❞ كتاب مقدمة في الشبكات العصبية الاصطناعية ❝ ⏤ قصي حبيب

اعداد
قصي حبيب الحسينــــي
احمد عبدالامير الساعدي
جامعة الامام جعفر لصادق علية السلام

مقدمة في الشبكات العصبية الاصطناعية
الجزء الاول
فهرست
 ١ الشبكات العصبية الاصطناعية
 ٢ الوصف الرياضي للعصبون :
 ٣ توابع التحويل
 -١ ٣٫١ oتابع العتبة أو تابع الخطوة
 -٢ ٣٫٢ oالتابع الخطوي الخطي أو تابع التطابق
Sigmoid ّ- التابع الأسي٣ ٣٫٣ o
 ٤ البنية المعمارية للشبكات العصبونية
 ٥ الشبكة ذات الطبقات المتعددة الأمامية :
 ٦ الشبكات ذات التغذية الخلفية
 ٧ طرق تعليم الشبكة العصبونية
Supervised Learning of ANN’s ( التعليم المراقب )بواسطة معلم٧٫١ o
 ٧٫٢ oالتعليم غير المراقب ) بدون معلم ( Unsupervised learning
 ٨ خوارزميات تعليم الشبكة
 : ٨٫١ oأولاً مرحلة الانتشار الامامي
Creation Network  إنشاء الشبكة٩ 
 ٩٫١ oتابع التدريب  traingdوبارامتراته
Initializing weights  قيم الأوزان الابتدائية٩٫٢ o
training  : التدريب٩٫٣ o
Simulation  : محاآاة الشبكة٩٫٤ o

الشبكات العصبية الاصطناعية
Artificial Neural Networks
هي تقنيات حسابية مصممة لمحاآاة الطريقة التي يؤدي بها الدماغ البشري مهمة معينة، وذلك عن طريق معالجة
ضخمة موزعة على التوازي، ومكونة من وحدات معالجة بسيطة، هذه الوحدات ما هي إلا عناصر حسابية
تسمى عصبونات أو عقد ) ( Nodes , Neuronsوالتي لها خاصية عصبية ، من حيث أنها تقوم بتخزين
المعرفة العملية والمعلومات التجريبية لتجعلها متاحة للمستخدم وذلك عن طريق ضبط الأوزان.
إذاً ال ANNتتشابه مع الدماغ البشري في أنها تكتسب المعرفة بالتدريب وتخزن هذه المعرفة باستخدام قوى
وصل داخل العصبونات تسمى الأوزان التشابكية. وهناك أيضا تشابه عصبي حيوي مما يعطي الفرصة لعلماء
البيولوجيا في الاعتماد على  ANNلفهم تطور الظواهر الحيوية.
==. مكونات الشبكة العصبونية الاصطناعية .==
آما رأينا أن الشبكات العصبونية تتكون من مجموعة من وحدات المعالجة ويسمى أحدها عصبون ، والشكل )(١
يبين نموذجا لا خطيا وبسيطا للعصبون الاصطناعي :
آما أن للإنسان وحدات إدخال توصله بالعالم الخارجي وهي حواسه الخمس، فكذلك الشبكات العصبية تحتاج
لوحدات إدخال . ووحدات معالجة يتم فيها عمليات حسابية تضبط بها الأوزان و نحصل من خلالها على ردة
الفعل المناسبة لكل مدخل من المدخلات للشبكة . فوحدات الإدخال تكوّن طبقة تسمى طبقة المدخلات، و وحدات
المعالجة تكوّن طبقة المعالجة وهي التي تخرج نواتج الشبكة. وبين آل طبقة من هذه الطبقات هناك طبقة من
الوصلات البينية التي تربط آل طبقة بالطبقة التي تليها والتي يتم فيها ضبط الأوزان الخاصة بكل وصلة بينية،
وتحتوي الشبكة على طبقة واحدة فقط من وحدات الإدخال ، ولكنها قد تحتوي على أآثر من طبقة من طبقات
المعالجة.
نلاحظ من الشكل ) (٢أن العصبون يتألف من:
Wj2, ،Weights ) : Wj1 - ) قوى الأوزانInput ) : a1,a2,a2,….an 2 )  - إشارات الدخل١
 Wj3,……Wjnحيث يعبر الوزن عن شدة الترابط بين عنصر قبله وعنصر بعده .  - ٣عنصر المعالجة : J
( (Processing Element
وهذا العنصر يقسم إلى قسمين :
 أ - ) الجامع  ( Adderلجمع الإشارات في الدخل الموزون .
