سبد خرید
0

هیچ محصولی در سبد خرید نیست.

شبکه های عصبی ، سلول های خودکار و فازی در مدلسازی رشد شهری

1-1 شبکه های عصبی

1-1-1 شبکه های عصبی ، سلول های خودکار و مدلسازی رشد شهری

در این قسمت مروری بر ادبیات شبکه های عصبی و نقش تعیین رشد شهری با شبکه عصبی با توجه به نقش آن در مدل سازی شهری داشته و به جنبه های مختلف آن پرداخته شده است. برخلاف سلول های خودکار که از یک دسته از قوانین ساده و واضح استفاده کرده اند ، شبکه های عصبی از یک سری معادلات ریاضی پیچیده استفاده می کنند . شبکه های عصبی پارامترهای زیادی را در بر می گیرند و از آنجایی که نتایج مدل به چنین پارامترهای حساس هستند، نیاز به طراحی دقیقی دارند. شبکه های عصبی معمولا بهترین تناسب را با مسائلی که کمترین بعد داده های ورودی (تعداد کمی از متغییر ها) و نیز مسائلی با یک الگوی معینی که می توانند از طریق شبکه های عصبی آموزش ببینند را دارند . شبکه های عصبی در مدل سازی شهری می توانند به صورت مجرد یا با تلفیق با دیگر تکنیک های مصنوعی نظیر سلول های خودکار بکار برده شوند.

شبکه های عصبی از شبکه های عصبی بیولوژیکی انسان برای تولید سیستم های مصنوعی که توانایی انجام محاسبات پیچیده و هوشمند شبیه به عملکرد مغز انسان را داشت، الگو گرفته اند .  شبکه های عصبی جهت شبیه سازی سیستم های پیچیده که پدیده های دینامیک فضایی-مکانی را نیز شامل می شوند ، استفاده شده اند ( Openshaw, 1998) . در زمینه های تحقیقات فضایی شبکه های عصبی حضور پررنگی دارند که عبارتند از :

1) داده های فضایی و پردازش تصویر ( نظیر ، تشخیص الگو و طبقه بندی کردن سری داده های حجیم) خصوصا در سنجش از دور و غنی کردن داده ها در محیط GIS (Carpenter et al, 1997) .

2)  مدلسازی تعاملات فضایی ، شامل تجزیه و تحلیل کنش و واکنش های فضایی و انتخاب آنالیز ها ( Fischer and Gopal , 1995) .

3) مسائل بهینه سازی ، نظیر موضوع قدیمی فروشنده سیار و مسئله کمترین فاصله در شبکه (Hopfield and Tank , 1985) .

4) مدلسازی آماری زمان – فضا ( Gopal and Woodcock, 1996)

شبکه های عصبی برای مدل کردن رفتار ساختارهای متفاوت شهری در داخل مرزهای شهری استفاده شده اند به عنوان مثال ساختارهای فضایی و فرایند های سیستم های حمل ونقلی (ِDougherty , 1995) . مدل های تعاملات فضایی در زمره اولین مدل های بودند که بوسیله شبکه های عصبی برای بیان الگوهای فضایی عرضه و تقاضای حمل و نقل شبیه سازی شده بودند . مدل های فضایی عصبی وابستگی نزدیکی با مدل های تعاملات فضایی از نوع جاذبه ای داشتند . برخی تلاش های انجام شده بر روی ارتقاء ترکیبات معینی در ساختار شبکه های عصبی نظیر روش جستجو برای پیدا کردن بهترین وزن های برداری برای شبکه های عصبی ، تمرکز داشته اند .  برای مثال فیشر و دیگران (1999) روش تکامل تفاضلی اتخاذ کردند ،که در اصل توسط استورن و پرایس (Storn and Price , 1996 , 1997) به عنوان یک رویکرد جستجوی جهانی برای آموزش شبکه در تجزیه و تحلیل برهم کنش های فضایی توسعه پیدا نمود. روش تکامل- تفاضلی یک الگوریتم بهینه سازی جهانی است که از ساختاری ، در عین حال تصادفی ،  به صورت موازی و  با استراتژی جستجوی چند نقطه ای استفاده نموده است.  فیشر این روش را بر روی داده های ترافیک ارتباطات بین منطقه ای اتریش آزمود و دریافت که روش تکامل تفاضلی از گرادیان متصل پس انتشار اندکی عملکرد بهتری دارد اما نیاز به هزینه های محاسباتی بالای دارد .

