بایگانی برچسب برای: ca;d

خوشه بندی (Clustering) قسمت 2

چلامارزیابی مدل خوشه‌بندی

ارزیابی (یا «اعتبار سنجی») نتایج خوشه بندی به همان اندازه خوشه بندی سخت است. رویکردهای محبوب شامل ارزیابی “درونی” است که در آن خوشه بندی به یک عدد کیفیت واحد خلاصه می‌شود، ارزیابی “خارجی”، که در آن خوشه بندی با طبقه بندی “ground truth” موجود، ارزیابی “دستی” توسط متخصص و ارزیابی “غیر مستقیم ” با استفاده از خوشه بندی در برنامه مورد نظر مقایسه می‌شود.

مشکلی که ارزیابی خارجی دارد این است که اگر ما برچسبهای “ground truth” داشته باشیم، دیگر نیازی به خوشه نخواهیم داشت و در برنامه‌های کاربردی معمولا چنین برچسب‌هایی را نداریم. از سوی دیگر، برچسب‌ها فقط یک پراکندگی از مجموعه داده نشان می‌دهد، که به این معنی نیست که خوشه ای متفاوت و شاید حتی بهتر از آن وجود نداشته باشد.

بنابراین هیچکدام از این روشها نهایتا نمیتوانند کیفیت واقعی خوشه بندی را قضاوت کنند، اما اینکار نیاز به ارزیابی انسانی دارد که بسیار ذهنی است.

ارزیابی داخلی

هنگامی که یک نتیجه خوشه بندی ای که بر اساس داده‌های خودش خوشه بندی شده‌است، ارزیابی شود، ارزیابی داخلی نامیده می‌شود.اگر از استاندارد gold استفاده شود، اندازه گیری خارجی نامیده می‌شوند و در بخش بعدی مورد بحث قرار می‌گیرد .(اگر متقارن باشد، می‌تواند اندازه گیری بین خوشه ایی برای ارزیابی داخلی استفاده شود.) روش‌ها معمولا بهترین عدد را برای الگوریتمی که درون خوشه شباهت زیاد و بین خوشه‌ها ، شباهت کم باشد،تولید می‌کند.این ارزیابی به سمت الگوریتم‌هایی است که از یک مدل خوشه ای استفاده می‌کنند. به عنوان مثال، خوشه بندي k-means به‌طور طبيعي به فضاهاي شئي بهينه مي كند و معيار داخلي مبتني بر فاصله، احتمالا از خوشه بندي به دست مي آيد.

بنابراین، اقدامات ارزیابی داخلی برای درک وضعیتی که یک الگوریتم بهتر از دیگری عمل می‌کند، مناسب است، اما این به این معنی نیست که یک الگوریتم نتیجه‌های معتبرتری را نسبت به دیگری تولید کند.

بیش از دوازده اندازه گیری ارزیابی داخلی وجود دارد. به عنوان مثال، برای ارزیابی کیفیت خوشه بندی می‌توان از روش‌های زیر استفاده کرد.

شاخص Davies–Bouldin

شاخصDavies–Bouldin را می‌توان با فرمول زیر محاسبه کرد:

{\displaystyle D={\frac {\min _{1\leq i<j\leq n}d(i,j)}{\max _{1\leq k\leq n}d^{\prime }(k)}}\,,}

که n تعداد خوشه و {\displaystyle c_{x}} مرکز خوشه x و σx  فاصله متوسط همه عناصر در خوشه x و {\displaystyle d(c_{i},c_{j})} فاصله بین مرکزهای {\displaystyle c_{i}} و {\displaystyle c_{j}} است.از آنجا که الگوریتم‌هایی که خوشه‌ها را با فاصله‌های درونی خوشه ای کم (شباهت بین خوشه ای بالا) و فاصله‌های بین خوشه ای بالا (شباهت بین خوشه ای پایین) تولید می‌کنند، یک شاخص Davies–Bouldin پایین خواهیم داشت، الگوریتم خوشه بندی که مجموعه ای از خوشه‌های با کوچکترین شاخصDavies–Bouldin ، بهترین الگوریتم بر اساس این معیار است.

شاخصDunn

هدف شاخص Dunn شناسایی خوشه‌های متراکم و جداسازی آنهاست و به عنوان نسبت بین کمترین فاصله بین خوشه ای تا حداکثر فاصله بین خوشه ای تعریف شده‌است. برای هر قسمت خوشه، شاخص دان را می‌توان با فرمول زیر محاسبه کرد:

{\displaystyle D={\frac {\min _{1\leq i<j\leq n}d(i,j)}{\max _{1\leq k\leq n}d^{\prime }(k)}}\,}

که d (i، j) فاصله بین خوشه‌های i و j را نشان می‌دهد و d ‘(k) فاصله بین خوشه ایی خوشه k را اندازه گیری می‌کند. فاصله بین خوشه ای d (i، j) بین دو خوشه ممکن است هر تعداد از اندازه گیری‌های فاصله، مانند فاصله بین centroids از خوشه‌ها باشد. به‌طور مشابه، فاصله بین خوشه ای d ‘(k) ممکن است از روش‌های مختلف اندازه گیری شود، مانند فاصله حداکثر بین هر جفت المان در خوشه k.