 ب - تابع النقل أو تابع التفعيل ): ( Activation Function
وهذا التابع يحد من خرج العصبون لذا يسمى بتابع التخميد  Squashingحيث يجعل الخرج ضمن المجال
] [٠،١أو ضمن المجال -] . [١،١
. ( Output) (Xj  - ) الخرج٤
الوصف الرياضي للعصبون :

حيث :
 : X1,X2------Xmاشارات الدخل .  : Wk1, W k2------Wkmالأوزان المشبكة للنيرون : k. UK
الخرج الخطي للجامع :  .bkالانحياز .
تابع التفعيل .
ملاحظة : يمكن اعتبار الانحياز  bkعلى أنه أحد الأوزان  X0 =1 W0ودخله ويصبح نموذج العصبون آالتالي:
توابع التحويل
قلنا أن تابع التحويل يحد من خرج العصبون . ويجب أن يمتلك الخواص التالية:
 أن يكون تابعا مستمرا . * أن يكون قابلا للاشتقاق ومشتقه سهل الحساب .
 أن يكون انسيابيا غير متناقص.
وهناك ثلاثة أنواع لتوابع التفعيل:
 -١تابع العتبة أو تابع الخطوة

يحد هذا التابع من خرج العصبون بحيث يصبح الخرج مساويا الواحد إذا آان الدخل أآبر أو مساويا الصفر
ويصبح الخرج مساويا الصفر إذا آان الدخل أصغر من الصفر.
 -٢التابع الخطوي الخطي أو تابع التطابق
يستخدم هذا التابع في العصبونات المستخدمة في المرشحات التلاؤمية الخطية .
 -٣التابع الأسيّ
Sigmoid
يأخذ هذا التابع قيم الدخل المحصورة بين ∞ ــ و ∞ + ويجعل الخرج محصورا بين  ٠و  ... ١وهو أآثر التوابع
استخداما بسبب سهولة اشتقاقه وآثرة أنواعه .
البنية المعمارية للشبكات العصبونية
معمارية الشبكة العصبية الاصطناعية، هي الطريقة التي ترتبط بها العصبونات مع بعضها البعض لتشكيل
الشبكة ، وهذا يرتبط بخوارزمية التدريب . ٣-٤-١الشبكة ذات الطبقة الواحدة الأمامية : في الشكل ) (٨ترتبط
آل مرآبة من مرآبات شعاع الدخل  Pبكل عصبون من خلال مصفوفة الوزن .W
آل عصبون يحوي وصلة جامع تقوم بجمع الدخل الموزون مع الإزاحة لتشكيل الخرج العددي للعصبون ، وفي
النتيجة إن مرآبات خرج طبقة العصبونات تشكل شعاع الخرج )مصفوفة من عمود واحد ( .  aوالعلاقة التي
تعطي هذا الخرج :
مرآبات شعاع الدخل تدخل إلى الشبكة من خلال مصفوفة الأوزان التالية:
مؤشرات السطر لعناصر هذه المصفوفة تدل على العصبون الهدف أما مؤشرات العمود على مرآبات الدخل
المصدر . أي أن المؤشرات في العنصر  W1,2تدل على أن هذا الوزن يتعلق بالعصبون الأول ، وأن مرآبة
الدخل لهذا العصبون هي المرآبة الثانية .
الشبكة ذات الطبقات المتعددة الأمامية :
الشبكة العصبونية يمكن أن تتألف من عدة طبقات وفي هذه الحالة يكون لكل طبقة صفوفة وزن  ،Wوشعاع
إزاحة  a . bوشعاع خرج ومن أجل التمييز يضاف رقم الطبقة آدليل علوي لكل من المتحولات المستعملة من
خلال الشبكة المبينة مرآبة الدخل ، عصبون في الطبقة الأولى ، عصبون في الطبقة الثانية ، وهكذا بنفس
الأسلوب . ومن الملاحظ أيضا أن خرج آل طبقة متوسطة هو دخل للطبقة التي تليها وبذلك تعتبر آل طبقة في
هذه الشبكة آأنها شبكة ذات طبقة وحيدة .الطبقة التي تعطي الخرج تسمى طبقة الخرج ، أما الدخل فلا يعتبر
طبقة ، وبقية الطبقات تسمى الطبقات الخفية . يمكن أن نرسم الشبكة الثلاثية المبينة في الشكل السابق باستخدام
الرسم المختصر التالي :
الشبكات متعددة الطبقات هي شبكات ذات فعالية آبيرة وخاصة الشبكات بطبقتين فهي مستخدمة بشكل آبير جداً.
