منبع پایان نامه درمورد پردازش اطلاعات، سرعت پردازش

منتقل و نهايتا جذب محلول مي شود. شکل 3-1 شمايي از المان گرفته شده از سيستم را نشان مي دهد که در آن R, r2, r1 به ترتيب شعاع از مرکز تا لوله، شعاع از مرکز تا غشا و شعاع از مرکز تا پوسته رانشان داده، Z جهت محوري و L طول يک فيبر است.

شکل3-1- المان اوليه سيستم الياف توخالي براي مدل‌سازي

3-3-1- قسمت پوسته
معادله پيوستگي در حالت پايا براي هر جز در قسمت پوسته مي تواند به شکل زير نوشته شود:
3-28)

که در آن براي اندازه گيري دبي جز i مي توان از قانون فيک41 استفاده کرد. طرف چپ معادله نشان دهنده نفوذ و طرف راست نشان دهنده انتقال جرم از طريق جابجايي است. با استفاده از قانون فيک براي اندازه گيري دبي، معادله ديفرانسيل براي هر جز در مختصات استوانه اي به شکل زير در مي آيد:
3-29)

با استفاده از مدل سطح آزاد هپلز42 توزيع سرعت در قسمت پوسته از رابطه زير به دست مي آيد:
3-30)

3-31)

همچنين شرايط مرزي عبارتند از:
Z =L
،
r= r3

r= r2
،

3-3-2- قسمت غشا
موازنه جرم در حالت پايا براي يون کلريد در قسمت غشا نوشته شده است. که نهايتا به شکل زير ارائه شده است:
3-32)

شرايط مرزي عبارتند از:
r= r2

r= r1

3-3-3- قسمت لوله
موازنه جرم در حالت پايا براي قسمت لوله انجام شده ، که به صورت زير بيان مي شود:
3-33)

توزيع سرعت در لوله با فرض جريان آرام نيوتني به صورت زير است:
3-34)

شرايط مرزي:
Z=0

r=r1

r=0

پيوستگي دبي در قسمت غشا-لوله و غشا- پوسته با عبارات زير بيان مي شود:
3-35)

3-36)