از آنجایی که معیار داخلی به دنبال خوشه‌هایی با شباهت بین خوشه ای بالا و شباهت بین خوشه ای کم است، الگوریتم‌هایی که خوشه‌ها را با شاخص Dunn بالایی تولید می‌کنند بیشتر مطلوب است.

ضریب Silhouette

ضریب Silhouette در مقایسه با فاصله میانگین تا عناصر در خوشه‌های مشابه با میانگین فاصله تا عناصر در خوشه‌های دیگر، مقایسه می‌شود. اشیاء با Silhouette بالا به خوبی خوشه بندی می‌شوند، اشیاء باSilhouette کم ممکن است ناپایدار باشند. این شاخص با خوشه بندی k-means کار می‌کند و همچنین برای تعیین تعداد مطلوب خوشه‌ها استفاده می‌شود.

ارزیابی خارجی

در ارزیابی خارجی، نتایج خوشه بندی بر اساس داده‌هایی که برای خوشه بندی استفاده نشدند، مانند برچسب‌های کلاس شناخته شده و معیارهای خارجی ارزیابی می‌شود. چنین معیارهایی قبل از طبقه بندی اغلب توسط متخصص تعیین می‌شود. بنابراین مجموعه معیارها می‌تواند به عنوان یک استاندارد gold برای ارزیابی استفاده شود. این نوع روش‌های ارزیابی اینکه چقدر خوشه بندی به کلاس‌های معیاری پیش تعیین شده نزدیک است، را تعیین می‌کند. با این حال، اینکه آیا این برای داده‌های واقعی مناسب است یا فقط بر روی مجموعه داده‌های مصنوعی با ground truth است، مورد بحث قرار گرفته‌است ، از آنجا که کلاس‌ها می توانند ساختار داخلی داشته باشند، ویژگی‌های موجود ممکن است اجازه جدا شدن خوشه‌ها یا کلاس‌ها را ندهند.

همانند ارزیابی داخلی، چند اندازه گیری برای ارزیابی خارجی وجود دارد که در ادامه چند روش بیان شده‌است.

Purity: خلوص برای خوشه‌هایی که دارای یک کلاس واحد هستند،اندازه گیری می‌شود.برای محاسبهٔ آن ، برای هر خوشه، تعداد نقاط داده از کلاس معمول در خوشهٔ مورد نظر شمرده می‌شود ،سپس تمام خوشه‌ها را جمع شده و بر تعداد نقاط داده تقسیم می‌شود. با توجه به مجموعه ای از خوشه‌های M و برخی از مجموعه ای از کلاس‌های D، هر دو پارامتر با N نقطه داده، خلوص را می‌توان به صورت زیر تعریف کرد:

{\displaystyle {\frac {1}{N}}\sum _{m\in M}\max _{d\in D}{|m\cap d|}}

اندازه گیری رند (ویلیام رند، 1971)

شاخص رند اینکه خوشه‌ها (که توسط الگوریتم خوشه بندی بازمی گردند) به معیار طبقه بندی‌ها چقدر شبیه‌اند را محاسبه می‌کند. همچنین می توانید شاخص رند را به عنوان اندازه گیری درصد تصمیمات درست که توسط الگوریتم ساخته شده‌است را استفاده کرد. که می‌توان با استفاده از فرمول زیر محاسبه کرد:

{\displaystyle RI={\frac {TP+TN}{TP+FP+FN+TN}}}

TP تعداد مثبت صحیح و TN تعداد منفی صحیح وFP تعداد مثبت کاذب وFN تعداد منفی‌های کاذب می‌باشد .

اندازه گیری F

اندازه گیری F را می‌توان برای تعادل مشارکت منفی‌های کاذب با استفاده از وزن دادن از طریق پارامتر β≥0 استفاده کرد.

{\displaystyle P={\frac {TP}{TP+FP}}}

{\displaystyle R={\frac {TP}{TP+FN}}}

که pنرخ دقت و R نرخ فراخوان است. F را با استفاده از فرمول زیر محاسبه شده‌است:

{\displaystyle F_{\beta }={\frac {(\beta ^{2}+1)\cdot P\cdot R}{\beta ^{2}\cdot P+R}}}

شاخص Jaccard

شاخص Jaccard برای اندازه گیری شباهت بین دو مجموعه داده استفاده می‌شود. شاخص Jaccard مقداري بين 0 و 1 دارد. شاخص 1 بدين معني است که دو مجموعه داده يکسان هستند و شاخص 0 نشان مي دهد که مجموعه داده‌ها هيچ عنصر مشترکي ندارند. شاخص Jaccard توسط فرمول زیر تعریف می‌شود:

{\displaystyle J(A,B)={\frac {|A\cap B|}{|A\cup B|}}={\frac {TP}{TP+FP+FN}}}

شاخص Dice

اندازه گیری متقارنDice دو برابر وزن TP است در حالی کهTN نادیده گرفته می‌شود و برابر با F1 است – اندازه گیری F با β = 1 :

{\displaystyle J(A,B)={\frac {|A\cap B|}{|A\cup B|}}={\frac {2TP}{2TP+FP+FN}}}

شاخص Fowlkes-Mallows (E. B. Fowlkes & C. L. Mallows 1983)

شاخص Fowlkes-Mallows شباهت میان خوشه‌های بازگشتی توسط الگوریتم خوشه بندی و معیارهای طبقه بندی را محاسبه می‌کند. هر چه مقدار شاخص Fowlkes-Mallows بیشتر باشد خوشه‌ها و معیارهای طبقه بندی مشابه هستند.این شاخص را می‌توان با استفاده از فرمول زیر محاسبه کرد:

{\displaystyle FM={\sqrt {{\frac {TP}{TP+FP}}\cdot {\frac {TP}{TP+FN}}}}}

کهTP تعداد مثبت واقعی وFP تعداد مثبت کاذب وFN تعداد منفی‌های کاذب است. FM شاخص میانگین هندسی دقت و فراخوانی P, R است و همچنین به عنوان اندازه گیری G شناخته شده‌است، در حالی که اندازه گیری F میانگین هارمونیک آن‌ها است. علاوه بر این، دقت و یادآوری نیز به عنوان شاخص والاس {\displaystyle B^{I}} و {\displaystyle B^{II}} شناخته شده‌است.

اطلاعات متقابل، اندازه گیری نظری اطلاعاتی است که چقدر اطلاعات بین خوشه بندی و طبقه بندی ground-truth است که می‌تواند تشابه غیر خطی بین دو خوشه بندی را تشخیص دهد.

ماتریسconfusion

یک ماتریس confusion می‌تواند برای به سرعت نتایج یک طبقه بندی (یا خوشه بندی) الگوریتم را نمایش دهد و نشان می‌دهد که چگونه یک خوشه از خوشه استاندارد gold متفاوت است.

تمایل خوشه

هدف از اندازه گیری تمایل خوشه،این است که چه درجه ای خوشه‌ها در داده‌های خوشه بندی شده وجود داردو ممکن است قبل از تلاش برای خوشه سازی به عنوان یک آزمون اولیه انجام شود. یکی از راه‌های انجام این کار این است که داده‌ها با دادههای تصادفی مقایسه شود. در اصل ،داده‌های تصادفی نباید خوشه ای داشته باشند.

آمار Hopkins

فرمول‌های متعدد از آمار هاپکینز وجود دارد. یک نمونه به این صورت می‌باشد که : X مجموعه ای از n نقاط داده درd بعد است. یک نمونه تصادفی (بدون جایگزینی)

m≪n با اعضای xi را در نظر بگیرید .همچنین یک مجموعه Y از m نقطه داده با توزیع یکنواخت رندوم یکنواخت تولید کنید.دو فاصله اندازه گیری، ui فاصله از yi∈Y از نزدیک‌ترین همسایه اش در X و {\displaystyle w_{i}}w_iفاصله ازxi∈X از نزدیک‌ترین همسایه اش در X است. آمار Hopkins به صورت زیر تعریف می‌شود:

{\displaystyle H={\frac {\sum _{i=1}^{m}{u_{i}^{d}}}{\sum _{i=1}^{m}{u_{i}^{d}}+\sum _{i=1}^{m}{w_{i}^{d}}}}\,}

کاربرد

زیست شناسی، زیست‌شناسی محاسباتی و بیوانفورماتیک

بوم‌شناسی گیاه و حیوانات

تجزیه و تحلیل خوشه ای برای توصیف و مقایسه مقادیر مکانی و زمانی جوامع ارگانیسم‌ها در محیط‌های ناهمگن استفاده می‌شود؛ از آن نیز در سیستماتیک گیاه برای تولید phylogenies مصنوعی یا خوشه‌های ارگانیسم (افراد) در گونه، جنس و یا سطح بالاتر که دارای تعدادی از ویژگی‌های مشترک است، استفاده می‌شود.

  Transcriptomics

خوشه بندی برای ساخت گروهی از ژن‌ها با الگوی بیان مربوطه به عنوان الگوریتم خوشه بندی HCS استفاده می‌شود. اغلب این گروه‌ها حاوی عملکرد پروتئین‌های مرتبط هستند، مانند آنزیم‌ها برای یک مسیر خاص، یا ژن‌هایی که هم تنظیم می‌شوند. آزمایشات با توان بالا با استفاده از نشانگرهای ترتیبی بیان شده (ESTs) یا میکروآرایه‌های DNA می‌تواند یک ابزار قدرتمند برای حاشیه‌نویسی ژنوم، یک جنبه عمومی ژنومیک باشد.

