" > آموزش انواع شبکه هاي Cascade-Correlation در متلب |همیارپروژه| متلب
با ما تماس بگیرید
ساعت : 8 الی 23
09117983709 - 09330859275
(مشاوره و سفارش پروژه)
totop

آموزش انواع شبکه هاي Cascade-Correlation در متلبشنبه 20, فوریه 2021

آموزش متلب در همیارپروژه

آموزش انواع شبکه هاي Cascade-Correlation در متلب

در ادامه آموزش های سایت همیارپروژه برنامه نویسی متلب ارائه خواهد شد .آموزشها از مقدماتی تا پیشرفته ادامه دارد و ما به شما کدنویسی در نرم افزار متلب را رایگان یاد خواهیم داد. با ما همراه باشید.

انجام پروژه متلب

انواع شبکه هاي Cascade-Correlation در متلب

علاوه بر شبکه هاي Cascade-Correlation کلاسيک که در بالا توضيح داده شد ، انواع ديگري از اين شبکه ها نيز موجود ميباشند :

  • Pruned-Cascade-Correlation (PCC)
  • Recurrent-Cascade-Correlation (RCC)
  • Genetic-Cascade-Correlation

شبکه هاي Pruned-Cascade-Correlation در متلب

ايده اصلي اين نوع شبکه ها اين است که ما ميتوانيم با حذف بعضي از ارتباطهاي بين نرونها (وزنها) بازدهي شبکه را افزايش دهيم.

اين شبکه ها يک Selection criterion که معمولا” عکس خطاي شبکه بر روي يک قسمت از داده هاي آموزشي(prune) است, در نظر ميگيرند .

کمک اين Selection criterion شبکه در هر مرحله قبل از افزودن نرون Selection criterion را محاسبه کرده .

سپس در پايان نيز آن را محاسبه ميکند .

اگر اين مقدار افزايش يافته باشد که نشاندهنده پيشرفت صحيح شبکه است.

ولي در غير اينصورت شبکه در حال بزرگ شدن بدون حاصل است و الگوريتم متوقف ميگردد.

از طرف ديگر پس از افزودن نرون جديد شبکه با استفاده از اين Selection criterion .

تک تک هر يک از وزنها را حذف ميکند ، اگر اين مقدار افزايش يافت که نشاندهنده درست بودن تصميم ميباشد .

در غير ايصورت وزن برگردانده ميشود.

شبکه هاي  Recurrent-Cascade-Correlation در متلب

شبکه هاي recurrent کاربردهاي فراواني دارند از جمله ميتوان به توانايي تحليل داده هايي که وابستگي به زمان دارند و يا  به ترتيب خاصي به شبکه ارائه ميشوند اشاره کرد. (مانند سري هاي زماني) .

تبديل شبکه هاي Cascade Correlation به شبکه Recurrent از اين جهت مشکل است که مطابق تعريف ارائه شده ما ورودي هر يک از نرونهاي جديد را ثابت در نظر ميگيريم.

اگر غير از اين باشد در واقع ما از مفهوم شبکه هاي CC خارج شده ايم.

بنابراين در تعريف ارائه شده از نوع Recurrent اين شبکه ها تنها رابطه Feedback در اين شبکه ها بين هر نرون مخفي و خودش برقرار ميگردد .

يعني نرون پس از delay مشخص شده ، خروجي خود را در ورودي دريافت ميکند. وزن اين ارتباط نيز همانند .

ساير وزنهاي ورودي نرون مورد نظر پس از قرار گرفتن در شبکه ثابت ميگردد.

شبکه هاي Genetic-Cascade-Correlation در متلب

ايده اصلي اين نوع شبکه ها استفاده از الگوريتم ژنتيک بجاي هر دو فاز آموزش(الگوريتم quickprop) در شبکه است. مشکلي که در شبکه هاي معمولي Cascade-Correlation وجود دارد کم بودن تعداد نرونهاي کانديد و همچنين عدم وجود ارتباط بين آنها مي باشد. در اين روش با در نظر گرفتن تعداد بيشتري کانديد ، در هر مرحله بکمک الگوريتم ژنتيک نسل بهتري از آنها ايجاد ميگردد.

در اين روش وزنها نقش کروموزوم را دارند و هر دسته از وزنهاي ورودي و خروجي نقش Individual ها را دارند. ۵۰% کل جمعيت را وزنهاي ورودي و ۵۰% ديگر را وزنهاي خروجي تشکيل ميدهند.

تابع ارزيابي در فاز ورودي همبستگي بين خروجي نرون مخفي و جمع خطاي شبکه  و براي فاز خروجي جمع خطاي شبکه ميباشد. براي جفت گيري از روش استاندارد ۲-cross استفاده مي شود و جهش نيز با احتمال کم وجود دارد.

نتيجه گيري در متلب

همانطور که ديديم شبکه هاي Cascade-Correlation سعي مي کنند بعضي از مشکلات شايع در شبکه هاي عصبي را حل کنند.

يکي از خصوصيات ويژه اين شبکه ها عدم نياز به دانستن معماري شبکه است.

ما نيازي نداريم که تعداد نرونهاي لايه مخفي را بدانيم ( تعداد نرونهاي لايه هاي ورودي و خروجي بسته به طبيعت مسئله مشخص است) .

اين ما را از حدس و خطاي معماري شبکه بي نياز مي کند از طرف ديگر نيازي به تعيين کردن تابع نرونها نيست چون در مرحله ايجاد نرون جديد در بين کانديد هاي مختلف ، توابع مختلفي ميتوانند حضور داشته باشند .

شبکه اي که در نهايت توليد ميشود نسبت به شبکه هاي ديگر نسبتا” کوچک است و بازدهي بالاتري دارد.

فرآيند آموزشي بدليل اينکه آموزش در هر مرحله تنها بر روي بخشي از شبکه صورت مي پذيرد سريعتر است.

اما اين شبکه ها بدليل ساختار ويژه اي که دارند که در هر مرحله تلاش ميکند بزرگترين منبع خطا را حذف کنند.

نسبت به نويز حساس ترند و اگر داده ها Fuzzy(مبهم و پيچيده) باشند ممکن است .

نتايج مناسبي بدست نيايد و يا سرعت همگرايي نسبت به ساير روشها کمتر باشد.

در اینجا آشنایی با محیط متلب بخش نود و چهارم به پایان رسیده است و در آموزش های بعدی به مباحث دیگر آموزش متلب می پردازیم. همچنین از شما مخاطبین عزیز سایت همیارپروژه دعوت می کنم که برای انجام پروژه متلب خود آموزش های ما را دنبال نمایید.

نویسنده: زهرا رستمی

جهت سفارش پروژه به لینک زیر مراجعه نمایید :
همچنین می توانید برای ارتباط سریعتر با شماره و آیدی تلگرام زیر تماس حاصل کنید :
۰۹۱۲۹۵۴۰۱۲۲ – آیدی تلگرام : @fnalk

از طریق کلیک برروی آیکن های زیر میتوانید پروژه خود را در تلگرام و یا واتساپ برای ما ارسال کنید:

ثبت سفارش در واتس آپ ثبت سفارش در تلگرام


دیدگاهتان را بنویسید

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

حق نشر برای همیارپروژه – مرجع اصلی پروژه های متلب و پایتون محفوظ است.