی و مطلوبیت آن، تولید و انتقال این انرژی از پیچیدگی زیادی برخوردار بوده و در مجموع صنعت برق با ویژگی‌هایی در میان سایر صنایع شاخص است، از جمله این ویژگی‌ها باید از لزوم همزمانی تولید و مصرف آن نام برد، به عبارت دیگر تولید برق فقط در مقابل مصرف آن مطرح می‌گردد و بطور معمول قابل ذخیره كردن نیست. دیگر ویژگی این صنعت سرمایه طلب بودن طرح‌ها و پروژه‌های آن و زمان بر بودن آنها است.
مجموعه این خصوصیات و حساسیت‌ها است كه پیش‌بینی صحیح نیاز مصرف برای این نوع انرژی در آینده را طلب می‌نماید. چون هرگاه پیش‌بینی نیاز مصرف یا بار شبكه بیش از حد واقعی باشد، سرمایه‌ گذاری بیهوده در این صنعت را بدنبال خواهد داشت و هر پیش بینی بار كمتر از واقعیت باعث لطمات شدید اقتصادی شده و جبران آن به مناسبت زمان بر بودن پروژه‌های توسعه‌ای امكانات تولید و انتقال برق، غیر ممكن است.
انرژی الكتریكی در مقیاس وسیع به طور اقتصادی قابل ذخیره نمی‌باشد. بدین دلیل بر خلاف شاخه‌های دیگر اقتصاد، در اقتصاد الكتریسیته باید همزمان با مصرف، انرژی الكتریكی تولید گردد. میزان مصرف بار الكتریكی ثابت نمی‌باشد بلكه به صورت پیچیده و غیر خطی تابعی از پارامترهای متعددی می‌باشد. با توجه به متغییر بودن میزان مصرف بار الكتریكی، شركتهای تولید كننده برق، موظفند با پیش بینی آن در زمانبندی‌های مختلف اطلاعات مورد نیاز برای تصمیم‌گیریهای خود در سیستم قدرت را حاصل نماید.
در دنیای خصوصی سازی جدید هر شركت سعی در افزایش قابلیت اطمینان محصول خود و تولید بهینه توان برای مصرف كنندگان خود دارد. این وظیفه عموماً از طریق پیش بینی فراهم می‌شود. پیش بینی بارهای ساعتی تا یك هفته جلوتر برای كارهای برنامه‌ریزی از قبیل هماهنگی بین واحدهای آبی و حرارتی و سنجش تبادل با دیگر رقبا و برای آنالیزهای كوتاه مدت از قبیل پخش توان در مراكز دیسپاچینگ و پخش بهینه توان لازم است. به طور كلی پیش بینی بار بر اساس دوره پیش بینی به دسته‌هایی تقسیم می‌شود :
- برنامه ‌ریزی بسیار كوتاه مدت (چند دقیقه تا چندین ساعت) : برنامه ریزی بسیار كوتاه مدت اطلاعات مورد نیاز در پخش بار اقتصادی و تخمین اطمینان را تأمین می‌نماید. همچنین پیش بینی بسیار كوتاه مدت (چند دقیقه تا چند ساعت) برای زمانبندی تعویض قدرت بین شركتها و مطالعه تحمیلات انتقال مفید می‌باشد.
- برنامه ‌ریزی كوتاه مدت (یك روز تا یك هفته) : برنامه ریزی كوتاه مدت برای برنامه ریزی روزانه و هفتگی، در مدار قرار گرفتن بهینه نیروگاهها (بهینه سازی ولتاژ/ توان راكتیو، برنامه‌ریزی برای انرژی رزرو مورد نیاز، زمان بهره‌برداری پمپی از نیروگاه‌های پمپ ذخیره‌ای) و تبادل انرژی با شركا استفاده می‌شود.
- برنامه‌ریزی میان مدت (1 ماه تا 5 سال) : در برنامه‌ریزی میان مدت، با در نظر گرفتن توان و تركیب نیروگاههای موجود، میزان ذخیره سوخت، میزان ذخیره آب مخزنها، در مورد نحوه و زمان بكارگیری نیروگاههای حرارتی و آبی، تهیه سوخت، میزان تبادل انرژی الكتریكی با سیستم‌های همسایه در سیستم‌های بهم پیوسته، زمان‌بندی بهینه برای بازرسی و تعمیرات نیروگاهها و شبكه تصمیم‌گیری می‌شود.
- برنامه ریزی بلند مدت (5 تا 30 سال): در برنامه ریزی بلند مدت با در نظر گرفتن توان و تركیب و طول عمر نیروگاههای موجود، توانایی شبكه انتقال و توزیع، قراردادهای بلند مدت برای تبادل انرژی الكتریكی با سیستم‌های مجاور (كشورهای همسایه) در سیستم‌های بهم پیوسته، در مورد نوع، اندازه و محل احداث نیروگاه‌های جدید، نحوه گسترش شبكه، بستن و یا تجدید نظر در قراردادها و ... تصمیم‌گیری می‌شود.
بار در یك شبكه برقرسانی به مجموع مصارف مختلف انرژی الكتریكی در یك واحد زمانی اتلاق می‌گردد. بار شبكه به مناسب همزمانی و غیر همزمانی مصرف انرژی در بخش‌های مختلف دستخوش تغییراتی در طول شبانه روز، هفته، ماه و سال می‌گردد.
اگر به یك منحنی تغییرات بار بیست‌و چهار ساعته در الگوی مصرف انرژی الكتریكی ایران توجه كنیم ملاحظه می‌شود كه منحنی از یك حداقل غیر صفر شروع می‌شود و پس از عبور از آن، با یك شیب نسبتاً تند به سمت كوهان دوم كه بزرگتر از كوهان اول است میل نموده، پس از گذر از آن دوباره به سمت حداقل میل می‌كند. باید توجه داشت كه ظهور این دو كوهان ناشی از همزمانی مصرف انرژی الكتریكی بخشهای مختلف مصرف در طول یك شبانه‌روز است. جالب توجه است كه منحنی تغییرات بار در طول ماه و سال نیز تقریباً روند مشابهی با تغییرات بار بیست و چهار ساعته دارد. در مطالعه بار بخصوص در پیش بینی بار اعم از پیش‌بینی بار ساعتی روزانه جهت تنظیم برنامه بهره‌برداری از نیروگاهها تا بار ماههای سال برای تنظیم برنامه تعمیرات منظم و دوره‌ای و بارهای سالهای آینده برای برنامه‌ریزی توسعه‌ای این متغیرها و عوامل مؤثر در پیدایش آنها مورد توجه قرار می‌گیرد.
