جزوه ای که در این مطلب برای دانلود آماده شده است در ۲۰۰ صفحه و در قالب فایل pdf به آموزش کامل نرم افزار متلب (matlab) می پردازد. این جزوه آموزشی حاصل تلاش جناب آقای برمکی میباشد که از مبتدی ترین قدم ها برای آموزش نرم افزار متلب شامل آموزش نصب متلب ، آموزش پنجره های متلب ، تا آموزش پیشرفته که شامل انواع برنامه نویسی در محیط نرم افزار متلب را شامل میشود.

جزوه آموزشی کار با نرم افزار متلب که در این مطلب آماده شده در وهله اول برای افراد مبتدی و کسانی که تمایل به برنامه نویسی در محیط نرم افزار متلب را دارند تهیه شده است و در طول جزوه سعی شده است ، همه مطالب پله به پله از ابتدایی ترین دستورات شروع شود و جای سوالی برای خواننده نماند.

از مهمترین مطالب آموزشی در این جزوه میتوان به الگوریتم و آموزش الگوریتم برنامه نویسی ،نحوه نصب نرم افزار متلب ، آموزش پنجره های نرم افزار متلب ، شناخت عملگرها در متلب ، شناخت دستورات ابتدایی ، برنامه نویسی و تابع نویسی matlab ، آموزش توابع کاربردی متلب ، آموزش ماتریس ، ترسیم دو بعدی و سه بعدی اشکال به کمک نرم افزار متلب ، ترسیم توابع مختلف ، کار با چند جمله ای ها در متلب ، gui و … اشاره کرد.

لینک دانلود

نوشته دانلود جزوه آموزش کامل نرم افزار متلب matlab (برمکی ) اولین بار در ايران متلب. پدیدار شد.

در این پست یک جزوه آموزشی مفید در خصوص آموزش جعبه ابزار شبکه عصبی در MATLAB برای دانلود شما قرار گرفته است. جزوه حاضر به شرح ساختار و اجزای یک شبکه عصبی و نحوه پیاده سازی آن در محیط نرم افزار MATLAB، با تکیه بر شبکه های عصبی پرسپترون چند لایه (MLP) پرداخته است . در پایان نیز نحوه به کارگیری شبکه عصبی مذکور با ارائه یک مثال مربوط به طبقه بندی اطلاعات بازار بورس توصیف گردیده است.

آشنایی با شبکه های عصبی زیستی

معرفی شبکه های عصبی مصنوعی (ANNها)

مبانی شبکه های عصبی مصنوعی

توپولوژی شبکه

نرم افزارهای شبکه های عصبی

مقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبی

فرآیند یادگیری شبکه

تجزیه و تحلیل داده ها توسط شبکه های عصبی مصنوعی

ایده ی اصلی شبکه های عصبی مصنوعی

مهم ترین تفاوت حافظه ی انسان و حافظه ی کامپیوتر

شبکه های عصبی در مقابل کامپیوترهای معمولی

معایب شبکه های عصبی مصنوعی

کاربردهای شبکه های عصبی مصنوعی

آشنایی با شبکه های عصبی  زیستی

این شبکه ها مجموعه ای بسیار عظیم از پردازشگرهایی موازی به نام نورون اند که به صورت هماهنگ برای حل مسئله عمل می کنند و توسط سیناپس ها(ارتباط های الکترومغناطیسی)اطلاعات را منتقل می کنند.در این شبکه ها اگر یک سلول آسیب ببیند بقیه ی سلولها می توانند نبود آنرا جبران کرده و نیز در بازسازی آن سهیم باشند.

این شبکه ها قادر به یادگیری اند.مثلا با اعمال سوزش به سلولهای عصبی لامسه، سلولها یاد می گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می آموزد که خطای خود را اصلاح کند.back propagation of error))

یادگیری در این سیستم ها به صورت تطبیقی صورت می گیرد، یعنی با استفاده ازمثال ها وزن سیناپس ها به گونه ای تغییر می کند که در صورت دادن ورودی های جدید سیستم پاسخ درستی تولید کند.

معرفی ANN ها

یک سیستم پردازشی داده ها که از مغز انسان ایده گرفته و پردازش داده ها را به عهده ی پردازنده های کوچک و بسیار زیادی سپرده که به صورت شبکه ای به هم پیوسته و موازی با یکدیگر رفتار می کنند تا یک مسئله را حل کنند.

در این شبکه ها به کمک د انش برنامه نویسی ، ساختا ر داده ای طراحی می شود که می تواند هما نند نورون عمل کند.که به این ساختارداده node یا گره نیزگفته می شود.بعد باایجاد شبکه ای بین این node  ها و اعمال یک الگوریتم  آموزشی به آ ن،  شبکه را آموزش می دهند .

در این حافظه یا شبکه ی عصبی node  ها دارای دو حالت فعال(on  یا 1) وغیرفعال(   offیا 0) اند و هر یال (سیناپس یا ارتباط  بین node  ها)دارای یک وزن می باشد.یالهای با وزن مثبت ،موجب تحریک یا فعال کردن node غیر فعال بعدی می شوند و یالهای با وزن منفی node متصل بعدی را غیر فعال یا مهار(در صورتی که فعال بوده باشد) می کنند.

