مزایا و محدودیت های  استفاده از شبکه عصبی

مزایا و محدودیت های استفاده از شبکه عصبی مصنوعی به صورت ذیل دسته بندی می شوند (مختاری،1389):

2-4-13-1- مزایا

 

  1. یادگیری انطباق پذیر: قابلیت یادگیری نحوه انجام وظایف بر پایه اطلاعات داده شده برای تمرین و تجربه های مقدماتی.
  2. سازماندهی توسط خود: یک شبکه عصبی مصنوعی می تواند به صورت خودکار سازماندهی و ارائه داده هایی را که در طول دوره یادگیری دریافت کرده، انجام دهد. نورون ها با قاعده یادگیری سازگار شده و پاسخ به ورودی تغییر می یابد.
  3. به هنگام: محاسبات در شبکه عصبی می تواند به صورت موازی و بوسیله سخت افزارهای مخصوصی که طراحی و ساخت آنها برای دریافت نتایج بهینه از شبکه عصبی صورت گرفته است، انجام شود.
  4. تحمل خطا بدون ایجاد وقفه در هنگام کدگذری اطلاعات: خرابی جزئی یک شبکه منجر به تنزل کارایی متناظر با آن می شود. اما قابلیتهای اصلی شبکه ممکن است حتی با صدمات بزرگ هم باقی بماند.
  5. دسته بندی: شبکه های عصبی قادر به دسته بندی ورودیها برای ایجاد خروجی های مناسب و قابل اتکا می باشند.
  6. تعمیم دهی: این خاصیت شبکه را قادر می سازد تا تنها با برخورد با تعداد محدودی از نمونه ها، یک قانون کلی را ایجاد نموده، نتایج این آموخته ها را به موارد مشاهده نشده از قبل نیز تعمیم دهد. توانایی که در صورت نبود آن سیستم باید بی نهایت واقعیت ها و روابط را به خاطر بسپارد.
  7. انعطاف پذیری و پایداری: یک شبکه عصبی هم به حد کافی پایدار است تا اطلاعات فراگرفته، خود را حفظ کند و هم قابلیت انعطاف و تطبیق دارد و بدون از دست دادن اطلاعات قبلی می تواند موارد جدید را بپذیرد.
مطلب مرتبط :   فنون‌ و راهبردهای‌ مدیریت‌ تعارض‌

8 . قابلیت مدلسازی سیستم های غیر خطی با پیچیدگی دلخواه: بر طبق یکی از قضایای اساسی که در زمینه شبکه عصبی به اثبات رسیده است، هر تابع غیر خطی پیچیده تکه تکه گسسته را می توان بوسیله یک شبکه پروسپترون سه لایه به تعداد کافی نورون در لایه مخفی با هر درجه ای از دقت تقریب زد.

9.قابلیت استفاده از حافظه شراکتی: شبکه های عصبی می توانند ویژگی های مختلفی را با ارائه یک ویژگی در خروجی (بدون آنکه این ویژگی ها را در جایی ذخیره کرده باشند) ظاهر سازند.

 

 

 

 

2-4-13-2- محدودیت ها

  1. شبکه های عصبی مصنوعی قادر به توضیح منطق و قاعده کار نیستند و اثبات درستی آنها بسیار دشوار است.
  2. محاسبات شبکه های عصبی معمولا محتاج مقادیر زیادی داده برای آموزش و آزمون مدل است. در حالت کلی ، شبکه های عصبی برای برخی از مسائل کارایی ندارند. برای مثال برای حل مسائل و پردازش داده ها با روش مستدل مناسب نیستند.
  3. امکان ارائه یک جواب زودرس و نامناسب وجود دارد. معمولا شبکه های عصبی برای هر مجموعه داده های آموزشی به جواب همگرا می شود. متاسفانه هیچ تضمینی وجود ندارد که حل ارائه شده، بهترین مدل داده ها باشد. لذا می بایستی توسط مجموعه آزمون، مناسب بودن مدل فراهم شده را سنجید و سپس آن را بر روی داده های ناشناخته به کار برد.

 

 

 

 

 

 

دسته بندی : علمی