منحنی مصرف برای مصرف كننده كاملاً تصادفی و غیر مشخص بوده وقابل پیش‌بینی نیست و از سوی دیگر، هر مجموعه خاص از مصرف كننده‌ها منحنی مصرف مخصوص به خود را دارا است، همچنین مصرف بار الكتریكی تابعی كاملاً غیر خطی و بسیار پیچیده از پارامترهایی از جمله شرایط آب و هوایی، شرایط اقتصادی، زمان و عوامل تصادفی می‌باشد. همچنین تقریباً هر روز هفته منحنی خاص خود را دارد. لذا مدل مورد نظر باید توانایی این كار راد اشته باشد كه اثر تمامی این عوامل را بر منحنی مصرف در نظر بگیرد، همچنین بایستی خطای پیش بینی تا حدامكان كم باشد، از طرفی دارای ساختاری ساده باشد و در كوتاهترین زمان ممكن به جواب نهایی برسد، و از همه مهمتر اینكه استفاده از آن برای برنامه‌ریزان و اپراتورها ساده باشد. لذا با توجه به اهمیت پیش بینی بار كوتاه مدت و خواصی كه برای یك برنامه ریزان و اپراتورها ساده باشد. لذا با توجه به اهمیت پیش بینی بار كوتاه مدت و خواصی كه برای یك برنامه پیش‌بینی بار بر شمردیم، روشهای مختلفی در این زمینه ارائه شده است كه هر یك به نوعی دارای برخی كاستی‌ها (و بخصوص در پیش بینی روزهای تعطیل) بودند، با وارد شدن شبكه‌های عصبی در این عرصه تقریباً تمامی مدلها وروشهای قبلی كنار گذاشته شد، چراكه این شبكه‌ها دارای توانایی‌های بسیار زیادی رد بیان روابط غیر خطی می‌باشند. در شكل صفحه بعد موارد استفاده پیش‌بینی بار كوتاه مدت آمده است.
شكل 1-1 موارد استفاده پیش بینی بار كوتاه مدت
1-2- تاریخچه پیش بینی بار
پیش بینی كوتاه مدت بار در شبكه‌های قدرت از دیرباز مورد توجه قرار گرفته است. اتخاذ تصمیم در مدیریت انرژی، در مدار قرارگیری نیروگاهها، بررسی پخش بار اقتصادی، تحلیل قابلیت اطمینان سیستم و برنامه‌ریزی تعمیر و نگهداری و نیروگاهها، همگی نیازمند پیش بینی بار در بازه‌های زمانی مختلف می‌باشد. در گذشته روشهای متعدد آماری مورد استفاده قرار می‌گرفت، ك هاز آن جمله می‌توان به روش هموار سازی نمایی، روش باكس جنكیز، روش تخمین حالت، سریهای زمانی و فیلتر كالمن اشاره نمود. این روشها عموماً برای روزهای عادی مؤثر بوده و برای روزهای خاص سال قابل اعتماد نیستند. به همین خاطر در بعضی كشورها اپراتورهای با تجربه، پیشگویی را با قوانین منطقی خود انجام داده و یا با استفاده از تجربه، نتایج روشهای آماری را تصحیح می‌كنند.
با پیشرفت تكنولوژی رایانه، كاربرد حافظه وسیع‌تر و همچنین افزایش سرعت دسترسی به اطلاعات و انجام محاسبات پیچیده‌تر میسر گردیده و در دو دهه اخیر تكنیكهای هوش مصنوعی مورد توجه قرار گرفته است. از سال 1988 به بعد، مقالاتی در پیش بینی بار كوتاه مدت مشاهده می‌گردد، كه در آن مدل ریاضی به ندرت به چشم می‌خورد و پیش بینی تنها از طریق تحلیل اطلاعات گذشته و ادغام تجربیات اپراتورها صورت می‌گیرد.
با ورود شبكه‌های عصبی به مقوله پیش بینی بار كوتاه مدت در سال 1991 توسط Yangm,HSU و Park و همكارانش، زمینه ابطال روشهای ریاضی قبل تقریباً به طور كلی فراهم گردید.
1-3 رئوس مطالب
فصل جاری حاوی مقدمه و تاریخچه پیش بینی بار كوتاه مدت و همچنین رئوس مطالب پایان نامه می‌باشد. در فصل دوم روشهای قدیمی پیش بینی بار كوتاه مدت ذكر شده و مهمترین آنها را كه بیش از سایرین استفاده می‌شدند، توضیح داده‌ایم. در فصل سوم مبانی شبكه‌های عصبی و شیوه‌های آموزش این شبكه‌های آمده‌است. با توجه به اهمیت و نقش پارامترهای ورودی در آموزش یك شبكه عصبی، در فصل چهار با جمع‌بندی كارای انجام شده قبلی در این زمینه به همراه مهمترین متغییرهای ورودی آنها آمده است و در فصل پنجم نیز كاربرد شبكه‌های عصبی در پیش بینی كوتاه مدت بار آمده است و در ادامه نتایج كلی و پیشنهاداتی برای انجام كارهای بعدی آمده است.

فصل 2
كلیات روشهای پیش بینی بار كوتاه مدت

2-1 انواع پیش بینی بار
2-1-1 پیش بینی بر اساس مقیاس زمانی
روشهای پیش بینی بار را بر اساس مقیاس زمانی بكار برده شده همانگونه كه گفته شد می‌توان به سه دسته تقسیم كرد :
1) پیش بینی كوتاه مدت از یك ساعت تا یك هفته كه در كنترل اتوماتیك و بهره‌برداری روزانه و لحظه به لحظه از سیستم استفاده دارد.
2) پیش بینی میان مدت بار كه تا دو سال را در بر می‌گیرد، در برنامه‌ریزی مسائل سوخت و تهیه برنامه‌‌های نگهداری و سرویس واحدهای تولید شبكه بكار گرفته می‌شود.
3) پیش بینی بلند مدت بار كه مربوط به پنج سال و بیش از آن است، در جهت گسترش سیستم و طراحی سیستم‌های جدید استفاده می‌شود.
