Payannameh

.4-1مدل سازی نورون درشبکه های عصبی مصنوعی.11
.5-1انواع شبکه های عصبی مصنوعی12…
.6-1یادگیری در شبکه های عصبی مصنوعی14…
.7-1شبکه های عصبی پیش رو15…
.8-1شبکه های عصبی پس انتشار17
.1-8-1روش آموزش پس انتشار18…
.9-1شبکه های عصبی انعطاف پذیر21…
فصل دوم:تشخیص میزان موفقیت داروهای HPT درکاهش انگلهای دامی با استفاده از شبکه های عصبی
.1-2موضوع27
.2-2شیوه ها28
.3-2نتایج آزما یش های بالینی30
.4-2تحقیق پرسشنامه ای34
.5-2پیاده سازی داده های جمع آوری شده با استفاده از شبکه های عصبی36
فصل سوم: روش پیاده سازی شبکه های عصبی با استفاده از FPGA
.1-3 مقدمه ای بر 43..…FPGA
.2-3روش پیاده سازی شبکه های عصبی با استفاده از 48FPGA
فصل چهارم:
نتیجه گیری و پیشنهادات69
منابع علمی مقاله-منابع تحقیقارائه شده در پجمین کنفرانس بین المللی سیستم های هوشمند WSEASکشور اسپانیا (مادرید 73(2006
چکیده انگلیسی77
فهرست جدول ها
عنوانصفحه
.1-1جدول: : توابع مهم قابل استفاده در شبکه های عصبی 12..................................................
.1-2 جدول : سطح آماری گروههای تحت درمان و کنترل 31..................................................................................................
.2-2جدول: درصدلارو آلوده در 38 دسته از گروههای تحت کنترل و بررسی 33................................................
.3-2جدول: نشان دهنده درصد وجود انگلهادر دامهای موردا زمایش 382
.4-2جدول: نتایج شبیه سازی برای داده های تست 41...........
فهرست شکل ها عنوان صفحه
.1-1شکل: جریان اطلاعات در سیستم عصبی انسان 7
.2-1شکل: مدل سازی یک نورون مصنوعی 11
.3-1شکل: شبکه عصبی با طراحی پیش رو سه لایه 15
.4-1شکل: ساختار شبکه عصبی با طراحی پس انتشار سه لایه 17
.5-1شکل: منحنی تغییرات تابع انعطاف پذیر تک قطبی نسبت به پارامتر a 23
.6-1شکل: منحنی تغییرات تابع انعطاف پذیر دو قطبی نسبت به پارامتر a ٢٣
.1-2شکل: ساختار شبکه عصبی طراحی شده 39
.2-2شکل: کاهش خطا در حین شبیه سازی 40
.1-3شکل: ساختار آرایه ای یک PLA 45
.2-3شکل: ساختار آرایه ای یکSPLD 46
.3-3شکل: یک ساختار LUTچهار ورودی که عمل AND را انجام می دهد 47
.4-3شکل: شمای کلی شبکه پیاده سازی شده با FPGA 50
.5-3شکل: پیاده سازی تابع فعالیت برای نورون های ورودی 52
.6-3شکل: پیاده سازی تابع فعالیت برای نورون های خروجی 53
.7-3شکل: پیاده سازی تابع مجموع حاصل ضرب 54
.8-3شکل: جمع کننده 16 بیتی 55
.9-3شکل: جمع کننده 32 بیتی 56
.10-3شکل: مقایسه تابع سیگموئید و بسط مک لورن تا جمله X 11 58
.11-3شکل: پیاده سازی تابع سیگموئید 61
.12-3شکل: شمارنده 16 بیتی 62
.13-3شکل: T Flip Flop 63
.14-3شکل: مالتی پلکسر دو به یک 63
.15-3شکل: شیفت رجیستر 64
.16-3شکل: لچ 16 بیتی 65
.17-3شکل: شیفت دهنده به چپ و راست 66
.18-3شکل:مقایسه کننده 32 بیتی 67
چکیده :
شبکه های عصبی با توجه به توان بالا درپـردازش موازی،قابلیـت یـادگیری، تعمـیم، طبقـه بندی، قدرت تقریب، به خاطر سپردن و به خـاطر آوردن الگوهـا، خیـزش وسـیعی در زمینـه هـای مختلف هوش مصنوعی ایجاد کرده اند. از این رو به دلیل عملکرد خوب شبکه های عصبی مصنوعی برای شناسایی الگو، در این پایان نامه از شبکه های عصبی چنـد لایـه جهـت پیـاده سـازی سـخت افزاری سیستم استفاده شده است و روش جدیدی برای پیاده سازی شـبکه هـای عـصبی بـر روی
FPGA ارائه شده است . برای پیاده سـازی شـبکه عـصبی از داده هـای آمـاری اداره دامپزشـکی منطقه مغان استان اردبیل به عنوان مثال کاربردی استفاده شده است .
ضرایب وزن و بایاس شبکه عصبی MLP که از شبیه سازی توسط MATLAB بـه دسـت آمـده
است، برای پیاده سازی برروی FPGA، از سری XC 4000 استفاده شده است. برای پیاده سازی
برروی FPGA، از نرم افزار Foundation 4,1 بهره جستیم وتمام مدارات منطقی توسط این نـرم
افزار طراحی شده است . نتایج به دست آمده گویای این مطلب است که FPGA به دلیـل داشـتن
انعطاف پذیری و گیت های منطقی زیاد، برای پیاده سازی شبکه های عصبی ،IC مناسبی است .
١
مقدمه

مقدمه:
شبکه های عصبی با توجه به توان بالا درپردازش موازی،قابلیت یادگیری، تعمیم، طبقه بندی، قدرت تقریب، به خاطر سپردن و به خاطر آوردن الگوها، خیزش وسیعی در زمینه های مختلف هوش مصنوعی ایجاد کرده اند.از این رو به دلیل عملکرد خوب شبکه های عصبی مصنوعی برای شناسایی الگو، در این پایان نامه از شبکه های عصبی چند لایه جهت پیاده سازی سخت افزاری سیستم استفاده شده است. با توجه به طراحی سیستم های هوشمند و کوچکی که در لوازم روزمره امروزی کاربرد دارند، و از طرفی امکان ارتباط آنها به کا مپیوتر وجود ندارد نیاز به پیاده سازی سخت افزاری شبکه های عصبی در حجم کوچک احساس می شود و با توجه به این که آی
سی های FPGA بسیار انعطاف پذیر می باشند و به صورت نرم افزاری تمام طرح های سخت افزاری را می توان پیاده نمود لذا گزینه مناسبی جهت پیاده سازی سخت افزاری شبکه های عصبی می باشد.
در این پروژه یک روش برای پیاده سازی شبکه عصبی بر روی FPGA ارائه شده است .
برای پیاده سازی شبکه عصبی از داده های آماری اداره دامپزشکی منطقه مغان استان اردبیل استفاده شده است .
هدف از جمع آوری این داده های آماری تشخیص و شناسایی یک الگو جهت پیاده سازی در یک
شبکه عصبی از نوع چند لایهMLP است .
برای آموزش شبکه عصبی از روش پس انتشار خطا با 300 بار آموزش برای رسیدن به
حداقل خطای مورد نظر استفاده شده است.
ضرایب وزن و بایاس های به دست آمده از آموزش شبکه عصبی در مرحله بعد برای پیاده سازی آن
روی FPGA استفاده می شود.
2
مقدمه

تعداد داده های آماری در این پروژه 38 داده می باشد که هر یک دارای سه ورودی و یک خروجی است و به عنوان داده ورودی و خروجی برای آموزش شبکه مورد نظر استفاده شده است .
از این 38 داده 34 داده برای آموزش شبکه و 4 داده به عنوان داده تست انتخاب شدند. بعد از
تعیین ضرایب وزنی و بایاس جهت پیاده سازی آن بر روی FPGA سری XC4000 از نرم افزار
Foundation 4,1 برای طراحی مدارات مربوطه استفاده شده است . FPGA, IC سری
XC4000 دارای حجم گیت های منطقی زیاد و انعطاف پذیری خیلی بالا برای پیاده سازی سخت افزاری شبکه های عصبی است. به دلیل استفاده از داده های ثابت در پیاده سازی شبکه بر
روی FPGA، شبکه ، دوباره قابل آموزش نیست.
با توجه به مراحل مختلف به کار گرفته شده در این پروژه جمع بندی و شکل دهی پایان نامه در 4
فصل مورد مطالعه قرار گرفته است .
در فصل اول سیستم های عصبی , انواع شبکه های عصبی , مدل سازی و انواع روشهای آموزش شبکه عصبی مورد بررسی قرار گرفته است .
در فصل دوم روش جمع آوری داده های دامپزشکی بر اساس در صد وجود انگل در گله های
دامی و روش از بین بردن این انگلها بر اساس تزریق داروئی BZD در پیش بینی میزان موفقیت این دارو و در کاهش انگلهای دامی به عنوان داده برای شبکه عصبی انتخاب و توضیح داده شده است.
در فصل سوم روش پیاده سازی سخت افزاری شبکه عصبی بر روی FPGA سری
XC4000 با نرم افزار Foundation 4,1 همراه با مدارهای طراحی شده توضیح داده شده است .
ودر نهایت در فصل چهارم نتیجه گیری کار های انجام شده و پیشنهادات لازم برای افزایش کارائی پژوهش مورد نظر، ارائه شده است.
3
فصل اولشبکههای عصبی