 تجزیه و تحلیل متوالی

خوشه بندی برای دسته بندی توالی‌های همولوگ به خانواده‌های ژن ،مورد استفاده قرار می‌گیرد.به‌طور کلی این مفهوم بسیار مهمی در بیوانفورماتیک و زیست‌شناسی تکاملی است.

سیستم عامل‌های ژنوتایپ با بازده بالا

الگوریتم خوشه بندی به‌طور خودکار برای تعیین ژنوتیپ‌ها استفاده می‌شود.

خوشه بندی ژنتیک انسانی

شباهت داده‌های ژنتیکی در خوشه بندی برای به دست آوردن ساختار جمعیت استفاده می‌شود.

پزشکی

تصویربرداری پزشکی

در PET، تجزیه خوشه ای می‌تواند برای تمایز بین انواع مختلف بافت در یک تصویر سه بعدی برای بسیاری از اهداف مختلف مورد استفاده قرار گیرد.

 تجزیه و تحلیل فعالیت ضد میکروبی

تجزیه خوشه ای می‌تواند برای تجزیه و تحلیل الگوهای مقاومتی آنتی بیوتیکی، طبقه بندی ترکیبات ضد میکروبی مطابق با مکانیسم عمل آن ها، طبقه بندی آنتی بیوتیک‌ها بر اساس فعالیت ضد باکتری آن‌ها استفاده شود.

 بخش بندی IMRT

خوشه بندی می‌تواند برای تقسیم یک نقشه فلوئنسی به مناطق مجزا برای تبدیل به زمینه‌های قابل ارائه در پرتودرمانی براساس MLC استفاده شود.

کسب و کار و بازاریابی

تحقیقات بازار

تجزیه و تحلیل خوشه ای در تحقیقات بازار به‌طور گسترده در کار با داده‌های چندمتغیره از نظرسنجی‌ها و پانل‌های آزمایش استفاده می‌شود. محققان بازار از تحلیل خوشه ای استفاده می‌کنند تا جمعیت عمومی مصرف کنندگان را به بخش‌های بازار تقسیم کنند و به درک بهتر روابط بین گروه‌های مختلف مصرف کنندگان / مشتریان بالقوه و برای استفاده در تقسیم بندی بازار، موقعیت محصول، توسعه محصول جدید و انتخاب تست بازار کمک می‌کند.

   گروه بندی اقلام خرید

خوشه بندی را می‌توان برای دسته بندی تمام اقلام خرید موجود در وب به مجموعه ای از محصولات منحصر به فرد استفاده کرد. به عنوان مثال، تمام اقلام در eBay را می‌توان به محصولات منحصر به فرد گروه بندی کرد.

وب جهان گستر

تجزیه و تحلیل شبکه اجتماعی

در مطالعه شبکه‌های اجتماعی، خوشه بندی ممکن است برای تشخیص ارتباط جوامع در گروه‌های بزرگ مردم استفاده شود.

گروه بندی نتایج جستجو

در فرایند گروه بندی هوشمند از فایل‌ها و وب سایت ها، خوشه بندی ممکن است برای ایجاد یک مجموعه مناسب تر از نتایج جستجو در مقایسه با موتورهای جستجوی معمول مانند Google استفاده شود. در حال حاضر تعدادی از ابزارهای خوشه سازی مبتنی بر وب مانند Clusty وجود دارد.

بهینه سازی نقشه Slippy

در نقشه Flickr از عکس‌ها و سایر krai سایت‌ها از خوشه بندی برای کاهش تعداد نشانگرها در یک نقشه استفاده شده‌است. این باعث می‌شود که هر دو سریعتر و میزان خطای بصری را کاهش دهد.

علوم کامپیوتر

تکامل نرم افزار

خوشه بندی در تکامل نرم افزار مفید است، زیرا آن را با اصلاح قابلیت‌هایی که پراکنده شده‌است، کمک می‌کند تا خواص میراث را در کد کاهش دهد. این یک نوع بازسازی است و از این رو، راه مستقیم نگهداری پیشگیرانه است.

بخش بندی تصویر

خوشه بندی می‌تواند برای تقسیم یک تصویر دیجیتال به مناطق مشخص برای تشخیص مرز یا تشخیص شی مورد استفاده قرار گیرد.

الگوریتم‌های تکاملی

خوشه بندی ممکن است برای شناسایی nichهای مختلف در جمعیت یک الگوریتم تکاملی استفاده شود تا فرصت تولید مجد را به‌طور یکنواخت تر بین گونه‌ها یا گونه‌های در حال رشد توزیع کرد.

سیستم توصیه گر

سیستم‌های توصیه شده به منظور توصیف ایتم جدید بر اساس سلیقه کاربر طراحی شده‌اند. گاهی اوقات از الگوریتم خوشه بندی برای پیش‌بینی ترجیحات کاربر بر اساس ترجیحات دیگر کاربران در خوشه کاربر استفاده می‌کنند.

روش مارکوف مونت کارلو زنجیره ای

خوشه بندی اغلب برای تعیین مکان و تشخیص اکسترمم در توزیع هدف، مورد استفاده قرار می‌گیرد.

