¨

¨موارد مورد بحث:

¨موارد مورد بحث:

¨تاریخچه

 اولین سلول عصبی در سال 1943 ساخته شد.

(نروفیزیولوژیست‌ )Warren Mc Culloch

(منطق دان )Walter Pits

:پیشگامان شبکه عصبی

Minskyو Papert

¨
شبکه عصبی مصنوعی  چيست؟

   یک برنامه نرم افزاری يا تراشه نیمه هادی است که بتواند همانند مغز انسان عمل نمايد، به گونه ای که:

¨به مرور زمان و تعامل بیشتر با محيط، کارآزموده تر گردد.

¨علاوه بر انجام محاسبات قادر به نتیجه گیری منطقی باشد.

¨در شرايط جديد راهکار مناسب را ارائه دهد. (قابلیت تعمیم).

¨خواص مغز انسان

¨شبکه های عصبی در مقابل کامپیوتر های معمولی

1- کامپیوتر های معمولی یک مسیر الگوریتمی را استفاده می کنند به این معنی که کامپیوتر یک مجموعه از دستور العمل ها را به قصد حل مسئله پی می گیرد. بدون اینکه، قدم های مخصوصی که کامپیوتر نیاز به طی کردن دارد، شناخته شده باشند کامپیوتر قادر به حل مسئله نیست.

2–شبکه های عصبی با مثال کار می کنند و نمی توان آنها را برای انجام یک وظیفه خاص برنامه ریزی کرد مثال ها می بایست با دقت انتخاب شوند در غیر این صورت زمان سودمند، تلف می شود و یا حتی بدتر از این شبکه ممکن استنادرست کار کند.

3- به طور کلی کامپیوترها قابل پیش بینی هستند و اگر چیزی به خطا انجام شود به یک اشتباه سخت افزاری یا نرم افزاری بر می گردد.

4-امتیاز شبکه عصبی این است که خودش کشف می کند که چگونه مسئله را حل .کند ، عملکرد آن غیر قابل پیش بینی  است

¨ANNدلایل استفاده از

یادگیری انطباق پذیر:

– قابلیت یاد گیری نحوه انجام وظایف بر پایه اطلاعات داده شده برای تمرین وتجربه های مقدماتی

:سازماندهی توسط خود

– یک شبکه عصبی می تواند سازماندهی یا ارائه اش را ، برای اطلاعاتی که در طول دوره یادگیری در یافت می کندایجاد کند

  : عملکرد بهنگام

– محاسبات به طور موازی انجام شده و موجب بالا رفتن سرعت میشود.

برای این منظور سخت افزارهای مخصوصی طراحی شده است.

¨ANNدلایل استفاده از

حساسيت بالا به رخداد اشتباه :

– بروز اشتباه در فرمت و علائم برنامه نویسی منجر به اتلاف ساعتها وقت در ردیابی، شناسایی و اصلاح برنامه ميگردد. در حالی که عدم عملکرد صحيح قسمتی از نرون ها منجر به از کارافتادگی کامل مغز نميگردد و امکان اتخاذ تصميمصحيح در اين حالت نيز وجود دارد.

–  رایانه ها و نرم افزارهای موجود قادر نيستند از تجربيات گذشته استفاده نمايند.

¨ساختار شبکه عصبی مصنوعی

¨یادگیری توسط شبکه عصبی

1.داده پردازی در اجزای ساده به نام نرون صورت می گیرد.

2.اطلاعات از طریق ارتباط نرون ها ردو بدل می شود. 

مختص به خود است که در مقدارW 3. هر رابطه دارای وزن

اطلاعات رد وبدل شده با سایر نرون ها ضرب می شود.

4. هر نرون برای محاسبه خروجی خود دارای یک تابع عملیاتی

است که روی ورودی ها اعمال می شود.