فصل اول
شبکه های عصبی
۴
فصل اولشبکههای عصبی

پیشگفتار
در این فصل ابتدا به معرفی شبکه های عصبی طبیعی و سپس اهمیت اسـتفاده از شـبکه هـای عصبی مصنوعی و در ادامه به معرفی مدلهای مختلف انواع شبکه های عصبی مصنوعی می پـردازیم.
همچنین روش های آموزش شبکه های عصبی، موضوع مورد بحث این فصل قرار گرفته است.
(1-1 سیستم های عصبی طبیعی
مغزانسان از واحدهای پردازنده ای به نام نورون تشکیل شده اسـت. ایـن نورونهـا از طریـق یـک
شبکه به هم پیوسته از اکسون1 وسیناپس2 با چگالی تقریبی 104 سیناپس در نورون با هم ارتبـاط دارند.در مدل سازی سیستم عصبی طبیعی، فرض بر این است که نورونها با استفاده ازسیگنال هـای الکتریکی با هم ارتباط برقرار می کنند.
عملکرد نورونها در یک محیط شیمیایی صورت می گیرد، ازاین رو می تـوان مغـز را بـه صـورت شبکه ای از سوئیچ های الکتریکی با چگالی زیاد در نظر گرفـت کـه بـه طـور قابـل ملاحظـه ای از
فرایندهای شیمیایی تأثیرمی پذیرد. شبکه عصبی ساختار پیچیده ای از نورونهای بـه هـم پیوسـته
دارد.ورودی شبکه از طریق گیرنده های حسی تأمین می شود.
این گیرنده ها تحریکی را از داخل بدن و همچنین از اندامهای حسی (هنگامی کـه تحریکـی از دنیای خارج انجام گیرد) دریافت می کنند. تحریک ها، اطلاعات را به شکل ضربه های الکتریکی بـه شبکه نورون ها انتقال می دهند. در اثر پردازش اطلاعات، واکنش صورت می گیرد.

-Axons -Synapse

1
2
۵
فصل اولشبکههای عصبی

بنابراین برای کنترل اندام ها و اعمال آنها یک سیـستم سـه مرحلـه ای وجـود دارد کـه شـامل گیرنده ها، شبکه عصبی و انگیزنده هاست. درشـکل 1-1 یـک طـرح تقریبـی از جریـان اطلاعـات نمایش داده شده است.
( 1 - 1 - 1 نورون بیولوژیک[1]
نورون، اساسی ترین جزء تشکیل دهنده شبکه عصبی طبیعی می باشـد. طـرح تقریبـی از آن در شکل 1-1 نمایش داده شده است.
یک سلول از سه ناحیه تشکیل شده است :
بدنه سلول –که سوما1 نیز خوانده می شود – اکسون و دندریتها.2 دندریتها که در حکـم ورودی های شبکه می باشد یک درخت دندریتی تشکیل می دهند که توده های بسیار کوچک از فیبرهـای نازک در اطراف بدنه نورون است. دندریتها اطلاعات را از طریق اکسونها که در حکم خروجـی هـای شبکه می باشد دریافت می کنند. قسمت انتهایی اکسون،به یک شـبکه ریـز منتهـی مـی شـود کـه هریک از شاخه های آن به یک حباب انتهایی کوچک ختم می شـود. ایـن حبـاب را کـه تقریبـا در تماس با نورونهای همسایه است،وزن سیناپس می نامند. سیگنالهایی که به سـیناپس مـی رسـند و توسط دندریتها دریافت می شوند، به صورت ضربه های الکتریکی هستند. انتقال بین نورونی گـاهی
اوقات الکتریکی است ولی معمولا تحت تأثیر آزاد شدن حاملهای شـیمیای در سـیناپس قـرار مـی
گیرد.

-Soma -Dendrites

1
2
۶
فصل اولشبکههای عصبی

شکل 1-1 جریان اطلاعات در سیستم عصبی انسان
نورون می تواند به حاصل جمع ورودی های خود که طی یک بازه زمانی کوچک با یکدیگر جمع
می شوند،پاسخ دهد که این بازه زمانی را "زمـان انباشـتگی پنهـان"1 مـی نامنـد. پاسـخ نـورون در صورتی تولید می شود که پتانسیل غشای آن به حد معینی برسد. تنها هنگامی که شرایط لازم برای آتش کردن فراهم شود نورون یک پالس تولید می کند و آن را به اکسون می فرستد.
ضربه های ورودی به دو صورت بر نورون تأثیـر مـی گذارنـد:تحریـک2 و بازدارنـدگی– 3سـاکن
کنندگی- اگر ضربه ورودی سبب آتش شدن نورون گردد به آن "محرک" می گویند و اگـر از آتـش
شدن نورون جلوگیری کند،"بازدارنده" نامیده می شود. به عبـارت دیگـر بـرای آتـش شـدن، بایـد تحریک به اندازه مقدار آستانه،بیشتر از بازدارندگی باشد. این مقـدار آسـتانه حـدود 40 میلـی ولـت است.ازآنجا که پیوند سیناپسی سبب تحریک یا بازدارندگی در نورون گیرنده می شود، مقادیر وزنی واحد مثبت یا منفی به تحریک یا بازدارندگی نسبت داده می شود. به این ترتیب امکان بررسی بهتر

-Period of latent Summation -Excitation -In hibiation

1
2
3
٧
فصل اولشبکههای عصبی

آتش شدن نورون فراهم می شود. از این رو هنگامی که مجموع وزنهایی که ضربه دریافت می کننـد طی زمان انباشتگی پنهان، از مقدار آستانه فراتر رود،نورون آتش خواهد کرد.
ضــربه هــای ورودی بــه نــورون از نورونهــای همــسایه و همچنــین از خــود نــورون تأمــین می شود. معمولا نورون مقصد برای آتش شدن به تعداد معینی ضربه ورودی نیاز دارد. اگر ضربه ها فاصله زمانی کمی داشته باشندو همگی همزمان سر برسند، احتمال آتش شدن نورون بیشتر است.
طبق مشاهدات انجام شده شبکه هـای طبیعـی بـر روی سـیگنالهای ورودی، عمـل جمـع بنـدی و انتگرال گیری زمانی را انجام می دهند.
پردازش زمانی–مکانی1 انجام شده، توسط شبکه های عصبی طبیعی فراینـدی پیچیـده و بـسیار بیشتر از محاسبات دیجیتال سازمان یافته است. ضربه های عصبی از نظر زمانی همزمـان نیـستند و این با نظام محاسبات دیجیتال منافات دارد. مشخصه طبیعی نورون بیولوژیک این است کـه انـدازه سیگنالهای تولید شده،اختلاف قابل ملاحظه ای با هم ندارند.از این رو سـیگنالهای موجـود در فیبـر عصبی یا ناچیز است یا دربیشترین حدخود قرار دارد.به بیان دیگر اطلاعات بـه صـورت سـیگنالهای دودویی میان سلولها ی عصبی انتقال می یابد.
پس از انتقال پالس، فیبرآکسون برای مدت زمـانی کـه "زمـان ممنـوع"2 خوانـده مـی شـود در وضعیت تحریک ناپذیری قرار می گیرد. به عبارت دیگر در طی این مدت، شدت تحریک هر انـدازه باشد، عصب هیچ سیگنالی را هدایت نمی کند.بنابراین می توان مقیاس زمانی را به بازه های پـی در پی تقسیم نمود که هر کدام برابر طول زمان ممنوع می باشند.
واحد زمانی برای مدل کردن نورونهای بیولوژیک از مرتبه هزارم ثانیه فرض می شـود، هـر چنـد زمان ممنوع نورونها یکسان نیست. به علاوه انواع مختلف نورون و روشهای متفاوت پیوند میـان آنهـا وجود دارد.بنابراین ماهیت واقعی شبکه های عصبی بسیار پیچیده تر از آن چیزی اسـت کـه بتـوان

