با ما تماس بگیرید
ساعت : 8 الی 23
09117983709 - 09330859275
(مشاوره و سفارش پروژه)
totop

آموزش طراحی و آزمایش شبکه عصبی در متلبشنبه 20, فوریه 2021

آموزش متلب در همیارپروژه

آموزش طراحی و آزمایش شبکه عصبی 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

طراحی و آزمایش شبکه عصبی در متلب

امروزه از شبکه های عصبی به طور گسترده در مسائل مربوط به طبقه بندی استفاده می شود.

در این گونه مسائل شبکه عصبی با داشتن ورودی ها و خروجی های مشخص باید تشخیص دهد که هر ورودی با کدام طبقه از خروجی های تعریف شده بیشترین تطابق را دارد.

در حال حاضر شبکه پرسپترون چند لایه (MLP) در بسیاری از تحقیقات مربوط به مسائل طبقه بندی استفاده می شود. در شبکه های عصبی MLP از روش آموزش با نظارت استفاده می شود.

در این نوع شبکه، در حین آموزش ورودی های مورد نظر به شبکه عصبی اعمال می شود و خروجی شبکه با خروجی مطلوب مقایسه می شود.

اختلاف بین خروجی واقعی و خروجی مطلوب منجر به تولید سیگنال خطا می شود.

هدف از آموزش شبکه به حداقل رساندن خطای تولید شده می باشد.

به حداقل رساندن خطا براساس تنظیم وزن های شبکه انجام می شود و میزان محاسبات لازم برای حداقل نمودن خطا به الگوریتم (شیوه) آموزش شبکه بستگی دارد.

الگوریتم در متلب

معمولا از الگوریتم آموزش پس انتشار استفاده می شود.

در این الگوریتم پس از محاسبه مقدار خطا در لایه خروجی مقادیر وزن ها در لایه پنهان در جهت کاهش خطا تنظیم می شوند.

انواع مختلفی از الگوریتم های پس انتشار جهت آموزش شبکه های MLP مورد استفاده قرار می گیرند.

پس از پردازش سیگنال های صدای انعکاس پسته های پوک و مغزدار در حوزه های زمان و فرکانس بردارهای مشخصات انتخاب شده برای هر کدام از ارتفاع های سقوط به منظور انتخاب ورودی های مناسب برای شبکه عصبی MLP مورد استفاده قرار گرفتند.

پس از بررسی الگوریتم های مختلف آموزش مشخص شد که الگوریتم آموزش پس انتشار LM نتایج بهتری را بدست می دهد.

این الگوریتم همچنین از سرعت بسیار بالاتری نسبت به سایر الگوریتم ها برخوردار می باشد.

هر کدام از شبکه ها توسط این الگوریتم آموزش و با تعداد گره های مختلف در لایه میانی بکار گرفته شد و در نهایت مناسبترین بردار مشخصات و ساختار شبکه متناظر بدست آمد.

در MLP ها با کاربرد طبقه بندی از تابع انتقال غیر خطی Sigmoid در لایه های پنهان و لایه خروجی استفاده می شود.

کلیه مراحل ایجاد و آموزش شبکه MLP در جعبه ابزار شبکه عصبی نرم افزار MATLAB انجام شده است. این نرم افزار دستورات و توابع مناسبی را جهت آموزش شبکه MLP با انواع الگوریتم های پس انتشار در اختیار قرار می دهد.

ساختار شبکه MLP انتخاب شده در این تحقیق شامل شبکه دو لایه ای می باشد.

همانطور که قبلا ذکر شد در هر یک از حوزه های زمان و فرکانس، ۱۰ بردار  مشخصات برای هر سیگنال  صدای برخورد انتخاب شده است.

به منظور کاهش تعداد مشخصات هر بردار با روش میانگین گیری ۲۰ مشخصه از هر بردار انتخاب و به عنوان ورودی شبکه عصبی مورد استفاده قرار گرفته است.

بنابر این ساختار شبکه عصبی ۲-n-20 می باشد (n نشان دهنده تعداد نرون های لایه میانی است).

تعداد نرون مناسب در لایه میانی برای هر شبکه ( متناظر با هر بردار مشخصات) از روش سعی و خطا تعیین شد.

بدین منظور هر شبکه با تعداد ۳ ، ۴، … و ۱۶ نرون در لایه میانی آموزش دیده و نتایج حاصله ثبت شده است.

در نهایت در هر کدام از ارتفاع های برخورد (۲۵ و ۳۵ سانتی متر ) و در هر حوزه ( زمان و فرکانس) ۱۰ شبکه و در هر شبکه از ۳ تا ۱۶ نرون در لایه میانی مجموعا شامل ۵۶۰ شبکه مورد بررسی قرار گرفت.

از کل داده ها ۷۵ درصد مربوط به گروه آموزش (Train)، ۲۵ درصد مربوط به گروه ارزیابی (Validation) و ۲۵ درصد مربوط به گروه آزمایش (Test).می باشد.

داده های گروه ارزیابی( Validation )جهت جلوگیری از آموزش بیش از حد شبکه (Overfit ) به کار می روند.

مقادیر ابتدایی وزن ها در گره ها به طور تصادفی توسط نرم افزار انتخاب می شوند.

لایه خروجی شامل دو نرون می باشد که دارای تابع انتقال غیر خطی Sigmoid می باشند.

خروجی تعریف شده برای شبکه شامل ماتریس ]۰ ۱[ برای پسته های پوک و ماتریس ]۱ ۰[ برای پسته های مغزدار می باشد. جهت بدست آوردن مناسبترین شبکه مقدار مینیمم تابع MSE و تابع Gradient برابر با صفر در نظر گرفته شده است.

وروردی های شبکه به صورت دسته ای به شبکه اعمال شده اند.

در این روش تمامی ورودی ها به صورت یکجا به شبکه اعمال می شوند.

در اینجا آشنایی با محیط متلب بخش صد و شانزدهم 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.