حيث تستطيع هذه الشبكات من حل العديد من المشاآل المعقدة ولكن تدريبها يستغرق وقتا أطول . يرمز إلى هذا
النوع بالشكل : )  – n2 …..q ( m – n1حيث تشير  mإلى عدد المداخل وتشير  n1إلى عدد النيرونات في
الطبقة الأولى وهكذا .... و  qعدد عقد الخرج. آما في المثال المبين في الشكل ) (١١حيث يشار إلى هذه الشبكة
بالرمز ) :(٢ – ٤ – ١٠
١٠لأن لها عقد في الدخل . ٤و عقد في الطبقة الخفية . ٢و عقدة في الخرج .
الشبكات ذات التغذية الخلفية
هذا النوع يحوي على الأقل حلقة تغذية خلفية واحدة ، ويمكن أن يتألف من طبقة واحدة من النيرونات وآل
عصبون يعود خرجه إلى دخل آل العصبونات المتبقية .وقد يكون هناك تغذية خلفية ذاتية أي أن خرج العصبون
يعود إلى دخله ولكن هذه الشبكات قليلة الاستخدام في المجال الحيوي لأننا نستطيع تحقيق الأهداف الحيوية من
خلال شبكات أمامية .
طرق تعليم الشبكة العصبونية
تتعلم الشبكة عن طريق إعطائها مجموعة من الأمثلة، التي يجب أن تكون مختارة بعناية، لأن ذلك سيساهم في
سرعة تعلم الشبكة. ومجموعة الأمثلة هذه تسمى فئة التدريب.
وتنقسم طرق تعليم شبكة عصبية إلى قسمين حسب فئة التدريب التي تعرض على الشبكة وهما:
التعليم المراقب )بواسطة معلم( Supervised Learning of ANN’s
تقوم آل طرق التعليم أو التدريب بواسطة معلم للشبكات العصبية الاصطناعية على فكرة عرض البيانات
التدريبية أمام الشبكة على هيئة زوج من الأشكال وهما الشكل المدخل  inputوالشكل المستهدف target
مثال :
التعليم غير المراقب ) بدون معلم ( Unsupervised learning
في هذه الطريقة تكون فئة التدريب عبارة عن متجه المدخلات فقط دون عرض الهدف على الشبكة، وتسمى هذه
الطريقة التعليم الذاتي حيث تبني الشبكات العصبونية الاصطناعية أساليب التعليم على أساس قدرتها على اآتشاف
الصفات المميزة لما يعرض عليها من أشكال وأنساق وقدرتها على تطوير تمثيل داخلي لهذه الأشكال وذلك دون
معرفة مسبقة وبدون عرض أمثلة لما يجب عليها أن تنتجه وذلك على عكس المبدأ المتبع في أسلوب التعليم
بواسطة معلم.
من التعليم بدون معلم التعليم الهيبياني  ،Hebbianو التعليم التنافسي  Competitiveوبما أن الأسلوب الذي
اتبعناه في مشروعنا هذا هو التعليم بواسطة معلم ، لذلك سنتطرق إليه الآن بالتفصيل ، حيث أن التعليم بوجود
معلم يمكن أن يتم إما بتصحيح الخطأ أو بالاعتماد على الذاآرة .
 التعليم بواسطة معلم على نمط تصحيح الخطأ :
يستخدم هذا النوع من التدريب لتعليم الشبكات الخطية ذات الطبقة الواحدة التي تستخدم لحل مسائل التقابل الخطي
بين الدخل والخرج، حيث تقوم الشبكة بحساب إشارة الخطأ من خلال الفرق بين خرج العصبون والخرج
المطلوب، ويتم تعديل قيم الأوزان عن طريق دالة الخطأ المسماة بتابع الكلفة بهدف تصغير الفارق عن طريق
اشتقاق هذا التابع بالنسبة للأوزان المشبكية. تعتبر هذه الطريقة في التعليم من أهم طرق التعليم بواسطة معلم
وأآثرها شيوعاً .
