مقدمه ای بر رباتیک

اختصاصی از یارا فایل مقدمه ای بر رباتیک دانلود با لینک مستقیم و پرسرعت .

مقدمه ای بر رباتیک

56 صفحه در قالب word

1- مقدمه

    اتوماسیون در بخشهای مختلف صنعت و کارهای تولیدی در چند دهه اخیر ظهور پیدا کرده است و روز به روز نیز در حال توسعه می باشد. بیش از چند دهه از ظهور کارخانجات کاملاً مکانیزه که در آنها تمامی پروسه ها اتوماتیک بوده و نیروی انسانی در آن نقش اجرائی ندارد، نمی گذرد. اما در چند ساله اخیر شاهد بوجود آمدن کارخانجات مکانیزه ای بوده ایم که طراحی، ساخت و نحوه کار آنها واقعاً حیرت انگیز است. ایده و دانش کنترل اتوماتیک و استفاده از سیستمهای مکانیزه در کارخانجات به جنگ جهانی دوم می رسد. ما تحولات عظیم و چشمگیر آن در سالهای اخیر بوقوع پیوسته است.

رباتها جدیدترین مرحله تلاش انسان جهت صنایع اتوماتیک به شمار می روند. رباتها آن دسته از ماشینهای ساخت بشر هستند که لزوماً حرکتهایی شبیه انسان ندارند ولی توان تصمیم گیری و ایجاد و کنترل فعالیتهای از پیش تعیین شده را دارند.

    2- تعریف ربات

    دو تعریف موجود در رابطه با کلمه ربات از قرار زیر می باشند[9] :

    1- تعریفــی که توسطConcise Oxford Dic.  صورت گرفتــه است؛ ماشینی مکانیکی با ظاهر یک انسان که باهوش و مطیع بوده ولی فاقد شخصیت است. این تعریف چندان دقیق نیست، زیرا تمام رباتهای موجود دارای ظاهری انسانی نبوده و تمایل به چنین امری نیز وجود ندارد.

    2- تعریفی که توسط مؤسسه ربات آمریکا صورت گرفته است؛ وسیله ای با دقت عمل زیاد که قابل برنامه ریزی مجدد بوده و توانایی انجام چند کار را دارد و برای حمل مواد، قطعات، ابزارها یا سیستم های تخصصی طراحی شده و دارای حرکات مختلف برنامه ریزی شده است و هدف از ساخت آن انجام وظایف گوناگون می باشد.

    3- دسته بندی رباتها

    رباتها در سطوح مختلف دو خاصیت مشخص را دارا می باشند :

    1- تنوع در عملکرد

    2- قابلیت تطبیق خودکار با محیط

به منظور دسته بندی رباتها لازم است که قادر به تعریف و تشخیص انواع مختلف آنــــــها باشیم. سه

 دسته بندی مختلف در مورد رباتها وجود دارد. دسته بندی اتحادیــــــه رباتهای ژاپنی، دسته بندی

 مؤسسه رباتیک آمریکا و دسته بندی اتحادیه فرانسوی رباتهای صنعتی.[9]

   1-3-دسته بندی اتحادیه رباتهای ژاپنی

    انجمن رباتهای صنعتی ژاپن، رباتها را به شش گروه زیر تقسیم می کند :

    1- یک دست مکانیکی که توسط اپراتور کار می کند : وسیله ای است که دارای درجات آزادی متعدد بوده و توسط عامل انسانی کار می کند.

    2- ربات با ترکیبات ثابت : این دسته رباتها با ترکیبات ثابت طراحی می شوند. در این حالت یک دست مکانیکی کارهای مکانیکی را با قدمهای متوالی تعریف شده انجام می دهد و به سادگی ترتیب کارها قابل تغییر نیست.

    3- ربات با ترکیبات متغیر : یک دست مکانیکی که کارهای تکراری را با قدمهای متوالی و با ترتیب تعریف شده، انجام می دهد و این ترتیب به سادگی قابل تغییر است.

    4- ربات قابل آموزش : اپراتور در ابتدای امر به صورت دستی با هدایت یا کنترل ربات کاری را که باید انجام شود، انجام می دهد و ربات مراحل انجام وظیفه را در حافظه ضبط می کند. هر وقت که لازم باشد، می توان اطلاعات ضبط شده را از ربات درخواست نمود و ربات وظیفه درخواست شده را بصورت خودکار انجام می دهد.

    5- ربات با کنترل عددی : اپراتور وظیفه ربات را توسط یک برنامه کامپیوتری به او تفهیم می نماید و نیازی به هدایت دستی ربات نیست. درواقع ربات با کنترل عددی، رباتی است که با برنامه کامپیوتری کار می کند.

    6- ربات باهوش : این ربات درک از محیط و استعداد انجام کار با توجه به تغییر در شرایط و محدوده عمل کار را دارد.

    2-3- دسته بندی مؤسسه رباتیک آمریکا

    انستیتوی رباتیک آمریکا تنها موارد 3 و 4 و 5 و 6 را به عنوان ربات پذیرفته است.

    3-3- دسته بندی اتحادیه فرانسوی رباتهای صنعتی

    مؤسسه ربات صنعتی فرانسوی، رباتها را به شکل زیر تقسیم کرده است :

    نوع A : دستگاهی که توسط دست یا از راه دور کنترل می شود (مورد 1 طبقه بندی قبل).

    نوع B : وسیلة حمل کننده خودکار با یک سیکل محاسبه شده از قبل (موارد 2 و 3 طبقه بندی قبل).

    نوع C : دستگاهی قابل برنامه ریزی و با توانایی خود کنترل (موارد 4 و 5 طبقه بندی قبل).

    نوع D : دستگاهی که قادر است اطلاعات معینی از محیط را بدست بیاورد و به عنوان ربات باهوش معروف است (مورد 6 طبقه بندی قبل).