به طور خلاصه یک شبکه عصبی باید خصوصیات زیر را داشته باشد:

بتواند الگوها را طبقه بندی کند.

به اندازه کافی کوچک باشد تا از نظر فیزیکی واقع گرایانه باشد.

با به کار گیری آموزش، قابل برنامه ریزی باشد و قدرت یادگیری داشته باشد. یعنی توانایی تنظیم پارامترهای شبکه ( اوزان سیناپتیکی )، در مسیر زمان که محیط شبکه تغییر می کند و شبکه وارد شرایط جدیدی می شود. هدف از این کار این است که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی شبکه رخ داد، شبکه بتواند با آموزش مختصر، برای شرایط جدید نیز کارآمد باشد.    دیگر این که اطلاعات در شبکه های عصبی در سیناپس ها ذخیره و هر نرون در شبکه به صورت بالقوه از کل فعالیت سایر نرون ها تأثیر می پذیرد. در نتیجه اطلاعات از نوع مجزا از هم نبوده و متأثر از کل شبکه می باشد.

توانایی تعمیم را با استفاده از مثال های ارائه شده در فرآیند آموزش، داشته باشد.

نرم افزارهای شبکه های عصبی

نرم افزارهایی برای شبیه سازی ،مطالعه و تحقیق سیستمهای عصبی زیستی و گسترش شبکه های عصبی مصنوعی وAdaptive system ها .

  شبیه سازها: نرم افزارهایی برای شبیه سازی رفتار شبکه های عصبی زیستی و مصنوعی که به صورت مستقل عمل می کنند و قادرند فرآیند آموزش شبکه ی عصبی را به شکل تصویری نمایش دهند.

  شبیه سازهای تحقیقاتی :برای مطالعه ی الگوریتم ها و ساختارهای شبکه ی عصبی که   به فهم بهتر رفتارها و خصوصیات شبکه ی عصبی کمک می کنند.(مطالعه ی ویژگی   های شیمیایی و زیستی بافتهای عصبی و پالس های الکترومغناطیسی بین نورونها).

رایجترین شبیه سازهای ANN ها :

SNNS(stuttgart neural network simulator),PDP++(parallel distribution processing),JavaNNS

رایجترین شبیه سازهای شبکه های زیستی:

XNBC,BNN ToolBox

 شبیه سازهای آنالیز داده :علی رغم دسته ی اول ،کاربردهای عملی شبکه های عصبی را مطالعه میکنند.استفا ده از آنها نسبتا ساده است در عوض تواناییهاشان محدود است . بر روی Data miningوپیش بینی ها کار می کنند.

بعضی از آنها عبارتند از:

Microsoft Excel,Matlab

Development Environment ها:برای گسترش  و آرایش شبکه های عصبی به کار می روند.

رایج ترین نرم افزارهای این دسته عبارتند از:

MathWorks NN ToolBox,GBlearn2

توپولوژی شبکه

وضعیت نسبی سلولها در شبکه(تعداد و گروه بندی و نوع اتصالات آنها)را توپولوژی شبکه گویند.توپولوژی در واقع سیستم اتصال سخت افزار نورونها به یکدیگر است که توام با نرم افزار مربوطه  (یعنی روش ریاضی جریان اطلاعات و محاسبه ی وزنها)نوع عملکرد شبکه ی عصبی را تعیین می کند.

در این توپولوژی یک لایه ی ورودی وجود دارد که اطلاعات را دریافت می کند،تعدادی لایه یمخفی وجود دارد که اطلاعات را از لایه های قبلی می گیرند و در نهایت یک لایه ی خروجی  وجود دارد که نتیجه ی محاسبات به آنجا میرود و جوابها در آن قرار میگیرند.

FeedForward topology

Recurrent topology

مقایسه ی مدل سازی کلاسیک و مدل سازی شبکه ی عصبی

مدل سازی کلاسیک:

این مدل از نخستین قدم خطای بزرگی مرتکب می شود که فقط در سیستمهای ساده (خطی یا نزدیک به خطی )قابل صرفنظر است و آن محاسبه ی شاخصهای تمایل به مرکز و پراکندگی است که به این ترتیب راهمیت فردی تک تک داده ها از بین می رود و در نتیجه سیستم قادر به کشف پیچیدگی ها نخواهد بود.

مدل سازی شبکه ی عصبی :

در این مدل هر یک از کانالهای ورودی دارای یک ضریب عددی هستند که وزن سیناپسی نامیده می شود.شدت تحریک الکتریکی در این ضریب ضرب می شود و به جسم سلولی می رسد.

اگر مجموع تحریکات وارد به جسم سلولی به حد آستانه ی خاصی رسیده باشد،نورون شلیک می کند و در مسیرهای خروجی جریان الکتریکی ثابتی را ایجاد می کند.تحریکات لایه ی ورودی به یک یا چند لایه ی واسط می رود .ادامه ی جریان تحریکات در این لایه ها طوری هدایت میشود  که پیچیدگیهای تاثیرات جریان ورودی را شبیه سازی می کند .سپس تحریکات به لایه ی خروجی می روند که هدف نهایی ماست.

