كاربردهاي پيشرفته شبكه‌هاي عصبي مبتني بر FAM

همگام با پيشرفت و توسعه شبكه‌هاي عصبي مبتني بر FAM، بخصوص در پانزده سال اخير، كاربردها و رويكردهاي نويني در استفاده عملي از آن‌ها ظهور كرده است.

يكي از نخستين كاربردها، استفاده از اين شبكه‌ها در بازشناسي خودكار هدف بر اساس پروفايل‌هاي برد رادار مي باشد [8]. به عنوان كاربرد قديمي ديگر مي توان به بازشناسي و تشخيص شي سه بعدي بر اساس تخمين‌هاي حاصله از نماهاي هندسي دو بعدي از شي مورد نظر، كه از زواياي مختلف تهيه شده اند، اشاره كرد. اين پروسه،‌ توسط دو شبكه FAM و ART-EMAP، شبيه سازي و برآورد نتيجه شده است [13]. با استفاده از استخراج مشخصه بر اساس ويژگي‌هاي گابور[1] اين نماها در دو محيط نويزي و فاقد نويز بازشناسي شده اند.

در كابردي جديدتر، مرشد[2]و همكاران [20] يك سيستم برون خطي[3] تاييد امضاء، بر اساس FAM، ابداع كردند. ويليامسن [9]، با استفاده از ARTMAP گوسين و FAM،‌توانست واكه‌هاي صوتي را مستقل از گوينده،‌بازشناسي كرده و كارايي دو شبكه فوق الذكر را مقايسه كند. كاپنتر و همكارانش كارايي ARTMAP-IC را در تشخيص طبي انواع سرطان‌هاي سينه و بيماري‌هاي قلبي، نشان داده اند [12].

از جمله كارهاي جديدتر مي توان به تحقيقات سانچز و همكاران اشاره كرد، كه با معرفي و استفاده از ARTMAP  [10]، يك سيستم بلادرنگ بازشناسي كاراكتر را، شبيه سازي كرده اند.

در [15] با استفاده از FAM، الكليها را از غير الكليها تفكيك كرده اند. آنها از ويژگي‌هاي طيف قدرت پتانسيل بازگشتي بينايي[4] كه معياري از تاثير الكل بر سيستم عصبي بدن مي باشد، استفاده كرده اند. پارسونز[5] و كارپنتر[50]، گزارش كاملي از كاربرد FAM درزمينه داده كاوي تصاوير فضايي كه از سطح زمين تهيه مي شوند، ارائه كرده اند. ايشان دليل استفاده از FAM را قابليت يادگيري افزايشي و يادگيري سريع و با ثبات و قابل تجسم، در اين شبكه عصبي، عنوان كرده اند.

در [21] خطاهاي ايجاد شده در مدارات مخابراتي بزرگ را كه بر اثر تزويج دوطرفه مدارات موازي، ايجاد مي شود. طبقه بندي و تفكيك شده است. وابستگي تزويج‌ها به تغييرات الكتريكي و خصوصيات ذاتي خطاهاي ايجاد شده، منجر به تاثير چندجانبه و تشديد خطا در منابع تغذيه خواهد شد. در كاربردي ديگر، شبكه عصبي FAM براي تشخيص نقص در ياتاقان تعديل كننده چسبندگي محور گيربكس چرخبال، آموزش داده شده است [22]. در اين تحقيق ويژگيهاي مبتني بر اسپكتوگرام[6] ضرايب تخمين خطي و ضرايب كپستروم[7] استفاده شده است. آنها ويژگيهايي را كه كمتر از 50%‌صحت كلاسه بندي، ايجاد مي كردند، حذف كرده و باقيمانده ويژگيها را با استفاده از آناليز PCA [8] به فضاي با ابعاد كمتر نگاشت داده اند.

اخيراً ويگدور و لرنر در[16] بر روي كلاسه بندي سيگنالهاي تصويري كه با استفاده از تكنيك هيبريدشدگي در جا با تابش فلوئورسنت[9] بدست مي آيند و اصطلاحاً به سيگنالهاي تصويري FISH، معروف هستند، تحقيقات گسترده اي انجام داده اند. طبقه بندي اين سيگنالها، تشخيص طبي بسياري از ناهنجاري‌هاي ژنتيكي را ميسر مي سازد. ويژگيهاي استفاده شده مربوط به اندازه،‌شكل، شدت و رنگ تصاوير مي باشند. سيگنالهاي حقيقي و مصنوعي از دو كلاس يا دو نوع سندروم “Down”  و “Patau”، در فاز يادگيري و آزمايش به كار گرفته شده اند. كلاسه بندي به صورت تشخيص همزمان دو سندروم و همچنين به صورت تفكيكي صورت گرفته است.

از دو استراتژي ميانگين گيري و رأي گيري، براي نشان دادن صحت كلاسه بندي استفاده شده و سه روش آموزش تك تكراري و كامل، و همراه با داده‌هاي ارزيابي در اين آزمايشات به كار گرفته شده اند. در نهايت حساسيت مدل به مقدار پارامتر مراقبت نيز نشان داده شده است.

[1] – Gabor

[2] – Murshed

[3] – Off line

[4] – VEP

[5] – Parsons

[6] – Spectogram

[7] – Ceptrum

[8] – Principal Compontent Analysis

[9] – Fluorescence in situ hybridization

 

پیام بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

82 + = eighty eight