تشخیص ناهنجاری

ناهنجاری‌ها معمولا – به صراحت یا به‌طور ضمنی – با توجه به ساختار خوشه ای در داده‌ها تعریف می‌شود.

علوم اجتماعی

تجزیه و تحلیل جرم

از تجزیه و تحلیل خوشه ای می‌توان برای شناسایی مناطق که در آن موارد بیشتر از انواع خاصی از جرم وجود دارد استفاده شود. با شناسایی این مناطق متمایز یا “hot spot” که جرم مشابهی در طی یک دوره زمانی اتفاق افتاده است، می‌توان منابع اجرای قانون را به‌طور مؤثرتر مدیریت کرد.

داده کاوی آموزشی

به عنوان مثال، تجزیه و تحلیل خوشه ای برای شناسایی گروه‌های مدارس یا دانشجویانی با ویژگی مشابه استفاده می‌شود.

تایپولوژی ها

در داده‌های نظرسنجی، پروژه‌هایی نظیر آنچه که توسط مرکز تحقیقاتی Pew انجام شده، از تجزیه و تحلیل خوشه ای استفاده می‌کنند تا نوع‌شناسی عقاید، عادت‌ها و جمعیت شناسایی را که ممکن است در سیاست و بازاریابی سودمند باشد، شناسایی کند.

و کاربردهای دیگر

در زمینه رباتیک

الگوریتم خوشه بندی برای آگاهی موقعیت رباتیک برای ردیابی اشیاء و تشخیص خروجی‌ها در داده‌های سنسور استفاده می‌شود.

شیمی محاسباتی

به عنوان مثال، برای پیدا کردن شباهت ساختاری و غیره، به عنوان نمونه، 3000 ترکیب شیمیایی در فضای 90 شاخص توپولوژیکی ،خوشه بندی شدند.

اقلیم شناسی

برای پیدا کردن آب و هوایی و یا الگوهای فشار جو در سطح دریا مورد نظر است.

زمین‌شناسی نفت

تجزیه و تحلیل خوشه ای برای بازسازی داده‌های اصلی ازدست رفته سوراخ پایین یا منحنی‌های لگاریتمی از دست رفته به منظور بررسی خواص مخزن استفاده می‌شود.

جغرافیای فیزیکی

خوشه بندی خواص شیمیایی در مکان‌های مختلف نمونه.

منبع

خوشه بندی (Clustering) قسمت 1
خوشه بندی (Clustering) قسمت 2
خوشه بندی (Clustering) قسمت 3

/0 دیدگاه /توسط

ربات چیست؟ قسمت 5

سیستم‌های کنترل از راه دور

وسایلی که با کنترل از راه دور کار می‌کردند در اواخر قرن  نوزدهم و به شکل چند اژدر کنترل از راه دور ظاهر شدند. در اوایل دهه 1870 میلادی، اژدر های کنترل از راه دور توسط جان اریکسن( به‌صورت پنوماتیک)، جان لوییس لِی (هدایت به‌صورت الکتریکی و با کمک سیم) و ویکتور وُن شلیها( هدایت به‌صورت الکترونیکی و با کمک سیم)  ساخته شدند.

اژدر بِرِنان که توسط  Louis Brennan در سال 1877 اختراع شد، نیرو محرکه خود را از دو پروانه که در جهت عکس یکدیگر می چرخیدند به دست می آورد. این دو پروانه با بیرون آوردن سریع سیم های فولادی از طبلک هایی که در داخل اژدر قرار گرفته بودند، به چرخش در می آمدند. اختلاف سرعت در در آزاد کردن سیم ها، به ایستگاه ساحلی اجازه می داد تا اژدر را به سمت هدفش هدایت کند. این اژدر اولین موشک قابل هدایت کاربردی در دنیا بود. در سال 1897، مخترع بریتانیایی  Ernest Wilson، گواهی ثبت اختراع، برای ساخت یک اژدر که توسط امواج هرتیزان(رادیویی) کنترل می‌شد را  به نام خود ثبت کرد و در سال 1898،  Nikola Tesla یک اژدر کنترل از راه دور بی‌سیم را به‌صورت عمومی در معرض نمایش گذاشت زیرا قصد داشت آن را به نیروی دریایی ایالات‌متحده بفروشد.

Archibald Low، به دلیل تحقیقات نوآورانه اش بر روی موشک ها و هواپیما های هدایت پذیر در جریان جنگ جهانی اول به‌عنوان “پدر سیستم‌های هدایت رادیویی” شناخته می شود. در سال 1917، او یک هواپیمای کنترل از راه دور را برای یگان پروازی سلطنتی بریتانیا به نمایش گذاشت و در همان سال، اولین موشک هدایت شونده با سیم را ساخت.