فرآیند یادگیری شبکه

وظیفه ی شبکه های عصبی یادگیری است.تقریبا چیزی شبیه به یادگیری کودک خردسال.

انواع آموزش شبکه:

یادگیری تحت نظارت(یا supervised ) : با تمرکز روی یک موضوع خاص و ارائه ی  مثالهای مختلفی از آن صورت می گیرد .شبکه اطلاعات ورودی و مثال ها را تجزیه و تحلیل خواهد کرد به طوری که پس از مدتی قادر خواهد بود یک نوع جدید از آن دسته مثال ها را که قبلا هرگز ندیده بود شناسایی کند.

یادگیری بدون نظارت(یا unsupervised ) :یادگیری سطح بالاتری است که کاربرد آن امروزه کمتر است.

یادگیری تقویتی(یا  reinforcement):

مدل پنهانی مارکوف(MDP):اجزای اصلی یک مدل مارکوف عبارتند از :مجموعه ی   حالتها،مجموعه ی عملها،گذرها،ارزش افزوده ی فوری هر عمل

مهم ترین تفاوت حافظه ی انسان و حافظه ی کامپیوتر

يكی از مهم‌ترين تفاوت‌های حافظه انسان با حافظه كامپيوتر در نوع آدرس دهی اين دو نوع حافظه می‌باشد. در حافظه كامپيوتر اساس كار بر پايه آدرس خانه‌های حافظه يا آدرس اطلاعات بر روی حافظه دائم می‌باشد. به عنوان مثال برای دستيابی به يك تصوير يا متن خاص، بايد آدرس حافظه يا فايل مربوط به آن تصوير يا متن را داشته باشيد. اما با داشتن خودتصوير يا متن نمی‌توانيد به سادگی آدرس حافظه مربوطه را بيابيد (البته به اين معنی كه اين كار با يك قدم قابل انجام نيست، وگرنه می‌توانيد تصوير يا متن مورد نظر را با تمام موارد موجود در حافظه مقايسه كرده و در صورت تطبيق آدرس را بيابيد. ناگفته پيداست كه انجام چنين كاری بسيار زمان بر و پر هزينه می‌باشد).

اما به سازوكار همين عمل در ذهن انسان دقت كنيد. با ديدن يك تصوير ناقص اغلب بلافاصله كامل آنرا به خاطر می‌آوريد يا با ديدن تصوير يك شخص سريعا نام او را می‌گوييد، يا با خواندن يك متن سريعا تمامی مطالب مربوط به آن را به ذهن می‌آوريد. در واقع ذهن انسان يك نوع حافظه آدرس‌دهی شده بر اساس محتواست (Content Addressable Memory). همانگونه كه از اين نام مشخص است در اين نوع حافظه، با دادن محتوای يك خانه حافظه، بلافاصله آدرس آن به عنوان خروجی داده می‌شود.

دانلود فايل

یک فیلم آموزشی جامع از شبکه های عصبی تهیه شده است که با کلیک بر روی عکس زیر می توانید آنرا سفارش دهید.

این فیلم آموزشی حاصل چندین سال تجربه ما در برنامه نویسی متلب شبکه های عصبی می باشد.

دانشجویان زیادی از سراسر ایران تقاضای تدریس شبکه های عصبی در متلب MATLAB را داشتند اما ما به دلیل دوری راه و نداشتن زمان خالی نمی توانستیم به این نیاز انها پاسخ درستی بدهیم. لذا ما تصمیم گرفتیم که یک فیلم آموزشی کامل برای شبکه های عصبی مصنوعی تهیه کنیم که تمامی مطالب کلاس خصوصی شبکه عصبی را شامل شود. این فیلم آموزشی هم اکنون آماده سفارش است که می توانید با کلیک بر روی تصویر زیر آنرا سفارش دهید.

نوشته آموزش جعبه ابزار شبکه عصبی در MATLAB با مثال اولین بار در ايران متلب. پدیدار شد.

طبقه بندي بازار بورس با استفاده از شبكه عصبي پرسپترون چند لايه

مقدمه………………………………………………………………………………………….. 3
-2 ساختار ديتا ……………………………………………………………………………………. 4
-3 شبكه عصبي…………………………………………………………………………………… 5
-1 مقدمه ………………………………………………………………………………………….. 5 -3
-2 اجزاي يك شبكه عصبي ………………………………………………………………………. 7 -3
-3 شبكه عصبي پرسپترون چند لايه:…………………………………………………………… 10 -3
11……………………………………………………..MATLAB -4 پياده سازي توسط محيط
-1 جعبه ابزار شبكه عصبي متلب……………………………………………………………….. 11 -4
4-2- تشكيل ساختار شبكه عصبي پرسپترون چند لايه در متلب………………………………… 11
-3 يك مثال …………………………………………………………………………………….. 12 -4
4-4- آموزش شبكه عصبي پرسپترون چند لايه در متلب…………………………………………. 12
4-5- ارزيابي شبكه عصبي پرسپترون چند لايه در متلب…………………………………………. 13
-5 برنامه نوشته شده در متلب………………………………………………………………….. 14
-6 بررسي كارايي شبكه عصبي در طبقه بندي ديتاهاي بازار بورس……………………………. 26
-7 نتيجه گيري …………………………………………………………………………………..