1 -Spatio-termporal 2 -Retractor Period
٨
فصل اولشبکههای عصبی

تصور نمود. در واقع شبکه ای فشرده از نورونهای به هم پیوسته وجود دارد که سیگنالهای آسنکرون تولید می کنند.این سیگنالها هم به نورونهای بعد از خود و هم به نورونهای تولید کننده خود اعمـال می شود. بحث بالا از دیدگاه عصب شناسی بسیار ساده تلقی می شود ولی با وجـود ایـن بـرای ورود به دنیای محاسبه بیولوژیک بسیار ارزشمند است.شبکه های محاسـبه گـر مـورد اسـتفاده از مـشابه بیولوژیک خود بسیار ساده می باشند.
(2-1 مقدمه ای بر شبکه های عصبی مصنوعی
بررسی نحوه تفکر بشر، سالیان سال اندیشه محققان و اندیشمندان را به خود مشغول کرده است.
پژوهــشگران بــرای تحلیــل و تبیــین عملکــرد مغــز، مــدلهای زیــادی را ارائــه کــرده انــد ولــی هیچ کدام از این مدلها را نمی توان برای شـناخت مغـز انـسان کـافی دانـست. شـاید بتـوان گفـت
پیدایش علمی به نام شبکه عصبی مصنوعی نتیجه چنین کوشش هایی است.[1]
از عملکرد های مهم وحیرت انگیز مغز انسان می توان عمل شناسایی را نام بـرد کـه بـی تردیـد یکی از مهمترین ویژگیهای این عضو بوده ودر موارد مختلف، چگونگی و جزئیات عملکرد شناسایی و مورد مطالعه قرار گرفته است.
البته تئوری های مختلف وگاهی پیشرفته ای جهت حل این مسائل ابداع شده است که هـر یـک از این تئوری ها توجیه کننده یک یا چند عملکرد از رفتارهای مهم سلول های مغز می باشند. ولـی
به دلیل پیچیدگی زیاد مغز این تئوری ها کامل نخواهند بود .[1,2,14]
در عین حال می توان بر اساس یک یا چند پیچیدگی مهم مغز انسان، مدلهایی را ارائه نمـود. در برخی موارد خاص، عملکرد این مدلها مشابهت هایی با رفتار های مختلف سلول های بیولوژیکی مغز انسان پیدا می کند.تجمع این مدلها همراه با الگوریتم هایی که بر اسـاس آنهـا آمـوزش مـی بیننـد
شبکه های عصبی مصنوعی 1 ANNsرا به وجود می آورند.

1 -Artificial Neural Network
٩
فصل اولشبکههای عصبی

امروزه شبکه های عـصبی کاربردهـای گـسترده ای در زمینـه هـای پـردازش صـوت و تـصویر، روباتیک، شناسایی،پیش بینی، سیستمهای کنترل، عیب یـابی، تـشخیص هـای پزشـکی و مـصارف نظامی دارند.
در چند دهه اخیر،شبکه های عصبی مصنوعی به دلیل توانایی هـا و قابلیـت هـای بـالا بـه طـور گسترده ای در زمینه های شناسایی، پیشگویی و کنترل به کار گرفته شده است. از این رو به دلیـل عملکرد خوب شبکه های عصبی مصنوعی جهت شناسایی الگو، در ایـن پایـان نامـه از شـبکه هـای
عصبی چند لایه جهت پیاده سازی سخت افزاری سیستم استفاده شده است .[1,2,14]
(3 - 1 اهمیت استفاده از شبکه های عصبی مصنوعی[1,2,14]
یکی از مهمترین موضوعات تحقیقاتی دهه اخیر که بسیاری از شاخه های مهندسـی، خـود را بـا آن در ارتباط می بینند،شبکه های عصبی می باشـد. شـبکه هـای عـصبی بـا توجـه بـه تـوان بـالا درپردازش موازی، قابلیت یادگیری، تعمیم، طبقه بندی، قدرت تقریب، به خاطر سپردن و به خـاطر آوردن الگوها، خیزش وسیعی در زمینه های مختلف هوش مصنوعی ایجاد کرده اسـت. یـک شـبکه عصبی سعی دارد با استفاده از عناصر محاسباتی ساده غیر خطی که معرف نورونها بوده و در ارتبـاط موازی شدید با یکدیگر هستندبه قابلیت های ذکر شده ، دسترسی پیدا کنـد.عناصـر محاسـباتی بـه وسیله ارتباطاتی که وزن نامیده می شوند به یکدیگر مرتبط هستند. عمل یادگیری و آموزش تعمیم و به خاطر آوردن الگوها با استفاده از وزنهای تطبیقی که قابل تنظیم هستند، انجام می شود.
شبکه های عصبی دارای ساختار موازی می باشند که کلیه عملیاتها را بـه صـورت مـوازی انجـام می دهند. به این ترتیب می توان گفت که عبارت شـبکه هـای عـصبی بـرای توصـیف سـاختارهای متعددی از المانهای ساده پردازشگر که روش دیگری را در جهت محاسبات معرفی می کند،بـه کـار می رود.
١٠
فصل اولشبکههای عصبی

هدف از تحقیقات شبکه های عصبی، ایجاد ماشین هایی است که در محدوده هـایی کـه انـسان بهتر و کاملتر از کامپیوترهاعمل می کند، به کار گرفته شوند.بدین ترتیب شبکه های عصبی وسـایل کمکی کامپیوترهای مرسوم امروزی هستند و نه جایگزین آنها.
(4-1 مدل سازی نورون در شبکه های عصبی مصنوعی[2,3,4]
با توجه به رفتارهای یک نورون طبیعی می توان نورون مصنوعی را با استفاده از ابزارهای ریاضی به صورت زیر و مطابق شکل (1-1) معرفی نمود.

شکل 2-1 مدل سازی یک نورون مصنوعی
سیگنال ورودی به نورون بردار X بوده که از طریق بـردار وزن W وارد یـک تـابع بـه نـام تـابع
فعالیت شده و سپس تحریک و در نتیجه سیگنال خروجی نورون – j ام را تشکیل می دهد.
(1-1) w1.x1 n f(Net) O j  f (W .X )  f ∑ i 1 که W و X به ترتیب بردارهای وزنی و ورودی اند و به صورت زیر می باشند:
(2-1) ... wn  W  w1 w2 T ... x 2 x X  x n 1 در این روابط f، تابع فعالیت یا تحریک نورون است که عامل اصلی در تعیین سیگنالهای خروجی
نورون می باشد. دامنه این تابع Net مدل نورون اسـت از ایـن رو گـاهی آن را بـه صـورت f(Net)
نمایش می دهند.متغیر Net به صورت ضرب اسکالر بردارهای ورودی و وزن تعریف می شود:
(3-1) n∑ wi xi Net W .X 
i1 ١١
فصل اولشبکههای عصبی

مسیر خروجی هر نورون به مسیرهای دیگر نورونهای شبکه از طریق وزنهای اتـصال مـرتبط مـی گردد. چون هر اتصال، وزن خاص خود را دارد بنابراین سیگنالها قبل از این که وارد یک نورون شوند مقادیرشان توسط این وزنها تصحیح می گردد.
توابع تحریک با توجه به نیاز از انواع مختلفی انتخاب شده اند که مهمتـرین آنهـا در جـدول زیـر آمده است.
جدول :1-1 توابع مهم قابل استفاده در شبکه های عصبی تابع فعالیت نوع تابع فعالیت f (net)  net خطی 1 f (net)  سیگموئید تک قطبی (l exp(−net)) (l −exp(−net)) f (net)  سیگموئید دو قطبی (l exp(−net)) 1,if net0 حد آستانه ای دو قطبی −1, otherwise f (net)  1, if net  0 f (net)  حد آستانه ای تک قطبی 0, otherwise (5-1 انواع شبکه های عصبی مصنوعی [4]
به طور کلی شبکه های عصبی را می توان از سه جهت مورد بررسی قرار داد: -1 نوع نورون و عملکرد آن
-2 ساختار و نحوه ارتباط بین نورونها
-3 نوع آموزش نورونها از نظر نوع و نحوه عملکرد به نورونهای مشتق پـذیر، پیوسـته، افزایـشی و انعطـاف پـذیر
تقسیم می شوند. در ساختار شبکه عصبی مصنوعی با آموزش گرادیان نزولی، از توابع پیوسته،مشتق
١٢
فصل اولشبکههای عصبی


پذیر و افزایشی استفاده می شود. مناسب ترین توابع برای این منظور، توابع سیگموئید می باشند که به عملکرد نورون بیولوژیک نزدیک می باشند. همچنین از خاصیت مشتق افزایـشی آن مـی تـوان از الگوریتم پس انتشار خطا استفاده نمود که در فصل های بعد توضیح داده می شود.
از نظر ساختار، چگونگی ارتباط میان نورونها و طراحی الگوریتم دو نوع فعالیت در شـبکه وجـود دارد:
شبکه با فعالیت پیش رو
شبکه با فعالیت پس خور
در شبکه های پیش رو، نورونها به صورت لایه به لایه در کنار هم قرار گرفته انـد. شـبکه شـامل یک لایه ورودی، یک لایه خروجی و به تعداد مورد نیاز لایه میانی است. در این شبکه ها، اطلاعـات به سمت جلو هدایت می شوند تا خروجی های شبکه به دست آینـد بـه طـوری کـه هـیچ برگـشت اطلاعاتی وجود ندارد و داده ها از لایه ورودی از طریق لایه میانی به لایه خروجی می رسند.
در شبکه های پس خور، بر خلاف شبکه های پیش رو هر نورون علاوه بر ارتباط با نورون هـای لایه قبل که در شبکه پیش رو نیز وجود دارد، می تواند با نورونهای لایه های دیگر شبکه نیز ارتباط داشته باشد. در این شبکه ها تا زمانی که شبکه به شرایط همگرایی معینی نرسد، اطلاعـات در بـین لایه های شبکه نوسان می کنند و پس از رسیدن به همگرایی مورد نظر شـبکه ، اطلاعـات بـه لایـه خروجی راه می یابند. به عبارت دیگر در این شبکه ها اطلاعات علاوه بر حرکت رو بـه جلـو ، جهـت تصحیح وزن ارتباطی بین نورونها از طریق شبکه، حرکت رو به عقب- پس انتشار- هم دارند.
به طور کلی در شبکه های عصبی با توجه به نحوه یادگیری، روش هـای آمـوزش بـه دو صـورت تقسیم می شود:
آموزش با مربی
آموزش بدون مربی
١٣
فصل اولشبکههای عصبی