 التعليم بواسطة معلم المعتمد على الذاآرة :
يتم في هذا النوع تخزين المعلومات المتوفرة عن البيئة في الشبكة العصبونية أي تخزين مجموعة التدريب التي
هي شعاع الدخل وشعاع الخرج المقابل له ويتطلب هذا النوع من التعليم وجود معيار لتحديد تشابه الأشعة ووجود
قاعدة تعليم .
خوارزميات تعليم الشبكة
إن الأوزان تمثل المعلومات الأولية التي ستتعلم بها الشبكة ، لذا لا بد من تحديث الأوزان خلال مرحلة التدريب ،
ومن أجل هذا التحديث تستخدم عدة خوارزميات مختلفة حسب نوع الشبكة. من أهم هذه الخوارزميات خوارزمية
الانتشار العكسي  Algorithm Back Propagationالتي تستخدم في تدريب الشبكات العصبونية آاملة
الارتباط وذات التغذية الأمامية ومتعددة الطبقات وغير الخطية، وتعتبر هذه الخوارزمية تعميم لطريقة التدريب
بنمط تصحيح الخطأ. ويتم تنفيذ هذه الخوارزمية من خلال مرحلتين رئيسيتين هما :
Feed forward Back Propagation . مرحلة الانتشار الأمامي١
 .٢مرحلة الانتشار العكسي Back Propagation
أولاً : مرحلة الانتشار الامامي
لا يحصل فيها أي تعديل للأوزان المشبكية و تبدأ هذه المرحلة بعرض الشكل المدخل للشبكة ، حيث تخصص آل
عنصر معالجة من طبقة عناصر الإدخال لأحد مكونات الشعاع الذي يمثل الدخل ، وتسبب قيم مكونات متجهة
الدخل استثارة لوحدات طبقة الإدخال ويعقب ذلك انتشار أمامي لتلك الاستثارة عبر بقية طبقات الشبكة
ثانيا : مرحلة الانتشار العكسي ====
وهي مرحلة ضبط أوزان الشبكة . إن خوارزمية الانتشار العكسي القياسية هي خوارزمية الانحدار التدريجي
 gradient descent algorithmوالتي تسمح لأوزان الشبكة أن تتحرك على الجانب السلبي من تابع الأداء .
إن دور الانتشار العكسي يعود إلى الطريقة التي يتم بها حساب الميل لطبقات الشبكة المتعددة اللاخطية ، حيث يتم
في أحد مراحل التعليم إعادة انتشار الإشارة من الخرج إلى الدخل بشكل عكسي ، ويتم خلالها ضبط أوزان
الشبكة ، ويمكن تمثيل الخوارزمية لتكرار واحد آما يلي :  : Xk+1= Xk - αk * gkحيث  : Xkشعاع
الأوزان و الإنحيازات الحالية
:  αkمعدل التعلم :  gkالميل الحالي
هناك طريقتان لحساب الانحدار التدريجي :
 أولاً : النظام التزايدي : Incremental mode
يتم وفق هذه الطريقة حساب الميل ومن ثم تعدل الأوزان بعد آل دخل يعطى للشبكة.
 ثانياً : نظام الدفعة الواحدة : Batch mode
وفق هذا النمط تزود الشبكة بكل أشعة الدخل قبل القيام بعملية تحديث الأوزان وبالتالي يمكن أن نقول أن الأوزان
والانحيازات في هذه الطريقة تعدل بعد تزويد الشبكة بكامل مجموعة التدريب حيث أن الميول المحسوبة في آل
مثال تدريبي تضاف لبعضها البعض لتحديد التغيرات في الأوزان والانحيازات .
Network Creation إنشاء الشبكة
إن أول خطوة في تدريب الشبكة هو إنشاء الشبكة وذلك باستخدام عدة توابع . آل تابع مخصص لإنشاء أحد أنواع
الشبكات العصبونية ذات الصفات المتميزة ، وبما أننا نريد إنشاء شبكة أمامية فسوف نستعمل التابع  newffالذي
يحتاج إلى أربعة محددات دخل وهي :
 .١مصفوفة تحتوي على القيم الصغرى والعظمى لكل عنصر من عناصر شعاع الدخل ويمكن أن
يستعاض عنها بـ (minmax(pالذي يقوم بتحديد أصغر وأآبر قيمة في مجال الدخل.