با توجه به توسعه صنعت در ايران، شركت ها و كارخانجات صنعتي در راستاي تثبيت اقتصاد توليدي
خود و با بهره گيري از مشاركت عمومي اقدام به فروش سهام شركت مورد نظر كرده تا بدبن طريق
سرمايه هاي سرگردان را به عرصه توليد نزديك نمايند و با اين ساز و كار باعث پيشبرد پايه هاي
تكنولوژي و توليد گردند.

دانلود آموزش شبکه عصبی در MATLAB با مثال پیش بینی بازار بورس

لینک دانلود

نوشته آموزش استفاده از جعبه ابزار شبكه عصبي MATLAB با ارائه يك مثال اولین بار در ايران متلب. پدیدار شد.

دریافت فایل

جهت دانلود فیلم آموزشی پردازش تصویر بر روی تصویر بالا کلیک کنید

نوشته دانلود جزوه آموزش پردازش تصویر با MATLAB اولین بار در ايران متلب. پدیدار شد.

جعبه‌ابزار الگوريتم ژنتيك در نرم افزار MATLAB  

جعبه‌ابزار الگوريتم ژنتيك

جعبه‌ ابزار الگوريتم ژنتيك مجموعه‌اي از تابع‌هايي هستند كه توانايي اپيتيمم كردن را با استفاده از محيط محاسبات عددي دارد . اين الگوريتم قابليت حل مسائل مختلف در زمينه بهينه‌سازي است تمام توابع اين جعبه ابزار از M فايل‌هاي مطلب هستند كه تابع را بهينه مي‌كند.البته مي‌‌توانيد قابليت‌هاي الگوريتم ژنتيك را توسط M فايلي كه خودتان مي‌نويسيد يا با تركيب تابع‌هاي مطلب افزايش دهيد.

فیلم آموزش فارسی الگوریتم ژنتیک در متلب MATLAB

(بر روی عکس زیر کلیک کنید)

نوشتن ‌M فايل

در اين قسمت نشان مي دهيم كه چه‌طور مي‌توان يك M فايل براي تابع نوشت كه مي‌خواهيم آن را بهينه كنيم فرض كنيم مي‌خواهيم تابع زير را بهينه كنيم.

مراحل زير را انجام دهيد

1- new را از منوي فايل انتخاب كنيد

2- M فايل را انتخاب كنيد.

3- كدهاي زير را در داخل m فايل بنويسيد.

– فايل را ذخيره كنيد

اگر شما بخواهيد اين فايل را ماكزيمم كنيد مي‌توانيد f(X) -را مينيمم كنيد چون مينيمم در همان نقطه اتفاق مي‌افتد كه ماكزيمم در f(x) وجود دارد.

فراخواني الگوريتم ژنتيك

براي استفاده از اين الگوريتم در خط دستور، دستور زير را در خط دستور تايپ كنيد

كه

fitnessfun –  @  كه تابع مورد نظر است

n vars-  تعداد متغيرهاي مستقل در داخل تابع است

در نتايج داريم:

fval * مقدار نهايي تابع

* xنقطه‌اي كه در آن تابع بهينه است.

استفاده از جعبه ابزار الگوريتم ژنتيك.

اين جعبه ابزار يك جعبه‌ ابزرا گرافيكي است كه كاربر را قادر مي‌سازد كه از اين الگوريتم بدون خط دستور استفاده كرد اما بايد در خط دستور

>>gatool

-Fitness function  تابعي را كه مي‌خواهيد بهينه كنيد در اين قسمت تايپ كنيد.

Number of variables-تعداد متغيرهاي مستقل كه در تابع وجود دارد.

براي شروع حل كليد start را در قسمت run solver بزنيد.

در قسمت‌ current generation تعداد نسل را توضيح مي‌دهد. شما مي‌توانيد حل را توسط دكمه puase موقتاً متوقف كنيد.

* در قسمت status & result اطلاعات زير نمايش داده مي‌شود

مقدار نهايي تابع وقتي الگوريتم تمام مي‌شود

دليل تمام شدن الگوريتم

نقطه‌اي كه تابع در آن نقطه بهينه است.

پلات

در قسمت plots مي‌توانيد انواع اطلاعات را در زمان اجراي برنامه مشاهده كنيد. شما مي‌توانيد با مشاهده نتايج و اعمال تغييرات مناسب به جواب بهتري برسيد با انتخاب best fitness مي‌توانيد بهترين و متوسط تابع مورد نظر را در هر نسل ببينيد.

مثال:

تابع رستريجين با دو متغير مستقل را در نظر بگيريد

شكل تابع

اين تابع اكترمهاي محلي زيادي دارد اما در نقطه [o.o] مي‌نيمم مطلق دارد كه توسط خط عمودي نشان داده شده است كه مقدار تابع در اين مينيمم برابر صفر است

پيدا كردن نقطه مينيمم تابع رسترينج

در اين قسمت توضيح مي‌دهيم كه چگونه با استفاده از الگوريتم ژنتيك مينيمم تابع را به دست آوريم.

1- در خط دستور gatoal را تايپ كنيد

. اين تابع مي‌تواند مثال خوبي براي تست كردن اين الگوريتم باشد در ادامه كانتور محل ماكزيمم و مينيمم آمده است.