ریشه واژه “ربات”

واژه “ربات” اولین بار برای یک ماشین انسان‌نمای خودکار در نمایشنامه کارخانه ربات‌سازی روسوم که توسط  کارل چاپک نویسنده اهل جمهوری چک در سال 1920 نوشته شده به کار رفت. اما کارل، برادرش جوزف چاپک را به‌عنوان مخترع اصلی واژه ربات می شناسد. خود کلمه “ربات”، کلمه ای جدید نبود و در زبان اسلاوی، به‌صورت robota(کارگر اجباری) وجود داشت. منظور از این واژه آن دسته از روستاییان و کشاورزانی بودند که تحت نظام فئودالی حاکم بر اروپای قرن نوزدهم، مجبور به کار اجباری برای فئودال ها بودند. در داستان تخیلی چاپک، انسان‌های مصنوعی و بدون روح، با کمک فنّاوری های جدیدی خلق می‌شدند. چاپک به خوبی این ماشین‌ها را در همان زمینه قدیمی طبقه اجتماعی  robota های دوران فئودالیسم قرار داد به طوری که واژه ربات در نمایشنامه او به دسته جدیدی از کارگر های مصنوعی و ساخته دست بشر اشاره داشت.

صحنه ای از نمایش نامه کارخانه ربات سازی روسوم نوشته شده توسط کارل چاپک که در آن سه ربات مشخص هستند

صحنه ای از نمایش نامه کارخانه ربات سازی روسوم نوشته شده توسط کارل چاپک که در آن سه ربات مشخص هستند

ربات‌های اولیه

در سال 1928، یکی از اولین ربات‌های انسان‌نما به نام اریک، در نمایشگاه سالانه انجمن  MES به نمایش گذاشته شد. او در این گردهمایی سخنرانی کرد. این ربات که توسط W. H. Richards ساخته‌شده بود دارای بدنه آلومینیومی، 11 آهنربای الکتریکی و یک موتور حرکتی بود که توان آن توسط منبع تغذیه 12 ولتی تامین می‌شد. این ربات می‌توانست دست ها و سرش را تکان دهد و از طریق کنترل از راه دور و یا کنترل صوتی هدایت می‌شد. اریک و ربات بردارش یعنی جرج، برای نمایش قابلیت‌هایشان، به دور دنیا سفر کردند.

ربات اریک – سال 1928 میلادی

ربات اریک – سال 1928 میلادی

در سال 1926، شرکت Westinghouse، ربات Televox را معرفی کرد. این ربات از جنس مقوا ساخته‌شده بود و به چند دستگاه برقی دیگر متصل بود و کاربر می‌توانست با استفاده از این ربات، آن‌ها را خاموش یا روشن کند.

در سال 1939، ربات انسان‌نمای Elektro، در نمایشگاه جهانی نیویورک رونمایی شد. این ربات قدی معادل 2 متر و 10 سانتی‌متر و وزنی معادل 120 کیلوگرم داشت و می‌توانست از طریق فرم آن‌های صوتی حرکت کند، حدود 700 کلمه صحبت کند(با استفاده از یک گرامافون با سرعت 78 دوران در دقیقه)، سیگار بکشد، بادکنک ها را بترکاند و سر و دستانش را تکان دهد. بدنه این ربات از چرخنده های فولادی و چارچوبی برای نصب موتور دستگاه ساخته‌شده بود و روی آن پوشش آلومینیومی کشیده شده بود. در سال 1928، اولین ربات ساخت کشور ژاپن به نام Gakutensoku توسط ماکوتو نیشیمورا (زیست شناس) طراحی و ساخته شد.

ربات‌های جدید خودگردان یا خودمختار (autonomous robots)

اولین ربات‌های الکترونیکی خودگردان با رفتار پیچیده توسط William Grey Walter در موسسه عصبی Burden در شهر بریستول انگلستان و در سال های 1948 و 1949 ساخته شدند. او می خواست ثابت کند ارتباطات زیاد بین تعداد محدودی از سلول های مغز می‌تواند باعث نمود رفتار های بسیار پیچیده ای شود. در واقع او معتقد بود راز نحوه کار کردن مغز در در نحوه اتصال اجزای آن نهفته است. اولین ربات‌های ساخت او، به نام Elmer و Elsie بین سال های 1948 و 1949 ساخته شدند و اغلب به دلیل شکل و سرعت پایین حرکتشان به آن‌ها لاک پشت گفته می‌شد. این ربات‌های لاک پشتی سه چرخه، از قابلیت فتوتاکسیس( ردیابی مسیر نور تابانده شده) بهره می بردند و با کمک این قابلیت می‌توانستند در صورت کم شدن باتری، مسیر خود را به ایستگاه شارژ مجدد پیدا کنند.

Walter بر استفاده از الکترونیک آنالوگ برای شبیه‌سازی فرآیند های مغزی تاکید داشت در حالی که افراد هم عصر او مانند Alan Turing و John von Neumann به فرآیند های ذهنی به‌صورت دیجیتال نگاه می‌کردند. کار های او الهام بخش بسیاری از محققین رباتیک نسل های آینده مانند Rodney Brooks ، Hans Moravec  و Mark Tilden بود. تجسم های جدیدی از ربات‌های Walter را می‌توان در شاخه‌ای از رباتیک به نام رباتیک BEAM( زیست‌شناسی، الکترونیک، زیبایی شناسی و مکانیک) مشاهده کرد.

