فهرست مطالب
شبکه عصبی مصنوعی (ANN) چیست؟
شبکه عصبی مصنوعی به طور بسیار گستردهای در برآورد انرژی ساختمان مورد استفاده قرار میگیرند و به عنوان سرگروه تکنیکهای یادگیری ماشینی محسوب میشوند. شبکههای عصبی مصنوعی که موفقیتهای چشمگیری در مدل کردن مسائل غیر خطی و پیچیده داشتهاند، با به کارگیری تکنیکهای مختلف احتمال بروز خطا را بسیار کم کردهاند. ایده اصلی در روشهای شبکه عصبی برگرفته از حوزههای عصبی زیستی مانند شبکه عصبی انسان میباشد. هر شبکه عصبی از تعدادی لایه عصبی (حداقل دو لایه) و هر لایه از تعدادی نرون (عصب یا گره) تشکیل شده است. آرایش لایهها و نرونها را معماری شبکه عصبی مینامند. تعداد لایهها و تعداد نرونها در هر معماری بسته به نوع مسئله متفاوت است. تقریبا هیچ قانون خاصی برای تعیین نوع معماری شبکه وجود ندارد و محقق مجبور است که از روش سعی و خطا بهترین معماری را برای موضوع خود بیابد. اگر تعداد لایهها بسیار زیاد باشد به آن یادگیری عمیق گفته میشود.
ساختار شبکههای عصبی مصنوعی چگونه است؟
در شکل زیر معماری یک شبکه عصبی نشان داده شده است. همانطور که این شکل نشان میدهد، اولین لایه، لایه ورودی نامیده میشود که شامل متغیرهای مستقل هستند. تعداد این متغیرها بستگی به موضوعی دارد که محقق در پی آن است. لایههای بعدی که توابع فعالساز روی آنها اجرا میشوند را لایههای پنهان مینامند که تعداد آنها میتواند بسیار زیاد باشد. در پایان محاسبات حاصل از لایههای پنهان به یک جواب میرسد که همان مقدار تابع هدف مورد نظر است و به آن لایه خروجی گفته میشود.
لایههای ورودی، پنهان و خروجی در ANN
در هر لایه یکی از انواع توابع فعالساز (تابع خطی، تابع سیگموید، تابع هایپربولیک، …) برای ایجاد ارتباط بین نرونها مورد استفاده قرار میگیرد. در هر نرون، دادههای ورودی در ضرایب وزنی مختلفی ضرب میشوند و حاصل این عبارت به عنوان متغیر، وارد تابع فعالساز میشود. در این روند، وزنها دارای اهمیت ویژهای هستند زیرا باید آموزش داده شوند. در ادامه تصویر مثالی از نحوه وزن دهی نرونها در یک شبکه عصبی دو لایه نشان داده شده است. این شبکه عصبی با دریافت متغیرهای آسایش حرارتی مانند دمای هوای داخل، رطوبت نسبی، تابش، جریان هوا، نرخ فعالیت، و نرخ لباس، قادر است محدوده آسایش حرارتی را پیشبینی کند. با ضرب یک ضریب وزنی منحصر به فرد در هر متغیر، در واقع یک تابع رگرسیون خطی برای آن متغیر ایجاد میشود. با جمع همه این توابع رگرسیون در یک لایه، عددی مانند z حاصل میشود که این مقدار خود به عنوان ورودی تابع، وارد لایه بعدی میشود. در لایه بعدی تابع فعال سازی مانند f(z) بر روی z اعمال میشود و سپس خود f(z) به عنوان متغیر ورودی برای لایه بعدی وارد توابع رگرسیون خطی شده و مراحل لایه قبل برای آن تکرار میشود. این داستان تا جایی ادامه دارد که به آخرین لایه که دارای یک نرون است برسیم. خروجی لایه آخر همان جواب پیشبینی مساله مورد نظر است.
یکی از مهمترین ویژگیهای شبکههای عصبی که آنها را نسبت به سایر الگوریتمهای یادگیری ماشینی مجزا کرده است، این است که این روش برای دیتاستهای بسیار بزرگ طراحی شده است. زمانی که تعداد نمونهها (دادهها) در مجموعه دیتاست بسیار زیاد باشد، استفاده از شبکه عصبی میتواند گزینه مناسبی باشد.
مثالی از محسبات یک شبکه عصبی دو لایه – با دریافت متغیرهای آسایش حرارتی، نرخ آسایش حرارتی پیشبینی میشود.
منابع علمی
- Tso G.K.F., Yau K.K.W. (2007). Predicting electricity energy consumption : A comparison of regression analysis, decision tree and neural networks. Energy, 32(9), 1761–1768.
- Park Y.-S., Lek, S. (2016). Artificial Neural Networks: Multilayer Perceptron for Ecological Modeling. In Developments in environmental modelling, (pp. 123–140): Wiley Online Library.
- Rahbar M, Mahdavinejad M, Bemanian M, Davaie Markazi AH, Hovestadt L. Generating synthetic space allocation probability layouts based on trained conditional-GANs. Appl Artif Intell 2019;33(8):689–705.
- Rahbar M, MahdaviNejad M, Bemanian M, Davaie-Markazi A. Artificial neural network for outlining and predicting environmental sustainable parameters. J Sustain Archit Urban Des 2020;7(2):169–82.