2-1-2 پیش بینی بر اساس نحوه عملكرد
از نظر شیوه عملكرد، كلیه الگوریتم‌ها به دو دسته تقسیم می‌شوند : online , offline :
طریقه online در بهره‌برداری لحظه به لحظه از سیستم قدرت و ینز بار گذاری اقتصادی نیروگاههای سیستم مورد استفاده قرار می‌گیرد.
طریقه offline در جهت برنامه ریزی نیروگاههای بخاری و گازی استفاده می‌شود.
2-2 الگوی بارو عوامل مؤثر بر آن در سیستم قدرت
مجموع بار تمامی مصرف كننده‌ها به اضافه تلفات شبكه، كل بار سیستم ر ا تشكیل می‌دهد. منحنی مصرف برای مصرف كننده‌ها تا حدودی تصادفی و غیرمشخص بوده و به درستی قابل پیش بینی نیست و از سوی دیگر، هر مجموعه خاص از مصرف كننده‌ها منحنی مصرف مخصوص به خود را دارا است و به همین دلیل با استفاد هاز هر یك از مصرف كننده‌ها نمی‌توان به بار كل سیستم دست یافت. اما با وجود همه این شرایط همه مصرف كننده‌ها مجموعاً یكر وند و الگوی كلی ارائه می‌دهند كه می‌توان آن راب ا روشهای آماری پیش بینی كرد.
عوامل مؤثر بر منحنی مصرف را می‌توان به چهار دسته تقسیم كرد كه در زیر به توضیح هر یك می‌پردازیم :
2-2-1 عوامل اقتصادی
عوامل اقتصادی، شامل سطح فعالیت‌های كشاورزی و صنعتی، میزان رشد جمعیت و رشد اقتصادی منطقه (برای پیش‌بینی‌های میان مدت و بلند مدت)
2-2-2 عوامل اقلیمی
عوامل اقلیمی كه موجب می‌شود منحنی مصرف برق مربوط به دستگاه‌های گرم كننده و سرد كننده تغییر كند. عواملی چون درجه حرارت، رطوبت هوا و سرعت وزش باد از مهمترین عوامل اقلیمی می‌باشند كه در زیر به توضیح مختصری از هر یك می‌پردازیم :
2-2-2-1 درجه حرارت
دمای خشك بر روی مصرف انرژی ساعتی و همچنین مصرف زمان پیك تأثیر زیادی می‌گذارد، این اثر ابتدا باعث تغییر متوسط منحنی مصرف می‌گردد، به طوری كه مقدار متوسط الگوی بار یك روز گرم در تابستان بالاتر از یك روز سردتر قرار می‌گیرد و عكس این موضوع در زمستان مصداق پیدا می‌كند.


2-2-2-2- رطوبت
میزان رطوبت هوا باعث تغییر دمای مرطوب هوا و تغییر در احساس گرما توسط انسان می‌شود. این اثر در تابستان و بخصوص در نواحی شمالی و جنوب كشور كه اصطلاحاً دارای آب و هوایی شرجی هستند اثر قابل توجهی بر روی میزان مصرف بار می‌گذارد.
2-2-2-3 سرعت باد
باد در تابستان باعث خنك‌تر شدن هوا و در نتیجه كاهش میزان مصرف می‌شود و در زمستان نیز منجر به افزایش شدت سردی و درپی آن ازدیاد مصرف می‌گردد.
2-2-3 عامل زمانچ
عامل زمان كه در برگیرنده تغییرات فصلی مانند گشایش مراكز آموزشی، تغییر ساعات كار، تعطیلات سالیانه و از این قبیل تغییرات می‌باشد. همچنین تعطیلات آخرهفته و روزهای تعطیل پیش بینی شده نیز از جمله این عوامل محسوب می‌شوند.
2-2-4 عوامل تصادفی
عوامل تصادفی،‌به عنوان مثال صنایع فولاد و نورد و ذوب آهن نوسانات شدید و غیر قابل كنترل دارند. مشخص نبودن ساعت دقیق كار كرد این قبیل صنایع موجب می‌شود منحنی مصرف آنها شكل تصادفی به خود بگیرد. همچنین طوفان، ساعقه، پخش برنامه‌های خاص تلویزیون كه دارای مصرف مشخص نیستند، و رویدادهای مهم ورزشی را می‌توان از این قبیل عوامل تصادفی دانست.
آنچه مسلم است اینكه، اگر همه عوامل فوق را در پیش‌بینی بار در نظر بگیریم، به یك پیش گویی خارق‌العاده دست یافته‌ایم، اما آشكارا می‌توان فهمید كه امكان چنین امری بسیار بعید می‌باشد.
2-3 روشهای پیش بینی بار كوتاه مدت
? روشهای قدیمی و مبتنی بر روابط پیچیده ریاضی
? روشهای جدید و مبتنی بر الگوریتم‌های هوشمند
2-3-1 روشهای قدیمی پیش بینی بار كوتاه مدت
2-3-1-1 روشهای مبتنی بر بار پیك
این روشها از مدلهایی استفاده می‌كنند كه قادرند مقدار حداكثر بار روزانه و نه زمان وقوع آنرا برآورد كنند. این روشها از ابتدایی ترین روشهای پیش بینی بار هستند كه طبق رابطه زیر مقدار پیك بار را پیش‌بینی می‌كنند.
2-1
كه در این رابطه PB مقدار بار پایه آنروز را نشان می‌دهد كه به آب و هوا حساس نیست و PW بیانگر مولفه وابسته به آب و هوای روز موردنظر می‌باشد، برای پیش‌بینی PW می‌توان از روش رگرسیون استفاده كرد.
2-3-1-2 روشهای مبتنی بر شكل بار
این دسته از روشها را كه در پیش‌بینی بار استفاده می‌شد را بر حسب تكنیكهایی كه به كار می‌برند می‌توان به دو گروه عمده تقسیم كرد. در یك روش با الگوی بار همانند یك سیگنال سری زمانی برخورد می‌كند و بار آینده را با استفاد هاز تكنیكهای آنالیز سری زمانی پیش‌بینی می‌كند. روش دوم تشخیص می‌دهد كه الگوی بار به طور خیلی عمده به متغییرهای آب و هوایی بستگی دارد و یك رابطه یا تابع بین متغییرهای آب و هوایی و الگوی بار می‌یابد. در زیر به توضیح مختصری در مورد هر كدام می‌پردازیم.