قابلیت و توانایی بکاربردن الگوریتم شبکه های عصبی در زمینه تحقیقات رشد شهری اخیرا کم و بیش توجه بسیاری پژوهشگران و محققان را به خود جلب نموده است . در ادبیات مربوط به استفاده از شبکه های عصبی در مدلسازی رشد شهری دو روند کاملا واضح وجود دارد. نخستین روند حاکی از این است که شبکه های عصبی به تنهایی برای مدل کردن جنبه های خاصی از فرایند های شهری استفاده شده اند. نظیر مطالعه لیو (Liu, 2000) که در بررسی تغییرات  کاربری های غیر شهری به شهری از شبکه های عصبی استفاده نمود. از سوی دیگر شبکه های عصبی به صورت تلفیقی با دیگر تکنیک های هوش مصنوعی برای مدل سازی شهری بکار برده شده اند. یه و لی (Yeh and Li,2002) از تلفیق شبکه های عصبی با سلول های خودکار برای شبیه سازی رشد شهری در مدل کردن تغییرات کاربری اراضی استفاده نموده اند .   شبکه های عصبی در کاربردهای مربوط به مدلسازی رشد شهری جایگزین قوانین انتقال در مدل مرسوم سلول های خودکار شده اند . مدل لی و یه(2002) شامل دو قسمت بود : آموزش و شبیه سازی . پروسه آموزش ، وزن های بهینه ای را با استفاده از روش پسخور و نیز با بهره گیری از داده های سنجش از دور در دوره های متفاوت زمانی برای استخراج و آشکار کردن روابط بین خصوصیات سایت ( صفات مکانی یا صفات سلول های آن) و گسترش شهری را تولید کرده است . شبیه سازی با سلولهای خودکار بر مبنای الگوریتم شبکه های عصبی کار می کند . شبکه های عصبی احتمال توسعه را در هر مرحله از تکرار سلول های خودکار ، با توجه به خصوصیات- صفات-و وزن های مکان مورد نظر  تشخیص می دهند . در طراحی شبکه های عصبی سه لایه وجود دارد : لایه های ورودی ، پنهان و خروجی ،که لایه های ورودی و پنهان تعداد برابری از نرونها را دارا می باشند که برابر و لایه خروجی دارای یک نرون است که  احتمال توسعه را ارایه می دهد .

شهری شدن یک سلول در یک تکرار معین از فرایند مدل سازی بر اساس مقایسه بین احتمال توسعه و یک آستانه از پیش تعریف شده می باشد . شبیه سازی تا زمانی که تعداد پیکسل های تبدیل شده با مقدار زمین مصرفی برابر نشود ، ادامه پیدا خواهد نمود . با وجود اینکه به نظر می رسد شبکه های عصبی در تلفیق با سلول های خودکار بخوبی عمل می کنند اما درک معنی و مفهوم مقادیر پارامتر های آن به دلیل رویکرد جعبه سیاه شبکه های عصبی  مشکل است (Li and Yeh, 2004) . شبکه های عصبی همچنین قوانین انتقالی روشنی را ارائه نمی دهند که بتوانند به راحتی توسط کاربر تفسیر شوند .