در روش آموزش با مربی، یک الگو یا سیگنال مطلوب در اختیار شبکه قرار داده می شود و شبکه با استفاده از قوانین یادگیری، خود را با الگوی مورد نظر تطبیـق مـی دهـد. بـه بیـان دیگـر شـبکه پارامترها را طوری تنظیم می کند تا خروجی به الگوی مطلوب نزدیک تر شود.
در روش آموزش بدون مربی در واقع شبکه الگوی خاصی را در اختیار ندارد بلکـه بـا اسـتفاده از قواعدی که از ورودی ها استخراج می کند، وزن های اتصال را تنظیم می کند تا خروجـی اسـتخراج شده به دست آید. به بیان دیگر در روش آموزش با مربی پارامترهای شبکه بر اساس ورودی و الگوی مطلوب تنظیم می شوند در حالی که در آموزش بدون مربی، پارامترها بر اسـاس ورودی و خروجـی تغییر می کنند.
(6-1 یادگیری در شبکه های عصبی مصنوعی
بر خلاف سیستم های خبره مرسوم که شناسـایی را در شـکل قواعـد مـدل سـازی مـی کنند، شبکه های عصبی از طریق یادگیری که از ویژگی های مهم آنها می باشـد، توسـط مثالهـای ارائه شده، قواعد خود را تولید می نمایند. یادگیری از طریق یک قاعده یادگیری صورت مـی پـذیرد.
شبکه های عصبی دارای این توانایی هستند که از گذشته و محیط بیاموزند و رفتار خود را در حـین آموزش بهبود بخشند. قاعده یادگیری، وزنهای اتصالات شبکه را در پاسخ بـه ورودی هـای شـبکه و تولید خروجی مورد نظر برای آن ورودی ها، تغییر خواهد داد.
برای این منظور الگوریتم های یادگیری متعددی وجود دارد که شامل موارد زیر می باشد:
-1 قانون یادگیری هب: 1
این قانون بیانگر یک شبکه کاملاً پیش رو و بدون مربی است. در این روش یک وزن اتصالی روی یک مسیر ورودی به یک نورون ، زمانی افزایش می یابد که ورودی و خروجی هر دو بـالا باشـد. بـه بیان دیگر اگر حاصل ضرب ورودی و خروجی مثبت باشد، وزن افزایش می یابد.

1 - Hebbian Learning Rule
١۴
فصل اولشبکههای عصبی

-1 یادگیری با قانون رقابتی:1
در این روش بین نورونها رقابت وجود دارد و نورونی که قوی ترین پاسخ را به ورودی ارائه دهـد، خود را در جهت شبیه شدن بیشتر به ورودی تصحیح می کند.
-2 یادگیری با قانون دلتا:2
در این روش توسط تصحیح پارامترها، خطای خروجی واقعی یک نورون و خروجی مورد نظـر بـا روش گرادیان نزولی کاهش می یابد.
(7-1 شبکه های عصبی پیش رو .[3,4]
در این شبکه ها، خروجی های لایه قبلـی فقـط بـه ورودی لایـه جلـویی خـود از طریـق اتصالات وزنی مرتبط می شوند. بدین ترتیب هیچ گونـه برگـشت اطلاعـاتی وجـود نـدارد. بنـابراین استفاده از آنها در کنترل سیستم های دینامیک دار امکان ندارد. شکل (3-2) نشان دهنده این نـوع ساختار می باشد.

شکل :(3-1 شبکه عصبی با طراحی پیش رو سه لایه (با در نظر گرفتن لایه ورودی)
با اعمال بردار ورودی x به شبکه با ماتریسهای وزنـی W و V بـردار خروجـی O را مـی تـوان
محاسبه کرد. مراحل محاسبه بدین صورت می باشد که در ابتدا با اعمال بـردار ورودی X بـه لایـه ورودی به علت خطی بودن این لایه، بردار ورودی بدون تغییر در خروجی این لایه ظاهر مـی شـود.

1 - Competition Learning Rule 2 - Delta Learning Rule
١۵

. ...
. ...
. ...
... w2i
... w1i
فصل اولشبکههای عصبی

بردار خروجی لایه ورودی در ماتریس وزنی W ضرب می شود و بردار مقدار کل ورودی عصب هـای لایه میانی ساخته شده و با اعمال تابع انتقال لایه میانی بر هـر یـک از ایـن مقـادیر، خروجـی لایـه میانی به دست می آید. به همین ترتیب بردار خروجی لایه خروجی نیـز محاسـبه مـی گـردد. ایـن محاسبه به صورت ماتریسی در زیر آورده شده است.
x1x2...xnT

X
(4-1)
... wni

w12
w22
.
.
.
wn2

w11
w21
.
.
. wn1

W
و بردار ورودی های وزن دار لایه میانی عبارت است از:
Net1 W T .XNet1i×1Wi×n.Xn×1(5-1)
آنگاه مقدار خروجی از لایه میانی به صورت زیر خواهد بود که به منزله ورودی لایـه بعـدی مـی باشد:
(7-1) خروجی های لایه اول
H  F (Net1 )
(6-1)
(7-1)

h2 ... hi T
v12 ... v1k v22 ... v2k
. ... .
. ... .
. ... .
vi 2 ... vik

H  h1
v11
v21
V  .
.
. vi1
و همچنین بردار ورودی های وزن دار لایه خروجی عبارت است از:
Net 2 V T .H,Net2k×1Vk×i.Hi×1(8-1)
١۶
فصل اولشبکههای عصبی

و بردار خروجی شبکه به صورت زیر محاسبه می شود:
(9-1) O  F (net 2 ) , O  o1 o2 ... ok T
که در آن: :n تعداد عصب های ورودی : k تعداد عصب های لایه خروجی
:i تعداد عصب های لایه میانی T معرف اپراتور ترانهاده می باشد.
(8-1 شبکه های عصبی پس انتشار1
تفاوت شبکه های عصبی پس انتشار با شبکه های عصبی پیش رو در حلقه فیدبک آنهـا مـی باشد. در این شبکه ها، اطلاعات علاوه بر حرکت به جلو، جهت تصحیح پارامترهای اتصالات از طریق شبکه، حرکت به عقب (پس انتشار) نیز دارند. شکل (4-1) نشان دهنده این نوع ساختار می باشد.

شکل :(4-1 ساختار شبکه عصبی با طراحی پس انتشار سه لایه (با در نظر گرفتن لایه ورودی)

1 - Back-Propagation
١٧
فصل اولشبکههای عصبی

(1-8-1 روش آموزش پس انتشار خطا [3,4]
آنچه تاکنون گفته شد این است که شبکه های عصبی به عنوان سیستم هـای آمـوزش پذیر، دارای توانایی می باشند که از گذشته و محیط بیاموزند و رفتار خود را در حین آموزش بهبود بخشند. مهمترین مسأله در ارتباط با شبکه های عصبی، مسأله یادگیری است. همـان گونـه کـه در قسمت های قبلی این فصل اشاره شد، دو نوع روش یادگیری برای شبکه های عصبی وجود دارد که یکی از این روش ها، یادگیری با مربی و دیگری روش یادگیری بدون مربی می باشد.
در روش یادگیری با مربی، نمونه های ورودی و خروجی مطلوب هر دو در دسترس مـی باشـند، الگوریتم کار در این روش دارای مراحل زیر می باشد:
-1 تعیین ساختار برنامه (تعداد لایه ها و نورونها) و نوع روش آموزش
-2 مقداردهی متغیرهای اولیه با توجه به نوع شبکه
-3 اعمال ورودی به شبکه و تعیین خروجی با توجه به نوع شبکه و پارامترهای اولیه
-4 مقایسه ورودی ساخته شده و خروجی های مطلوب و مقایسه این اختلاف با مقـدار خطای تعریف شده
-5 تغییر متغیرهای برنامه با اسـتفاده از الگـوریتم تکـرار روش آموزشـی تـا رسـیدن اختلاف مقادیر خروجی شبکه با خروجی مطلوب به مقدار خطای تعریف شده روش های مختلفی جهت آمـوزش پارامترهـا، پیـشنهاد گردیـده اسـت کـه مهمتـرین آن روش
یادگیری پس انتشار خطا1 است. الگوریتم پس انتشار خطا در زمان، یکی از ابزارهای قدرتمنـد بـوده که برای تشخیص الگو، به دست آوردن مدل های دینامیکی و کنترل سیستم هـا مفیـد مـی باشـد.
تنها چیزی که استفاده از این روش را در کنترل محدود می کند محدودیتهای معـادلات سیـستم می باشد. برای استفاده از این الگوریتم باید معادلات سیستم تحـت کنتـرل، کـاملاً شـناخته شـده،