2-3-1-2-1 روش سری زمانی
ایده روش سری زمانی بر اساس درك این مطلب است كه الگوی بار چیزی نیست بیش از سیگنال سری زمانی با پریودهای مشخص روزانه، هفتگی و یا فصلی. این تناوب یك پیش یك پیش بینی بار بی‌نظمی در هر زمان می‌دهد كه تفاوت این پیش بینی و بار واقعی را می‌توان به صورت یك فرآیند اتفاقی در نظر گرفت كه با آنالیز این سیگنال تصادفی می‌توان به دقت بیشتری در پیش‌بینی دست یافت. از جمله مهمترین تكنیكهایی كه برای آنالیز این سیگنال تصادفی استفاده می‌شوند می‌توان به فیلتر كالمن، روش باكس- جنكینز، اتوگرسیون، روش فضای حالت و روش تجزیه طیفی اشاره كرد. ولی در هر حال تكنیك‌های سری زمانی در صورتی كه یك تغییر ناگهانی در متغیرهای ورودی نباشد، مناسب كار می‌كنند، ولی اگر هرگونه تغییر ناگهانی در متغیرهای ورودی باشد سریهای زمانی نمی‌توانند بدرستی كار كنند. از طرف دیگر روشهای سری زمانی، از تعداد زیادی روابط غیر خطی استفاده می‌كنند كه به زمان محاسبه طولانی احتیاج دارند و ممكن است منجر به واگرایی گردند.
مشكلات عمده‌ای كه در ارتباط با سریهای زمانی مطرح می‌باشند، عبارتند از عدم دقت كافی در پیش بینی و ناپایداری عددی.
بین رفتار مصرف توان و متغیرهای آب و هوایی از قبیل درجه حرارت، رطوبت سرعت باد و پوشش ابری یك رابطه بسیار محكم وجود دارد، خصوصاً در نواحی مسكونی. روشهای سری زمانی غالباً از الگوریتم تطبیقی با محاسبات ماتریسی استفاده می‌كنند كه ممكن است باعث ناپایدار شود.
بیشتر روشهای رگرسیون سعی در پیدا كردن روابطی به صورت یك تابع بین متیغرهای آب و هوایی و تقاضاهای مصرف بار دارند. روشهای رگرسیون معمولی از توابع خطی یا تكه تكه خطی برای تابع پیش بینی استفاده می‌كنند. روش رگرسیون با استفاد هاز تركیب خطی از این توابع، یك رابطه بین متغیرهای آب و هوایی انتخاب شده و تقاضای بار پیدا می‌كند. ولی نكته‌ای كه باید به آن توجه داشت این است كه این روابط بین بار و متغیرهای آب و هوایی، روابطی ثابت نیستند بلكه به عناصری متغیر وابسته‌اند. روش رگرسیون نمی‌تواند این تغییرات را به خوبی دنبال كند.
روش فیلتر كالمن احتیاج به تخمین ماتریس كواریانس دارد، كه احتمال فراوان در متغیر بودن الگوی بار اجازه تخمین درستی را نمی‌دهد. روش باكس جنكینز احتیاج به تابع همبستگی برای تشخیص مدلهای اتورگرسیون میانگین متحرك، دارد. این كار می‌تواند با استفاد هاز تكنیكهای تشخیص الگو همراه باشد. مانع اصلی در اینجا كندی كار است. مدل اتورگرسیون میانگین متحرك برای تشریح رفتار اتفاقی الگوهای بار ساعتی در یك سیستم قدرت استفاده می‌شود. مدل اتورگرسیون میانگین متحرك فرض می‌كند كه بار یك ساعت را می‌توان با تركیب خطی بار چند ساعت قبل تخمین زد. معمولاً هر چه مجموعه دیتاها بیشتر باشد نتیجه حاصله از دقت بالاتری برخوردار است كه این خود باعث افزایش زمان لازم برای محاسبات می‌گردد.
2-2
كه در آن y(t-I) اطلاعات بار گذشته و a مربوط به اغتشاش حال و گذشته است. ها و ها پارامترهای مدل و q,p مرتبه مدل ARMA(p,q) می‌باشد.
2-3-1-2-2 روش تجزیه طیفی
روش تجزیه طیفی از سری فوریه استفاده می‌كند. به خاطر اینكه الگوی بار را می‌توان به طور تقریبی به صروت سیگنالهای تناوبی در نظر گرفت، لذا الگوی بار را می‌توان به صورت تركیبی از چندین موج سینوسی با فركانسهای مختلف در نظر گرفت. هر موج سینوسی با یك فركانس مشخص بیانگر یك پایه ارتوگونال (متعامد) است. یك تركیب خطی از این پایه‌های ارتوگونال با ضرایب صحیح می‌تواند بیانگر یك الگوی بار كاملاً تناوبی باشد. ولی در هر حال الگوهای بار به طور كامل و صددرصد متناوب نیستند. در این تكنیك معمولاً فقط كسر كوچكی از پایه‌های متعامد استفاده می‌شود و بنابراین الگوی بار می‌شود كه در حوزه فركانس منجر به مؤلفه‌های فركانس بالا می‌شود. بنابراین تكنیك تجزیه طیفی نمی‌تواند پیش بینی درستی برای حالات تغییر سریع در شرایط آب و هوایی انجام دهد، مگر اینكه عناصر پایه زیادی استفاده شود.
در این روش می‌توان منحنی مصرف بار را به سه مؤلفه تقسیم كرد. مؤلفه رشد بار در اشل زمانی بلند مدت، مؤلفه متغیر با روزهای هفته و مؤلفه تصادفی بار.
اگر بار سیستم در ساعت kام در روز a ام از سال باشد،‌ مقدار بار به این صورت نوشته می‌شود :
2-3
دو مؤلفه اول با حداقل كردن متوسط مربع خطای مؤلفه تصادفی با توجه به داده‌های گذشته بار در فاصله زمانی چند هفته مشخص می‌شود. هر كدام از دو مؤلفه فوق را می‌توان به صورتهای زیر نوشت :
2-4
در رابطه فوق nd : تعداد روزهای هفته و nw تعداد هفته مورد نظر در تعیین است. پس از تعیین مؤلفه باقیمانده بصورتی ك بسط از توابع مشخصه تابع همبستگی بیان می‌شود :
2-5
كه در آن مقدار ویژه و توابع مشخصه با استفاد هاز معادله انتگرالی زیر مشخص می‌شوند :
2-6
M : تعداد روزهایی كه برای محاسبه توابع همبستگی به كار می‌رود و تابع همبستگی است.