علاوه بر آن پیجانوسکی و همکارانش یک شبکه عصبی مصنوعی را برای پیش بینی تغییرات کاربری اراضی باGIS  تلفیق نمودند (Bilanowskia et al , 2002) . کار آنها با طراحی شبکه های عصبی و تشخیص ورودی ها از طریق داده های گذشته شروع شد . برای آموزش شبکه های عصبی از قسمتی از داده های ورودی استفاده شده در صورتیکه آزمون شبکه  با استفاده از کل داده ها انجام شده بود . آنها مدل خود را که یک مدل ارزیابی چند معیاره بود را با شبکه های عصبی تلفیق نمودند . در مدل آنها ترکیبی از فاکتور های اجتماعی، سیاسی و محیطی بکار برده شده بودند که در متغییر های پیش بینی کننده مدل تغییر کاربری زمین شرکت داشته اند .  نقش شبکه های عصبی در این مدل یادگیری الگوهای توسعه در ناحیه و آزمون ظرفیت و توانایی پیش بینی مدل بود . الگوریتم شبکه های عصبی در کار آنها یک شبکه پیشرو تغذیه با یک لایه ورودی ، یک لایه پنهان و یک لایه خروجی بود . الگوریتم پس انتشار ساده ای در فرایند یادگیری استفاده شده بود . خروجی شبکه های عصبی احتمال تغییر یک پیکسل غیر شهری به شهری را نشان می داد . با وجود موفقیت شبکه های عصبی در توسعه محدود شبیه سازی رشد شهری و نیز همراه شدن با سلول های خودکار (Li and Yeh,2004) و یا با دیگر انواع مدل ها ( Pijanowskia et al , 2002) ، هنوز هم موضوعات حل نشده ای وجود دارد که استفاده از شبکه های عصبی را به عنوان یک تکنیک مدل سازی قابل اطمینان به چالش انداخته است . دشواری تفسیر و تعریف قوانین انتقال بر مبنای شبکه های عصبی یک مشکل به شمار می رود . علاوه بر آن ماهیت اکتشافی تعریف پارامتر های شبکه های عصبی برای مدل سازی رشد شهری نیز یکی از موضوعات مورد بحث می باشد .

رشد شهری با شبکه عصبی

1-1-2 سیستم های فازی

برای مقابله مؤثر با پیچیدگی روزافزون در بررسی، مطالعه، مدل‌سازی، و حل مسائل جدید در فیزیک، مهندسی، پزشکی، زیست شناسی، و بسیاری از امور گوناگون دیگر ایجاد و ابداع روشهای محاسباتی جدیدی مورد نیاز شده است که بیش از پیش به شیوه‌های تفکر و تعلم خود انسان نزدیک باشد. هدف اصلی آنست که تا حد امکان، رایانه‌ها بتوانند مسائل و مشکلات بسیار پیچیده علمی را با همان سهولت و شیوایی بررسی و حل و فصل کنند که ذهن انسان قادر به ادراک و اخذ تصمیمات سریع و مناسب است(جباری ،1387).

منطق فازي، تكنولوژي جديدي است كه شيوه‌هاي مرسوم براي طراحي و مدل‌سازي يك سيستم را كه نيازمند رياضيات پيشرفته و نسبتاً پيچيده است، با استفاده از مقادير و شرايط زباني و يا به بياني ديگر دانش فرد خبره و با هدف ساده‌سازي و كارامدتر شدن طراحي سيستم جايگزين و يا تا حدود زيادي تكميل مي‌كند.

علیرغم اينكه منطق فازي تئوري جديدي مي باشد، در دهه هاي گذشته به طور وسیعی در علوم مختلف مانند کنترل پروسه، مدیریت و تصمیم گيري، اقتصاد و … به كار رفته است. در تمامي موارد بالا سروكار داشتن با دنياي سياه و سفيد چندان مطلوب نمي باشد. به اين ترتيب درجه عضويت داشتن راه حل بسياري از مشكلات گذشته است. فازي بودن به معناي چندارزشي بودن است و در مقابل منطق دو ارزشي كه در آن براي هر سوال و يا مفهومي تنها دو پاسخ و يا حالت (درست يا نادرست سياه يا سفيد) مي‌تواند وجود داشته باشد، قرار مي‌گيرد. در واقع منطق ارسطويي را مي‌توان حالت خاصي از تفكر فازي به حساب آورد (Burrough& et al,1992).