    4- اجزاء اصلی یک ربات

    مهندسی ربات، مهندسیهای نرم افزار، سخت افزار، برق و مکانیک را در خدمت خود گرفته است. بعضی مواقع این علوم به حد کافی پیچیده می باشند. همچنانکه در شکل 2-2 مشاهده می شود هر ربات دارای 5 مؤلفه به شرح ذیل می باشد [9]و[15]:

    1-4- بازوی مکانیکی ماهر(Mechanical Manipulator)

    بازوی مکانیکی شامل چندین واصل است که با مفصلها به هم وصل می شوند. این واصلها در جهات مختلف در فضای کاری قادر به حرکت می باشند. حرکت یک مفصل بخصوص باعث حرکت یک یا چند واصل می شود. عامل تحریک مفصل می تواند مستقیماً یا از طریق بعضی انتقالات مکانیکی بر واصل بعدی متصل شود. به واصل نهایی بازوی مکانیکی وسیله کاری ربات وصل شده است که به آن عامل نهایی می گویند. هر یک از مفصلهای ربات یک محور مفصل دارند که واصل حول آن می چرخد. هر محور مفصل یک درجه آزادی(D.O.F.) تعریف می کند. بیشتر رباتها دارای 6 درجه آزادی می باشند به عبارت دیگر دارای 6 مفصل، بمنظور حرکت در 6 جهت. اولین سه مفصل ربات به عنوان محورهای اصلی شناخته می شوند. بطورکلی صرفنظر از جزئیات، محورهایی که برای محاسبه موقعیت و استقرار مچ استفاده می شونــد، محورهای اصلی ربات هستند. محورهای مفصلهای باقیمانده جهت قرار گرفتن دست ربات را مشخص می کنند، ولذا محورهای فرعی  نامیده می شوند.

            دو نوع مفصل اصلی به صورت گسترده در صنعت رباتها بکار گرفته می شود. مفصل دورانی که نمایش دهنده حرکت چرخشی حول یک محور است و مفصل انتقالی یا لغزشی که نمایش دهنده حرکت خطی در طول یک محور است، (جدول 1).

ممکن است هنگام انتقال از فایل ورد به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است

متن کامل را می توانید در ادامه دانلود نمائید

چون فقط تکه هایی از متن برای نمونه در این صفحه درج شده است ولی در فایل دانلودی متن کامل همراه با تمام ضمائم (پیوست ها) با فرمت ورد word که قابل ویرایش و کپی کردن می باشند موجود است

دانلود حل المسائل کتاب مقدمه ای بر سیستم های مدار و VLSI

اختصاصی از یارا فایل دانلود حل المسائل کتاب مقدمه ای بر سیستم های مدار و VLSI دانلود با لینک مستقیم و پرسرعت .

دانلود حل المسائل کتاب مقدمه ای بر سیستم های مدار و VLSI

دانلود حل المسائل Introduction to VLSI Circuits and Systems John P. Uyemura

77 صفحه با فرمت PDF و با کیفیت عالی

مقاله مقدمه ای بر شبکه های عصبی مصنوعی و کاربردهای آن

اختصاصی از یارا فایل مقاله مقدمه ای بر شبکه های عصبی مصنوعی و کاربردهای آن دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : WORD (قابل ویرایش)

تعداد صفحات:145

چکیده:

مقدمه ای بر شبکه های عصبی مصنوعی و کاربردهای آن:

امروزه با شکسته شدن پی در پی استقلال ، شاخه های مختلف علوم و بهره وری شاخه ای از شاخه ی دیگر و پیشبرد مسائل پیچیده خود، پیوستگی و لاینفک بودن تمامی شاخه های علوم را نمایان تر می سازد که سرمنشأ تمامی آنها از یک حقیقت نشأت گرفته و آن ذات باری تعالی است.اولین تلاش ها به منظور ارائه ی یک مدل ریاضی برای سیستم عصبی انسان در دهه 40 توسط Mcculloch , pitts انجام شد ، که حاصل آن یک نورون ساده ی تک لایه ویک روش برای آموزش آن بود . در ادامه ی این کار Hebb نتایج آزمایشات پاولف را در مورد شرطی شدن ،گسترش داد و یک روش برای یادگیری ارائه کرد . در سال 1958 ،Rossonblatt شبکه ی پرسپترون را ارائه کرد . بعد از مدتی اثبات شد شبکه ی عصبی پرسپترون تک لایه نمی تواند تابع ساده ای مانند EX-OR را بیاموزد .بنابراین تقریباً تا دهه ی 80 تلا ش ها برای گسترش شبکه ی عصبی بسیار کم بود. سپس در طی یک مقاله اثبات شد که شبکه ی عصبی پرسپترون چند لایه می تواند به عنوان یک تخمین گر جهانی مطرح شود . بدین معنی که این شبکه قابلیت دارد هر تابع غیرخطی را با دقت دلخواه مدل سازی کند . از آن به بعد شبکه های عصبی مصنوعی گسترش یافتند و در زمینه های بسیاری از آنها استفاده شد .

سیستم شبکه ی عصبی مصنوعی از مغز وسیستم عصبی انسان الهام گرفته شده و مانند مغز انسان از تعداد زیادی نورون تشکیل شده است . این شبکه ها مانند مغز انسان دارای قابلیت یادگیری هستندکه از مزیت های عمده ی این سیستم هاست در مواردی که نتوانیم یک الگوریتم حل به صورت فرمولی بیابیم یا تعداد زیادی مثال از ورودی و خروجی سیستم موردنظرمان در اختیار داشته باشیم و بخواهیم برای آن سیستم ، مدل ارائه کنیم یا اینکه یک ساختار از اطلاعات موجود بدست آوریم ، استفاده از شبکه های عصبی مصنوعی سودمند است . تاکنون برای شبکه های عصبی توپولوژی های مختلف همراه با کاربردهای متنوع ارائه شده است که طیف وسیعی از موضوعات را پوشش می دهد . 

الهام از نورون واقعی :

سیستم عصبی انسان و مغز وی متشکل از ترکیب و به هم پیوستن تعداد زیادی سلول به نام نورون می باشد . تعداد نورون های مغز انسان به طور متوسط حدود 100 تریلیون می باشد . یک نورون دارای تعداد زیادی ورودی و یک خروجی است . خروجی می تواند دو حالت فعال یا غیرفعال را اختیار کند . در یک نورون ورودی ها تعیین می کنند که خروجی نرون فعال یا غیرفعال باشد . یک نرون از یک حجم سلولی ، تعداد زیادی « دنوریت » به عنوان ورودی و یک « اکسون » به عنوان خروجی تشکیل شده است.

به محل اتصال اکسون یک سلول به دنوریت های یک سلول دیگر نیز «سیناپس » می گویند که نقش بسزایی در سیستم عصبی ایفا می کند . سیناپس می تواند در طول دوره ی یادگیری نسبت به سیگنال های ورودی تغییر کند .در این قسمت به قانون یادگیری «هبی» اشاره می کنیم . این قانون به طور ساده به این صورت می باشد که اگر ورودی های یک نرون به طور مکرر منجر به فعال شدن خروجی شود ، یک تغییر متابولیک در سیناپس اتفاق می افتد که در طی آن مقاومت سیناپس نسبت به آن ورودی خاص کاهش می یابد. 

مدل ریاضی نرون :

یک نرون مجموع وزن های ورودی را حساب کرده و براساس یک تابع فعالیت ( که در حالت ساده می تواند یک Threshold باشد ) خروجی را تعیین می کند . اگر این مجموع از ترشلد بیشتر باشد خروجی نرون  « یک » می شود در غیر این صورت خروجی نرون منفی یک ( 1- ) خواهد شد . 