2-3-1-2-3 روش هموارسازی نمایی
با این روش می‌توان بار را تا یك هفته آینده محاسبه كرد ، بدون آنكه برای روزهای هفته تفاوتی قائل شد. به این ترتیب كه تغییرات هفتگی دربار ساعتی را به صورت یك تابع متناوب با پریود اصلی یك هفته (168 ساعت) كه در واقع یك بسط فوریه است بیان می‌كند :
2-7

در این رابطه دوره تناوب اصلی برابر 168 درنظر گرفته شده است. بنابراین مقدار wi به صورت می‌باشد كه ki ها ضرایب صحیح كوچكتر از 84 هستند. فرمولی كه بار را برای T واحد زمانی در اینده پیش‌بینی می‌كند عبارتست از :
2-8
عناصر بردار a (t) با معیار حداقل مربعات خطا بگونه‌ای برآورد می‌شوند كه مجموع مربع خطا حداقل شود :
2-9
این روش در مجموع دارای دقت نسبتاً حوبی در پیش‌بینی بار كوتاه مدت است.
2-3-1-2-4 روش فضای حالت
این یكی از كاملترین روشهاست. از بیست سال اخیر، برای مدل كردن بار سیستم معادلات حالت بخاطر ساختار مناسب روابط ریاضی آن و بدلیل امكان استفاده از فیلتر كالمن برای انجام پیش‌‌بینی بار مورد توجه قرار گرفته است. استفاده از این
روش بخاطر روابط تكراری به بهترین شكلی برای انجام محاسبات بطور on line امكان‌پذیر است.
شكل عمده این روش، شناسایی مدل مناسب و همچنین محاسبات زیاد برای بدست آوردن پارامترهای تشریح كننده مدل است. مزیت آن دقت نسبتاً خوب این روش است.
معادلات حالت به صورت زیر بیان می‌گردند :
معادله سیستم 2-10
معادله اندازه‌گیری 2-11
: ماتریس انتقال حالت
: سیگنال نویز با میانگین صفر و كواریانس ثابت
: بردار اندازه‌گیری در زمان k
: ماتریس اندازه‌گیری
: بردار خطای اندازه‌گیری با میانگین صفر و كواریانس R (k)
در هر لحظه از زمان k می‌توان یك تخمین اولیه برای X(t) بر حسب مقادیر قبلی آن تا لحظه k بدست آورد كه با نشان داده می‌شود. خطای متناظر با آن برابر است با :
2-12
X(k) مقدار واقعی فرآیند مورد نظر در زمان k است. برای این بردار خطا ، ماتریس كوتریانس خطا به صورت زیر تعریف می‌شود :
2-13
تخمین ثانویه توسط یك تركیب خطی از تخمین اولیه و خطای اندازه‌گیری بشكل زیر بدست می‌آید :
2-14
كه در اینجا k (k) ضریب بهره كالمن و تخمین ثانویه برای مقدار X در زمان t است. ماتریس پراكندگی این خطا مطابق رابطه زیر تعریف می‌شود :
2- 15
پس به طور خلاصه برای استفاده از این روش باید ابتدا یك تخمین اولیه پیش فرض مانند برای بار و برای ماتریس پراكندگی بدست آورد . سپس بهره كالمن را محاسبه كرد و بعد از آن ماتریس پراكندگی بدست آورد. سپس ضریب بهره كالمن را محاسبه كرد و بعد از آن ماتریس پراكندگی را update كرده و سپس به پیش‌بینی و بپردازیم :
2- 16
و سپس برای یك مرحله بعد محاسبات را از مرحله دوم باید تكرار كنیم .
بنابراین همانگونه كه در بالا نیز گفته شد تكنیكهای مورد استفاده در روشهای سری زمانی در شرایط عادی خوب كار می‌كنند ولی در شرایطی كه یك تغییر ناگهانی در شرایط آب و هوایی یا دیگر متغیر‌های تأثیرگذار در الگوی بار بوجود آید، دیگر این تكنیكها نمی‌توانند بدرستی كار كنند. از طرفی با توجه به اینكه در این تكنیكها از تعداد زیادی روابط پیچیده ریاضی استفاده می‌شود، زمان محاسبات زیاد است و ممكن است كه منجر به ناپایداری نیز گردد.
2-3-1-2-4 رگرسیون
روش عمومی در رگرسیون به صورت زیر است :
1) انتخاب متغیرهای آب و هوائی صحیح و قابل استفاده
2) پذیرفتن عناصر تابعی اصلی
3) پیدا كردن ضرائب صحیح برای تركیب خطی عناصر تابعی اصلی
بخاطر اینكه درجه حرارت از مهمترین اطلاعات آب و هوایی است، لذا غالباً در روش رگرسیون استفاده می‌شود. به هر حال اگر ما متغیرهای دیگری از جمله رطوبت، سرعت باد و پوشش ابری را نیز اعمال كنیم به نتایج بهتری خواهیم رسید.
غالب روشهای رگرسیون از توابع ساده خطی یا تكه تكه خطی به عنوان عناصر تابعی اصلی استفاده می‌كنند. رابطه‌ای كه غالباً برای بیان رابطه بین بار L ، و درجه حرارت T استفاده می‌شود به صورت زیر است :
2-17
كه در آن
2-18
و ثابت‌هایی هستد و برای تمام I ها ،
علاوه بر ریگرسیون روشهای دیگری نیز برای پیدا كردن ضرائب تابعی پیشنهاد شده است.
1) جبر از تكنیك تشخیص الگو نیز برای پیدا كردن نزدیكترین همسایه برای یك بار هشت ساعتی با استفاده از الگوی آب و هوایی داده شده استفاده كرد.
2) یك كاربرد از الگوریتم مربع خطی تعمیم یافته توسط ایریساری پیشنهاد شد ولی در هر حال GLSA غالباً با ناپایداری‌های عددی همراه است خصوصاً در مواقعی كه برای یك مجموعه دیتاهای زیاد استفاده شود.
3) رحمان یك روش سیستم خبره را اعمال كرد . سیستم خبره مزیت استفاده از اطلاعات یك شخص خبره اپراتور را دارد. او چندین محدوده درجه حرارتی ایجاد كرد و روابط تابعی متفائژوتی بر طبق ساعت مورد نظر ایجاد كرد. این كار موجب شد تا پیش‌بینی نسبتاً خوبی صورت گیرد، ولی استخراج اطلاعات از یك خبره ساده نیست و گرفتن اطلاعات كامل و جامع از تجربیات یك فرد خبره تا حدودی مشكل است.