1 - Back -Propagation of Error
١٨
فصل اولشبکههای عصبی

پیوسته و مشتق پذیر باشد. در صورتی که معادلات سیستم ناشناخته باشد، می توان از یـک شـبکه عصبی شبیه ساز استفاده نمود و رفتار سیستم را به خوبی به آن آموخت.
الگوریتم پس انتشار خطا از روش های آموزش با مربی اسـت کـه بـرای آمـوزش شـبکه هـای عصبی چند لایه به کار می رود. در این شبکه ها که اصطلاحاً شبکه عصبی پس انتشار نامیـده مـی شود پارامتر های شبکه با استفاده از روش بهینه سازی گرادیان نزولی که بر اساس روش زنجیره ای برای هر لایه می باشد به گونه ای تغییر می یابند تا اختلاف خروجی سیستم با خروجی مطلوب بـه حد قابل قبولی برسد. در این روش هدف این است که با به دست آوردن گرادیان تابع خطا نسبت به بردار پارامتر ها، تابع خطا حداقل گردد. لازم به ذکر است که در این روش ازآموزش با مربی استفاده شده است. تابع خطا به صورت زیر تعریف می شود:
(10-1) k∑ e(n)2 1 (d (n) − o(n))2  k∑ 1 E  2 n1 2 n1 که d (n) خروجی مطلوب و o(n) خروجی واقعی سیستم است کـه در روابـط زیـر نـشان داده
شده است.
... dk  D  d1 d2 حال با استفاده از روش گرادیان نزولی به این صورت عمل می شود. o2 ...ok  Output o (n) o1 (11-1) ∂E ∆W s  −η s ∂W که در آن η  O نرخ یادگیری1 می باشد.
از آنجاکه در این پایان نامه تمام ساختارهای به کار رفته سه لایه ای مـی باشـند (دو لایـه در ورودی و خروجی و یک لایه مخفی و چنانچه لایه ورودی به عنوان یک لایه در نظر گرفته نشود بـه عبارتی فقط لایه های وزن داری که مقادیر وزنی آن آموزش داده می شوند در نظر گرفته شـوند در آن صورت شبکه از نوع دو لایه ای خواهد بود) تمامی محاسـبات بـرای چهـار لایـه در نظـر گرفتـه

1 - Training Rate
١٩
فصل اولشبکههای عصبی

می شود. بنابراین مقادیر وزنی w1 در لایه اول و w2 در لایه دوم بایستی آموزش ببیند. در ایـن جـا
از قاعده زنجیری در اینجا استفاده می شود:
(12-1) به ازای S=2 روابط به این صورت است:
(12-1) ∂Net2 . ∂O2 . ∂E  ∂E ∂W 2 ∂Net2 ∂O2 ∂W 2 با توجه به شکل (4-1) و روابط شبکه سه لایه: (13-1) o1 ∂Net2 ، o2 ∂o2 ، ( با توجه به رابطه (10-1 −(D−o2) ∂E ∂w 2 ∂Net 2 ∂o 2 که در آن o2′ معرف بردار مشتق تابع خروجی نسبت به ورودی وزن دار ایـن لایـه یـا Net2 و o′
معرف بردار خروجی لایه میانی که ورودی لایه بعدی لایه آخر است، می باشد.
با توجه به روابط (11-1) و (12-1) و :(13-1)
∂E ∆w2  −η (14-1) ∂w2 ∆w2 η(c − o2 ) . o2′ . o1 به همین ترتیب برای ماتریس وزنیw1 (لایه اول) نیز به این صورت محاسبه می شود: (15-1) ∂Net ∂o1 ∂Net2 ∂o2 ∂E ∂E . . . .  ∂w1 ∂Net ∂o1 ∂Net 2 ∂o2 ∂w1 (16-1) ∆w η(D − o 2 ).o 2′.w2 .o1′.x که در آن x مقادیر ورودی به شبکه و o1′مشتق خروجی لایه اول به Net1 می باشـد. تـا اینجـا محاسبات به صورت پیش رو انجام شده است و با رابطه زیر به صورت پس خور خواهد بود.
در نتیجه مقادیر جدید وزنها از رابطه زیر محاسبه می گردد.
wiNew  wiold  Awii 1, 2 , 3(17-1)
لازم به ذکر است که توابع تحریک مورد استفاده در این روش می تواند از دو نوع باشـد کـه ایـن دو مدل در زیر توضیح داده می شود:
٢٠
فصل اولشبکههای عصبی

تابع تک قطبی(USF) 1
(18-1) 1 F ( X )  −x 1  e که برای این تابع مشتق نسبت به ورودی به صورت (( F ′( X )  F (X )(1− F (X خواهد شد.
تابع دو قطبی(BSF) 2
−x (19-1) 1 − e F ( X )  −x 1  e و برای این تابع نیز مشتق نسبت به ورودی توسـط رابطـه F ′( X )  12 1 − F (X )2  تعیـین

میشود.
(9-1 شبکه های عصبی انعطاف پذیر[4] 3
آنچه تا کنون در رابطه با شبکه عصبی مورد مطالعه قرار گرفته است شبکه هـایی اسـت که در آنها وزن بین لایه های شبکه، آموزش می بیند. به عبارت دیگر آموزش یافتن وزنها به مفهـوم حداقل نمودن گرادیان خطا خواهد بود. اما گاهی اوقات به دلیـل بزرگـی دامنـه تغییـرات سـیگنال ورودی شبکه تابع، فعالیت برخی از نورونها به اشـباع مـی رود و در نتیجـه، خروجـی ایـن دسـته از نورونها در مقدار اشباع خود قرار می گیرد و می تواند برای نورونهای لایه بعدی وضع مشابهی ایجـاد کند. با ادامه یافتن این وضع، شبکه در یک حالت پایدار قرار می گیرد که در چنین حالتی به دلیـل ثابت ماندن خروجی نورونها ، ادامه دادن آموزش فایده ای ندارد به عبارت دیگر در این حالت شـبکه گرفتار یک مینیمم محلی می شود. در چنین حالتی می توان شیب تابع فعالیـت نورونهـا را هماننـد

1 - Unipolar Sigmoid Function 2 - Bipolar Sigmoid Function Flexible Neural Networks -٣
٢١
فصل اولشبکههای عصبی

وزن پیوندها آموزش داد این عمل منجر به خاصیت جدیدی به نام" انعطاف پذیری" می گـردد کـه
در سال 1993 معرفی و امکان مدل سازی نورون مصنوعی بر اساس این ایده ارائه شد .[2]
این عمل باعث می گردد که تعداد دفعات آموزش شبکه به میزان قابل توجهی کاهش یابـد و بـه عبارت دیگر علاوه بر وزنها با آموزش شـیب تـابع ، سـرعت یـادگیری افـزایش مـی یابـد. همچنـین
نورونهایی که از اهمیت کمتری در شبکه برخوردارند،شیب تابع تبدیل بیـشتری را دارا م ی باش ند و
خروجی آنها سریعتر و با دامنه بیشتری از تغییرات همراه است، در نتیجه خطا سریع کاهش یافته و
خروجی شبکه با سرعت بیشتری به خروجی مطلوب نزدیک می شود.
همچنین می توان با آموزش وزنها و پارامترها در شبکه عصبی، انعطاف پذیری شـبکه را افـزایش داده و تعداد نورونها کمتری نسبت به حالت کلاسیک که در آن از توابـع سـیگموئید اسـتفاده شـده است، به دست آورد و بتوان نورونهایی را که پارامتر آنها بعد از یک دوره کامل آموزش خیلی کوچک شده است، حذف کرد و به تعداد کمتری نورون در لایه پنهان رسید و در نتیجه سرعت برنامـه بـالا خواهد بود.
توابع فعالیت مورد استفاده در این نوع شبکه به دو نوع زیر می باشند:
الف) تابع انعطاف پذیر تک قطبی(1(FUSF
(مقدارa به خاطر یک سویه بودن تابع تبدیل، بایستی مثبت باشد)
(20-1) a 2 f (x, a)  ( x a (1  e−2 که در آن ) x یا همان (net ورودی تابع و a، شیب منحنی تـابع، تغییـر مـی کنـد. فـضای تغییرات این تابع همیشه مثبت بوده و درجه غیر خطی بودن تابع به ازای x ≥ 0 توسـط مقـدار a مشخص میشود.
1 - Flexibility Unipolar Sigmoid Function
٢٢
فصل اولشبکههای عصبی

شکل 5-1 منحنی تغییرات تابع انعطاف پذیر تک قطبی نسبت به پارامتر a
ب- تابع انعطاف پذیر دو قطبی(FBSF) 1
(21-1) −2ax 1 − e g(x, a)  ( −2ax a(1  e این تابع همانند تابع تک قطبی، تغییرات a، باعث تغییرات نمودار تابع می گـردد، کـه بـه ازای
مقادیر a در محدوده a1 و− a1 به صورت غیر خطی تغییر خواهد یافت و به ازای سایر مقـادیر a بـه

سمت یک تابع خطی میل خواهد نمود. شکل 5-1 گویای این مطلب است.