به عنوان مثال یک شبکه عصبی ساده به نام perceptron را در نظر می گیریم این شبکه در شکل زیر نشان داده شده است در این شبکه چند ورودی وجود دارد که یکی از آنها مربوط به بایاس است . تابع فعالیت نورون نیز به صورت یک ترشلد خطی می باشد و شبکه دارای یک خروجی است . در این شبکه سیناپس ها به صورت وزن های اتصالات در نظر گرفته شده است . به عنوان مثال فرض کنید که می خواهیم یک OR منطقی را به وسیله ی این شبکه مدل کنیم. هدف از الگوریتم یادگیری ، بدست آوردن وزن های مناسب برای حل مسئله ی مورد نظر ما می باشد .

قانون یادگیری شبکه به صورت زیر است که بیان کننده ی تغییرات وزن ، نرخ سرعت یادگیری و یک عدد ثابت می باشد .D بیان کننده ی خروجی مطلوب است که در الگوهای آموزشی وجود دارد Y بیان کننده ی خروجی به دست آمده از شبکه است و بیان کننده ورودی است .یادگیری همان طور که قبلاً اشاره شد ، از شبکه های عصبی مصنوعی برای مدل کردن سیستم هایی که غیرخطی یا جعبه سیاه هستند و ما از دینامیک داخلی سیستم خبری نداریم و فقط یک سری (ورودی – خروجی ) از سیستم داریم ، می توان استفاده کرد . بدین ترتیب که ابتدا یک توپولوژی مناسب از شبکه در نظر می گیریم، تعداد و نحوه ی اتصالات نورون ها را مشخص می کنیم و یک سری وزن های ابتدایی برای اتصالات در نظر می گیریم . در مرحله ی آموزش، هدف این است که با اعمال مجموعه «ورودی – خروجی » های سیستم مورد نظر وزن های اتصالات را طوری تنظیم کنیم که بتوانیم با دادن ورودی هایی غیر از ورودی های مجموعه ی آموزشی مان خروجی متناسب با سیستم مورد نظر بدست بیاوریم . به بیان دیگر بتوانیم سیستم رامدل کنیم.

در شکل توپولوژی یک شبکه عصبی که دارای لایه های مختلفی است ، این شبکه ، ازلایه های مختلفی تشکیل شده که بیان کننده ی نحوه ی اتصال نورون ها به یکدیگر می باشد . لایه ی ورودی شامل نورون نبوده و فقط بیان کننده ی ورودی هاست . به نورون هایی که مستقیم ، به خروجی متصل می شوند، لایه ی خروجی گفته می شود .بقیه لایه ها - غیر از ورودی و خروجی - لایه های پنهان نام دارند . به طور کلی فرآیند یادگیری را می توان به 3 دسته تقسیم کرد.

1- یادگیری نظارت شده Supervised Learning در این روش همان طور که قبلاً اشاره شد یک مجموعه ی آموزشی در نظر گرفته می شود و یادگیرنده بر اساس یک ورودی عمل کرده و یک خروجی به دست می آورد . سپس این خروجی توسط یک معلم که می تواند خروجی مورد نظر ما باشد مورد ارزیابی قرار می گیرد و براساس اختلافی که با خروجی مطلوب دارد یک سری تغییرات در عملکرد یادگیرنده به وجود می آید . این تغییرات می تواند، وزن های اتصالات باشد . یک مثال برای این روش الگوریتم « پس انتشار خطا »Back propagation error می باشد که در شبکه های پرسپترون برای آموزش ، مورد استفاده قرار می گیرد.

2- یادگیری نظارت نشده unsupervised Learning در این روش، حین فرآیند یادگیری از مجموعه های آموزشی استفاده نمی شود و به اطلاعات در مورد خروجی مطلوب نیز نیاز ندارد . در این روش معلمی وجود ندارد . و معمولاً برای دسته بندی وفشرده سازی اطلاعات استفاده می شود . یک مثال برای این روش الگوریتم kohonen می باشد .

3- یادگیری تقویتی Rein forcement learning در این روش یک معلم به عنوان یاد دهنده وجود ندارد و خود یادگیرنده با سعی و خطا آموزش می بیند . در این روش یک استراتژی اولیه در نظر گرفته می شود . سپس این سیستم بر اساس همان رویه عمل می کند و یک پاسخ از محیطی که در آن فعالیت می کند، دریافت می کند. سپس بررسی می شود که آیا این پاسخ ، مناسب بوده یا خیر و با توجه به آن ، یادگیرنده یا مجازات می شود یا پاداش می گیرد . اگر مجازات شود عملی را که منجر به این مجازات شده در دفعات بعدی کمتر تکرار می شود و اگر پاداش بگیرد سعی می کند آن عملی که منجر به پاداش شده است ، بیشتر انجام دهد.

یک دیدگاه دیگر نسبت به یادگیری می تواند به تقسیم بندی زیر منجر شود :

1- یادگیری Off Line : در این روش وزن ها طی زمانی که سیستم در حال اجرای کار اصلی خودش می باشد ، ثابت هستند و تغییرات وزن ها درطول یادگیری صورت می پذیرد .

2- یادگیری On Line : در این روش وزن ها در دوره ی عملکرد واقعی سیستم نیز تغییر می کنند و دوره ی یادگیری و عملکرد سیستم از یکدیگر جدا نیستند . بدین ترتیب این سیستم دارای قابلیت بیشتری برای مقابله با تغییرات دینامیک محیط است . اما منجر به شبکه هایی با ساختار پیچیده تر می شود . چند نکته : ابتدا این که تعداد بهینه ی نورون های لایه های مخفی همچنین تعداد لایه های مخفی چقدر است؟ باید گفت به طور کلی برای این مسئله ، یک جواب تئوریک وجود ندارد بلکه به صورت تجربی و با توجه به کاربرد آن می توان به یک ساختار مناسب رسید . البته می توان از روش های بهینه سازی مانند « ژنتیک الگوریتم » برای حل این مسئله استفاده کرد . مسئله ی مهم دیگر بحث Overtraining می باشد که از اهمیت زیادی برخوردار است . این مورد بیان می کند که اگر تعداد داده های آموزش بسیار زیاد باشد شبکه بیشتر به عنوان حافظه عمل خواهد کرد و نمی تواند پاسخ مناسبی برای مدل سیستم ما باشد . از سوی دیگر اگر داده های آموزشی ما در تمام فضای مسئله پراکنده نباشد یا تعداد آنها کافی نباشد، شاید شبکه ی ما همگرا نشود . 