2-3-2- روشهای جدید پیش‌بینی بار كوتاه مدت
روشهای جدید پیش‌بینی بار كوتاه مدت كه هم اكنون به وفور استفاده می‌شوند همان بكار‌گیری شبكه‌های عصبی و فازی در پیش‌بینی می‌باشند كه هر یك دارای محاسنی می‌باشند. مزیتهای فراوان این شبكه‌ها نسبت به روش‌های قدیمی بكلی كنار گذاشته شوند و به این روش‌های جدید روی آورده شود.

فصل 3
شبكه‌های عصبی مصنوعی

3-1 مقدمه
در سالیان اخیر شاهد حركتی مستمر از تحقیقات صرفاً تئوری به تحقیقات كاربردی علی‌الخصوص در پردازش اطلاعات برای مسائلی كه یا برای آنها راه حلی موجود نیست و یا براحتی قابل حل نیستند، بوده‌ایم.
با عنایت به این حقیقت، علاقه فراینده‌ای در توسعه تئوریك سیستم‌های دینامیكی هوشمند كه مبتنی بر داده‌های تجربی هستند، ایجاد شده است. شبكه‌های عصبی مصنوعی جزوا ین دسته از سیستم‌های دینامیكی قرار دارند كه با پردازش بر روی داده‌های تجربی، دانش یا قانون نهفته در ورای داده‌ها را به ساختار شبكه منتقل می‌كنند، به همین خاطر به این سیستم‌ها هوشمند گویند،‌چراكه بر اساس محاسبات روی داده‌ها عددی یا مثالها قوانین كلی را فرا می‌گیرند. این سیستم‌ها مبتنی بر هوش محاسباتی سعی در مدلسازی ساختار مغز بشر دارند.
مغز انسان به عنوان یك سیستم پردازش اطلاعا تبا ساختار موازی و كاملاً پیچیده كه دو درصد وزن بدن را تشكیل می‌دهد و بیش از بیست درصد كل اكسیژن بدن را مصرف می‌كند برای خواندن، نفس كشیدن، حركت، تفكر و تفحص و كلیه اعمال آگاهانه و بسیاری رفتارهای ناخودآگاه استفاده می‌شود. این مغز چگونه این كارها را انجام می‌دهد از زمانی شروع شد كه دریافتند مغز برای محاسبات خود اساساً از ساختاری كاملاً مغایر با ساختار كامپیوترهای متداول برخوردار است.
تلاش برای فهم این موضوع خصوصاً از زمانی مطرح شد كه برای نخستین بار در سال 1911 شخصی نام سگال اعلام كرد كه مغز از عناصر اصلی ساختاری به نام نرون تشكیل یافته است. هر نرون بیولوژیكی به عنوان اجتماعی از مواد آلی، اگرچه دارای پیچیدگی یك میكروپروسسور می‌باشد ولی دارای سرعت محاسباتی براب ربا سرعت یك میكروپروسسور نیست.
دانشمندان علم بیولوژیكی به تازگی دریافته‌اند كه شبكه‌های نرونی چگونه كار می‌كنند، به طور كلی به این نتیجه رسیده‌اند كه عملكرد نرونهای بیولوژیكی از قبیل ذخیره سازی و حفظ اطلاعات در خود نرونها و ارتباطات بین نرونها نفهته است. به عبارت فنی‌تر یادگیری به عنوان ایجاد ارتباطات جدید بین نرونها و تنظیم و ارتباطات بین نرونها و تنظیم مجدد ارتباطات موجود، استنباط می‌شود.
مغز به عنوان یك سیستم پردازش اطلاعات با ساختار موازی از 100 تریلیون (1011) نرونهای به هم مرتبط با تعداد كل 1016 ارتباط تشكیل شده است. نرونها ساده‌ترین واحد ساختاری سیستمهای عصبی هستند بافتهایی كه عصب نامیده می‌شوند، اجتماعی از نرونها می‌باشند.
شبكه‌های مصنوعی دارای برخی ویژگی‌ها و همچنین برخی شباهتها با شبكه‌های بیولوژیكی می‌باشند، شباهت آنها را می‌توان در دو مورد زیر خلاصه كرد :
1- بلوك ساختاری در هر دو شبكه مصنوعی و بیولوژیكی دستگاه‌های محاسباتی خیلی ساده‌ای هستند و مضاف بر این نرونها مصنوعی از سادگی بیشتر برخوردار می‌باشند.

3-2 ویژگیها
شبكه‌های عصبی مصنوعی با وجود اینكه با سیستم عصبی طبیعی قابل مقایسه نیستند، ویژگیهایی دارند كه آنهنا را در بعضی از كاربردها مانند تفكیك الگو، رباتیك، كنترل و به طور كلی در هر جا كه نیاز به یادگیری یك نگاشت خطی و یا غیر خطی باشد، ممتاز می‌نمایند. این ویژگیها عبارتند از :
3-2-1 قابلیت یادگیری
استخراج نتایج تحلیلی از یك نگاشت غیرخطی كه با چند مثال مشخص شده، كار ساده‌ای نیست. چون می‌دانیم كه یك نرون یك دستگاه غیر خطی است، در نتیجه یك شبكه عصبی كه از اجتماع این نرونها تشكیل می‌شود هم یك سیستم كاملاً پیچیده‌ و غیر خطی خواهد بود. به علاوه، خاصیت غیر خطی عناصر پردازش، در كل شبكه توزیع می‌گردد. هنگام پیاده سازی این نتایج با یك الگوریتم معمولی و بدون قابلیت یادگیری نیاز به دقت و مراقبت زیادی دارد. در چنین حالتی سیستمی كه بتواند خود این رابطه را استخراج كند بسیار سودمند به نظر می‌رسد. خصوصاً اینكه افزودن مثالهای احتمالی در اینده به یك سیستم با قابلیت یادگیری، به مراتب آسانتر از انجام آن در یك سیستم بدون چنین قابلیتی است چرا كه در سیستم اخیر افزودن یك مثال جدید به منزله تعویض كلیه كارهای انجام شده قبلی می‌باشد.
