شبکه ‌های گازی عصبی یا Neural Gas Network یکی از انواع شبکه ‌های گازی عصبی رقابتی با الگوی یادگیری غیر نظارت شده هستند. کاربرد اصلی شبکه ‌های گازی عصبی Neural Gas Networks در حل مسائل خوشه‌بندی و یادگیری توپولوژی است. الگوریتم پایه شبکه ‌های گازی عصبی Neural Gas Networks در سال 1991 و توسط توماس مارتینز و کلاوز شولتن ارائه شد. دوره آموزش شبکه ‌های گازی عصبی با هدف آموزش این ترند جذاب در هوش مصنوعی ارائه شده است که در ادامه آن را معرفی خواهیم کرد.

دوره آموزش شبکه ‌های گازی عصبی 

دوره آموزش شبکه ‌های گازی عصبی از مجموعه دوره‌های آموزش متلب و آموزش هوش مصنوعی مکتب خونه یک دوره پروژه محور بوده که با هدف آموزش شبکه ‌های گازی عصبی در مکتب خونه تهیه و تدوین شده است. در این دوره کاربران با مفهوم شبکه ‌های گازی عصبی  و نحوه پیاده‌سازی آن‌ها آشنا خواهند شد.

چه مباحثی در دوره آموزش شبکه ‌های گازی عصبی ارائه می‌شود؟

در این دوره آموزش مباحث زیر پوشش داده شده است:

• تاریخچه و نحوه عملکرد شبکه ‌های گازی عصبی 
• پیاده‌سازی قدم‌به‌قدم این شبکه‌ها در محیط MATLAB
• پیاده‌سازی خوشه‌بندی داده با این شبکه‌ها
• پیاده‌سازی قطعه‌بندی تصویر با این شبکه‌ها
• پیاده‌سازی استخراج ویژگی از تصویر با این شبکه‌ها

پیش‌نیاز‌های دوره شبکه ‌های گازی عصبی 

یادگیری این دوره نیازمند پیش‌نیازهای متعددی از جمله مبانی برنامه‌نویسی، مبانی داده کاوی، مبانی پردازش تصویر و مبانی شناسایی آماری الگو است. همچنین این دوره برای دانشجویان رشته‌های کامپیوتر و فناوری اطلاعات به صورت کلی و گرایش هوش مصنوعی به صورت تخصصی مناسب است

تاریخچه شبکه ‌های گازی عصبی 

شبکه ‌های گازی عصبی  Neural Gas Networks (NGN)، توسط توماس مارتینز و کلاوس شولتن و در سال 1991 در دانشگاه ایلینوی معرفی شد. نام این شبکه از مدل رفتاری آن گرفته شده که بر اساس پراکنده ‌کردن تعدادی مرکز خوشه یا نورون در فضای دوبعدی و یا سه‌بعدی در مرحله ابتدایی است. این نورون‌ها به مرور زمان به کشف ساختار هندسی مدل می‌پردازند و یا اصطلاحاً مدل را توصیف می‌کنند. این رفتار را همگرا شدن بر روی مدل و یا یادگیری توپولوژی آن مدل نیز می‌نامند.

کاربرد شبکه ‌های گازی عصبی 

 این شبکه‌ها در کاربردهای غیرنظارت شده یادگیری ماشین استفاده می‌شوند. کاربردهایی مانند خوشه‌بندی داده، قطعه‌بندی تصاویر، کمی‌سازی تصاویر، یادگیری توپولوژی و استخراج ویژگی تنها نمونه‌هایی از کاربرد‌های این شبکه‌ها است. این شبکه‌ها در دسته الگوریتم‌های کمی‌سازی برداری قرار می‌گیرند و با مقداری تغییر در نحوه یادگیری الگوریتم‌های کمی‌سازی برداری می‌توان این شبکه‌ها را پیاده‌سازی کرد. برخلاف روش‌های خوشه‌بندی لوید و نگاشت‌های خود سازمان، شبکه ‌های گازی عصبی  می‌توانند هر نوع ساختار همسایگی را کشف کنند که از این جهت متمایز می‌شوند.

این شبکه‌ها از دو بخش اصلی یادگیری و تعریف همسایگی تشکیل شده‌اند. با حذف و ایجاد مکرر رابطه‌ی بین نورون‌ها، مدلی پویا از توپولوژی نهایی خواهیم داشت که شامل بهترین نورون‌ها برای توصیف مدل است. باید توجه کرد که شبکه ‌های گازی عصبی  از سرعت مناسبی در عمل یادگیری برخوردار هستند.