کاربردها :
شبکه های عصبی در موارد زیر دارای کارایی زیادی می باشند :

• پیداکردن الگوهای پیچیده از میان یک سری اطلاعات
• درمسایلی که با اطلاعات غیر دقیق سروکار داریم. 
• در مسایلی که با اطلاعات نویزی سروکار داریم . مانند

1-prediction 
2-Classification 
3-Dataassociation
4-Dataconceptualizefion 
5-filtering 
6- planning

چند کاربرد عملی و مفید آن که تاکنون بر روی آنها فعالیت زیادی انجام شده عبارتند از :

1- پیشگویی prediction ) از اطلاعات بدست آمده در گذشته(
- پیش بینی وضعیت آب و هوا 
- پیش بینی وضعیت سهام در بورس 
- پیش بینی سری های زمانی 
2- کلاسه بندی Classification 
- پردازش تصویر 
- دسته بندی اهداف در رادارها 
3- تشخیص Recognition 
- تشخیص نوع بمب درصنایع نظامی 
- تشخیص حرو ف 
- تشخیص امضاء
- تشخیص چهره
4- دیگر کاربردهای آن به صورت کلی شامل موارد زیر است : 

Regularitydetection 
- speechanalysis 
- optimizationproblems 
- Robotstearing 
- Processing of inaccurate or in complteinputs 
- Stock market forecasting simulation 

به عنوان مثال کاربری می توان تخمین موقعیت کاربر مخابرات سیار در محیط شهری را بیان کرد . برای این کار می توان مکان کاربر را با تلفیق زاویه و زمان دریافت ، سیگنال را بهوسیله ی شبکه های پرسپترون چند لایه و RBF تخمین زد . بدین منظور دو روش مختلف در نظر گرفته شده است . در روش اول تنها از یک شبکه ی عصبی استفاده می شود . و در روش دوم که سلسله مراتبی نامیده می شود عمل تخمین توسط بیش از یک شبکه ی عصبی صورت می پذیرد. به این ترتیب که نخست موقعیت کاربر به صورت تقریبی توسط شبکه ی لایه ی اول انجام می شود و سپس با استفاده از شبکه عصبی لایه ی دوم که برای ناحیه ی کوچکتری آموزش دیده است ، تخمین بهتری از موقعیت کاربر بدست می آید با افزایش تعداد لایه ها می توان به دقت بهتری دست یافت برای انتشار مسیر غیر خط دیده (NLOS ) امواج ، از دو روش استفاده شده است . در روش اول ( محیط غیر شهری ) دایره ای به مرکز فرستنده و شعاع مشخص به عنوان ناحیه ی پراکندگی در نظر گرفته شده که امواج در این ناحیه پراکنده شده وبه گیرنده می رسند. در روش دوم ، از محیط های شهری که دارای ساختار مشخصی هستند ، استفاده شده است . برای شبیه سازی انتشار امواج در محیط های شهری ، نرم افزاری نوشته شده و پرتوهایی که از فرستنده ساطع می شوند را به صورت دو بعدی دنبال می کند . این عمل تا هنگامی که توان پرتو از یک مقدار آستانه کمتر نشده و یا پرتو از محیط مورد نظر خارج نگردیده ادامه می یابد نتایج شبیه سازی نشان می دهد که در محیط غیر شهری با شعاع ناحیه ی پراکندگی 300 متر و نسبت سیگنال به نویز بی نهایت ، در صورت استفاده از یک ایستگاه پایه وپرسپترون با ساختار سلسله مراتبی در66 % موارد کاربر با خطای کمتر از 125 متر تخمین زده می شود . نتایج مشابه برای محیط شهری نشان می دهد با استفاده از پنج لایه ، احتمال خطای کمتر از 125 متر در تخمین موقعیت کاربر به 86% افزایش می یابد . در صورت استفاده از دو ایستگاه پایه ی این احتمال به 91% می رسد . نتایج حاصل از شبکه عصبی RBF نشان می دهد که دقت های مشابهی توسط این شبکه بدست می آید ضمن آنکه آموزش شبکه اخیر حدود پنجاه برابرسریع تر از شبکه پرسپترون است . این نتایج نشان می دهد دقت مورد نظر استاندارد E-911 باروش های پیشنهادی به دست می آید.{5}

تاریخچه :

شبکه‌های عصبی دهها سال است که جلب توجه می‌کنند وتاکنون راه حلهایی برای استفاده از هوش بشری ارائه شده است. اولین نرون مصنوعی درسال 1943 توسط نروفیزیولوژیست وارن‌مک‌کالوک و منطق دان والتر‌پیتز تولید شد.در دهه 60 به دلایلی که خارج از بحث این مقاله است مردم به‌سوی شبکه‌های عصبی متمایل شدند و تنها در دهه 80 دانشمندان توانایی‌های واقعی شبکه‌های عصبی را دیدند .

شبکه عصبی چیست؟

شبکه های عصبی مصنوعی (Artificial Neural Network) الگویی برای پردازش اطلاعات می باشند که با تقلید از شبکه های عصبی بیولوژیکی مثل مغز انسان ساخته شده اند.عنصر کلیدی این الگو ساختار جدید سیستم پردازش اطلاعات آن می باشد و از تعداد زیادی عناصر (نرون) با ارتباطات قوی داخلی که هماهنگ با هم برای حل مسائل مخصوص کار می کنند تشکیل شده اند. شبکه های عصبی مصنوعی با پردازش روی داده های تجربی، دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کند که به این عمل یادگیری می گویند. اصولاً توانایی یادگیری مهمترین ویژگی یک سیستم هوشمند است. سیستمی که بتواند یاد بگیرد منعطف تر است وساده تر برنامه ریزی میشود، بنابراین بهتر میتواند در مورد مسایل و معادلات جدید پاسخگو باشد. انسانها از زمانهای بسیار دور سعی بر آن داشتند که بیوفیزیولوژی مغز را دریابند چون همواره مسئله هوشمندی انسان و قابلیت یادگیری ،تعمیم،خلاقیت،انعطاف پذیری و پردازش موازی در مغز برای بشر جالب بوده و بکارگیری این قابلیتها در ماشینها بسیار مطلوب می نمود.روشهای الگوریتمیک برای پیاده سازی این خصایص در ماشینها مناسب نمی باشند در نتیجه می بایست روشها مبتنی بر همان مدلهای بیولوژیکی باشد.ANN درست مثل انسانها با استفاده از مثالها آموزش می بیند ; همانطور که یک بچه با دیدن انواع مختلف از یک حیوان قادر به تشخیص آن می باشد.{6}

2- شبکه‌های عصبی مصنوعی:
2-1- شبکه‌های عصبی مصنوعی:

شبکه‌های عصبی شبیه به مغز انسان اطلاعاتی را پردازش می‌کنند. شبکه‌ از تعداد زیادی سلولهای عصبی(Neuron ها) تشکیل شده با پردازشی بسیار بزرگ و به‌هم پیوسته که در حل موازی مسائل ویژه مشغول به کارند.یادگیری شبکه‌های عصبی از طریق مثالهاست. آنها برای انجام یک کار خاص برنامه‌ریزی نشده‌اند. مثالها باید با دقت بسیار بالایی انتخاب شوند والا زمان مفید هدر خواهد رفت و یا حتی ممکن است شبکه به طور ناقص دایر شود و در اینجا راهی برای فهمیدن اینکه سیستم معیوب است یا خیر وجود ندارد مگر اینکه خطایی رخ دهد.شبکه‌های عصبی مصنوعی یک ترکیبی از مجموعه نرون‌هاست و البته نرونهای مصنوعی‌ای که بسیار شبیه به نرونهای زیستی کار می‌کنند. و بدین گونه است که ورودیهای زیادی با وزنهای مختلف می‌گیرد و یک خروجی که به ورودی وابسته است تولید می‌کند. نرونهای زیستی می‌توانند در حال برانگیزش باشند یا نباشند. (وقتی یک نرون برانگیخته می‌شود ضربه علائم خروجی آن مقداری کمتر از 100 هرتز است) شبکه‌های عصبی استفاده وسیعی در شناسایی الگوها دارند زیرا از خودشان قابلیت آن را دارند که بطور عمومی به ورودی‌های غیر منتظره نیز پاسخ دهند. در طول ساخت نرونها می‌آموزند که چگونه الگوهای ویژه گوناگون را تشخیص دهند. اگر الگویی پذیرفته شود در حالی که در طول اجرا ورودی با خروجی مرتبط نباشد، نرون از مجموعه‌ای از الگوهایی که سابقا آموخته خروجیی را که شبیه به الگو می‌باشد وکمترین تفاوت را با ورودی دارد انتخاب می‌کند. این روال عموما فراخوانی می‌شود.

مثال:
وقتی که ورودی نرون 1111 باشد چهار ورودی بر حسب برانگیزش مرتب شده‌اند و وقتی ورودی‌های 0000 را داریم نرون برای برانگیزش مرتب نیست. قاعده عمومی این است که نرونها مایلند برانگیخته شوند وقتی که ورودی‌ها 0111 ، 1011 ، 1101 ، 1110 یا 1111 باشند و در صورتی که ورودی آنها 1000 ، 0001 ، 0010 ، 0100 یا 0000 باشند مایل به برانگیخته شدن نیستند.شناسایی الگوهای پیچیده سطح بالا می‌تواند به وسیله شبکه‌ای از نرونها انجام شود و بدین ترتیب نام آن را شبکه‌های عصبی مصنوعی گذاشتند. اکنون شبکه‌های عصبی کاربردهای زیادی دارند(درمنطق وکلام و شناسایی عکسها)البته شناسایی الگوهامی‌تواند به‌طور موفقیت آمیز بر روی کامپیوترهای عمومی انجام شود. این شبکه‌های عمومی که برای شناسایی الگوها استفاده می‌شوندFeed-Forward نامیده می‌شدند زیرا آنها یک بازخورد (Feed-Back) داشتند. آنها به‌طور ساده ورودی‌ها را با خروجی‌ها می‌آمیختند. اما شناسایی الگوها به تدریج کاملتر شد به‌طوریکه بر روی کامپیوترهای عمومی با سیستم خاص خودشان به‌سختی انجام می‌شد پس برای شناسایی الگوها شبکه‌های Feed-Forward کافی نبودند.در شبکه‌های عصبی خروجی هر نرون به ورودی نرونهای مجاورش متصل شده است. شبکه‌های عصبی نمی‌توانند معجزه کنند اما اگر به درستی استفاده شوند نتایج شگفت‌انگیزی خواهند داشت .

2-2- مشخصات مسائل در خور شبکه‌های عصبی مصنوعی Network) Artificial Neural          

(ANN

تقلید از ساختارهای محاسباتی سیستم زیستی ممکن است ایده اصلی نمونه‌های محاسباتی برای ساخت کلاسهایی از مسائل باشد. از جمله این مسائل می‌توان از مسائل مشکل NP که شامل مسائل طبقه‌بندی شده، زمانبندی‌شده، جستجو وغیره نام برد، کلاس مسائل شناسایی الگوها، افراد و موضوعات مشخص را در دیدار و تماس با آنها می‌شناسد و کلاس مربوط به داده‌های ناقص، اشتباه، متناقض، فازی و احتمالی. این مسائل توسط همه یا برخی از موارد زیر توصیف می‌شوند :

یک فضای مسئله با بعد بزرگ، پیچیده، ناشناخته با اثرات متقابل پیچیده ریاضی‌وار بین متغییرها و یک فضای راه‌حل که ممکن است خالی باشد(شامل یک راه‌حل یکتا یا بیشتر ، شامل تعدادی از راه‌حلهای مفید)به نظر می‌رسد ANN ها راه‌حلهایی برای مسائلی که با ورودی‌های حسی بیشتر درگیرند ارائه می‌دهد(صحبت‌کردن، دیدن، شناسایی دستخط و…).

2-3- کاربردهای شبکه‌های عصبی مصنوعی ANN :

می‌توان موارد زیر را از کاربردهای شبکه‌های عصبی مصنوعی ذکر کرد :

پردازش تصویر و دید : ( Image processing and computer vision )

پردازش علائم ( Signal processing ): شامل ریخت‌شناسی و تجزیه و تحلیل علائم مربوط به زمین‌لرزه‌ها و…

شناسایی الگوها( Pattern recognition ): شامل شناسایی چهره، اثر انگشت، تشخیص نوع صدا و نوع صحبت کردن، دستخط و …

پزشکی( Medicine ): شامل تجزیه و تحلیل و تشخیص علائم دستگاه ضربان‌نگار قلب

(الکتروکاردیوگرافیک)، تشخیص امراض گوناگون و …

سیستم‌های نظامی( Military systems ): شامل ردیابی مین‌های زیردریایی، دسته‌بندی صداهای نابه‌هنجار و مخل در رادارها و شناسایی گوینده رزمی.

سیستم‌های تجاری( Financial systems ): شامل تجزیه و تحلیل انبار مغازه‌ها، ارزیابی واقعی املاک و …

برنامه‌ریزی، کنترل و جستجو( Planning, control, and search ): شامل اجرای موازی مسائل و کنترل رباتها.