قابلیت یادگیری یعنی توانایی تنظیم پارامترهای شبكه در مسیر زمان كه محیط شبكه تغییر می‌كند وشبكه شرایط جدید را تجربه می‌كند، با این هدف كه اگر شبكه برای یك وضعیت خاص آموزش دید و تغییر كوچكی در شرایط محیطی شبكه رخ داد، شبكه بتواند با آموزش مختصر برای شرایط جدید نیز كار آمد باشد. دیگر اینكه اطلاعات در شبكه‌های عصبی در سیناپسها ذخیره و هر نرون در شبكه به صورت، بالقوه از كل فعالیت سایر نرونها متأثر می‌شود. در نتیجه، اطلاعات از نوع مجزا از هم نبوده، بلكه متأثر از كل شبكه می‌باشد.
3-2-2 پراكندگی اطلاعات پردازش اطلاعات بصورت متن
آنچه كه شبكه فرا می‌گیرد و یا به صورت دیگر اطلاعات یا دانش، در وزن‌های سیناپسی مستتر می‌باشد. رابطه یك به یك بین ورودیها و وزن‌های سیناپتیكی وجود ندارد. می‌توان گفت كه هر وزن سیناپس مربوط به همه ورودیها است ولی به هیچیك از آنها به طور منفرد و مجزا مربوط نیست. به عبارت دیگر هر نرون در شبكه از كل فعالیت سایر نرونها متأثر می‌باشد. در نتیجه اطلاعات به صورت متن توسط شبكه‌های عصبی پردازش می‌شود. بر این اساس چنانچه بخشی از سلولهای شبكه حذف شوند و یا عملكرد غلط داشته باشند باز هم احتمال رسیدن به پاسخ صحیح وجود دارد. اگرچه این احتمال برای تمام ورودیها كاهش یافته ولی برای هیچ یك از بین نرفته است.
3-2-3- قابلیت تعمیم
پس از آنكه مثالهای اولیه به شبكه آموزش داده شد، شبكه می‌تواند در مقابل یك ورودی آموزش داده نشده قرار گیرد و یك خروجی مناسب ارائه نماید. این خروجی بر اساس مكانیسم تعمیم كه همانا چیزی جز یك پروسه درونیابی نیست بدست می‌آید. به عبارت روشنتر ، شبكه تابع را یاد می‌گیرد ، الگوریتم را می‌آموزد و یا رابطه تحلیل مناسبی را برای تعداد نقاط در فضا بدست می‌آورد.

3-2-4 پردازش موازی
هنگامی كه شبكه‌ عصبی در قالب سخت افزار پیاده می‌شود، سلولهایی كه در یك تراز قرار می‌گیرند، می‌توانند به طور همزمان به ورودیهای آن تراز پاسخ دهند. این ویژگی باعث افزایش سرعت پردزاش می‌شود. در واقع در چنین سیستمی، وظیفه كلی پردازش، بین پردازنده‌های كوچكتر مستقل از یكدیگر توزیع می‌گردد.
3-2-5 مقاوم بودن
در یك شبكه عصبی، هر سلول به طور مستقل عمل می‌كند و رفتار كلی برآیند رفتارهای محلی سلولها متعددی است. این ویژگی باعث می‌شود تا خطاهای محلی از چشم خروجی نهایی بدور بمانند. به عبارت دیگر، سلولها در یكر وند همكاری، خطاهای محلی یكدیگر را تصحیح می‌كنند. این خصوصیت باعث افزایش مقاوم بودن (تحمل پذیری خطاها) در سیستم می‌گردد.
3-3 تاریخچه شبكه‌های عصبی
دیدگاه شبكه‌های عصبی در دهه 40 قرن بیستم شروع شد، زمانی كه وارن مك كلوث و والترپیتز نشان دادند كه شبكه‌های عصبی در اصل می‌توانند هر تابع حسابی و منطقی را محاسبه نمایند. كار این افراد را می‌توان نقطه شروع حوزه علمی شبكه‌های عصبی مصنوعی نامید.
نخستین كاربر عملی شبكه‌های عصبی در اواخر دهه 50 قرن بیستم مطرح شد، زمانیكه فرانك روزنبلات در سال 1958 شبكه پرسپترون را معرفی نمود. روزنبلات و همكارانش شبكه‌ای ساختند كه قادر بود الگوها را از هم شناسایی كند. ولی به طور كلی تا اواسط 1980 توجه كمی به شبكه‌های عصبی شده بود، چراكه تا قبل از آن معمولاً آموزش شبكه‌های عصبی باب یش از دو لایه امكان نداشت. متأسفانه دنیای واقعی ما به صورت پیوسته است و نمی‌توان آنها را به صورت مدلهای ساده بیان كرد.
اولین گام در بهبود شبكه‌های عصبی زمانی بود كه شبكه‌های چند لایه مطرح شدند. پس از آن ایده مهمی كه كلید توسعه شبكه‌های عصبی در دهه 80 شد، الگوریتم، پس از انتشار خطا بود كه توسط دیوید راملهارت و جیمز مكلند مطرح گردید با پیدایش این روش در واقع مانع اصلی در زمینه شبكه‌های عصبی برداشته شد و شبكه‌های عصبی را متحول كرد.
گرچه این روش در سال 1974 كشف شد ولی تا سال 1980 عملاً به طور وسیعی مورد استفاده قرار نگرفت. شبكه‌های دولایه معمولاً فقط قادر به بیان روابط خطی بین بردارهای ورودی و خروجی بودند ولی این روش اجازه داد تا شبكه‌های آنالوگ با سه لایه یا بیشتر آموزش ببینند،‌لذا دری باز شد بر روی بسیاری كاربردهای آن شبكه‌های عصبی چند لایه می‌توانند بیشتر روابط خطی و غیر خطی بین متغیرهای ورودی خروجی را یاد بگیرند. بخاطر سریع و ارزان بودن كامپیوتر شخصی می‌تواند كاربردهای این تكنولوژی جدید را در بسیاری محاسبات متنوع ببیند. همینكه شبكه‌های عصبی به صورت خیلی رایج برای كاربردهای پیش بینی هوا، تشخیص صحبت و دستخط، تمیز كردن نویز در تصاویر ویدیوئی، بازیهای كامپیوتری،‌ پیش‌بینی بار، قسمتهای ماشین ابزار، ترجمه زبانهای طبیعی، آشكار كننده مواد منفجره در چمدانهای فرودگاهها و پیش بینی برنده بازی استفاده می‌شوند. معمولاً شبكه‌های عصبی بهترین انتخاب برای مسائلی می‌باشند كه مقدار زیادی داده در آن موجود است و یك رابطه غیر خطی بین پترن‌های ورودی و خروجی موجود است.