شبکه‌های گازی عصبی مصنوعی (neural gas)

یکی از مهم‌ترین الگوریتم‌های داده کاوی و هوش مصنوعی، الگوریتم شبکه عصبی مصنوعی گازی  neural gas است. الگوریتم شبکه عصبی مصنوعی گازی neural gas با استفاده از نرم‌افزار برنامه‌نویسی متلب matlab بروی مجموعه‌ای داده‌ها شبیه‌سازی شده است. روال کار در متلب matlab بدین صورت است که پس از بارگذاری داده‌های مربوطه، الگوریتم شبکه عصبی مصنوعی گازی را بروی داده‌ها اجرا شده و مسئله را حل می‌نماید. این الگوریتم‌ها در زمینه‌های CNG و حل مسائل بدون ناظر که فاقد دسته‌بندی خاصی هستند مورد استفاده قرار می‌گیرند. 

شبکه عصبی گراف

گراف نوعی ساختار داده است که از گره‌ها و رئوس تشکیل شده است. اتصالات بین گره‌های مختلف توسط رئوس تعیین می‌شود. اگر جهت در گره‌ها نشان داده شده باشد، گراف جهت‌دار گفته می‌شود، در غیر این صورت، بی‌جهت است.
یک کاربرد خوب نمودارها مدل‌سازی روابط بین افراد مختلف در یک است شبکه‌های اجتماعی. هنگام برخورد با شرایط پیچیده، مانند پیوندها و تبادلات، نمودارها بسیار مفید هستند.
شبکه‌ عصبی گراف، انواع شبکه‌های عصبی تخصصی هستند که می‌توانند در قالب داده‌های نموداری کار کنند. تعبیه گراف و شبکه‌های عصبی کانولوشنال (CNN) تأثیر قابل‌توجهی بر آن‌ها دارند.
شبکه‌ عصبی گراف در کارهایی که شامل پیش‌بینی گره‌ها، لبه‌ها و نمودارها می‌شود، استفاده می‌شوند.

 CNN برای طبقه‌بندی تصاویر استفاده می‌شود. به طور مشابه، برای پیش‌بینی یک کلاس، GNN ها به شبکه پیکسلی که ساختار نمودار را نشان می‌دهد اعمال می‌شود.

دسته‌بندی متن با استفاده از شبکه‌های عصبی بازگشتی CNN ها همچنین با معماری گراف استفاده می‌شوند که در آن هر کلمه در یک عبارت یک گره است.

به منظور پیش‌بینی گره‌ها، لبه‌ها یا نمودارهای کامل، از شبکه‌ عصبی گراف برای ایجاد CNN استفاده می‌شود. برای مثال، یک پیش‌بینی در سطح گره می‌تواند مشکلی مانند تشخیص هرزنامه را حل کند.
پیش‌بینی پیوند یک مورد معمول در سیستم‌های توصیه‌گر است و امکان دارد نمونه‌ای از یک مشکل پیش‌بینی لبه باشد.

CNN اولین بار در سال 1980  معرفی شد. ساختار شبکه از کورتکس بینایی مغز الهام گرفته شده است. طبق آزمایش‌های انجام شده، در مسیر کورتکس بینایی در مغز، با دیدن یک جسم ابتدا ویژگی‌های ساده و اولیه‌ی آن شناسایی می‌شوند و در طی این مسیر، ویژگی‌های شناسایی شده، پیشرفته‌تر می‌شوند به طوریکه نورون‌های انتهای مسیر بینایی با دیدن یک شی یا یک چهره‎‌ی خاص، فعال می‌شوند‌.CNN که مخفف شبکه عصبی کانولوشنی (Convolutional Neural Network) است کلاس خاصی از شبکه‌های عصبی مصنوعی (Artificial Neural Network) در هوش مصنوعی است. این شبکه‌ها مشابه شبکه‌های عصبی سنتی دارای لایه‌ی ورودی، لایه‌ی پنهان و لایه‌ی خروجی هستند. تعداد لایه‌های این شبکه را می‌توان افزایش داد و بر چالش‌های ناشی از افزایش لایه‌ها غلبه کرد، ازاین‌رو در رده‌ی شبکه‌های عصبی  عمیق (Deep Neural Network) قرار می‌گیرند.