¨انواع شبکه های عصبی

1.پرسپترون

2.هاپفیلد

3.همینگ

¨ANNمقایسه کلی انواع

1.شبکه پرسپترون جوابها را کد می کند و خروجی از ورودی بدون هیچگونه فیدبکی محاسبه می گردد.

2. شبکه همینگ به پاسخ مناسب منتهی شده و همواره به یکی ازالگوهای مرجع همگرا می شود، والگویی را که بیشترین تشابه را با ورودی مرجع دارد انتخاب می کند(به نوعی بهترین جواب ممکن را می دهد).

3. در شبکه هاپفیلد تمامی نورونها همانند یکدیگر عمل می‌کنند و تقسیم بندی نورونهای ورودی و خروجی وجود ندارد. در واقع شبکه هاپفیلد، شبکه‌ای کاملا برگشتی است که در آن خروجی هر نورون، به ورودی تمام نورون‌های دیگر متصل است. این عمل آنقدر تکرار می‌شود تا خروجی شبکه به یک نقطه ثابت همگرا شود.شبکه هاپفیلد به الگویی همگرا می شود که ممکن است جزو الگوهای ذخیره شده نباشد.

¨ANNکاربردهای

کنترل هواپیما بدون خلبان

شبیه سازی مسیر

طراحی اعضای مصنوعی

تشخیص صدا
تشخیص چهره

آنالیز مالی

اکتشاف تقلب در کارت اعتباری

و…

¨بررسی ساختار یک سیستم شناسایی چهره

یک سیستم بازشناسی خودکار چهره انسان حالت خاصی از پردازش تصویر ، بازشناسی الگو ، بازشناسی اجسام و درک تصویر است.

در مبحث بازشناسی الگو، هدف اصلی، انتساب الگوی ورودی به یکی از کلاسهای موجود می باشد.

در بازشناسی چهره هم سیستم باید با دریافت یک تصویر در ورودی، با انجام پردازشهای تصویری لازم، تعیین کند که این تصویر مربوط به کدام یک از افرادی است که تصویرشان در بانک اطلاعاتی چهره ها وجود دارد. این الگوریتم ها براساس مدل محاسباتی درک تصویر از پردازشهای سطح پایین بر روی نقاط تصویر شامل چهره، شروع شده وبا پردازشهای سطح بالا برای تحلیل و درک چهره ختم خواهد شد.

¨ANNتشخیص چهره به وسیله ی

پردازش تصویر :

1.دریافت تصویر

2.تشخیص لبه

3.قسمت بندی

4.قسمت بندی سه بعدی

5.تشخیص و آنالیز

¨آشكارسازي چهره به كمك فیلتر گابور

– آشكارسازي چهره عبارت از تعيين وجود يا عدم وجود و همچنين مكان و محدوده همه چهره هاي انسان در تصوير است.

– در بسياري از تحقيقات در زمينه بازشناسي چهره فرض شده است كه مكان و ابعاد چهره درتصوير معلوم است

– ارائه روشي كه چهره ها را تحت هر شرايطيآشكاركند، كارآساني نخواهد بود.

– روشهاي آشكارسازي چهره را ميتوان به آشكارسازي ثابت يا متحرك در تصاويررنگي يا با سطوح خاكستري تقسيم كرد.

¨آشكارسازي چهره به كمك فیلتر گابور

روشهايي كه بر روي تصاوير متحرك اعمال ميشوند، از خاصيتپويايي انسان نسبت به پس زمينه تصويربهرهميگيرند و مسئله آشكارسازي را به نواحي متحرك ساده ميكنند.

