جایگاه نرون ها در هوش مصنوعی 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.

جایگاه نرون ها در هوش مصنوعی در متلب

پزشک نمونه

. یک برنامه کاربردی که در اواسط سال ۱۹۸۰ تولید شد، یک نمونه پزشک نامیده شد

. به عنوان یک کمک اتوماتیک برای حافظه از شبکه های عصبی برای ذخیره تعداد زیادی از پرونده های پزشکی، که هر کدام از آن ها شامل اطلاعاتی از علائم، تشخیص ها و درمان برای یک مورد به خصوص بود، استفاده شد.

. بعد از آموزش، شبکه می توانست با یک مجموعه از علائم بهترین تشخیص و درمان را ارائه دهد.

 مدل تک ورودی

. w شدت سیناپس

. ورودی خالصn

. تابع تحریکf

A. سیگنال گذرنده از آکسون

 برخی توابع تحریک مرسوم نرون مصنوعی در متلب

. خطی

. دوم  مقداره حدی

. زیگموئیدی

 مدل چند ورودی

. مدل کردن به فرم ماتریسی

. آندیس اول شماره خود نرون

. آندیس دوم نشان دهنده مبدا سیگنال ورودی  نرون

.مثلا…. شدت سیناپس دومین عنصر ورودی به نرون اول را نشان میدهد.

. در حالت کلی، هر سطر ماتریسw متناظر با یک نرون است.

 ساختار شبکه های عصبی در متلب

۱ شبکه های تک لایه باs نورون و R ورودی

. مدل شبکه و فرم ماتریسی آن

.ماتریسw دارایs سطر وR ستون

 شبکه های چند لایه عصبی

. در شبکه های تک لایه بردار ورودی توسط نرون های لایه با رابطه(wp+b)a =f به بردار خروجی مرتبط می شوند.

در شبکه های چند لایه, خروجی هر لایه به عنوان بردار ورودی برای لایه بعدی محسوب می‌شود.

W²,W¹ به ترتیب ماتریس وزن لایه اول، دوم و… را نشان می دهد.

.‌S²,S¹ به ترتیب تعداد نرون های لایه اول، دوم و….. را نشان می دهد.

F²,F¹ به ترتیب توابع تحریک لایه اول، دوم و…… را نشان می دهد.

N²,N¹  به ترتیب بردار ورودی خالص لایه اول، دوم و…. را نشان می دهد.

A²,A¹ به ترتیب  بردار خروجی لایه اول، دوم و…. را نشان می دهد.

B²,B¹ به ترتیب بردار بایاس لایه اول، دوم و….. را نشان می دهد.

مثال: یک شبکه پیشخور ۳ لایه

   شبکه های پس خور یا برگشتی

. تفاوت با شبکه های پیشخور

_ وجود حداقل یک سیگنال برگشتی از یک نرون به همان نرون یانرون های همان لایه و یا لایه های قبل

. استفاده از بلوک تحقیرd( در شبکه های گسسته)

. سوال: بلوک متناظر با عنصر تغییر در شبکه‌های پیوسته چیست.

.نکته:

شبکه های پسخور از توانایی بالقوه بیشتری نسبت به شبکه های پیشخور برخوردارند و بهتر می توانند رفتار مربوط به ویژگیهای زمانی سیستمها را نشان دهند.

شناسایی الگو

‌.فاکتور های مهم در طراحی سیستم های اطلاعاتی

.موضوع مشترک تحقیقاتی برای اکثر رشته ها از زبان شناسی تا رشته های مهندسی

ساختار کلی یک فرایند شناسایی الگو و تصمیم گیری:

_چیزی یا موضوعی اتفاق افتاده است

_اتفاق،توسط سیگنالی نمایندگی می شود.

_سیگنال مشاهده شده با سیگنال ارسالی یکسان نیست.

_اتخاذ تصمیم بر مبنای سیگنال مشاهده شده(نه ارسالی)

مثال (فرد بیمار)

_اتفاق:بیماری

_مشاهده کننده:پزشک

_سیگنالها:تست های آزمایشگاهی یا علائم بیماری

_سیگنتل آمیخته با نویز:اشکالات آزمایشی(چه در وسایل و چه در بدن فرد بیمار)

_تشخیص بیماری بر مبنای سیگنال آمیخته با نویز

.شناسایی الگو چیزی جز جداسازی داده ها یا الگوهای ورودی بین دستجاب مختلف نیست.

مراحل طراحی یک سیستم الگو

_کد گذاری:بیان ویژگی های شی مورد نظر(که از طریق اندازه گیری به دست می آیند)توسط بردارهای ورودی

بیان هندسی:تشخیص یک نقطه در فضای چند بعدی اقلیدسی به هر شی

_استخراج شاخص:استخراج مشخصه های مهم از روی بردارهای ورودی و کاهش ابعاد الگو

عناصری از بردارهای مشخصه که در تمامی طبقات مشترکند،حذف می شوند.

_طبقه بندی الگوها:روندی برای طبقه بندی بهینه اتوماتیک.

تشخیص الگوهای ورودی به یکی از طبقاتی که فضای اقلیدسی برای تصمیم گیری به تعداد متناهی از انها تقسیم شده است.

در اینجا آشنایی با محیط متلب بخش نود وششم 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