در جهان واقعیات، بسیاری از مفاهیم را آدمی به صورت فازی(fuzzy ) به معنای غیر دقیق، ناواضح، و مبهم درک می‌کند و به کار می‌بندد. به عنوان نمونه، هر چند کلمات و مفاهیمی همچون گرم، سرد، بلند، کوتاه، پیر، جوان، و نظائر اینها به عدد خاص و دقیقی اشاره ندارند، ذهن انسان با سرعت و با انعطاف پذیری شگفت‌آوری همه را می ‌فهمد و در تصمیمات و نتیجه گیریهای خود به حساب می‌گیرد. این، در حاليست که ماشین فقط اعداد را می فهمد. اهداف شیوه‌های نو در علوم کامپیوتر آن است که اولاً رمز و راز اینگونه تواناییها را از انسان بیاموزد و سپس آنها را تا حد امکان به ماشین یاد بدهد.

مجموعه های فازی به دلیل انعطاف پذیری، شبیه سازی استدلال انسان را در قالبی که روی رایانه های رقومی قابل اجراست، میسر می سازند. به عنوان مثال، نرم افزارهای تشخیص کلام باید در برابر تفاوت تلفظ واژه ها، توسط افرادی با لهجه های مختلف، انعطاف داشته باشند. این نکته در مورد خواندن متون دست نویس نیز صحت دارد. رایانه هایی که بر مبنای منطق دو ارزشی ساخته شده اند، در تشخیص شباهت میان اندازه های متفاوت یک حرف نیز دچار مشکل میشوند، چه رسد به شناخت آشکال متنوع حروف در نوشته های مختلف.

منطق فازی استفاده از «متغیرهای لغوی» را در الگوریتمها و برنامه ها ممکن می سازد. مثلاً برنامه نویس می تواند صفات کمی نادقیقی چون «بسیار» یا «کم» را در برنامه رایانه ای به کار برد. چنین امکانی، بویژه در کاربردهای هوش مصنوعی و برنامه های کنترل (تنظیم و نظارت بر) فرآیندها، از اهمیت خاصی برخوردار است. در هر دو این موارد، برنامه نویس باید با استفاده از قواعد «سرانگشتی» انجام شود. انجام این کار با استفاده از منطق فازی آسان است. حال آنکه بیان این قواعد با روابط دقیقی ریاضی مانند معادلات دیفرانسیل (به دلیلی حجم فوق العاده زیاد آنها) کاری دشوار و گاه ناممکن است.

قوانین علمی گذشته در فیزیک و مکانیک نیوتونی همه بر اساس منطق قدیم استوار گردیده‌اند. در منطق قدیم فقط دو حالت داریم: سفید و سیاه، آری و خیر، روشن و تاریک، یک و صفر، و درست و غلط( L.A. Zadeh,1965). از آن جا که ذهن ما با منطق دیگری کارهایش را انجام می‌دهد و تصمیماتش را اتخاذ می‌کند، جهت شروع، ایجاد و ابداع منطق‌های تازه و چندارزشی مورد نیاز است که منطق فازی یکی از آنها می‌باشد.

نخستین دستگاه فازی کنترل فرآیندهای صنعتی، در اوایل دهه 1970 میلادی، توسط دکتر ابراهیم ممدانی استاد ایرانی تبار داشنگاه کوین مری لندن ساخته شد. پیشرفتهایی که از زمان تا کنون در زمینه خودکار سازی صنایع و دانش هوش مصنوعی انجام شده است، تا حد زیادی مرهون اندیشه نوین دکتر عسکرزاده و ابداعات دکتر ممدانی بوده است.

تئوري مجموعه‌هاي فازي و منطق فازي اولين بار پرفسور لطفي‌زاده در رساله‌اي به نام « مجموعه‌هاي فازي – اطلاعات و كنترل» در سال 1965 معرفي نمود. هدف اوليه او در آن زمان، توسعه مدلي كارآمدتر براي توصيف فرآيند پردازش زبان‌هاي طبيعي بود. او مفاهيم و اصلاحاتي همچون مجموعه‌هاي فازي، رويدادهاي فازي، اعداد فازي و فازي‌سازي را وارد علوم رياضيات و مهندسي نمود(جباری ،1387).