در روشهاي اعمال شده بر روي تصاويررنگي نيز ميتوان طيف رنگ پوست بدن انسان را در تصوير شناسايي و مسئله آشكارسازي را تنها

. به اين نواحي ساده نمود

سخت ترين نوع آشكار سازي چهره مربوط به تصاوير ثابت با سطوح خاكستري است كه داده هاي ورودي تصوير، شدت نور منعكس شده به دوربينميباشند و در نگاه اول نمي توان به راحتي مكاناحتمالي چهره .را در پس زمينه تصوير تشخيص داد

¨آشكار سازي چهره هاي تمام رخ
در تصاوير ثابت با سطوح خاكستري

¨اكتشاف اطراف مراكز نادقيق

در صورتيكه يك مستطيلعمودي را محاط بر يك چهره در نظر گيريم كه در بالاترين سطر، پيكسلهاي اين مستطيل، پيكسل هاي آغازين مو و در سطر انتهاييپيكسلهايپايين چانه قرار گيرند، به طور معمول براي يك چهره طبيعي، مركز اين مستطيل بر روي بيني قرار مي گيرد.

به تجربه ديده شده است، مراكزنادقيق بدست آمده دربخش قبل كه مركز پنجره هاي مستطيليميباشند، يا بر روي مركزواقعي چهره در تصوير منطبق نبوده و يا بطور كل شامل چهره نمي باشند.

¨اكتشاف اطراف مراكز نادقيق

در اين شرايط به الگوريتمينياز است كه فضاي اطراف اين مراكزنادقيق را در صورت لزوم براي يافتنبهترين پاسخ وجود چهره مورد بررسي قرار دهد. ابتدا مراكزنادقيق جهت ارجاع به شبكه علامت گذاريميشوند

1. مراكز علامت گذاري شده را به شبكه عصبي ارجاع ده

2. در صورتيكه شبكه عصبي براي هر مركزمقداري بزرگتر از آستانه را بازگرداند، پيكسلهايكناري را در صورتيكهعلامتگذاري نشده اند، علامت بگذار

در نهايت تنها نواحي لازم  مورد بررسي قرار گرفته و الگوريتم ياد شده صرفه جويي زيادي در زمان آشكارسازي چهره ها ايجاد ميكند.

¨مراكز پنجره هاي بررسي شده توسط شبكه عصبي

¨مراحل استخراج ويژگي فیلتر های گابور براي  چهره

¨فیلتر گابور

¨مزایا

   1مدل سازی با سیستم های غیر خطی

.مقاوم بودن و تحمل آسیب ها2

(3.قابل یادگیر بودن (یعنی توانایی تنظیم وزنهای شبکه

.قابلیت تعمیم 4

.سرعت بالا به دلیل پردازش های موازی5

6. قابلیت سازگاری با تغییرات سیستم و…

¨معایب

1. شبکه های عصبی می توانند پیچیده باشند وکار کردن با آنها دشوار باشد

2. نوع تنظیمات برنامه به گونه ای است که باید ورودی وارد کنیم و اگر مقدار داده کم باشد احتمال داشتن خطا وجود دارد

3.اثبات درستی نتایج دشوار است

4.در حالت کلی برای برخی مسایل کاربرد ندارد.

¨منابع

4.Kevin Curran, Xuelong Li and Neil Mc Caughley    

“The Use of Neural Networks in Real-time FaceDetection“,2005

5.امید بنکدار سخی و حسین میار نعیمی“آشکار سازی چهره به کمک

ویژگی های موجک های گابور“دانشگاه صنعتی نوشیروانی بابل

  6.علی محمد حسینی ” مقدمه ای بر شبکه های عصبی با رویکرد شیوه

های تشخیص و یادگیری و مقایسه آن با شبکه عصبی انسان“ دانشگاه آزاد

¨

نوشته شبکه عصبی مصنوعی 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.

ویولت یا موجک یکی از ابزارهای مهم در مهندسی می باشد که در سایت گروه برنامه نویسی متلب ایران می توانید مطالب مفیدی را در این زمینه بیابید.

matlab1.ir

مطلبی که می خواهیم در این صفحه در مورد آن صحبت کنیم ترکیب ویولت و شبکه عصبی می باشد.

ابتدا توضیح مختصری در مورد شبکه عصبی می آوریم.