 .١مصفوفة تحتوي على عدد العصبونات في آل طبقة من طبقات الشبكة .
 .٢مصفوفة تحتوي على أسماء توابع التفعيل لكل طبقة .
 .٣اسم تابع التدريب المستخدم .
مثال :
network1=newff( [0 5],[10,6,2],{tansig,logsig,purlin}, traingd)
إن هذه التعليمة تقوم بإنشاء شبكة أمامية ذات الإنتشار العكسي ، حيث يقع مجال الدخل بين القيمتين  ٠و ، ٥
وتتألف هذه الشبكة من طبقتين خفيتين وطبقة خرج ، الطبقة الخفية الأولى تحوي عشرة عصبونات بينما الطبقة
الخفية الثانية تحوي ستة عصبونات ، أما طبقة الخرج فتتألف من عصبوني خرج ، وتوابع التفعيل لهذه الطبقات
هي  tansigللطبقة الخفية الأولى ، و  logsigللثانية ، و  purlinلطبقة الخرج ، أما تابع التدريب المستخدم في
هذه الشبكة هو . traingd
تابع التدريب  traingdوبارامتراته
التابع هو تابع تدريب تدريجي من النمط  Batch modeالذي تكلمنا عنه قبل قليل.هناك عدة بارامترات للتابع
 traingdوهذه البارامترات يمكن تعديلها، وهي:
 .١معدل التعلم  : trيعمل على تحديد سرعة تغير الميل والانحيازات .
 : Show .٢أمر لإظهار حالة التدريب .
 : Epoch .٣بارامتر لإيقاف عملية التدريب ، حيث تتوقف الشبكة عن التدريب إذا بلغ عدد التكرارات
عدد ال  epochsالمحدد.
 : Goal .٤لتحديد قيمة الخطأ الأصغري .
 : min_grad .٥الميل الأصغري الذي يقف عنده التدريب .
إن البارامترات السابقة تتحدد بشكل افتراضي عند إنشاء الشبكة ولكن يمكن التحكم بها وإعادة تحديدها.
Initializing weights قيم الأوزان الابتدائية
قبل تدريب الشبكة يجب أن توضع قيماً ابتدائية للأوزان والانحيازات . إن التعليمة السابقة  newffتضع قيما
ابتدائية للأوزان والانحيازات بشكل آلي ، ولكن في بعض الأحيان نحتاج إلى إعادة تغيير هذه القيم نحصل على
هذا التغيير عن طريق التعليمة  initحيث تأخذ هذه التعليمة الشبكة آدخل وتعيدها آخرج آما يلي :
Network1=init ( Network1)
training : التدريب
بعد تحديد القيم الابتدائية للأوزان والانحيازات تصبح الشبكة جاهزة للتدريب ، وخلال التدريب تتغير هذه
الأوزان والانحيازات بشكل تكراري لغاية الوصول إلى القيمة الصغرى لتابع الكلفة أو ما يسمى تابع الأداء
 .performance functionإن تابع الأداء الافتراضي لشبكات التغذية الأمامية هو متوسط مربع الخطأ ).(mse
محاآاة الشبكة :Simulation
هناك تعليمة تمكننا من محاآاة الشبكة حيث تأخذ هذه التعليمة دخلين ، الأول يمثل الشبكة والثاني يمثل دخل
الشبكة  pأو مجموعة الاختبار ، Tويعطي خرج الشبكة " A
شبكات عصبونية اصطناعية
الشبكات العصبونية الاصطناعية ) (artificial neural network ANNأو ما يدعى أيضا بالشبكات
العصبونية المحاآية  simulated neural networkأو  : SNNمجموعة مترابطة من عصبونات افتراضية
تنشئها برامج حاسوبية لتشابه عمل العصبون البيولوجي أو بنى الكترونية )شيبات الكترونية مصممة لمحاآاة
عمل العصبونات ( تستخدم النموذج الرياضي لمعالجة المعلومات بناء على الطريقة الاتصالية في الحوسبة.
