آموزش شبکه عصبی کاربرد نرون ها 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.

 

شبکه های عصبی وکاربرد نرون ها در متلب

شبکه‌های عصبی مصنوعی یا شبکه‌های عصبی صناعی (Artificial Neural Networks – ANN) یا به زبان ساده‌تر (شبکه‌ عصبی) سیستم‌ها و روش‌های محاسباتی نوین برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده هستند. ایدهٔ اصلی این گونه شبکه‌ها تا حدودی الهام‌گرفته از شیوهٔ کارکرد سیستم عصبی زیستی برای پردازش داده‌ها و اطلاعات به منظور یادگیری و ایجاد دانش میباشد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانهٔ پردازش اطلاعات است.

این سیستم از شمار زیادی عناصر پردازشی فوق‌العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسئله با هم هماهنگ عمل می‌کنند و توسط سیناپس‌ها (ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‌کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‌ها می‌توانند نبود آن را جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری‌اند. مثلاً با اعمال سوزش به سلول‌های عصبی لامسه، سلول‌ها یادمی‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‌ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده از مثال‌ها وزن سیناپس‌ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‌های جدید، سیستم پاسخ درستی تولید کند.

. مغز سیستمی پیچیده دارای پردازش اطلاعات با ساختار موازی

. دو درصد وزن بدن، مصرف بیش از ۲۰ درصد کل اکسیژن بدن

. جمع آوری و محاسبه حجم عظیمی از اطلاعات و سیگنال ها هنگام فهم این مطلب در جریان است

. محاسبات مغز در ساختاری کاملا مغایر با ساختار کامپیوتر های امروزی

. مغز اجتماعی از نرون ها

هر نرانو بیولوژیکی دارای

۱ پیچیدگی یک میکروپروسسور

۲ سرعت محاسباتی به مراتب کمتر از میکروپروسسور

۳ امکان ذخیره اطلاعات در خود و ارتباطات میان نرون ها

. یادگیری در واقع ایجاد ارتباط جدید میان نورون ها و تنظیم ارتباط موجود

 

 نرونهای شبکه عصبی در متلب

۱ جزئی از یک برنامه کامپیوتری یا تراشه های نیمه هادی

۲ سرعت بسیار بالاتر از نرون بیولوژیکی

۳ ولی فقط دارای کسری از توانایی بالای نرون های بیولوژیکی

 

در این مطلب با موضوعات زیر اشنا می شویم

۱آشنایی با شبکه های کوچک از نورون های مصنوعی ساده که برای حل مسائل پیچیده آموزش پذیر هستند

۲ مسئله پیچیده= یادگیری نگاشت ها

۳ شبکه های عصبی تقریباً زن های جهانی توابع هستند

. مغز دارای…. نرون با…. ارتباط میان آنها

. تعداد ارتباط به مراتب کمتر از تعداد یال های گراف مرتبه کامل

. اجزای نران

. نرون های حسی، محرک و ارتباطی

. نکات مهم در محاسبات نرونی

۱ ترتیب نرون ها و شدت سیناپس های میان نرون ها

۲ ساختارهای عصبی در خلال یادگیری به وجود آمده و از بین می روند

. بلوک های ساختاری در هر دو شبکه مصنوعی و بیولوژیکی دستگاه های محاسباتی خیلی ساده هستند.

۱ نرون های مصنوعی از سادگی بیشتری برخوردارند

. ارتباط بین نرون ها عملکرد شبکه را تعیین می کند

. ساختار موازی

هدف اصلی این مطلب تعیین ارتباط‌های مناسب جهت حل مسائل مشخص می باشد

۱) قابلیت یادگیری

۱  شبکه عصبی سیستم کاملا پیچیده و غیر خطی

۲ توضیع خاصیت پردازش غیر خطی در کل شبکه

۳ چنین سیستمی بدون قابلیت یادگیری با افزوده شدن یک مثال جدید توانایی خود را از دست میدهد

. قابلیت یادگیری یعنی توانایی تنظیم پارامترهای شبکه ( وزن های سینا پتیکی) در مسیر زمان که محیط شبکه تغییر می کند و شبکه شرایط جدید را تجربه می کند. با این هدف که شبکه بتواند با آموزش مختصر برای شرایط جدید نیز کارآمد باشد

 

 پراکندگی اطلاعات در شبکه عصبی

۱ پردازش اطلاعات به صورت متن

۲ هر نرون متاثر از فعالیت های سایر نرون ها( هر وزن مربوط به همه ورودی ها)

۳  اگر بخشی ازنرون های شبکه حذف شوند یا عملکرد غلط داشته باشند، بازم احتمال رسیدن به پاسخ صحیح وجود دارد

 

 قابلیت تعمیم در شبکه عصبی

۱  آموزش شبکه با مثال های اولیه

۲ ارائه خروجی مناسب در مقابل ورودی های آموزش داده نشده

۳ فرایند درون یابی

۴ شبکه تابع را یاد میگیرد، الگوریتم را می آموزد و یا رابطه تحلیلی مناسبی برای نقاطی در فضا به دست می‌آورد

 

پردازش موازی در شبکه عصبی

۱ همزمان قرار گرفته در یک تراز به ورودی های آن تراز

۲ افزایش سرعت پردازش

۳ توزیع پردازش بین پردازنده های کوچکتر مستقل

 

 مقاوم بودن در شبکه عصبی

۱.رفتار مستقل هر سلول

۲. تصحیح خطاهای محلی در یک روند همکاری

۳. افزایش قابلیت مقاوم بودن( تحمل پذیری خطا) در سیستم

 

در اینجا آشنایی با محیط متلب بخش نود وهفتم 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