مقاله کلاسیک پرفسور لطفی زاده درباره مجموعه فازی که در سال  1965  به چاپ رسید، سرآغاز جهتی نوین در علوم و مهندسی سیستم و کامپیوتر بود. پس از آن پرفسور لطفی زاده به پژوهشهای خود در زمینه مجموعه فازی ادامه داد تا آنکه در سال  1973  طی یک مقاله کلاسیک دیگر تحت عنوان “شرحی بر دیدی نو در تجزیه و تحلیل سیستمهای پیچیده و فرایندهای تصمیم گیری” مفهوم استفاده از متغیرهای زبانی را در سیستم های حافظه و کنترل مطرح کرد. این مقاله اساس تکنولوژی کنترل بر مبنای منطق فازی است که در آینده اثرات عمیق در طراحی سیستم های کنترل هوشیار خواهد داشت.گرچه منطق فازی کاربردی خیلی وسیع تر از منطق متداول دارد ولی پرفسور لطفی زاده معتقد است که منطق فازی اکسیر و نوشدارو نیست. وی میگوید “کارهای زیادی هست که انسان میتواند به آسانی انجام دهد در حالی که کامپیوترها و سیستمهای منطقی قادر به فازی سازی آن نبوده در حالیکه مجموعه فازی بر مفهوم درستی نسبی، دلالت می کند. منطق کلاسیک هر چیزی را بر اساس یک سیستم دوتائی نشان می دهد ( درست یا غلط، 0  یا  1، سیاه یا سفید) ولی منطق فازی درستی هر چیزی را با یک عدد که مقدار آن بین صفر و یک است نشان می دهد. مثلاً اگر رنگ سیاه را عدد صفر و رنگ سفید را عدد  1  نشان دهیم، آنگاه رنگ خاکستری عددی نزدیک به صفر خواهد بود. در سال  1965، دکتر لطفی‌زاده نظریه سیستم‌های فازی را معرفی کرد. در فضایی که دانشمندان علوم مهندسی به دنبال روش‌های ریاضی برای شکست دادن مسائل دشوارتر بودند، نظریه فازی به گونه‌ای دیگر از مدل‌سازی، اقدام کرد.

منطق فازی معتقد است که ابهام در ماهیت علم است. بر خلاف دیگران که معتقدند که باید تقریب‌ها را دقیق‌تر کرد تا بهره‌وری افزایش یابد، لطفی‌زاده معتقد است که باید به دنبال ساختن مدل‌هایی بود که ابهام را به عنوان بخشی از سیستم مدل کند. در منطق ارسطویی، یک دسته‌بندی درست و نادرست وجود دارد. تمام گزاره‌ها درست یا نادرست هستند. بنابراین جمله «هوا سرد است»، در مدل ارسطویی اساساً یک گزاره نمی‌باشد، چرا که مقدار سرد بودن برای افراد مختلف متفاوت است و این جمله اساساً همیشه درست یا همیشه نادرست نیست. در منطق فازی، جملاتی هستند که مقداری درست و مقداری نادرست هستند. برای مثال، جمله “هوا سرد است” یک گزاره منطقی فازی می‌باشد که درستی آن گاهی کم و گاهی زیاد است. گاهی همیشه درست و گاهی همیشه نادرست و گاهی تا حدودی درست است.

سیستم های فازی سیستم ها مبتنی بردانش یا قواعد میباشد. قلب یک سیستم فازی یک پایگاه دانش بوده که از قواعد اگر-آنگاه فازی تشکیل شده است. یک قاعده اگر-آنگاه فازی یک عبارت اگر – آنگاه بوده که بعضی کلمات آن بوسیله توابع تعلق پیوسته مشخص شده اند.

 

 

کلیدواژه : مدل های کمی ؛
ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.

توسط
تومان

تماس با ما

شماره تماس

برگشت به منوی تماس ها

اتصال به واتساپ

برگشت به منوی تماس ها

اتصال به تلگرام

برگشت به منوی تماس ها

برگشت به منوی تماس ها

برگشت به منوی تماس ها

برگشت به منوی تماس ها