تتألف الشبكات العصبونية بشكل عام عناصر معالجة بسيطة تقوم بعمل بسيط لكن السلوك الكلي للشبكة يتحدد من
خلال الاتصالات بين مختلف هذه العناصر التي تدعى هنا بالعصبونات و مؤشرات هذه العناصر element
. parameters
لماذا )عصبونات( ؟ لأن الإيحاء الأول بفكرة الشبكات العصبونية أتى من آلية عمل العصبونات الدماغية التي
يمكن تشبيهها بشبكات بيولوجية آهربائية لمعالجة المعلومات الواردة إلى الدماغ . في هذه الشبكات اقترح دونالد
هب أن المشبك العصبي يلعب دورا أساسيا في توجيه عملية المعالجة و هذا ما دفع للتفكير في فكرة الإتصالية
والشبكات العصبونية الاصطناعية .
تتالف الشبكات العصبونية الاصطناعية من عقد أو ما قد ذآرنا مسبقا انه عصبونات  neuronsأو وحدات
معالجة  ، processing elementsمتصلة معا لتشكل شبكة من العقد ، و آل اتصال بين هذه العقد يملك
مجموعة من القيم تدعى الأوزان تسهم في تحديد القيم الناتجة عن آل عنصر معالجة بناء على القيم الداخلة لهذا
العنصر .
الشبكة العصبونية شبكة مترابطة من عقد تعمل بأسلوب مشابع لعصبونات الدماغ البشري .
شبكات عصبونية أآثر تعقيدا تستخدم في أساليب و معالجات الحوسبة المتوازية.

الجزء الثاني
فهرست
 ١ مقدمة
 ٢ وصف عام لآلية عمل العصبون الاصطناعي
 ٢٫١ oطريقة معالجة المعلومات
 ٣ البنية
 ٣٫١ oنماذج الشبكات العصبونية
 ٣٫٢ oحسابات الشبكات العصبونية
 ٤ الإستعمالات
 ٥ الأسس البيولوجية
 ٦ أنواع الشبكات العصبونية
 ٧ تعليم الشبكات العصبونية
 ٨ الآفاق
مقدمة
يكمن أحد أسباب تفوق الدماغ البشري في قدرته على معالجة المعطيات بأآثر من مجموعة من الخلايا العصبية
داخله بنفس اللحظة بشكل متوازي، أجهزة الحاسوب اليوم تقوم بمحاآاة هذه العملية في ما يسمى حوسبة
متوازية،  ،Parallel Computingو بالرغم من السرعة العالية الناتجة عن هذه التقنية إلا أنها تفتقر الى القدرة
على الإستقلال بحل المشكلة، بمعنى أن النظام غير قادر على حل المشكلة بإستعمال المعطيات المدخلة لوحدها
بدون معرفة أسلوب حل المشكلة )خوارزمية  .( Algorithmو هو ما تقدمه الشبكات العصبية.
دونالد هيب، في آتابه منظمة السلوك ١٩٤٩م، أشار إلى أنّ المشابك العصبية بين العصبونات تقوى آلما تم
إستعمالها أآثر و تصبح عملية معالجتها للعمليات أسرع مع تكرار إثارتها بنفس المعطيات.
آانت هذه بداية التفكير لما يسمى بالمعالجات العصبية أو الشبكات العصبية و التي آانت مطروحة في وقتها على
صورة خلايا و ليس شبكات مترابطة. في الخمسينات من القرن العشرين قامت شرآة أي بي إم بأول محاولة
لمحاآاة الخلية العصبية، و نجح ذلك بعد عدة محاولات فاشلة.و لكن آان علم الكمبيوتر في ذلك الوقت يتجه ناحية
الحساب المتسلسل مما أدى الى إهمال موضوع الخلايا العصبية و وضعه في الأدراج.
في نهاية الخمسينيات، بدأ فرانك روزنبلات بالعمل على ما يدعى اليوم بالبيرسيبترون،  ،Perceptronحيث
آان قادرا على فصل النقاط القابلة للفصل خطيّا دون النقاط غير القابلة للفصل خطيا . و هذا ما اعتبر عيبا ضخما
في البيرسبترون .
في عام ١٩٥٩م قام برنارد فيدرو و مارآيان هووف ببناء نموذجي عنصر تكيفي خطي آدالاين ADAptive
 LINear Elementو مجموعة عناصر تكيفية خطية مادالاين  .Many ADALINEآان هذا هو أول ظهور
للشبكات العصبية بشكلها الحالي. آانت تستخدم آفلاتر أو مرشحات قابلة للتكيف ) (Adaptive Filterلإلغاء
الصدى من خطوط الهاتف. و ما تزال تستعمل تجاريا حتى هذا الوقت.