هوش مصنوعی( Artificial intelligence ): شامل برخی سیستم‌های طبی و اجرای سیستم‌های خبره.

سیستم‌های قدرت( Power systems ): شامل برآورد وضعیت سیستم، ردیابی سریع و دسته‌بندی ردیابی، ردیابی خطا و ترمیم آن، پیش‌بینی و برآورد تخمین امنیت.

انواع یادگیری برای شبکه های عصبی:
1. یادگیری با ناظر:

در یادگیری با ناظر به قانون یاد گیری مجموعه ای از زوجهای داده ها به نام داده های یادگیری (Pi,Ti)i={1 … l } می دهند که در آن Pi ورودی به شبکه و Ti خروجی مطلوب شبکه برای ورودی Pi است. پس از اعمال ورودی Pi به شبکه عصبی در خروجی شبکه ai با Ti مقایسه شده و سپس خطای یادگیری محاسبه و از آن در جهت تنظیم پارامترهای شبکه استفاده می شود به گونه ای که اگر دفعه بعد به شبکه همان ورودی Pi اعمال شود خروجی شبکه به Ti نزدیکتر می گردد با توجه به این نکته که معلم سیستمی است که بر محیط وقوف دارد ( مثلا می داند که برای ورودی Pi خروجی مطلوب Ti است ).توجه داریم که محیط برای شبکه عصبی مجهول است . در لحظه k بردار ورودی (Pik) با تابع توضیع احتمال معینی که برای شبکه عصبی نا معلوماست انتخاب و بطور همزمان به شبکه عصبی و معلم اعمال می شود . جواب مطلوب (Tik) نیز توسط معلم به شبکه عصبی داده می شود . در حقیقت پاسخ مطلوب پاسخ بهینه ای است که شبکه عصبی برای ورودی مفروض باید به آن برسد . پارامترهای شبکه عصبی توسط دو سیگنال ورودی و خطا تنظیم می شود.به این صورت که پس از چند تکرار الگوریتم یادگیری که عموما توسط معادله تفاضلی بیان می شودبه پارامترهایی در فضای پارامترهای شبکه همگرا می شوند که برای آنها خطای یادگیری بسیار کوچک است و عملا شبکه عصبی شبکه عصبی معادل معلم می شود . یا به عبارتی دیگر اطلاعات مربوط به محیط (نگاشت بین TiوPi )که برای معلم روشن است به شبکه عصبی منتقل می شود و پس از این مرحله عملا می توان بجای معلم از شبکه عصبی استفاده کرد تا یادگیری تکمیل شود .

1. یادگیری تشدیدی:

یک اشکال یادگیری با ناظر این است که شبکه عصبی ممکن است بدون معلم نتواند مواضع جدیدی را که توسط مجموعه داده های جدید تجربی پوشانده نشده است یاد بگیرد . یادگیری از نوع تشدیدی این محدودیت را برطرف می کند . این نوع یادگیری بطور on-line صورت می گیرد در حالی که یادگیری با ناظر را به دو صورت on-line & off-line می توان انجام داد. در حالت off-line می توان از یک سیستم محاسب با در اختیار داشتن داده های یادگیری استفاده کرد و طراحی شبکه عصبی را به پایان رساند . پس از مرحله طراحی و یادگیری شبکه عصبی به عنوان یک سیستم استاتیکی عمل می کند . اما در یادگیری on-line شبکه عصبی همراه با خود سیستم یادگیر در حال انجام کار است و از این رو مثل یک سیستم دینامیکی عمل می کند . یادگیری از نوع تشدیدی یک یادگیری on-line از یک نگاشت ورودی-خروجی است . این کار از طریق یک پروسه سعی و خطا به صورتی انجام می پذیرد که یک شاخص اجرایی موسوم به سیگنال تشدید ماکزیمم شود و بنابر این الگوریتم نوعی از یادگیری با ناظر است که در آن به جای فراهم نمودن جواب واقعی ، به شبکه عددی که نشانگر میزان عملکرد شبکه است ارایه می شود. این بدین معنی است که اگر شبکه عصبی پارامترهایش را به گونه ای تغییر داد که منجر به یک حالت مساعد شد آنگاه تمایل سیستم یادگیر جهت تولید آن عمل خاص تقویت یا تشدید می شود . در غیر این صورت تمایل شبکه عصبی جهت تولید آن عمل خاص تضعیف می شود . یادگیری تقویتی مثل یادگیری با ناظر نیست و این الگوریتم بیشتر برای سیستمهای کنترلی کاربرد دارد .

1. 3. یادگیری بدون ناظر:

در یادگیری بدون ناظر یا یادگیری خود سامانده پارامترهای شبکه عصبی تنها توسط پاسخ سیستم اصلاح و تنظیم می شوند . به عبارتی تنها اطلاعات دریافتی از محیط به شبکه را برداغرهای ورودی تشکیل می دهند. و در مقایسه با مورد بالا (یادگیری با ناظر) بردار جواب مطلوب به شبکه اعمال نمی شود . به عبارتی به شبکه عصبی هیچ نمونه ای از تابعی که قرار است بیاموزد داده نمی شود . در عمل می بینیم که یادگیری با ناظر در مورد شبکه هایی که از تعداد زیادی لایه های نرونی تشکیل شده باشند بسیار کند عمل می کند و در این گونه موارد تلفیق یادگیری با ناظر و بدون ناظر پیشنهاد می گردد .

دانلود مقاله مقدمه ای برسیستمهای کنترل

اختصاصی از یارا فایل دانلود مقاله مقدمه ای برسیستمهای کنترل دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : word(قابل ویرایش)

تعداد صفحات:19

فهرست مطالب:
عنوان                                              صفحه
مقدمه                                                                  1
1-کنترل واتوماسیون                                                        2
2-مشخصات سیستمهای کنترل                                             2
-ورودیها                                                                      3
-خروجیها                                                                     4
-پردازش                                                                      4     
3-انواع فرایند های صنعتی                                                5
-تولید پیوسته                                                                 5
- "    انبوه                                                                   6   
-  "  اقلام مجزا                                                             6
4-استراتژی کنترل                                                          6
- حلقه  باز                                                                   6       
-  "  پیشرو                                                                  7    
-   "   بسته                                                                  8  
5-انواع کنترلرها                                                           9
5-1-کنترلرهای نا پیوسته                                                10
5-2-کنترلرهای پیوسته                                                   12
- کنترلر تناسبی                                                         12
- کنترلر انتگرالی                                                       12
-    "   تناسبی – انتگرالی                                             13  
-     "     "     -- مشتقی                                              14
              14                                                     PID    -کنترلر    6-سیر تکاملی کنترلها                                                 17                  
                                                                                                     

منابع

مقدمه
در هر صنعتی اتوماسیون سبب بهبود تولید می گردد که این بهبود هم در کمیت ومیزان تولید موثر است و هم در کیفیت محصولات.هدف از اتوماسیون این است که بخشی از وظایف انسان در صنعت به تجهیزات خودکار واگذار گردد.بسیاری از کارخانه ها کارگران خود را برای کنترل تجهیزات می گمارند و کارهای اصلی را به عهده ماشین می گذارند.
 