– در قسمت fitness funetion كلمهrastriginsfcn.@ را وارد كنيد

– در number variable عدد 2 را وارد كنيد

– با زدن start الگوريتم شروع به كار مي‌كند.

براي پيدا كردن مينيمم با استفاده از خط دستور مي‌توان مراحل زير را انجام داد.

اصطلاحات جعبه ابزار الگوريتم ژنتيك در نرم‌افزار MATLAB

 افراد   Individual

به عنوان مثال براي تابع زير بردار (2, 3, 1) يك فرد است و f(2, 3, 1)=51 امتياز اين فرد است. فرد ممكن است به عنوان ژن معرفي شود.

جمعيت و نسل Generation

جمعيت آرايه‌اي از افراد است به عنوان مثال اگر تابع متغير داشته باشد و اندازه جمعيت 100 باشد يك آرايه 3×100 داريم.

Diversity

: ميانگين فاصله بين افراد تعريف مي‌شود كه جمعيت با متوسط فاصله زياد دايورسيتي زياد دارد.

مقدار فيت‌نس و بهترين فيت‌نس Fitness Values and Best Fitness Values

مقدار فيت‌نس مقدار تابع براي افراد مختلف مي‌باشد. به دليل اين كه اين جعبه ابزار وظيفه پيدا كردن كم‌ترين فيت‌نس تابع را دارد. بهترين فيت‌نس براي يك جمعيت كم‌ترين فيت‌نس مي‌باشد.

والدين و بچه‌هاParents and children

براي به وجود آوردن نسل بعدي، الگوريتم ژنتيك يك سري افراد را از جمعيت فعلي انتخاب كرده و به نام والدين و از آن‌ها براي به وجود آوردن نسل بعدي استفاده مي‌كند كه بچه‌ها نام دارد اين الگوريتم والدين را انتخاب مي‌كند كه فيت نس بهتري داشته باشد.

موارد زير مراحل مينيمم كردن اين الگوريتم را توضيح مي‌دهد

1- الگوريتم جمعيت اوليه را رندم انتخاب مي‌كند.

2-الگوريتم جمعيت بعدي را از جمعيت فعلي به وجود مي‌آورد براي به دست آوردن نسل بعدي الگوريتم موارد زير را اجرا مي‌كند.

(a امتيازدهي به هر عضو جمعيت با حساب كردن مقدار فيت‌نس

(b مقياس‌بندي امتيازات داده شده براي استفاده بهتر از امتيازات و جمعيت

(c انتخاب بچه‌ها از والدين. توليدمثل با تغيير اندامي از يكي از والدين- جهش ژنتيكي و يا تركيب والدين براي توليد مثل

(d انتخاب والدين بر اساس فيت‌نس

(e جايگزيني نسل جديد با نسل قديم

3- اين الگوريتم زمان متوقف مي‌شود كه به معيار توقف برسد

شرايط توقف براي الگوريتم

اين الگوريتم از پنج شرايط براي توقف الگوريتم استفاده مي‌كند.

– Generations:   زماني كه تعداد نسل‌ها به عدد مورد نظر برسد

– Time limit: وقتي زمان اجرا برنامه به ثانيه به عدد موردنظر برسد

– Fitness limit    : وقتي كه مقدار فيت‌نس تابع در بهترين نقطه نسل‌ جاري كم‌تر از عدد مورد نظر باشد.

Stall generations  زماني كه متغير بهتري در نسل‌ها ايجاد نشود.

Stall time limit  زماني كه متغير بهتري در نسل‌ها ايجاد نشود بين دو زمان به ثانيه الگوريتم متوقف مي‌شود.

اگر هر كدام از شرايط زير اول اتفاق بيفتد الگوريتم متوقف مي‌شود

Plat option

با فعال كردن موارد موجود درplat مي‌توانيد در هنگام اجرا برنامه‌ روند كار را ببينيد

فانكشن‌هاي زير در plat موجودند

Plot interval (PlotInterval): تعداد نسل‌هايي كه در پلات از آن ها استفاده مي‌كند

Best fitness (@gaplotbestf): كشيدن بهترين مقدار تابع در هر نسل

Expectation (@gaplotexpectation): كشيدن تعداد بچه‌هايي كه انتظار مي‌رود در مقابل امتيازات هر نسل

Score diversity (@gaplotscorediversity): كشيدن هيستوگرام از امتيازات براي هر نسل

Stopping (@plotstopping): كشيدن معيار توقف در هر سطح

Best individual (@gaplotbestindiv): كشيدن بردار هر فرد با بهترين فيت‌نس

Genealogy (@gaplotgenealogy): كشيدن نوع توليد نسل بعدي

Scores (@gaplotscores): كشيدن امتياز هر فرد در نسل خودش

Distance (@gaplotdistance): كشيدن متوسط فاصله بين افراد در هر نسل

Range (@gaplotrange): كشيدن مينيمم، ماكزيمم متوسط مقدار تابع در هر نسل

Selection (@gaplotselection): كشيدن هيستوگرام والدين

Population option

Population tyme: مشخص كردن اطلاعات ورودي براي تابع فيت‌نس

Populatin sice: مشخص كردن تعداد افراد در هر نسل. با تعداد بالا جمعيت الگوريتم تعداد بيش‌تري از فيت‌نس‌ها را چك مي‌كند و شانس پيدا كردن اكسترمم نسبي نسبت به اكسترمم مطلق كاهش مي‌يابد اما سرعت جواب گرفتن كاهش مي‌يابد.