3-4- مدل‌سازي با استفاده از هوش مصنوعي
مدل‌هاي بر مبناي معادلات تئوري هيدروديناميکي مشکلاتي نظير پيچيدگي‌هاي ناشي از فيزيک مساله، حجم زياد محاسبات و نيز خطاي ناشي از فاصله مباني تئوري و مسائل واقعي دارند. با توجه به اين مشکلات نظر محققان به گونه‌اي ديگر از مدل سازي جلب شده که با استفاده از هوش مصنوعي به مدل سازي بر مبناي داده هاي تجربي مي پردازد. هوش مصنوعي، شاخه‌اي از علم كامپيوتر است كه ملزومات محاسباتي اعمالي همچون ادراك، استدلال و يادگيري را بررسي كرده و سيستمي جهت انجام چنين اعمالي ارائه مي‌دهد. در اين شاخه محاسباتي مي توان از داده هاي تجربي موجود براي ايجاد يک مدل مناسب جهت پيش بيني فرآيندهاي مشابه استفاده کرد.
تفاوت انسان با ساير موجودات زنده ديگر در توانايي تصميم گيري و اراده اوست كه به ساختار پيچيده مغز و سلسله اعصاب او بر مي گردد. از ديرباز دانشمندان و محققين زيادي علاقمند به شناخت ساختمان مغز انسان و چگونگي انجام محاسبات و پردازش در آن بوده اند آنچه باعث توجه گسترده به اين موضوع شده اموري است كه مغز آنها را در كسري از ثانيه انجام مي دهد( مثل شناسايي چهره آشنا ) در حاليكه رايانه هاي ديجيتال براي انجام آنها نياز به زمان زيادي دارند بنابراين مغز براي محاسبات خود اساسا از ساختاري كاملا مغاير با ساختار رايانه هاي متداول برخوردار مي باشد.
احساس نياز بشر براي دستيابي به هوش مصنوعي به منظور نزديك تر كردن ارتباط انسان و ماشين و دستيابي به ماشين هاي هوشمندي كه بتواند از عهده وظايف پيچيده تر بر آيند انگيزه اصلي تحقيقات گسترده بر روي سيستم عصبي انسان و ديگر موجودات زنده و تلاش در جهت شبيه سازي مصنوعي آن بوده است. شبکه عصبي مصنوعي43 ايده اي است براي پردازش اطلاعات که از سيستم عصبي زيستي الهام گرفته شده و مانند مغز به پردازش اطلاعات مي پردازد. عنصر کليدي اين ايده، ساختار جديد سيستم پردازش اطلاعات است.
شبکه هاي عصبي، با توانايي قابل توجه آنها در استنتاج معاني از داده هاي پيچيده يا مبهم ، مي‌تواند براي استخراج الگوها و شناسايي روش‌هايي که آگاهي از آنها براي انسان و ديگر تکنيک هاي کامپيوتري بسيار پيچيده و دشوار است به کار گرفته شود. يک شبکه عصبي آموزش داده شده مي تواند به عنوان يک متخصص در مقوله اطلاعاتي که براي تجزيه تحليل به آن داده شده به حساب آيد
شبكه هاي عصبي در هر دو جهت توسعه تئوري و عملي در حال رشد مي باشند. بيش‌تر پيشرفت ها در شبكه هاي عصبي به ساختارهاي نوين و روش هاي يادگيري جديد مربوط مي شود آن‌چه كه در مورد آينده مي توان گفت اين است كه شبكه هاي عصبي جايگاه مهمي به عنوان يك ابزار علمي كه بتواند براي حل مسائل خاص مورد استفاده قرار گيرد خواهند داشت.

3-4-1- شبكه هاي عصبي مصنوعي
شبكه هاي عصبي مصنوعي الهام گرفته از سيستم هاي بيولوژيكي هستند. اما اختلاف‌هاي عمده اي بين معماري و قابليت شبكه هاي عصبي مصنوعي و طبيعي وجود دارد. مغز انسان به عنوان يك سيستم پردزاش اطلاعاتي با ساختار موازي از 100 تريليون نرون هاي به هم مرتبط مي باشد كه اين نرون ها از طريق شبكه اي از آكسون ها44 و سيناپس‌ها45 با چگالي تقريبي10 هزار سيناپس در هر نرون، با هم ارتباط دارند[82].
محيط عملكرد اين نرون‌ها يك محيط شيميايي است. گيرنده هاي حسي تحريكات را هم از محيط و هم از داخل بدن دريافت مي كند. اين تحريكات كه به صورت ايمپالس46هاي الكتريكي هستند اطلاعات را به شبكه نرون ها وارد مي كنند. سيستم عصبي مركزي، اطلاعات دريافتي را پردازش مي كند و با كنترل انگيزنده ها47 پاسخ انسان را به صورت‌هاي مختلف بروزرساني مي كند.