1-کنترل و اتوماسیون
در هر صنعتی اتوماسیون سبب بهبود تولید می گردد که این بهبود هم در کمیت ومیزان تولید موثر است و هم در کیفیت محصولات.هدف از اتوماسیون این است که بخشی از وظایف انسان در صنعت به تجهیزات خودکار واگذار گردد.بسیاری از کارخانه ها کارگران خود را برای کنترل تجهیزات می گمارند و کارهای اصلی را به عهده ماشین می گذارند. کارگران برای اینکه کنترل ماشینها را به نحو مناسب انجام دهند لازم است که شناخت کافی از فرایند کارخانه و ورودیهای لازم برای عملکرد صحیح ماشینها داشته باشند.یک سیستم کنترل باید قادر باشد فرایند را با دخالت اندک یا حتی بدون دخالت اپراتورها کنترل نماید.در یک سیستم اتوماتیک عملیات شروع،تنظیم و توقف فرایندبا توجه به متغیر های موجود توسط کنترل کننده سیستم انجام می گیرد.
2-مشخصات سیستمهای کنترل
هر سیستم کنترل دارای سه بخش است:ورودی ،پردازش و خروجی . بخش ورودی وضعیت فرایندو ورودیهای کنترلی اپراتور را تعیین کرده ومی خواند بخش پردازش با توجه به ورودیها، پاسخهاو خروجیهای لازم را می سازدو بخش خروجی فرمانهای تولید شده را به فرایند اعمال می کند.در کارخانه غیر اتوماتیک بخش پردازش رااپراتورها انجام می دهند.
 اپراتور با مشاهده وضعیت فرایند، به طور دستی فرامین لازم را به فرایند اعمال می کند.

دانلود مقاله مقدمه ای بر دو ترجمه عشق سالم – عشق ویرانگر

اختصاصی از یارا فایل دانلود مقاله مقدمه ای بر دو ترجمه عشق سالم – عشق ویرانگر دانلود با لینک مستقیم و پرسرعت .

فرمت فایل : word(قابل ویرایش)

تعداد صفحات:36

چکیده:

مقدمه ای بر دو ترجمه

عشق سالم – عشق ویرانگر

دررساه میهمانی، آریستوفان درک خود را از عشق در قالب داستانی نمادین بیان می کند: آدمیان در آغاز موجوداتی کروی و کامل بودند. اما زئوس خدای دایان هر یک را به دو نیمه کرد، و هر نیمه را به سویی پرتاب کرد از آن پس انسان ها هر یک شوریده وار به دنبال نیمه گمشده خود می گردند. در این تصویر عشق عبارتست از شوق به بازپیوستن، شوق یکی شدن با محبوب که همانا نیمه گمشده ماست. عشق آریستوفانی دو ویژگی مهم دارد: نسخت آنکه در این تصویر شخص محبوب موضوعیت دارد. نیمه گمشده من فردی خاص است، هیچ کسی دیگری نمی تواند نیمه ناقص وجود مرا کامل کند؛ فقط همان فرد خاص است که می تواند با من «جفت» شود. دوم آنکه در این تلقی از عشق، مناسبات جنسی را می توان بخشی از فرآیند به هم پیوستن و با هم یکی شدن دانست. اتحاد جسمانی که در مناسبات جنسی رخ می دهد در واقع وجه و نمادی از ان اتحاد عمیق وجود میان عاشق و معشوق است. بنابراین، در عشق آریستوفانی، جسمانیت و سکس مورد تحقیر قرار نمی گیرد. پاره ای از حکیمان و عارفان مسلمان نیز اسطوره آریستوفانی را از قول «فلاسفه یونان» یا «الحادیان» نقل کرده اند، و اصل فحوای آن را مستند به حدیثی نبوی کرده اند که به موجب آن محبت و عشق از «مناسبت قدیمه» و از «تعاریف ارواح» ناشی می شود. تصویر آریستوفانی از عشق بی رقیب نبود. در همان رساله میهمانی سقراط تصویر دیگری از عشق به دست می دهد که از جهات مهمی با تصویر آریستوفانی متفاوت است. از نظر سقراط، موضوع اصلی و واقعی عشق «زیبایی» است. (البته سقراط امر «زیبا» و «نیک» را نهایتا یکی می داند. بنابراین، شاید دقیق تر آن باشد که بگوییم از منظر او موضوع عشق «حس» است. سقراط برای عشق مراتبی قائل می شود (این سلسله بندی را گاهی «نردبام عشق» نیز می نامند. از نظر او نازل ترین مرتبه عشق، عشق به یک فرد خاص به واسطه زیبایی های ظاهری اوست (عشق به جمال) اما چون زیبایی های ظاهری ناپایدرا است. این نوع عشق ها نیز دیر نمی پاید. مرتبه دوم عشق به زیبایی های باطنی، یعنی فضائل و مکارم اخلاقی و عقلی است (عشق به کمال). این فضائل البته از زیبای های ظاهری پایدارتر است، اما انها هم دیر یا زود رنگ روال می پذیرد. عالی ترین مرتبه عشق یا عشق حقیقی، عشق به زیبایی یا خیر «مطلق» است، به تعبیر دیگر عشق به «ایده کلی زیبایی وخیر» است. بنابراین، در تصویر سقراطی از عشق، فرد خاصی که محبوب تو واقع می شود، اهمیت ذاتی ندارد. او چیزی بیش از یک واسطه یا ابزار نیست، او تا آنجا ارزش دارد که پرتوی از آن حقیقت مطلق را بر تو می تاباند. فرد معشوق صرفا محمل آن حقیقت مطلق و زوال ناپذیر است. معشوق اصلی در واقع آن حقیقت مطلق است، نه این فرد خاص. بنابراین، گویی می توان این فرد خاص را با هر فرد دیگری که آن حقیقت را باز می تاباند، تاخت زد. در مدل سقراطی، جسمانیت و مناسبات جنسی نیز به دیده تحقیر نگریسته می شود. کدورت جسم، و وسوسه های شهوانی حجاب خرد و مانع صعود روح به عالم مثال می شود.