وصف عام لآلية عمل العصبون الاصطناعي
بشكل عام يمكننا ان نقول أن آل شبكة عصبونية ترتب بشكل طبقات من العصبونات الاصطناعية : طبقة دخل و
طبقة خرج و طبقات مخفية تتواجد بين طبقتي الدخل و طبقة الخرج .
نموذج لعصبون اصطناعي.
آل عصبون في احدى هذه الطبقات يتصل بكافة العصبونات الموجودة في الطبقة التي تليه و آافة العصبونات
في الطبقة التي تسبقه ، حيث ترده الإشارات أو القيم من عصبونات الطبقة السابقة ليقوم بمعالجتها و إعطاء قيمة
خرج وحيدة تنقل إلى آافة عصبونات الطبقة التي تلي طبقته . آل عصبون اذا يتلقى عدة قيم دخل  Inputو
يعطي قيمة خرج وحيدة ) Outputطريقة الوصل الموصوفة هنا هي الطريقة العامة لكن هذا لا يمنع من وجود
طرق اخرى( . ترتبط العصبونات أحيانا بدخل ثابت يدخل في آل عملية معالجة و لا علاقة له بمدخلات الشبكة
يدعى الانحياز . bias
طريقة معالجة المعلومات
آل اتصال بين عصبون و آخر يتميز بارتباطه بقيمة تدعى الوزن و هي تشكل مدى أهمية الارتباط بين هذين
العنصرين ، يقوم العصبون بضرب آل قيمة دخل واردة من عصبونات الطبقة السابقة بأوزان الاتصالات مع
هذه العصبونات ، من ثم جمع نواتج الضرب جميعا ، ثم إخضاع النتيجة لتابع تحويل يختلف حسب نوع
العصبون ، ناتج تابع التحويل يعتبر خرج العصبون الذي ينقل إلى عصبونات الطبقة اللاحقة .
البنية
تعتبر الشبكات العصبونية الاصطناعية ، أو اختصارا الشبكات العصبونية ، مجموعة متوازية من وحدات
المعالجة الصغيرة و البسيطة التي تدعى بالعقد أو العصبونات ، في حين تكتسب الاتصالات البينية بين مختلف
هذه الوحدات أهمية خاصة و تقوم بدور آبير في خلق ذآاء الشبكة . لكن على العموم ، و رغم أن الفكرة أساسا
مستوحاة من آلية عمل العصبونات الدماغية فلا يجب أن نخلط آثيرا أو نشابه بين الدماغ و الشبكات العصبونية
فالشبكات العصبونية أصغر و أبسط من العصبونات البيولوجية و قد تكون مجرد وحدات افتراضية تنشأها برامج
الحاسب ، آما إن آلية عمل العصبونات الاصطناعية تقتبس بعض ميزات العصبون البيولوجي و لا تشابهه تماما
، بالمقابل أضيفت العديد من الميزات و تقنيات المعالجة إلى العصبونات الاصطناعية بناء على أفكار رياضية أو
هندسية ، و هذه الإضافات أو أساليب العمل الجديدة ) بعضها مقتبس من الإحصاء أو من نظرية المعلومات ( لا
ترتبط بالعصبونات البيولوجية أبدا .
بالمقابل تبدي الشبكات العصبونية ميزة مهمة آان الدماغ يتفرد بها إلا و هي التعلم و هذا ما يمنح هذه الشبكات
أهمية خاصة في الذآاء الصنعي .
نماذج الشبكات العصبونية
تم استيحاء آلية عمل العصبون الاصطناعي من عصبونات الدماغ : ففي العصبونات الحيوية ، يمكن ان ننسب
لكل مشبك اتصال قادم ) incoming synapseأي مشابك التفرعات العصبية  ( dendriteقيمة تدعى وزن
المشبك  weightتساعد هذه القيمة في نمذجة المشبك )عن طريق تحديد قيمته و أهميته( فالوزن يحدد قوة هذا
المشبك و أثره في العصبون . يضرب وزن آل مشبك بالدخل القادم ، و من ثم تجمع نواتج الضرب لكل المشابك
القادمة . عادة ما تكون العصبونات البي