Dealing with Complexity: A Neural Networks Approach

تقریباً در تمام زمینه‌های علوم و مهندسی، استفاده از رایانه‌ها و ریز رایانه‌ها، در سال‌های اخیر، کل حوزه‌های موضوعی را تغییر داده است. چیزی که حتی یک یا دو دهه پیش امکان پذیر نبود، اکنون نه تنها امکان پذیر است، بلکه بخشی از تمرین روزمره است. در نتیجه، معمولاً باید یک رویکرد جدید (به منظور) اتخاذ شود تا بهترین نتیجه را از یک موقعیت بگیرید. آنچه اکنون مورد نیاز است، دید کامپیوتری از جهان است. با این حال، همه چیز در این دنیای جدید گلگون نیست. انسان ها تمایل دارند حداکثر در دو یا سه بعد فکر کنند، در حالی که کامپیوترها می توانند بدون شکایت در n بعد کار کنند، جایی که n در عمل هر سال بزرگتر و بزرگتر می شود. در نتیجه، راه‌حل‌های مشکل پیچیده‌تری در حال تلاش هستند، خواه خود مشکلات ذاتاً پیچیده باشند یا نباشند. اگر اطلاعات موجود باشد، ممکن است از آن نیز استفاده شود، اما با آن چه می توان کرد؟ راه‌حل‌های محاسباتی ساده و سنتی برای این مشکل جدید پیچیدگی می‌توانند و معمولاً نتایج بسیار رضایت‌بخش، غیرقابل اعتماد و حتی غیرقابل اجرا ایجاد کنند. با این حال، اخیراً، شبکه‌های عصبی مصنوعی، که در مواجهه با مشکلاتی مانند غیرخطی‌ها، سیستم‌های چند متغیره و محتوای داده‌های بالا بسیار متنوع و قدرتمند هستند، به طور کلی در برخورد با مسائل پیچیده، نقاط قوت خود را نشان داده‌اند. این جلد مجموعه ای از محققان برتر از سراسر جهان را در زمینه شبکه های عصبی مصنوعی گرد هم می آورد.

In almost all areas of science and engineering, the use of computers and microcomputers has, in recent years, transformed entire subject areas. What was not even considered possible a decade or two ago is now not only possible but is also part of everyday practice. As a result, a new approach usually needs to be taken (in order) to get the best out of a situation. What is required is now a computer's eye view of the world. However, all is not rosy in this new world. Humans tend to think in two or three dimensions at most, whereas computers can, without complaint, work in n­ dimensions, where n, in practice, gets bigger and bigger each year. As a result of this, more complex problem solutions are being attempted, whether or not the problems themselves are inherently complex. If information is available, it might as well be used, but what can be done with it? Straightforward, traditional computational solutions to this new problem of complexity can, and usually do, produce very unsatisfactory, unreliable and even unworkable results. Recently however, artificial neural networks, which have been found to be very versatile and powerful when dealing with difficulties such as nonlinearities, multivariate systems and high data content, have shown their strengths in general in dealing with complex problems. This volume brings together a collection of top researchers from around the world, in the field of artificial neural networks.