شکل 6-1منحنی تغییرات تابع انعطاف پذیرد و قطبی نسبت به پارامتر a
ایده اصلی در شبکه عصبی انعطاف پذیر، آموزش پارامتر a موجود در توابع فعالیت نورونها عـلاوه
بر آموزش وزنها می باشد. روش آموزش وزنهـا مـشابه روش قبلـی مـی باشـد. بـا اسـتفاده از روش
گرادیان منفی در جهت حداقل نمودن تابع هزینه، نحوه آموزش پارامتر a به صورت زیر خواهد بـود.

1 - Flexibility Bipolar Sigmoid Function
٢٣
فصل اولشبکههای عصبی

تابع خطا یا هزینه در زیر آمده است. در این روش مانند روش قبلی ابتدا محاسبات الگـوریتم پـیش رو و سپس پس خور محاسبه خواهد شد.
2 1 (22-1) k∑(d(n) − o(n)) J  2 n1 تغییر پارامتر به صورت زیر توصیف خواهد شد: (23-1) ∂.J ∆a 3  −η 3 ∂a که در آن η  0 نرخ آموزش می باشد. 3 3 ∂J ∂.J (24-1) 03 ∂O −(D−O3), ∂J , ∂O .  3 3 3 3 3 ∂a ∂O ∂a ∂O ∂a که در آن o3 بیانگر بردار مشتق تابع خروجی نسبت به a 3 می باشد با توجه به روابط((23-1و (24-1) می توان رابطه زیر را نتیجه گرفت: (25-1) ∆a 3  η(D − O3 ).O3 به این ترتیب تغییر پارامتر a در لایه های دیگر به صورت زیر توصیف می شود: (26-1) ∂J ∆a 2  −η 2 ∂a (27-1) ∂O2 ∂net3 ∂O3 ∂J  ∂J . . . ∂a 2 ∂O2 ∂net3 ∂O3 ∂a2 (28-1) −(D−O3).O3.W3.O2 ∂J 2 ∂a که در آن O2 بیانگر بردار مشتق تابع خروجی لایه دوم نسبت به پارامتر a 2وO3 بیـانگر بـردار
مشتق تابع خروجی نسبت به ورودی آن لایه یا همان net3 می باشد.
با توجه به روابط بالا ∆a 2 به این صورت محاسبه می گردد:
∆a 2  η(D − O3 ).O3 .W3 .O2(29-1)
برای لایه اول می توان رابطه زیر را بیان نمود:
٢۴
فصل اولشبکههای عصبی

(30-1) ∂J ∆a 2  −η 1 ∂a مشابه روابط بالا این بار برای لایه اول، روابط به شکل زیر خواهند بود .
(31-1) ∂O1 ∂net 2 ∂O2 ∂net3 ∂O3 ∂J  ∂J . . . . . ∂a1 ∂O1 ∂net 2 ∂O2 ∂net3 ∂O3 ∂a1 در رابطه بالا O2 برابر با مشتق خروجی لایه دوم نـسبت بـه ورودی وزن دار آن لایـه یـا همـان
net2 و O1 ، مشتق خروجی لایه اول نسبت به پارامترa1 می باشد.
در نهایت مقدار ∆a1 به صورت زیر محاسبه می شود:
∆a1  η(D − O3 ).O3 .W3 .O2 .W 2 .O10(32-1)
بنابراین با توجه به این محاسبات تنظیم پارامترهـا در لایـه خروجـی و لایـه هـای پنهـان بـه
صورت زیر است:
ainew  aiold  ∆ai i 1,2,3(33-1)
در روابط بالا دقت شود که خروجی های دو لایه آخر نسبت به دو متغیر a و net مشتق گرفتـه شده است.
شبکه های عصبی طراحی شده در این پایان نامه، شبکه عصبی سه لایه MLP می باشد که در آن از روش آموزش پس انتشار خطا استفاده شده است ، که در فصل بعد روش طراحـی و همچنـین آموزش آن ارائه خواهد شد.
دامنه شبکه های عصبی مصنوعی بسیار متنوع شده است و هر یک در زمینه های خاصی کاربرد دارند. شبکه های عصبی که در حال حاضر بیشترین تحقیق بر روی آنها صورت می گیرد.
٢۵
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

فصل دوم
تشخیص میزان موفقیت داروهای HPT در
کاهش انگلهای دامی با استفاده از شبکههای
عصبی
٢۶
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

پیشگفتار:
در این فصل با استفاده از شبکه عصبی بر روی داده های آماری اداره دامپزشکی منطقه مغان استان اردبیل میزان موفقیت داروها قبل از تزریق داروی انگل کش به دامها بر اساس درصد وجود انگلها در دامها مورد بررسی قرار می گیرد.
1-2 )موضوع
مقاومت در مقابل انگل کش ها (AR) یک موضوع بسیار مهم درکشورهای پرورش
دهنده گوسفند، درجهان تلقی می شود.مطالعات در این زمینه به وسیله آزمایشهای
بالینی(کلینیکی) انجام می شود. شناسایی انگلهای مقاوم در مقابل انگل کشها بدون انجام آزمایشهای بالینی می تواند به دامداران کمک کند تا از درمانهای غیر موثر اجتناب کنند.
کنترل آلودگی گوسفندان به کرم روده ای نماتود در استان اردبیل عمدتا برمبنای استفاده از
انگل کش ها (AH) قرار دارد.[5] وضعیت AR دردشت مغان واقع در استان اردبیل به طرز بسیار ضعیفی مورد مطالعه قرار گرفته است. فقط دو مورد اساسی وجود دارد که نشان دهنده
حضور نماتودهای مقاوم در برابر بنزیمیدازول (BZD) می باشند.[6] مطالعه نتایجی ازنمونه مدفوع سه گله از گوسفندان به دست آمده است که دو گله از گوسفندان در دشت مغان، که
توسط تکنیک های ویتر، مورد مطالعه قرار گرفتند، و میزان AR ثبت شد. استفاده مکرر از
AH مستلزم اطلاعات لازم در زمینه خاصیت گروههای مختلف دارویی می باشد، هدف این
آزمایش، تعیین میزان شیوع نماتودهای مقاوم در برابر BZD از طریق کاهش شمار تخم
مدفوع((FECRT می باشد. دشت مغان درشمال غربی استان اردبیل واقع شده است. این
استان دارای آب و هوای نیمه مرطوب همراه با میزان بارش سالانه بین 415 و 1290 میلی-
متر با توجه به نوع منطقه، می باشد. پایین ترین حد دمای سالانه 26/6 سانتیگراد بوده
ومیزان رطوبت نسبی (PH) از 65 به %100 متغیر است (پایین ترین حد رطوبت نسبی %80
٢٧
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

است ) . دشت مغان به سه ناحیه تقسیم می شود، شمال غربی، جنوب و شرق. این سه منطقه دردشت مغان انتخاب شدند. چون این مناطق به طور مشترک 80 درصد از مجموع جمعیت گوسفندان استان اردبیل را درخود جای داده اند، به علاوه درصد قابل توجهی ازگله ها دراین نواحی 40) درصد ) دارای بیش از 40 راس گوسفند می باشند. وسرانجام ،60 درصد از گله
هایی که گوسفندان تحت آزمایش با AH را دراستان اردبیل در بر می گیرند درهمان سه
منطقه واقع شدهاند .[5]
شمارگله ها که با بیش از 40 رأس گوسفند درناحیه مطالعاتی گزارش شده از سوی انجمن پرورش دهندگان گوسفند ، 38 رأس بود. به همین منظور، این تصمیم اتخاذ گردید که همه
گله های با بیش از 40 رأس گوسفند درناحیه تحقیقاتی، مورد مطالعه قرار گیرند .[ 7]
(2-2 شیوه ها
شیوه ای که برای یافتن نماتودهای مقاوم در برابر AH دراین آزمایش اعمال شده،
تست کاهش شمار تخم مدفوع (FECRT)، می باشد. به همان روش که از سوی انجمن
جهانی توسعه انگل شناسی دامی (WAAVP) ارائه شده است .[15]
هیچ یک ازحیوانات آزمایش شده به مدت حداقل 8 هفته قبل از شروع مطالعه مورد درمان
AH قرار نگرفتند. درهر گله 40 رأس گوسفند (نر یا ماده )، با بیش از 6 ماه سن، از ناحیه
پشت، نمونه برداری ازنوع مدفوع می شوند. نمونه ها، با استفاده از تکنیک تغییریافته مک-
ماستر مورد آزمایش قرار می گیرند، که درآن یک تخم شمرده شده معادل 50 تخم برای
هرگرم از مدفوع به شمار می رود .(EPG) حیواناتی که بیش از EPG 150 نماتود تریکوسترونژیل می باشند، به طور راندوم به دو گروه 14 تا 15 راس تقسیم می شوند. روز بعد، حیوانات موجود درگروه 1، آلبندازول را از ناحیه دهان، درحدود 5 میلی گرم / کیلوگرم وزن بدن دریافت می کنند. گروه 2 به عنوان کنترل درمان نشده باقی می مانند. در هر مزرعه
٢٨
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