اولین رباتی که به‌صورت دیجیتالی عمل می کرد و قابل برنامه ریزی بود توسط George Devol در سال 1954 ساخته شد و در نهایت Unimate نام گرفت. این ربات، زمینه را برای صنعت رباتیک مدرن فراهم کرد. Devol اولین Unimate را در سال 1960 به شرکت جنرال موتورز فروخت. این ربات در سال 1961 در یکی از کارخانه های این شرکت در نیوجرزی آمریکا نصب شد تا قطعات داغ فلز را از یک دستگاه ریخته‌گری بلندکرده و آن‌ها را در جایی انبار کند. گواهی ثبت اختراع Devol برای اولین بازوی رباتیک قابل برنامه ریزی و تمام دیجیتال، به‌عنوان پایه و اساس صنعت رباتیک مدرن شناخته می شود.

اولین ربات palletizer(ربات برداشت مواد و قرار دادن آن‌ها در جایی دیگر)  در سال 1963 و توسط شرکت Fuji Yusoki Kogyo ساخته شد. در سال 1973، رباتی با شش محور الکترومکانیکی توسط شرکت رباتیک  KUKA در آلمان ثبت شد. باز رباتیک مفصلی(PUMA) توسط  Victor Scheinman در سال 1976 ساخته شد و طرح آن به شرکت  Unimation فروخته شد.

کاربرد ربات‌های صنعتی و تجاری امروزه به شدت افزایش پیدا کرده و این ربات‌ها، وظایفشان را ارزان تر و یا با دقت و اطمینان پذیری بیشتری نسبت به انسان‌ها انجام می‌دهند. از ربات‌ها همچنین برای انجام کارهایی استفاده می شود که انجام دادن آن‌ها برای انسان‌ها، بسیار سخت یا خطرناک یا کسل کننده است. ربات‌ها، کاربردهای فراوانی در تولید، مونتاژ، بسته بندی، حمل و نقل، اکتشافات زمینی و فضایی، جراحی های پزشکی، سلاح های نظامی، تحقیقات آزمایشگاهی و تولید انبوه کالاهای مصرفی و صنعتی دارند.

آینده رباتیک

روش‌های مختلفی برای توسعه علم رباتیک و ربات‌ها به وجود آمده است. یکی از این روش ها رباتیک تکاملی نام دارد که در آن تعدادی از ربات‌های مختلف تحت آزمایش های متفاوتی قرار می‌گیرند. آن دسته از ربات‌هایی که عملکرد بهتری را در آزمایش های فوق داشته باشند به‌عنوان مدلی برای ساخت نسل بعدی ربات‌ها مورداستفاده قرار می‌گیرند. یکی دیگر از این روش ها، رباتیک توسعه ای نام دارد که تغییرات و پیشرفت های یک ربات را در زمینه های حل مسئله و کاربردهای دیگر مورد بررسی قرار می دهد. اخیرا نوع جدیدی از ربات‌ها معرفی شده که هم به‌عنوان یک گوشی هوشمند و هم به‌عنوان ربات عمل می کند و نام آن RoboHon است.

با پیشرفته تر شدن ربات‌ها، ممکن است در آینده به سیستم عامل استانداردی برای آن‌ها نیاز باشد. “سیستم عامل ربات”(ROS) مجموعه ای از برنامه های کد منبع باز است که در حال حاضر در دانشگاه استنفورد، دانشگاه MIT و دانشگاه فنی مونیخ و البته چند دانشگاه دیگر در حال توسعه است. ROS امکان برنامه‌نویسی سیستم جهت یابی و اعضای بدن ربات را، صرف نظر از نوع سخت افزار به کار رفته در آن، فراهم می کند. همچنین این سیستم عامل دستورات سطح بالایی را نیز برای مواردی چون تشخیص تصویر و یا باز کردن در ها ارائه می کند. وقتی سیستم عامل ROS بر روی کامپیوتر داخلی ربات بوت می شود، داده‌هایی مانند طول و میزان حرکت اعضای مختلف ربات را به دست می آورد. این داده‌ها از طریق سیستم عامل به الگوریتم های سطح بالاتری منتقل می‌شوند. علاوه بر این، مایکروسافت نیز با کمک نرم افزار Robotics Developer Studio که از سال 2007 در دسترس است، در حال توسعه یک سیستم عامل به نام”ویندوز برای ربات‌ها” می باشد.

ژاپن امیدوار است تا سال 2025 بتواند تمامی ربات‌های خدماتی را به‌صورت تمام مقیاس، تجاری سازی کند. بسیاری از تحقیقات در زمینه فناوری در ژاپن توسط موسسات وابسته به دولت، به‌خصوص وزارت بازرگانی این کشور انجام می شود.

