آموزش شبکه عصبی مصنوعی با 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.

مدل سازي شبکه هاي عصبي مصنوعي

شبکه­اي عصبي مصنوعي، يکي از روش­هاي محاسباتي است که به کمک فرآيند يادگيري و با استفاده از پردازشگرهايي بنام نرون تلاش مي­کند با شناخت روابط ذاتي بين داده­ها، نگاشتي ميان فضاي ورودي (لايه ورودي) و فضاي مطلوب (لايه خروجي) ارائه دهد. لايه يا لايه ­هاي مخفي، اطلاعات دريافت شده از لايه ورودي را پردازش کرده و در اختيار لايه خروجي قرار مي­دهند. هر شبکه با دريافت مثال­هايي آموزش مي­بيند. آموزش فرايندي است که در نهايت منجر به يادگيري مي شود. يادگيري شبکه، زماني انجام مي­شود که وزن­هاي ارتباطي بين لايه­ها چنان تغيير کند که اختلاف بين مقادير پيش­بيني شده و محاسبه شده در حد قابل قبولي باشد. با دست يابي به اين شرايط فرايند يادگيري محقق شده است. اين وزن­ها حافظه و دانش شبکه را بيان مي­کنند. شبکه عصبي آموزش ديده مي­تواند براي پيش­بيني خروجي­هاي متناسب با مجموعه جديد داده­ها بکار رود . با توجه به ساختار شبکه عصبي مصنوعي، ويژگي هاي عمده آن، سرعت بالاي پردازش، توانايي يادگيري الگو به روش اراده الگو، توانايي تعميم دانش پس از يادگيري، انعطاف پذيري در برابر خطاهاي ناخواسته و عدم ايجاد اخلال قابل توجه درصورت بروز اشکال در بخشي از اتصال هاي به دليل توزيع وزن هاي شبکه است .

شبکه پرسپترون چند لايه (MLP )

اين شبکه شامل يک لايه ورودي، يک يا چند لايه پنهان و يک لايه خروجي است. براي اموزش اين شبکه، معمولا از الگوريتم پس انتشار  (BP) استفاده مي شود. در طي آموزش شبکه MLP به کمک الگوريتم يادگيري BP،ابتدا محاسبات از ورودي شبکه به سوي خروجي شبکه انجام مي شود و سپس مقادير خطاي محاسبه شده به لايه­ هاي قبل انتشار مي يابد. در ابتدا، محاسبه خروجي به صورت لايه به لايه انجام مي شود و خروجي هر لايه، ورودي لايه بعدي خواهد بود. در حالت پس انتشار، ابتدا لايه هاي خروجي تعديل مي شود، زيرا براي هر يک از نرون هاي لايه خروجي، مقدار مطلوبي وجود دارد و مي­توان به کمک آنها و قاعده­ هاي بهنگام سازي، وزن­ها را تعديل نمود. با وجود اينکه الگوريتم پس انتشار خطا نتايج بسيار خوبي در حل مسائل ارائه داده است، در حل برخي از مسائل ضعيف عمل مي­کند که مي­تواند به دليل طولاني بودن يا مشخص نبودن زمان يادگيري، انتخاب نامناسب ضريب يادگيري و يا توزيع تصادفي وزنهاي اوليه باشد. در برخي موارد نيز به دليل وجود کمينه موضعي، فرايند يادگيري مختل مي شود که به دليل قرار گرفتن جواب در قسمت هاي هموار توابع آستانه دچار وقفه مي شود. مراحل آموزش به کمک اين الگوريتم عبارتند از(الف)- اختصاص ماتريس وزن تصادفي به هريک از اتصالات (ب)- انتخاب بردار ورودي و خروجي متناسب با آن (پ)- محاسبه خروجي نرون در هر لايه و در نتيجه محاسبه خروجي نرون ها در لايه خروجي (ت)- بهنگام سازي وزن ها به روش انتشار خطاي شبکه به لايه هاي قبل که خطاي ياد شده ناشي از اختلاف بين خروجي واقعي و خروجي محاسبه شده است. (ث)- ارزيابي عملکرد شبکه آموزش ديده به کمک برخي شاخص هاي تعريف شده مانند جذر ميانگين مربعات خطا (MSE ) و سرانجام برگشت به قسمت پ يا پايان آموزش.

شبکه عصبی با تاخیر زمانی

شبکه داراری ساختاری شبیه ساختارشبکه MLP با این تفاوت که یک اتصال تاخیری در ورودی آن است. این شبکه عموما یک شبکه دینامیکی نامیده می شود.

الگوريتم­هاي آموزش

از الگوريتم هاي آموزش الگوريتم لونبرگ- مارکوارت (LM)  براي بهنگام سازي وزن هاي شبکه عصبی مصنوعی استفاده شد که يکي از الگوريتم هاي پرکاربرد مي باشد چون آموزش شبکه را بسيار سريع انجام داده و سطح خطاي موجود را حداقل مي سازد. در واقع اين الگوريتم براي افزايش سرعت يادگيري شبکه طراحي شده که بر مبناي  ماتريس هيسن مي باشد.

در اینجا آشنایی با محیط متلب بخش صد و نوزدهم 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 :

سفارش پروژه

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