شبکه عصبی MLP

شبکه (MLP) مجموعه ای از نورون ها است که در لایه مختلفی پشت سر هم قرار گرفته اند. مقادیر ورودی پس از ضرب در وزن های موجود در گذر گاه های بین لایه ها به نورون بعدی رسیده و در آن جا با هم جمع می شوند و پس از عبور از تابع شبکه مربوطه خروجی نورون ها را تشکیل می دهند. در پایان خروجی به دست آمده با خروجی مورد نظر مقایسه شده و خطای به دست آمده جهت اصلاح وزن های شبکه به کار می رود ، این امر اصطلاحاً آموزش شبکه عصبی نامیده می شود .

قاعده فراگیری MLP

قاعده فراگیری پرسپترون چند لایه را «قاعده کلی دلتا» یا « قاعده پس انتشار » می گویند . این عناوین در سال 1986 رومل هارت ، مک کللند و ویلیامز پیشنهاد شد.

اولین گروهی بودند که نه تنها قاعده فراگیری پرسپترون را به طور مستقل کشف کردند بلکه با ترکیب آن ها پرسپترون چند لایه را ایجاد نمودند. کتاب آن ها به نام «پردازش توزیع شده موازی» یکی از مهم ترین منابع این حوزه علمی می باشد.

نحوه عمل پرسپترون چند لایه ای مشابه پرسپترون تک لایه ای است. به این صورت که الگویی به شبکه عرضه می شود و خروجی آن محاسبه می گردد ، مقایسه خروجی واقعی و خروجی مطلوب باعث می گردد که ضرایب وزنی شبکه تغییر یابد به طوری که در مراحل بعد خروجی صحیح تری حاصل شود. وقتی به شبکه آموزش ندیده ای الگویی را عرضه می کنیم ، خروجی های تصادفی تولید می کند. ابتدا باید تابع خطایی را تعریف کنیم که تفاوت خروجی واقعی و خروجی مطلوب را نشان دهد. از آن جایی که خروجی مطلوب را می دانیم این نوع فراگیری را « فراگیری با سرپرستی » می نامیم.

برای موفقیت در آموزش شبکه باید خروجی آن را به تدریج به خروجی مطلوب نزدیک کنیم. به عبارت دیگر باید میزان خطا را کاهش دهیم. برای رسیدن به هدف از قانون دلتا استفاده می کنیم.

 تبدیل موجک ( ویولت Wavelet )

تبدیلات موجک یا ویولت (Wavelet) از جمله ابزارهایی هستند که کاربردهای فراوانی در شاخه های مختلف علمی و مهندسی، به ویژه هوش مصنوعی، یادگیری ماشینی، پیش بینی سری زمانی، و بازشناسی الگو دارد. تئوری موجک ها در واقع تعمیمی بر تئوری تبدیلات و سری های فوریه است و ضعف های آنالیز فوریه در عملکرد موضعی و مدل سازی رفتارهای کوتاه مدت را، جبران می نماید.

موجک یا ویولت (به انگلیسی: Wavelet) دسته‌ای از توابع ریاضی هستند که برای تجزیه سیگنال پیوسته به مؤلفه‌های فرکانسی آن بکار می‌رود که رزولوشن هر مؤلفه برابر با مقیاس آن است. تبدیل موجک تجزیه یک تابع بر مبنای توابع موجک می‌باشد. موجک‌ها (که به عنوان موجک‌های دختر شناخته می‌شوند) نمونه‌های انتقال یافته و مقیاس شده یک تابع (موجک مادر) با طول متناهی و نوسانی شدیداً میرا هستند. چند نمونه موجک مادر در شکل زیر نمایش داده شده‌اند.