شکل 3-2- اجزاي اصلي يک شبکه عصبي بيولوژيک[82]
سلول عصبي يا نرون كه عنصر اساسي شبكه عصبي است در شكل (3-2) نشان داده شده است اجزا اين سلول عبارتند از : بدنه سلول48، اكسون، دندريت49و سيناپس.
شبکه هاي عصبي، نظير انسان‌ها، با مثال ياد مي گيرند. يک شبکه عصبي مصنوعي براي انجام وظيفه هاي مشخص، مانند شناسايي الگو ها و دسته بندي اطلاعات، در طول يک پروسه ياد گيري، تنظيم مي شود. در سيستم هاي زيستي يادگيري با تنظيماتي در اتصالات سيناپسي که بين اعصاب قرار دارد همراه است. اين روش آموزش همان روش يادگيري شبکه عصبي مصنوعي نيز مي باشد.
شباهت هاي بين شبکه هاي عصبي مصنوعي و ساختار بيولوژيکي عبارتند از:
الف) بلوك هاي ساختاري در هر شبكه دستگاه‌هاي محاسباتي خيلي ساده اي هستند و مضاف بر اين نرون‌هاي مصنوعي از سادگي بيش‌تري برخوردار مي باشند.
ب)ارتباطات بين نرون ها عملكرد شبكه را تعيين مي كند.
اما با وجود اينكه نرون هاي بيولوژيكي از نرون هاي مصنوعي كه توسط مدارات الكتريكي ساخته مي شوند بسيار كندتر هستند( يك ميليون بار)، عملكرد مغز خيلي سريع‌تر از عملكرد يك رايانه معمولي است. علت اين پديده بيش‌تر به دليل ساختار كاملا موازي نرون ها مي باشد و اين يعني اينكه همه نرون ها معمولا به طور همزمان كار مي كنند و پاسخ مي دهند. از آنجايي كه شبكه هاي عصبي مصنوعي هم داراي ساختار موازي هستند اما توسط رايانه هاي سري پياده سازي مي شوند و اين مساله باعث افت سرعت شديد در اين شبكه ها مي شود.
با وجود اينكه شبكه هاي عصبي مصنوعي با سيستم عصبي طبيعي قابل مقايسه نيستند ويژگي هايي دارند كه آنها را در بعضي از كاربردها مانند تفكيك الگو ، رباتيك، كنترل و به طور كلي در هر جا كه نياز به يادگيري يك نگاشت خطي يا غير خطي باشد ممتاز مي نمايند، اين ويژگي ها به شرح زير هستند:
الف) قابليت يادگيري: استخراج نتايج تحليلي از نگاشت غير خطي كه با چند مثال مشخص شده، كار ساه اي نيست. چون يك نرون يك دستگاه غير خطي است در نتيجه يك شبكه عصبي كه از اجتماع اين نرون ها تشكيل مي شود هم يك سيستم كاملا پيچيده و غير خطي خواهد بود. به علاوه خاصيت غيرخطي عناصر پردازش در كل شبكه توزيع مي گردد هنگام پياده سازي اين نتايج با يك الگوريتم معمولي و بدون قابليت يادگيري نياز به دقت و مراقبت زيادي دارد درچنين حالتي سيستمي كه بتواند خود اين رابطه را استخراج كند بسيار سودمند به نظر مي رسد.
قابليت يادگيري يعني توانايي تنظيم پارامترهاي شبكه( وزن هاي سيناپتيكي ) در مسير زمان كه محيط شبكه تغيير مي كند و شبكه شرايط جديد را تجربه مي كند. با اين هدف كه اگر شبكه براي يك وضعيت خاص آموزش ديد و تغيير كوچكي در شرايط محيطي شبكه رخ داد، شبكه بتواند با آموزش مختصر براي شرايط جديد نيز كارآمد باشد. ديگر اينكه اطلاعات در شبكه هاي عصبي در سيناپس ها ذخيره و هر نرون در شبكه، به صورت بالقوه ازكل فعاليت ساير نرون ها متاثر مي شود. در نتيجه، اطلاعات از نوع مجزا از هم نبوده، بلكه متاثر از كل شبكه مي باشد.
ب) پراكندگي اطلاعات: آنچه كه شبكه فرا مي گيرد و يا به عبارت ديگر اطلاعات يا دانش، در وزن هاي سيناپسي مستتر مي باشد و رابطه يك به يك بين ورودي ها و وزن هاي سيناپتيكي وجود ندارد. مي توان گفت كه هر وزن سيناپسي مربوط به همه ورودي ها است ولي به هيچ يك از آنها به طور منفرد مربوط نيست، به عبارت ديگر هر نرون در شبكه از كل فعاليت ساير نرون ها متاثر مي باشد. در نتيجه اطلاعات به صورت زمينه اي توسط شبكه هاي عصبي پردازش مي شود.
ج) قابليت تعميم50: پس از آنكه مثال هاي اوليه به شبكه آموزش داده شد، شبكه مي تواند در مقابل يك ورودي آموزش داده نشده قرار مي گيرد و يك خروجي مناسب ارائه نمايد. اين خروجي بر اساس مكانسيم تعيمم بدست مي آيد.
د) پردازش موازي51: هنگامي‌كه شبكه عصبي در قالب سخت افزار پياده مي شود سلول هايي كه در يك تراز قرار مي گيرند مي‌توانند به طور همزمان به ورودي هاي آن تراز پاسخ دهند. اين ويژگي باعث افزايش سرعت پردازش مي شود. در واقع در چنين سيستمي وظيفه كلي پردازش، بين پردازنده هاي كوچك‌تر مستقل از يكديگر توزيع مي گردد.
ه) مقاوم بودن52: در يك شبكه عصبي، هر سلول به طور مستقل عمل مي كند و رفتار كلي شبكه برآيند رفتارهاي محلي سلول هاي متعددي است. اين ويژگي باعث مي شود تا خطاهاي محلي از چشم خروجي نهايي دور بمانند. به عبارت ديگر سلول ها در يك روند همكاري، خطاهاي محلي يكديگر را تصحيح مي كنند اين خصوصيت باعث افزايش قابليت مقاومت در سيستم مي گردد.
3-4-2- مدل هاي شبكه هاي عصبي مصنوعي
براي مدل كردن آسان‌تر سيستم عصبي بيولوژيكي، در شبكه هاي عصبي مصنوعي فرض بر اين است كه اطلاعات در اتصالات مابين نرون‌ها و توابع انتقالي آنها قرار دارد. بسته به نوع كاربرد، شبكه هاي عصبي با ساختارهاي مختلف وجود دارند. دركل مي توان شبكه هاي عصبي را از سه جهت دسته بندي كرد:
الف) ساختمان و عملكرد هر نرون
ب) ساختمان شبكه و نحوه ارتباط مابين لايه ها
ج) نوع آموزش( يادگيري )
يك نرون كوچك‌ترين واحد پردازشگر اطلاعات است كه اساس عملكرد شبكه هاي عصبي را تشكيل مي دهد بنابراين در اين قسمت مدل ساده اي از يك نرون ارائه مي شود[83].