Creat function: مشخص كردن فانكشني براي به دست آوردن جمعيت اوليه

Initial population: شما را قادر مي‌سازد كه تعداد افراد امتياز و رنج در اولين جمعيت را مشخص سازيد.

   Fitness scaling option

اين فانكشن امتياز هر فيت‌نس را به يك مقياس خاص تبديل مي‌كند كه براي فانكشن انتخاب مناسب باشد.

پيش‌فرض اين قسمت rank مي‌باشد مقياس‌بندي بر اساس چيدمان هر فرد است به جاي استفاده از امتياز

proportional مقياس‌بندي بر اساس امتياز هر فرد.

Selection- option

اين اپشن مشخص مي‌كند كه الگوريتم بر چه اساس والدين را براي تشكيل نسل بعدي انتخاب كند.

Reproduction:

اين اپشن مشخص مي‌كند كه الگوريتم بر چه اساس فرزندان را براي نسل بعدي انتخاب كند.

Mutation option

: اين اپشن مشخص مي‌كند كه چگونه اين الگوريتم كه چگونه تغيير رندمي كوچكي در هر فرد را براي جهش ژنتيكي دهد. جهش ژنتيكي اجازه گفتن فضاي وسيع‌تري را به الگوريتم مي‌دهد.

Crossover:

اين اپشن مشخص مي‌كند كه چگونه الگوريتم از دو فرد فرد جديد را توليد كند.

Migration option

در اين مشخص مي شود که چگونه افراد بين زير جمعيتها حرکت کنند.اين مهاجرت وقتي اتفاق مي افتد که اندازه بردار جمعيت بزرگتر از يک شود .وقتي اين عمل اتفاق بيفتد بهترين افراد از يک جمعيت جاي خود را با بدترين افراد از يک زير جمعيت ديگر عوض مي کنند. اين تعويض بصورت کپي است

Hybrid Function Option

اين فانکشن يک تابع بهينه سازي ديگر است که در صورت فعال بودن بعد از اين که الگوريتم ژنتيک تمام شد اجرا مي شود

مثال

در اين مثال الگوريتم ژنتيک در تابع رزنبرگ نقطه اي نزديک مينيمم پيدا مي کند

Set Fitness function to @dejong2fcn

Set Number of variables to 2.

Set Population size to 10

سپس مي توانيد با استفاده از Hybrid Function اين بهينه سازي را بهبود ببخشيد

و جواب نزديکتري به نقطه مينيمم پيدا کنيد

لينك دريافت فايل اصلي

.

کدهای اماده الگوریتم ژنتیک به همراه یک فیلم آموزشی فارسی از این الگوریتم توسط گروه ایران متلب آماده شده است که شما می توانید تقاضای این کد و فیلم آموزش فارسی را از برای ما ارسال کنید.

بعد از واریز هزینه کدها آماده متلب MATLAB ، الگوریتم ژنتیک به همراه یک فیلم آموزشی فارسی برای شما ارسال و می توانید آنها را دانلود کنید و در پروژه یا پایان نامه خود استفاده کنید.

نوشته نحوه كد نويسي الگوريتم ژنتيك اولین بار در ايران متلب. پدیدار شد.

لینک دانلود

نوشته جزوه کلاس متلب خلاصه اولین بار در ايران متلب. پدیدار شد.

شبکه عصبی

مبحث شبکه های عصبی مربوط به شبیه سازی قوه یادگیری در انسان و پیاده سازی آن به صورت الگوریتم های کامپیوتری می باشد. قوه یادگیری در انسان عبارت از فراگیری الگوهای اطراف خود توسط تکرار می باشد.

مغز  به عنوان یک سیستم پردازش اطلاعات با ساختار موازی از ملیونها نرون تشکیل شده است.بافتهایی که عصب نامیده میشوند اجتماعی از نرون ها  هستند که اطلاعات و پیامها را از یک قسمت بدن به قسمت دیگر منتقل می کنند.

نرون بیولوژیکی

شکل 1 – نرون بیولوژیکی

نرون های بیولوژیکی از چهار قسمت اساسی تشکیل شده اند :

1- دندریت : اطلاعات را دریافت و به هسته سلول می رساند

2- بدنه سلول : اطلاعات دریافتی را پردازش می کند

3- اکسون : اطلاعات هسته سلول را به نرون های دیگر منتقل می کند

4 – سیناپس: محل تلاقی یک اکسون از یک نرون به دندریتهای نرون دیگر را سیناپس میگویند

معماری شبکه عصبی مصنوعی

نرون  مصنوعی : کوچکترین واحد پردازشگر اطلاعات است.ورودیهای نرون توسط یک نوع ارتباط به نام وزن به نرون وارد می شوند

            شکل 2- نرون تک لایه با یک ورودی                              شکل 3 – نرون تک لایه با R ورودی