تعداد زیادی تبدیل موجک وجود دارد که لیست آن را می‌شود در فهرست تبدیل‌های مرتبط با موجک مشاهده نمود. معمول‌ترین این تبدیل‌ها عبارتند از:

• تبدیل موجک پیوسته (Continuous wavelet transform (CWT
• تبدیل موجک گسسته Discrete wavelet transform (DWT)
• تبدیل سریع موجک Fast wavelet transform (FWT)
• Lifting scheme
• تجزیه بسته‌های موجکWavelet packet decomposition (WPD)
• تبدیل موجک ساکن Stationary wavelet transform (SWT)

مقایسه تبدیل موجک با تبدیل فوریه

در مقایسه با تبدیل فوریه می‌توان گفت که تبدیل موجک دارای خصوصیت محلی‌سازی بسیار خوبی است. بطور مثال تبدیل فوریه یک پیک تیز دارای تعداد زیادی ضریب است، چرا که توابع پایه تبدیل فوریه توابع سینوسی و کسینوسی هستند که دامنه آنها در کل بازه ثابت است، در حالی که توابع موجک توابعی هستند که بیشتر انرژی آنها در بازه کوچکی متمرکز شده‌است و به سرعت میرا می‌شوند. بنابراین با انتخاب مناسب موجک های مادر می توان فشرده سازی بهتری در مقایسه با تبدیل فوریه انجام داد.

ترکیب ویولت و شبکه عصبی MLP :

برای ترکیب ویولت و شبکه عصبی دو راه در مقالات به آن اشاره شده است :

روش 1 :

 در ابتدا بوسيله تبديل ويولت گسسته و قابليت آن در تجزيه و تحليل سيگنال با رزولوشن هاي مختلف، سگينال در چند سطح تجزيه مي شود، سپس با استفاده از انحراف معيار ضرايب ويولت هر سطح براي هر اغتشاش يك بردار ويژگي استخراج شده كه مبناي كلاس بندي سيگنال توسط شبكه عصبي مي باشد.

روش 2 :

در این روش ویولت در قلب شبکه عصبی MLP استفاده می شود. همانطور که در قسمت بالا توضیح داده شد. یک شبکه عصبی از چندین نرون تشکیل شده است که هر نرون در خروجی خود یک تابع تبدیل یا transfer function دارد. در این روش تابع تبدیل نرون دستخوش تغییر می شود.

به عبارت دیگر یکی از ویولت ها را به صورت یک تابع می نویسیم و در خروجی هر نرون شبکه عصبی قرار می دهیم. لذا شبکه عصبی ورودیها را می گیرد و بنا به وزن ها و بایاس خود خروجی هایی را تولید می کندو در انتها خروجی از یک تابع تبدیل عبور می کند.

کد های هر دو روش بالا موجود است که شما می توانید با گروه تماس بگیرید و تنها با پرداخت مبلغی ناچیز این دو کد را دریافت کنید.

کد نویسی روش دوم نیاز به تجریه و تبحر بالایی در برنامه نویسی دارد.

لینک دنلود

نوشته شبکه عصبی ویولت چیست ؟ اولین بار در ايران متلب. پدیدار شد.

یک جزوه عالی برای علاقه مندان به شبکه عصبی و سیستم های فازی

نکته جالب در این جزوه این است که گفته کتاب شبکه های عصبی منهاج را نخوانید.

گروه برنامه نویسی ایران متلب هم تا حدودی با این متلب موافق است چون این کتاب ، جمع آوری مطالب توسط دانشجویان دکتر می باشد. اما در برخی فصل ها مثال های خوبی دارد که برای افراد مبتدی خوب می باشد.

نام جزوه: کنترل فازی و شبکه های عصبی در متلب (Matlab)
نویسنده: فرزاد چراغپور سماواتی
محل تدریس: دانشگاه آزاد اسلامی – واحد قزوین
ترم تدریس: بهمن 82
تعداد صفحات: 55 صفحه

لینک دانلود

محصولات مرتبط

نوشته کنترل فازی و شبکه های عصبی در متلب 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.