در ده سال اخیر هزاران مقاله نوشته شده است و شبكه‌های عصبی كاربر زیادی در رشته‌های مختلف علوم پیدا كرده‌اند. شبكه‌های عصبی در هر د وجهت توسعه تئوریك و عملی در حال رشد می‌باشند. بیشتر پیشرفتها در شبكه‌های عصبی به ساختارهای نوین و روشهای یادگیری جدید مربوط می‌شود.
در زیر نگاهی اجمالی به تاریخچه شبكه‌های عصبی داریم.
1942 – مك‌كالوج و پیتز : مدل غیر خطی ساده نرون
1949 – هب: اولین قانون یادگیری
1958- روزنبلات : پرسپترون، ماشینی كه قادر است یاد بگیرد كه چگونه با استفاد هاز تطبیق وزنها، اطلاعات را دسته بندی كند.
1962-1960- ویدرو و هاف: نشان دادن حدود تئوریكی پرسپترون به عنوان كامپیوترهای عمومی 230 سال در حالت بدون پیشرفت و تحرك، ولی بعضی به صورت جداگانه به تحقیقات ادامه می‌دادند.
1982 – هاپفیلد: نشان داد كه با استفاد هاز تابع انرژی می‌توان مسائل زیادی را حل كرد.
1982- كوهنن : تشریح یادگیری خود سازمانده
1986- راملهرت : كشف روش پس انتشار خطا
1987 – مینسكی
1988- چاو و یانگ : شبكه‌های عصبی سلول دار، شبكه‌های كاربردی، با در نظر گرفتن نرونهایی كه نزدیك‌‌ترین همسایه‌ها متصل بودند.
همینك : پیشرفت به صورت پیوسته هم از نظر تئوری و هم از لحاظ كاربردهای عملی ادامه دارد.
فاصله زمانی 25 ساله خواب زمستانی (توقف پیشرفت در شبكه های عصبی) بخاطر این بود كه تا آن زمان شبكه های بالایی مخفی بوجود نیامده بود و این مدلها بدون لایه مخفی قادر به حل مسائل نبود.
در زیر جدولی از مشهورترین شبكه های عصبی به همراه سال معرفی آنها و مخترع آنها آمده است.
سال شبكه مخترع/ كاشف
1942 مك كالوچ – پیتزنرون مك كالوچ ، پیتز
1957 پرسپترون روزنبلات
1960 مادالاین ویدرو
1969 سربلاترون الباس
1974 شبكه پس انتشار خطا وربز، پاركر، راملهارت
1977 حالت مغز در یك جعبه اندرسون
1978 نئوكوگنیترون فوكوشیما
1978 تئوری رزونانس تطبیقی كارپنتر، گراس برگ
1980 خودسازمانده كوهنن
1982 شبكه هاپفیلد هاپفیلد
1985 حافظه دو جهتی كوسكو
1985 ماشین بولتزمن هینتون، سجنووسكی، سزو
1986 انتشار معكوس هچت، نیلسون
1988 شبكه عصبی سلولی چوا، یانگ
جدول 3-1: مشهورترین شبكه های عصبی به همراه سال معرفی آنها و مخترع آنها (26)
3- 4 شبكه های عصبی طبیعی
مغز انسان كه از پیچیده ترین ابزارهای محاسباتی به شمار می رود به صورت یك سیستم دینامیكی با ساختار موازی و پردازشگری كاملاً مغایر با پردازشگرهای متداول است. مغز به عنوان یك سیستم پردازش اطلاعات با ساختار موازی از 100 تریلیون (100میلیارد) نرون متصل به هم با تعداد كل ارتباط تشكیل شده است.
نرونها ساده ترین واحد ساختارهای سیستمهای عصبی هستند. بافتهایی كه عصب نامیده می شوند، اجتماعی از نورونها می باشند. این نرونها اطلاعات و پیامها را از یك قسمت بدن به قسمت دیگر منتقل می كنند. پیامها از نوع ایمپالسهای الكتروشیمیایی هستند. میلیونها نرون دربدن انسان وجود دارد، حتی ساده ترین كارهای روزمره انسان از قبیل پلك ردن، تنها از طریق همكاری همه جانبه این نرونها میسر است.
بیشترین تعداد نرونها در مغز باقی در نخاع و سیستمهای عصبی جانبی تمركز یافته اند.
گرچه همگی نرونها كاركرد یكسانی دارند ولی اندازه و شكل آنها بستگی به محل قرارگیری آنها در سیستم عصبی دارد، با وجود این همه تنوع بیشتر، نرونها از سه قسمت اساسی تشكیل شده اند:
1-بدنه سلول: كه شامل هسته و قسمتهای حفاظتی دیگر می باشد.
2-دندریت: دندریت ها رشته های نازكی در انتهای آكسون و در اطراف عصبهای بعدی هستند.
3-آكسون: وسیله انتقال خروجی بدنه سلول به سایر عصبها می باشند.


شكل (3-1) نواحی اصلی یك سلول عصبی بیولوژیك (17)
نقاط اتصال بین یك تعداد عصب به مجموعه دیگری از عصبها تحت عنوان سیناپس ها شناخته می شوند، كه اطلاعات و تجربیات قبلی عصب در قدرت انتقال سیناپس ها واقع شده است. سیناپس ها كه در واقع بخشی از دندریت ها هستند، در دو نوع تحریك كننده و باز دارنده وجود دارند. اگر سیناپس ها از نوع تحریك كننده باشند، سطح فعالیت فرستنده، فعالیت عصب گیرنده را افزایش می دهد و اگر از نوع باز دارنده باشند، سطح فعالیت عصب گیرنده را كاهش می دهند. اختلاف سیناپس ها نه تنها در تحریك یا باز داشتن عصب گیرنده است بلكه در میزان این اثر (شدت سیناپسی) نیز می باشد.
قدرت زیاد مغز انسان در تفكر ، یادگیری ، به یاد آوردی، تعمیم، حل مسائل و …. سبب شد تا دانشمندان به مدل سازی آن بپردازند. با توجه به اینكه سرعت زیاد مغز انسان مربوط به موازی كار كردن عصبها به عنوان واحدهای محاسباتی می باشد، شبكه های عصبی مصنوعی را نیز بر همین اساس یعنی سیستمهای پردازش موازی طرح كرده اند.

لینک کمکی