P   : ورودی  ، W    : وزن ورودی  ،b    : بایاس  ،f    : تابع تحریک  ،a    : خروجی

بایاس : یکی از وزن های ورودی نرون می باشد که مقدار ورودی اش همواره یک است

نرون مدل سازی شده ورودی های خود را محاسبه می کند .ابتدا اولین ورودی را در ضریب وزنی مربوط به خط ارتباطی آن ورودی ضرب می کند سپس همین عمل را برای ورودی دوم و سایر ورودی ها تکرار می کند در نهایت تمام مقادیر را جمع می کند . در صورتی که مجموع مقادیر از حد آستانه بالاتر رود ، نرون  تولید خروجی می کند (فعال می شود)

∑ w_ip_i=w₁p₁+w₂p₂+…+w_np_n           

a = f( ∑ w_ip_i + b_i  )   

B و w دو پارامتر تنظیم شونده در نورون ها می باشند . ایده اصلی شبکه های عصبی این است که با تغییر مقادیر w و b  ،شبکه یک رفتار یا تصمیم را اتخاذ کند

تابع های مورد استفاده در شبکه های عصبی :

شکل 4 – تابع های محرک

تابع محرک f میتواند خطی یا غیر خطی باشد.

یک تابع محرک بر اساس نیاز خاص حل یک مساله انتخاب میشود

انواع شبکه از نظر تعداد لایه :

شبکه تک لایه : شبکه های تک لایه قادر به حل مسایل ساده هستند ولی با شبکه های چند لایه هر مثالی را می توان حل کرد(شکل هایی که تا کنون دیدیم از نوع تک لایه بودند)

شبکه چند  لایه :یک شبکه چند لایه دارای لایه های زیر می باشد

1. لایه ورودی : دریافت اطلاعات خامی که به شبکه تغذیه شده‌است.

2. لایه‌های پنهان : عملکرد این لایه‌ها به وسیله ورودی‌ها و وزن ارتباط بین آنها و لایه‌های پنهان تعیین می‌شود. وزن‌های بین واحدهای ورودی و پنهان تعیین می‌کند که چه وقت یک واحد پنهان باید فعال شود.

3. لایه خروجی : عملکرد واحد خروجی بسته به فعالیت واحد پنهان و وزن ارتباط بین واحد پنهان و خروجی می‌باشد.

شکل 5 – شبکه سه لایه

برخی از کاربرد شبکه های عصبی :

     طبقه بندی ,شناسایی و تشخیص الگو

     پردازش سیگنال

     مدلسازی و کنترل

     مسائل مالی ، بیمه ،امنیتی ،بازار بورس و وسایل سرگرم کننده

     ساخت وسایل صنعتی ،پزشکی و امور حمل و نقل

آموزش شبکه

 1 -یادگیری نظارت نشده یا بدون ناظر

در این نوع یادگیری هیچ سیگنالی که اطلاعات را در مورد مطلوبیت  جواب شبکه به خود شبکه وارد نماید وجود ندارد. به عبارت دیگر به شبکه گفته نمی شود که خروجی هدف چه است و یا اینکه جواب شبکه چقدر مطلوب است.در این حالت شبکه با دریافت اطلاعات ورودی و شاخص های موجود در ورودی ها ، ارتباط موجود بین الگوهای ورودی را پیدا کند و در خروجی کد کند.

شکل – 6

1.یادگیری نظارت شده یا با ناظر:

در این نوع اموزش به الگوریتم یادگیری مجموعه ای از زوج داده که به داده های یادکیری موسوم هستند داده می شود.هر داده یادگیری شامل ورودی به شبکه و خروجی هدف است.پس از اعمال ورودی به شبکه خروجی شبکه با خروجی هدف مقایسه میگردد و سپس خطای یادگیری محاسبه شده و از آن جهت تنظیم پارامتر های شبکه(وزن ها) استفاده می گردد به گونه ای که اگر دفعه بعد به شبکه همان ورودی را دادیم خروجی شبکه به خروجی هدف نزیک گردد.

شکل – 7

چگونگی جداسازی الگوها توسط شبکه عصبی

کلاس بندی به معنای جداسازی چند الگو از یکدیگر است

فرض کنید یک رباتی داریم که میخواهد دو میوه سیب و موز را از هم جدا کند برای اینکار از محور مختصات دو بعدی استفاده می شود و میوه ها بر اساس رنگ و اندازه در صفحه مختصات قرار می گیرند.

ربات جداکننده میوه بر اساس رنگ و اندازه میوه آن ها را در یک صفحه مختصات ، کلاس بندی می کند ، از این پس ربات مقادیر رنگ و اندازه میوه برداشته شده را در محور مختصات قرار داده تا بفهمد میوه در کدام کلاس باید قرار گیرد

شکل – 8کلاس بندی

این دو کلاس توسط خطی از یکدیگر جدا شده  اند ، برنامه این ربات دیگر نیاز ندارد تمام اندازه الگو های خود را در جایی ذخیره کند بلکه با دانستن سه عدد معین که ظرایب معادله خط در صفحه هستند براحتی می تواند الگو ها را شناسایی کند ، کافی است الگو ها را توسط سنسور های خود اندازه گیری کرده و آن را در معادله خط قرار دهد

