تفاوت روش محاسباتي متداول با روش محاسباتي شبكه هاي عصبي

تفاوت روش محاسباتي متداول با روش محاسباتي شبكه هاي عصبي

در روش هي معمولي ، گام هاي محاسباتي از پيش تعيين شده و داراي توالي منطقي هستند. در مقايسه ، ANN ها نه توالي دارند . نه الزاماً از پيش تعيين شده هستند. در اين حالت پردازشگرهاي پيچيده مركزي وجود ندارند ، بلكه تعداد زيادي پردازشگر ساده وجود دارد كه كاري جز گرفتن جمع وزني ورودي هايشان از ديگر پردازشگر ها ندارند.

مدل سازي كلاسيك از نخستين قدم خطاي بزرگي را مرتكب مي شود كه فقط در سيستم هاي ساده ( خطي يا نزديك به خطي ) قابل صرف نظر است.

نحستين قدم در روش كلاسيك براي بررسي داده ها ، بررسي شاخص هايي مثل ميانگين ، انحراف ، معيار و ... است. از اين مرحله به بعد در روش كلاسيك ، كاري با تك تك نمونه ها نداريم و اهميت فردي آنها از بين مي رود. در واقع روش كلاسيك با عملي شبيه همگن كردن داده ها ، پيچيدگي روابط آنها را محو مي كند و به اين دليل از كشف اين پيچيدگي ها باز مي ماند. به اين ترتيب سيستم كلاسيك در استخراج معني از داده ها ضعيف و با بازده پايين عمل مي كند و در بسياري از موارد از كشف روابط بين داده ها ناكام مي ماند.

اگر مي توانستيم سيستمي داشته باشيم كه با اهميت دادن به فرد فرد داده ها آنها را تجزيه و نحليل كند و نيز بدون پيش داوري در مورد شكل تابع هر پارامتر ( خطي يا غير خطي بدون تابع ) آن را ذخيره و ارزيابي كند ، چنين سيستمي مي توانست نتايج بيشتري را از عمق داده ها بيرون بكشد. شبكه هاي عصبي مصنوعي اين قابليت را دارند و به همين خاطر بسيار مورد توجه قرار گرفته اند.