بسیاری از کاربردهای ربات‌ها در آینده برای مردم مشخص است. اما این در حالی است که این کاربرد ها در حال حاضر بسیار دور از دسترس توانایی فعلی ربات‌ها هستند. حتی از سال 1982، این اطمینان وجود داشت که روزی ربات‌ها می‌توانند:

  1. قطعات را با جدا کردن ضایعات قالب گیری تمیز کنند.
  2. اتومبیل ها را با اسپری و بدون دخالت انسان رنگ کنند.
  3. چیز های مختلفی را بسته بندی کنند( مثلا بسته های شکلات را به‌صورت کاملا مرتب در جعبه قرار دهند).
  4. کابل های هارنس بسازند.
  5. کامیون ها را با جعبه های محصولات پر کنند.
  6. کالا های نرم مانند پوشاک و کفش را منتقل کنند .
  7. پشم چینی گوسفندان را انجام دهند .
  8. پروتز (اندام های مصنوعی) را تهیه و نصب کنند.
  9. غذا های فست فودی را آماده کنند و یا در سایر صنایع خدماتی کار کنند.
  10. در خانه مشغول به کار شوند (ربات‌های خانگی).
  11. به‌طورکلی می‌توان گفت این پیش بینی ها در بازه زمانی فعلی بیش از حد خوشبینانه است.

کاربردهای جدید و نمونه های اولیه آن‌ها

در سال 2008، شرکت Caterpillar، ایده ساخت دامپ تراکی را که می‌توانست بدون نیاز به راننده، مواد معدنی را از معدن به بیرون منتقل کند، مطرح کرد. بسیاری از تحلیل گران معتقدند کامیون های بدون راننده، در نهایت لجستیک را متحول خواهد کرد و انقلابی عظیم را در صنعت به وجود خواهد آورد.تا پایان سال 2014، Caterpillar توانست این دامپ تراک تمام اتوماتیک را بسازد که انتظار می‌رود فرآیند معدن کاری را به طور چشمگیری متحول کند. در سال 2015، این کامیون های ساخت Caterpillar توسط شرکت معدنیRio Tinto Coal Australia ، به طور کامل در عملیات معدن کاری در استرالیا مورداستفاده قرار گرفتند. برخی تحلیل گران معتقدند در چند دهه آینده، بسیاری از کامیون ها کاملا خودکار خواهند بود.

یک ربات باسواد ( رباتی که توانایی خواندن دارد) به نام Marge، از طریق هوش مصنوعی خود می‌تواند روزنامه بخواند، کلماتی را که از نظر املایی مشکل دارند پیدا کرده و تصحیح کند، در مورد بانک های مختلف مثلا بانک Barclays یاد بگیرد و متوجه شود که برای غذا خوردن، برخی رستوران‌ها مناسب تر از بقیه هستند.

Baxter یک ربات جدید است که در سال 2012 معرفی شد. این ربات می‌تواند با هدایت دیگران، چیز های جدیدی یاد بگیرد. برای مثال یک کارگر می‌تواند به Baxter یاد دهد که یک کار را چگونه انجام دهد. برای این کار او دست هایش را به شکل مورد نظر حرکت می دهد و Baxter حرکات دست او را به خاطر می سپارد. برای تنظیم میزان دقت و ویژگی های مختلف دیگر، دکمه ها و کنترل های بیشتری بر روی دستBaxter  وجود دارد. هر کارگر ساده ای می‌تواند Baxter را برنامه ریزی کند و این کار تنها چند دقیقه زمان می برد. کاری که برای سایر ربات‌های صنعتی، به میزان زیادی برنامه‌نویسی و کد نوشتن نیاز دارد تا بتوان از آن استفاده کرد. در واقع می‌توان گفت Baxter برای عمل کردن به برنامه‌نویسی احتیاج ندارد. به هیچ مهندس نرم افزاری نیاز ندارد. همچنین می‌توان به Baxter آموزش داد تا بتواند کار های پیچیده تر و یا چند کار را به‌صورت همزمان انجام دهد. در سال 2015، ربات دیگری به نام Sawyer برای انجام کارهای کوچک تر و دقیق تر ساخته شد.

Baxter یک ربات جدید است که در سال 2012 معرفی شد.

Baxter یک ربات جدید است که در سال 2012 معرفی شد.

ربات چیست؟ قسمت 1
ربات چیست؟ قسمت 2
ربات چیست؟ قسمت 3
ربات چیست؟ قسمت 4
ربات چیست؟ قسمت 5
ربات چیست؟ قسمت 6
ربات چیست؟ قسمت 7
ربات چیست؟ قسمت 8

/0 دیدگاه /توسط

ربات چیست؟ قسمت 4

آسیمو ربات انسان نمای دوپا

ربات چیست؟ قسمت 1
ربات چیست؟ قسمت 2
ربات چیست؟ قسمت 3
ربات چیست؟ قسمت 4
ربات چیست؟ قسمت 5
ربات چیست؟ قسمت 6
ربات چیست؟ قسمت 7
ربات چیست؟ قسمت 8

/0 دیدگاه /توسط