در صورتی که فقط ظرایب معادله را در نظر بگیریم برداری بدست می آید که به آن وزنهای شبکه عصبی گفته می شود

X₂ + X₁ – 0.5 = 0

[w₀ w₁ w₂]=[-0.5  1  1]

هنر یک شبکه عصبی این است که با روش تکرار وزن ها را به دست آورد

انواع شبکه های عصبی :

1 – پرسپترون

2 – هاپفیلد

3 – همینگ

4 – کوهنن

5 – شبکه عصبی انتشار رو به عقب

6 – شبکه عصبی کارپنتر و گروسبرگ

پرسپترون :

این نوع  شبکه عصبی در حل مساله  ها بسیار سریع و قابل اطمینان است . قاعده یادگیری این شبکه تکرار است و وزنهای خود را به شیوه تکرار بدست می آورد . شبکه با کلاس های خطی تربیت می شود

مجموع حاصل ضربهای ورودی در وزن :Yin

: یک عدد کوچک معمولا 0.2 ، کمیت ناحیه ای را نشان می دهد که در آن ناحیه الگوها را نمی توان کلاس بندی کردѲ

شبکه می تواند به صورت باینری یا بایپولار تربیت شود

در حالت باینری اطلاعات مورد پردازش 0 یا 1 می باشد  در حالت بایپولار اطلاعات مورد پردازش 1 یا 1- می باشد و

در شکل زیر یک شبکه پرسپترون می بینید که از تابع محرک آستانه ای دو مقداره متقارن استفاده کرده است

شکل 9 – پرسپترون

مراحل کار الگوریتم :

1. وزنها را با صفر ، α را با 0.1 و Ѳ را با 0.2 مقدار دهی می کنیم
2. یک حلقه که شرط خاتمه آن عدم تغییر وزن هاست(به ازای n الگوی ورودی باید حداقل یک وزن تغییر کند در غیر این صورت الگوریتم به پایان می رسد)
3. یک حلقه است که به تعداد الگوی ورودی مراحل زیر خود را تکرار می کند
4. ماتریسی به تعداد n سطر(الگوهای ورودی) و به تعداد m+1 ستون (m  تعداد نرون های ورودی)ایجاد می کنیم . بردار فضای هدف(t) را با n عنصر ایجاد میکنیم(هر الگو دارای یک مقدار هدف است)

شکل 10 – ماتریس گیت and به همراه خروجی هدف

تابع تحریک شبکه به صورت زیر است

                  1     IF  yin > Ѳ

      Y=        0    IF  -Ѳ <= yin <= Ѳ

                -1    IF   yin  < Ѳ

معادله خطوط جداکننده پرسپترون به صورت زیر است

W₂x₂ + w₁x₁ + b = ±Ѳ

وزن ها از روش تربیتی زیر استفاده می کنند

Wi(new)=w_i(old) + α . t .x_i

B(new)=b(old) + α .t

مقدار هدف(مقدار هدف کلاس الگو را مشخص می کند)  .  αسرعت تربیت است و مقدارش بین 0  و 1  (به یک نزدیک شود سرعت بالا رفته و دقت پایین می آید)

وزن ها از روش تربیتی زیر استفاده می کنند

Wi(new)=w_i(old) + α . t .x_i

B(new)=b(old) + α .t

مقدار هدف(مقدار هدف کلاس الگو را مشخص می کند)  .  αسرعت تربیت است و مقدارش بین 0  و 1  (به یک نزدیک شود سرعت بالا رفته و دقت پایین می آید)

شبکه هاپفیلد :

شبکه هاپفیلد از معماری بازگشتی استفاده می کند

این شبکه دارای یک لایه از نرون های ورودی به نرون های ورودی است (نرون های ورودی همان نرون های خروجی اند)

در نویزگیری از الگو ها و تبدیل به نمونه اصلی استفاده می شود

               شکل 11 – شبکه هاپفیلد                       شکل 12 – برطرف شدن نویز توسط هاپفیلد

در این شبکه الگویی را که برای تربیت انتخاب شده با S و الگوی ناشناس ورودی را با X نمایش می دهیم

مراحل کار الگوریتم :

1. ورودی را به صورت باینری دریافت کرده و سپس با فرمول زیر آن را به بایپولار تبدیل می کنیم

S_bipolar = 2S – 1

برای بدست آوردن وزن ماتریس S را در ترانهاده خودش ضرب کرده و  مقادیر قطر اصلی آن را صفر می کنیم

W = S_{bipolar *} S_bipolar^T

2. خروجی را معادل ورودی در نظر می گیریم یعنی Y = X
3. به تعداد نرون های ورودی مرحله بعد انجام شود (حلقه)
4. Yin_i = x_i + ∑ x_j . W_ji

شکل 13 – خروجی نرون x

5 .       Y _i =    1   yin _i   >=0

                      0    yin _i  <0          

X=y                   

Yin_i = x_i + ∑ x_j . W_ji

6. در صورتی که تغییری در خروجی دیده نشود الگوریتم پایان یافته تلقی می شود .

           از این الگوریتم برای برطرف کردن نویز از الگو استفاده می شود

لینک دانلود اصل فایل

نوشته شبکه عصبی 1 اولین بار در ايران متلب. پدیدار شد.