3-4-2-1- مدل نرون تك ورودي
شكل 3-3 ساختار يك نرون تك ورودي را نشان مي دهد اسكالرهاي p و a به ترتيب ورودي و خروجي مي باشند. ميزان تاثير p روي a به وسيله مقدار اسكالر w تعيين مي شود. ورودي ديگر كه مقدار ثابت 1 است درجمله باياس b ضرب شده و سپس با wp جمع مي شود. اين حاصل جمع، ورودي 53n براي تابع محرك54 (يا تابع تبديل )f خواهد بود بدين ترتيب خروجي نرون با معادله زير تعريف مي شود:
3-37)

شکل 3-3- مدل نرون تک ورودي[83]

با مقايسه اين مدل تك ورودي با يك نرون بيولوژيكي ، عملا w معادل شدت سيناپس جمع كننده و تابع محرك معادل هسته سلول وسيگنال خروجي نرون، a ، معادل سيگنال گذرنده از آكسون خواهند بود. نكته اي كه بايد به آن توجه شود اهميت و تاثير جمله باياس b است. اين جمله را مي توان مانند وزنه w در نظر گرفت، با اين تصور كه ميزان تاثير ورودي ثابت 1 را روي نرون منعكس مي سازد.
بايد توجه داشت كه پارامترهايw و bقابل تنظيم مي باشد وتابع محرك f نيز توسط

دیدگاهتان را بنویسید