(این تلقی از عشق را گاهی «عشق افلاطونی» هم می نامند. ولی به واقع مسلم نیست که در رساله میهمانی سخنان سقراط بیانگر رای خود افلاطون باشد. پاره ای از افلاطون شناساندن معتقدند که افلاطون یا آلکبیادس همدل تر است.) تلقی سقراطی را می توان مادر «عشق الهی» یا «عشق حقیقی» در الهیات مسیحی و اسلامی دانست.

بسیاری از عارفان و الهی دانان مسیحی و مسلمان عشق آریستوفانی را «عشق مجازی» و درخور تحقیر می دانستند. البته شاید بتوان «عشق مجازی» (با به تعبیری مولانایی «عشق های رنگی» را یکسره مردود می دانستند. اما دست کم در سنت عرفان عشق آمیز، عشق رمانتیک تحت شرایط معینی مجاز و حتی گاه سودمند تلقی می شد. این نوع عشق های مجازی مجاز می توانست «قنطره» یا «پلی» به سوی عشق حقیقی باشد. اما به هر حال، عشق مجازی از نوع رمانیتک هم در بهترین حالت پلی برای گذشتن بود، نه سایه ساری برای سکنی گزیدن. از همین رو در سراسر سنت الهیات مسیحی و اسلامی عشق مازی از آن حیث که ناظر به موجودی فانی شونده و زوال پذیر بود و استغراق در آن آدمی را از نیل به عشق حقیقی باز می داشت، مورد نقد و طعن بود. عشق رمانتیک را می توان تجربه ای در مینه عشق یکسره جنسی و اروتیک از یک سو، و عشق آرمانی و آسمانی از سوی دیگر دانست. به لحاظ تاریخی سرچشمه عشق رمانتیک به معنای مدرن آن را باید در عصر شوالیه ها (قرن دوازدهم میلادی) دانست. این تلقی بعدها خصوصاً در متن جنبش رمانتیسم به شکوفایی خود رسید. اما عشق رمانتیک در جهان مدرن نیز از تیررس ینقد و طعن به دور نمایند. البته این بار عارفان و الهی دانان نبودند که در آن طعن می زدند، بلکه فیلسوفان و روانشناسان بودند که آن را عارضه ای بیمارگونه و ویرانگر می پنداشتند. کسانی مثل شوپنهاور و فروید عشق را چیزی جز صورت سرکوب شده تمایلات جنسبی نمی دانستند، یعنی از منظر ایشان تمایز مهمی میان عشق جنسی و عشق رمانتیک وجود نداشت. کسانی مانند کانت نیز عشق را صورتی از عاطفه و لذا از منظر عقل «عنصر نامطلوب» می شمردند. ولی احتمالا کوبنده ترین نقدهها را می توان در میان فمینست ها یافت. فمینیست ها تقریبا متفق القولند که عشق، دست کم در شکل کنونی آن، بیمارگونه و ویرانگر است، و خصوصا مایه تحقیر و عقب ماندگی زنان می شود. آنچه در پی می آید ترجمه دو مقاله مشهور و کلاسیک در خصوص عشق رومانتیمک است. روبرت نوزیک، در مقاله اش «پیوند عشق» تقریری امروزین از مدل آریستوفانی عشق به دست می دهد. از نظر او غایت عشق تجربه یکی شدن عاشق و معشول و آفریدن هویتی مشترک میان آن دو است. نگاه او نسبت به عشق مثبت است، و تجربه های عاشقانه را در جهان امروزین، ممکن وبه غایت شکوفانند، می داند. الیزابت رپاپورت در مقاله خود تحت عنوان درباره آینده عشق: روسو و فمینست های رادیکال گزارشی روشن و روشنگر ازپاره ای از مهمترین نقدهای فمینیستی بر عشق رمانتیک به دست می ده، و آرای ایشان را با نظریه روسو در باب عشق مقایسه می کند. رپاپورت با نقد بدبینانه روسو و فمینیست های رادیکال از نقش ویرانگر عشق رمانتیک کاملا همدل است، اما برخلاف روسو و پاره ای از فمینیست های رادیال عشق سالم و شکوفانند، و غیرویرانگر را ناممکن نمی داند، البته او نیز مانند فمینیست های معتدل معتقد است تجربه عاشقانه سالم دست نمی دهد مگر آنکه ساختار سیاسی و اجتماعی مردسالار از اساس بر مبنای عدالت جنسیتی اصلاح و بازسازی شود.

درباره آینده عشق:

روسو و فمینیست های رادیکال

مقدمه

عشق می تواند انسان ها را خوشبخت یا بدبخت کند؛ می تواند متقابل یا یکسویه باشد, می تواند متقارن باشد یعنی دو نفر یکدیگر را به نحو واحدی دوست داشته باشند، یا نامتقارن باشد عشق می تواند خود را در قالب زندگی مشترک و درهم تنیده آشکار کند یا ی تواند وابستگی بیمارگونه یک فرد نسبت به دیگری باشد.

فمینیست های رادیکال عشق را در شکل کنونی اش وابستگی یکجانبه زنان به مردان می دانند. آیا عشقی متقابل، متقارن، و غیربیمارگونه میان مردان و زنان وجود دارد یا می تواند وجود داشته باشد؟

فمینیسم، حتی فمینیسم معتدل، نظریه ای با مدلولات بسیار رادیکال است. مایه تعجب است که ایده های فمینیست های رادیکال هواداران فراوان و کمابیش پروپا فرضی یافته است. ظاهراً امروزه تقریبا همه معنای این شعار فمینیست ها را می فهمند و قبول دارند که امر شخصی سیاسی است هیچ کجا امر سیاسی، شخصی تر از عشق جنسی میان مردان و زنان نیست. به همین دلیل من بسیار متعجبم که می بینم فمینیست های رادیکال درباره امکان عشق میان مردان و زنان موضعی ملایم، و حتی محافظه کارانه اختیار می کنند. فمینیست های رادیکال تا حد زیادی نقد و تحلیل مشترکی از عشق را اختیار می کنند فمینیست های رادیکال تا حد زیادی نقد و تحلیل مشترکی از عشق را ولو در صورت های متفاوت عرضه می کنند. تحلیل آنها نهایتا به اینجا می انجامد که در روزگار حاضر، عشق میان مردان و زنان امری به غایت دشوار، اگر نگوییم ناممکن، درروزگار حاضر، عشق میان مردان و زنان امری به غایت دشوار، اگر نگویم ناممکن، است. اما در عین حال، از تحلیل ایشان بر می آید که وقتی در آینده، زنان نظم و سامان جامعه و اقتصاد را خصوصاً در قلمرو نهادهای جنسی، خانوادگی، و پرورش کودکان از اساس متحول کردند، عشق میان زنان و مردان سرانجام ممکن خواهد شد.