نمونه گیری شده، حیوانات در داخل آغل به مدت 16 ساعت قبل از درمان نگه داشته می شوند، در طول دوره درمان، هیچ غذایی به حیوانات داده نمی شود، این وضعیتی می باشد که کشاورزان جهت مشارکت دراین آزمایش به آن نیاز دارند.مقداری از نمونه مدفوع به دست آمده از هر دو گروه درمان شده و کنترل، به مدت 7 روز در دمای بالا و با هدف تولید لاروای عفونی تریکو سترونژیل، نگهداری می شوند. بعداز آن، لاروا با استفاده از تکنیک کوریچلی لای از مدفوع جدا می شود و تعیین لاروا برای هر پرورش حجیم، اعمال می شود.ده روز پس
ازاجرای درمان AH، نمونه های مدفوع هرگوسفند ازهمه حیوانات به دست می آید و برای
شمارش تخم مدفوع (FEC) با بهره گیری ازتکنیک مک ماستر مورد پردازش قرار می گیرد.
پایین ترین سطح FEC برای هرگروه درمان (EPGT) تعیین می شود و باگروه کنترل
درهمان گله مقایسه می گردد. کاهش درصد (R(%)) با استفاده از فرمول زیر تعیین می شود:
R(%)=[1-(EPGT/EPGC)]*100
میزان مقاومت طبق راهنمایی های WAAVP اعلام می شود.
(a هنگامی که (%) R بود، 95 بزرگتر است.
(b هنگامی که حد پایین فاصله اطمینان ( CI %95) %95 بود،%90 بزرگتر است.
فقط وجود یکی از این معیارها کافی است تا گله، مشکوک به مقاومت دربرابر بنزیمیدازول
باشد. گسترش گله های گوسفند با درصد زیادی از نماتودهای مقاوم در برابر BID و %95 CI
دراین نوع شیوع، برمبنای فرمولی که دربالا به آن اشاره شد محاسبه می گردد.
تحقیقات پرسشنامه ای درمیان صاحبان گله یا مدیران گله،درهنگام دومین نمونه گیری مدفوع از گوسفندان اعمال شده ،سپس اطلاعات زیر از این تحقیقات به دست می آید:
AH مورد استفاده قرار گرفته، فاصله مصرف، معیارهای انتخاب داروی AH، مایع HA و
چرخه آن.
٢٩
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

(3-2نتایج آزمایشهای بالینی
در این بخش از نتایج آمارهای موجود در اداره دامپزشکی منطقه مغان استان اردبیل
استفاده شد .[7]
تعداد مزرعه های بیش از 40 راس دام که خصوصیات مورد نیاز برای آزمایش درسه منطقه مذکور را داشتند به شرح زیر است: 13 مزرعه در پارس آباد دشت مغان، 22 مزرعه در بیله سوار دشت مغان و3 مزرعه در جعفر آباد دشت مغان.
جدول 1-2 پایین ترین سطح آماری EPG مربوط به گروه های درمان شده و کنترل و
همین طور R(%) و فواصل اطمینان (%95) را درگله های مورد تحقیق نشان می دهد.[7]
شیوع مقاومت دربرابر BZD در مزرعه های مورد مطالعه، % 15/8 (مزرعه + 11/6 %) ( n =6
95 CI %)، ونسبت مزرعه های مشکوک %23/7 (مزرعه (% 95 CI = + 13/3%) ( n = بود.
همه گلههایی که دارای گوسفندان دو رگه (سوفولک + پلی بی ) بودند یا مقاوم به BZD
تشخیص داده شدند یامشکوک به مقاومت دربرابر آن، وقتی که AR به حیوانات تزریق شد،
هامونکوس (Haemonchus) تنها ژنم GIN موجود در مدفوع گروههای مورد درمان بود.
پرورش مدفوع گروه های کنترل در آن گله های مقاوم،آمیخته ای از هامونکوس، تریکوسترونژیلوس و اروسوفاگوستوموم بود (جدول.(1-2 میانگین تخم برگرم فاسد شده،
درصد کاهش EPG و %95 فاصله زمانی قابل اعتماد بعد از درمان با دوز (5mg/kg) در 38
دسته در دشت مغان، اردبیل انجام شده است.
٣٠
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

جدول: 1-2 سطح آماری EPG گروههای تحت درمان و کنترل
Status 95%CI(%) EPG TREATED EPG CONTROLN FLOCK
reduction EPG N (%) susceptible 91-100 98 13 15 667 15 1
suspect 88-89 98 33 15 1373 15 2
resistant 84-98 94 55 14 885 13 3
resistant 04-91 71 214 14 747 15 4
resistant 33-99 92 100 15 1260 15 5
susceptible 100-100 100 0 15 1380 15 6
resistant 71-96 90 100 14 979 14 7
susceptible 97-100 100 7 15 1967 15 8
susceptible 100-100 100 0 15 467 15 9
susceptible 90-100 99 7 15 540 15 10
susceptible 100-100 100 0 15 607 15 11
resistant 77-88 93 53 15 786 14 12
suspect 87-99 97 20 15 733 15 13
suspect 83-99 96 20 15 553 15 14
suspect 78-100 97 13 15 493 15 15
susceptible 100-100 100 0 15 693 14 16
resistant 73-99 94 13 15 214 14 17
susceptible 100-100 100 0 14 2536 14 18
٣١
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی ادامه جدول 1-2 susceptible 97-100 100 7 15 2120 15 19 susceptible 97-100 99 13 15 2154 14 20 susceptible 97-100 100 7 15 1900 15 21 susceptible 92-100 99 7 15 720 15 22 suspect 87-99 97 20 15 740 15 23 suspect 87-100 98 13 15 827 15 24 susceptible 94-100 99 14 14 1057 14 25 susceptible 92-100 98 20 15 1213 15 26 susceptible 93-100 99 13 15 1520 15 27 susceptible 92-100 99 7 15 713 15 28 susceptible 94-100 99 7 15 853 15 29 susceptible 94-100 99 13 15 1007 15 30 susceptible 93-100 99 7 15 787 15 31 susceptible 95-100 99 7 15 1067 15 32 suspect 82-99 96 20 15 533 15 33 susceptible 90-100 99 7 14 593 14 34 susceptible 95-100 99 7 15 1027 15 35 suspect 86-100 98 13 15 767 15 36 suspect 80-100 98 20 15 827 15 37 susceptible 94-100 99 13 15 1027 15 38 ٣٢
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

جدول 2-2درصدلارو آلوده در 38 دسته از گروههای کنترل و تحت بررسی در دشت مغان اردبیل
Status Treated(%) Control FLOCK
O T H O T H SUS - - 100 16 22 62 1
SUS - 27.28 72.72 28 - 72 2
RES - - 100 16 14 80 3
RES - - 100 14 16 70 4
RES - - 100 4 28 68 5
SUS - - 100 6 22 72 6
RES - - 100 - - 100 7
SUS - - 100 - 22 78 8
SUS - 27.28 72072 - 14 86 9
SUS - - NL - 34.79 65021 10
SUS - 50 50 12 4 84 11
RES - - 100 10 4 86 12
S - - NL 2 6 92 13
S - - 100 6.68 6.66 96.66 14
S - - NL 5.89 11.76 82.35 15
SUS - 100 - - 40.48 59.52 16
RES - - 100 - 9.53 90.47 17
SUS - - NL 19.57 17.39 63.04 18
SUS - - 100 16 - 84 19
SUS - 33.34 66.66 16 20 64 20
SUS - - NL 7.70 - 92.30 21
SUS - - NL - 24 76 22
S - - 100 10 4 86 23
S - - 100 4.47 19.04 76.19 24
٣٣
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

ادامه جدول 2-2 SUS - - NL 18 20 62 25
SUS - - NL - 22 78 26
SUS - - 100 15.22 - 84.78 27
SUS - - NL 5 2.50 72.50 28
SUS - - NL 24 - 76 29
SUS - - NL 28 16 56 30
SUS - - 100 - 27.59 72.41 31
SUS - 33.34 66.66 12 24 64 32
S - - 100 2 20 78 33
SUS - - NL 11.12 5.55 83.33 34
SUS - - 100 - 8 92 35
S - - NL 12 24 64 36
S - - 100 10 24 66 37
SUS - 40 60 26 12 62 38
4-2 )تحقیق پرسشنامه ای [8]
تحقیق پرسشنامه ای که برای اولین بار تشریح شد، شامل فعالیت های مدیریتی AH
است که صاحبان گله دشت مغان دررابطه با حیوانات خود اعمال می کنند. اکثریت گله های
گوسفند که دراین تحقیق مورد بررسی قرار گرفتند (%89/5) از سوی صاحبان خود به عنوان نوع دوم فعالیت های تولید دام تلقی می شوند. کمتر از %10 مزرعه داران ، گوسفندان را به عنوان منبع اصلی در آمد دامداران مورد نظر قرار می دهند. اندازه متوسط گله درمزارع
٣۴
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

