روش های کلاسیک و شبکه های 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.

روش های کلاسیک و شبکه های عصبی در متلب

. روشهای کلاسیک در شبکه های عصبی متلب

_ باید تمامی الگوهای یادگیری قبل از حل مسئله طبقه بندی الگو در اختیار باشند

_ یعنی، باید یک مدل ریاضی از مشاهدات داشت تا پس از ارزیابی مدل ها بر اساس داده ها واقعی طراحی انجام شود.

. شبکه های عصبی

_ مستقیماً با داده های واقعی کار میکند.

_ لذا به طراحی های  مدل آزاد یا  تخمین زننده های جهانی مدل آزاد  موسومند.

 سوال

اطلاعاتی که شبکه های عصبی بر مبنای آن  عمل تصمیم گیری را انجام می دهد، چگونه و در کجا ذخیره می گردد؟

صورت مسئله

. هدف: جداسازی سه نوع میوه سیب ،پرتقال و گلابی در یک انبار به طور خودکار

. سنسورهای موجود برای ثبت ویژگی میوه ها

.کدگذاری

نشان دادن دادن سیب، پرتقال و گلابی به ترتیب با برد دار های p به‌عنوان بردارهای مرجع( مولفه  بردار ها به ترتیب شکل،  زبری و وزن می باشد

 صورت مسئله

.  استخراج شاخص

عنصر سوم در همه طبقات مشترک است. لذا با حذف این مولفه به بردار های دو بعدی می‌رسیم.

. مسئله ساده شناسایی الگوی باینری

_  دریافت یک بردار ورودی۲ بعدی  و تصمیم گیری درباره نوع میوه.

_  معرفی سه شبکه عصبی پرسپترون( پیشخور)، همینگ( رقابتی)و هاپفیلد( حافظه انجمنی بازگشتی) و استفاده از آن در حل مسئله

پرسپترون تک لایه

باتابع تحریک آستانه ای دو مقداره متقارن

. توانایی در تفکیک الگوهای ورودی

_  جداسازی الگوهای خطی

_ مرز جداساز نواحی در حالت تک نرونی  ۱فوق  صحنه و برای حالت دو بعدی یک خط راست است.

_  در حالت کلی برای هر نقطه دلخواهq  روی  ناحیه مرزی داریم.

نماد(a,b ) ضرب داخلی دو بردار بوده و همواره تصویرb رویa مضربی از ضرب داخلی دو بردار است.

پرسپترون تک لایه

. تذکر ۱: خط مرزی همواره عمود بر بردار وزن بوده و محل قرار گرفتن مرز توسط بردار بایاس تعیین می‌شود.

. تذکر ۲: تصویر بردار سازنده هر نقطه روی خط مرزی بر بردار وزن، برابر با مضربی از منفی جمله بایاس (b_) است.(چرا؟)

. نتیجه: برای تمام نقاطی که بالای(  با توجه به جهت بردار و وزن) خط مرزی قرار دارند، ورودی خالص نرون مثبت است و برای تمام نقاط زیر آن منفی می باشد

سوال

در شکل روبرو ورودی خالص نر آن چگونه است؟

آیا پاسخ یکتاست؟

. در  حالتی که شبکه دارایs نرون میانی است، ماتریس وزن دارایs سطر بوده  و هر سطر یک خط( فوق صفحه) مرزی را تعیین می کند.

سوال

حداکثر تعداد نواحی که به طور خطی از هم تفکیک پذیرند برای پرسپترون با s  نرون میانی و بردار ورودی دارای n عنصر چه مقدار است?

.  مثال  تشریحی شناسایی الگو

. چون دارای ۳ گروه هستیم, از ۲ نرون میانی استفاده می کنیم( چرا؟) ماتری  وزنw نیز۲*۲ خواهد بود.

با توجه به شکل مشخص است که جواب های بیشماری وجود دارد. یکی از آن ها نمایش داده شده است.

 مثال تشریحی با پرسپترون

. به این ترتیب ناحیه قرمز( مربوط به سیب)  دارای خروجی

ناحیه نارنجی( مربوط با پرتقال)  خروجی

ناحیه سبز( مربوط به گلابی) خروجی

می باشد

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