شبکه عصبی بازگشتی

شبکه عصبی بازگشتی (RNN) که به آن شبکه عصبی مکرر نیز گفته می‌شود، شبکه عصبی بازگشتی نوعی از شبکه عصبی مصنوعی است که در تشخیص گفتار، پردازش زبان طبیعی (NLP) و همچنین در پردازش داده‌های ترتیبی استفاده می‌شود. بسیاری از شبکه‌های عمیق مانند CNN شبکه‌های پیش‌خور (Feed Forward) هستند یعنی سیگنال در این شبکه‌ها فقط در یک جهت از لایه ورودی، به لایه‌های مخفی و سپس به لایه خروجی حرکت می‌کند و داده‌های قبلی به حافظه سپرده نمی‌شوند؛ اما شبکه عصبی بازگشتی (RNN) یک لایه بازخورد دارند که در آن خروجی شبکه به همراه ورودی بعدی، به شبکه بازگرداننده می‌شود. RNN شبکه عصبی بازگشتی می‌تواند به علت داشتن حافظه داخلی، ورودی قبلی خود را به خاطر بسپارد و از این حافظه برای پردازش دنبال‌هایی از ورودی‌ها استفاده کند. به بیان ساده، شبکه عصبی بازگشتی شامل یک حلقه بازگشتی هستند که موجب می‌شود اطلاعاتی را که از لحظات قبلی به دست آورده‌ایم از بین نروند و در شبکه باقی بمانند. در ادامه چند تا از کاربردهای مهم شبکه عصبی گازی در دنیای واقعی ذکر خواهند شد.

سیکل توربین

نیروگاه سیکل توربین گاز نیروگاهی است که شامل شماری توربین گاز و توربین بخار می‌شود. سیکل توربین‌های گازی یکی از مهم‌ترین ماشین‌های تولید توان بشمار می‌آیند. با افزایش سهم نیروگاه‌های گازی در تولید و تأمین برق موردنیاز شبکه سراسری، همچنین به منظور مقابله با بحران انرژی و استفاده مطلوب از منابع انرژی موجود، روش‌های مختلفی برای بهبود عملکرد این نوع نیروگاه‌ها پیشنهاد شده است. در این میان، استفاده از روش تزریق بخار به سیکل توربین گاز ساده بسیار مفید و کارآمد است یکی از مهم‌ترین راهکارهای افزایش توان سیکل توربین‌های گازی خنک کاری هوای ورودی به کمپرسور است.

تشکیل هیدرات

یکی از مشکلات مهم در طراحی خطوط لوله گاز، تشکیل هیدرات در آن است. گاز خروجی از چاه‌های گاز همواره با مقداری رطوبت همراه هستند که این رطوبت‌ها هنگام عبور از شیرهای کنترل و در شبکه‌های توزیع گاز و در فصل سرما مشکلات زیادی ایجاد می‌کنند که حالت وخیم‌تر آن  تشکیل هیدرات گازی است.
در مخازن زیرزمینی، فشار بسیار بالا و دمای بسیار پایین است.
در این شرایط آب به دلیل داشتن پیونده‌ای هیدروژنی قوی، ساختارهایی حفره‌دار تشکیل می‌دهند که
با نام شبکه تشکیل هیدرات شناخته می‌شوند.

توربین گازی

مخترعی به نام جان باربر در سال 1791 یک ماشین طراحی کرد که در آن از یک شبه توربین گازی استفاده شده بود. بعدها در سال 1904 شخصی توانست که یک توربین گازی بسازد. توربین‌های گازی یکی از تجهیزات صنعتی پرکاربرد هستند که امروزه وجود آن‌ها بسیار مهم است.
توربین گازی بسیار بزرگ و عظیم هستند و از فلزات زیادی در ساخت آن‌ها استفاده می‌شود. نگهداری از توربین گازی بسیار سخت است. توربین گازی یک موتور درون‌سوز در داخل خود دارند که به صورت دورانی و چرخشی اقدام به تبدیل انرژی با استفاده از تعریق گازها می‌کنند. توربین گازی در صنایع و ماشین‌آلات مختلفی استفاده می‌شوند و سوخت آن‌ها معمولاً از گاز است.

سخن پایانی

شبکه‌های عصبی گازی یکی از مهم‌ترین ترندهای هوش مصنوعی و یادگیری ماشین بوده که امروزه یادگیری آن برای فعالان این حوزه از اهمیت بسیار ویژه‌ای برخوردار است. اگر به فکر یادگیری شبکه های عصبی گازی هستید و دوست دارید اولین قدم خود را در این زمینه بردارید هم‌اکنون با ثبت‌نام در دوره آموزش شبکه های عصبی گازی مکتب خونه اولین و مهم‌ترین قدم خود را در این زمینه بردارید.