مورد تحقیق 75/7 راس گوسفند بود. همه گله ها دارای نر و ماده های تازه متولد شده یا گوسفندان درحال رشد، در شرایط و مزارع مشابه بودند. درصد زیادی از مزرعه داران 73/7) )گوسفندان خود را تحت شرایط خاصی غذا داده و شب ها در آغل نگه می داشتند. و درصد زیاد دیگر نیز حیوانات خود را با سیستم های طولانی مدت، تولید و نگه داری می کردند.
%81/7 ازگله های مورد مطالعه متشکل از گوسفندان پلی بوی (گوسفند پشمی ) و %18/3
از گوسفندان دورگه (پلی بوی ×سوفولک )بودند.
صاحبان گله، استفاده ازچهار گروه از AH را چنین گزارش دادند: لاکتونهای چرخ
بلند (%47/4) (ML)، (%39/5) BZD، اوامیزول (%10/5) و کلو سانتل (سلی سیلانیلید) .(%2/6) از 38 گله مورد مطالعه، 20 مزرعه دار (%52/6) در فواصل متغیر، 1 مزرعه دار
(% 2/6) با بهره گیری از زمان از قبل تعیین شده و 17 مزرعه دار (%44/8) برمبنای علائم
بالینی (حیواناتی با موی پرپشت، بدنی لاغر) گوسفندان خود را تحت درمان قراردادند. و AH
عمدتا برمبنای سهولت اجرای آنها %57/9) )، سپس برمبنای قیمت (%26/3) ودر آ خر بر
مبنای توصیه دامپزشک (%15/8) انتخاب می شد. داروهای AH بیشتر از طریق سنجش بینائی محاسبه می گردید . (%97/4 ) وزن حقیقی بود. فقط %13/2 از صاحبان گله هر دو ماه یکبار و % 2/6 هرسه ماه یکبار دارو رابه حیوان تزریق می کردند. اکثریت دامداران (%71)
هر6 ماه یکبار %7/9 دامداران هر 8 ماه یکبار دارو را به حیوان می خوراندند. چرخه دارو هر
12 ماه یکبار و در 31/6 درصد ازاین گله ها اعمال می شد. اما تعداد زیادی از دامداران
( %52/6) داروی AH را بین 24 تا 36 ماه تغییر می دادند. (یعنی نوع داروی AH را عوض
کردند. ) فقط یک کشاورز گروه داروی AH رادر هردوره درمان عوض می کرد و %13/2از
دامداران نشان دادند که هرگز گروه دارویی AH را عوض نمی کنند.
٣۵
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

5-2 )پیاده سازی داده های جمع آوری شده با استفاده از شبکه عصبی
شبکه های عصبی به عنوان شبکه های تخمین گر جهانی می توانند برای مدل سازی رفتار های طبیعی به کار روند. همچنین شبکه های عصبی در دسته بندی داده ها کاربرد وسیعی دارند.
به دلایلی شبکه های عصبی را به عنوان ابزاری برای کار خود انتخاب کردیم.در این پایان نامه یک
شبکه عصبی سه لایه MLP برای آشکار سازی انگلهای مقاوم در برابر انگل کشها ارائه شده است.
ما می خواهیم با استفاده از آزمایش اول بالینی، طبق جدول 2-2 ، با استفاده از شبکه عصبی،
پیش بینی کنیم که آیا تزریق دارو روی دام مورد نظر موثر خواهد بود یا نه ؟ که در این صورت
اگر توانستیم پیش بینی کنیم، اولا به تزریق بیهوده دست نخواهیم زد ثانیا به آزمایش دوم نیاز
نخواهیم داشت.
داده های جمع آوری شده:
-1سه نوع لارو (تخم انگل ) به نامهای H,T,O
-2 نسبت کاهش EPG
جدول شماره 3-3 تمام داده هایی که از طریق آزمایش بالینی (از آزمایش اول) یک گروه دام ها در منطقه مغان به دست آمده است نشان می دهد.لازم به ذکر است در تکمیل جدول ارائه شده توسط دامپزشکان، مراحل انجام کار به این صورت بوده که باید مطمئن شویم در 8
هفته قبل به دامها AH داده نشده است. در هر گله N گوسفند انتخاب می کنیم که بیش از
6 ماه سن دارند.دام ها با بیش از EPG 150 (تخم بر گرم)به طور رندم به دو گروه تقسیم
می شود. داروی BZD به گروه یک تزریق می شود ولی گروه دو بدون تزریق باقی می ماند.
بعد از هفت روز از هر دو گروه دوباره نمونه گیری می شود و سپس شمارش تخم ها روی آنها
انجام می گیرد. داده های ثبت شده در اینجا با استفاده از آزمایش FECRT به دست
٣۶
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

آمده اند که توسط انجمن جهانی دامپزشکان (WAAVP) تایید شده است و بر مبنای
استانداردهای (WAAVP عدد بزرگتر از (R) 98که در قسمت EPG reduction می باشد و به معنی پاسخ به داروست. که ارزش تزریق به دام مورد نظر را دارد و کوچکتر از مقدار فوق به معنی پیش بینی برای عدم تزریق می باشد. در شبکه عصبی پاسخ به دارو1، و عدم پاسخ، خروجی صفر دارد.
٣٧
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

جدول : 3-2 نشان دهنده درصد وجود انگلهای H,T,O در دامهای مورد آزمایش قبل از
طزریق دارو و همچنین بعد از طزریق دارو
٣٨
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

شبکه عصبی مورد استفاده در این پایان نامه یک شبکه عـصبی سـه لایـهMLP پـیش رو می باشد که یک لایه در ورودی و یک لایه میانی و یک لایه در خروجی قرار گرفتـه اسـت به طوری که چهار نورون در لایه میانی و یک نورون در پایه خروجی قـرار دارد .شـکل 1-2
ساختاراین شبکه را نشان می دهد.

شکل :1-2 ساختارشبکه عصبی طراحی شده
در آموزش این شبکه ازداده های جدول شماره 3-2 به عنوان ورودی و خروجـی کـه بـا استفاده از آزمایش بالینی به دست آمده است استفاده کـردیم.بـرای شـبیه سـازی شـبکه عصبی از مطلب 6,5 بهره جسته ایم که روش آمـوزش از نـوع پـس انتـشار خطـا بـوده و
برای-یادگیری شبکه عصبی از دستور یادگیری newff استفاده شده است . [9]
34 ردیف از 38 ردیف این جدول را به عنوان داده های آموزش استفاده نمودیم تـا ضـرایب وزن و بایاس را پیدا کرده و از ضرایب وزن و بایاس به دست آمده برای تست چهار ردیـف از داده هایی که به عنوان داده های تـست در آمـوزش شـبکه از آنهـا اسـتفاده نکـردیم ، از شبکه جواب قابل قبول گرفته شد.این شبکه با روش آمـوزش پـس انتـشار خطـا وبـا انتخـاب
تعداد دفعات آموزش 300 بار epoch آموزش دیده شده است و خطا بـه حـداقل رسـیده است.
٣٩
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

نتایج این شبیه سازی برای این شبکه طبق شکل شماره 2-2 برای 300 بار تعداد دفعـات آموزش آمده است

شکل 2-2 کاهش خطا در حین شبیه سازی بعد از این که شبکه کا ملا آموزش داده شد، ضرایب وزن و بایـاس بـه صـورت زیـر حاصـل گردید :
W=[20/8274
17/6941 -25/3639 -4/8856 30/6564 -118/1918 -65/5309 43/8998 -60/2949
۴٠
فصل دوم تشخیص میزان موفقیت داروهای HPT در کاهش انگل های دامی با استفاده از شبکههای عصبی

145/4259
106/9770
-15/0551
-20/7781
5/2695
29/3341
-0/9800]:
U=[117/1778 142/0364 106/856982/6105 92/8707];
بعد از تعیین ضرایب وزن و بایاس برای اطمینان از کارکرد شبکه ، چهار ردیف آخر جدول 3-2 را که به عنوان داده های تست در نظر گرفته بودیم در شبکه تست نمودیم و نتایج تست طبق جدول زیر به دست آمد، و این صحت کارکرد شبکه را با حداقل خطا به ما نشان می دهد.
جدول 4-2 نتایج شبیه سازی برای داده های تست

0.0000
چگونگی پیاده سازی سخت افزاری شبکه طراحی شده، با استفاده از FPGA در فصل بعد به تفصیل ارایه می گردد.
۴١
فصل سومروش پیاده سازی شبکه عصبی با استفاده از FPGA

فصل سوم
روش پیاده سازی شبکه عصبی با
استفاده از FPGA
۴٢
فصل سومروش پیاده سازی شبکه عصبی با استفاده از FPGA

پیشگفتار:
در این فصل ابتدا مقدمه ای از FPGA بیان شده و در آن ساختار کلی FPGA تشریح شده است و امتیاز آن با سایر آی سی های دیجیتالی ، مورد بحث قرار گرفته و در ادامه روش پیاده
سازی شبکه عصبی طراحی و آموزش دیده شده در فصل پیش، روی FPGA ارائه شده است.
(1-3 مقدمه ای بر [10,11, 16,17] FPGA
طراحی مدارات دیجیتال با استفاده آی سی های 1 SSI و مدارهای مجتمع به صورت

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *