با سلام خدمت تمامی دوستان و علاقه مندان

هر گونه سوال و پیشنهاد را لطفا از طریق ایمیل زیر با بنده مطرح بفرمائید:

elyas.rakhshani@gmail.com

ان شا الله در آینده ای نزدیک با یکسری مطالب جدید در خدمت خواهم بود

در پناه حق

در ادامه توضیحات قبلی به شبکه های چند لایه می رسیم که همان ژرسژترون های چند لایه هستند . و به شبکه های عصبی چند لایه معروف می باشند.

براساس تحقیقات  ثابت شده معمولا یك شبكه عصبی سه لایه با تعداد كافی از نرونها قادر خواهد بود كه كار تخمین هر تابعی را انجام دهد چرا كه میزان حساسیت در لایه های اول بیشتر از لایه های آخر است. از این رو در تمرین زیر یك شبكه سه لایه بكاررفته است .

روش تعلیم شبکه های عصبی :

منظور از تعلیم یک شبکه عصبی آنست که وزنها (یا قدرت ارتباط بین نرونها) و بعضا تعداد نرونها را بگونه ای تعیین کنیم تا شبکه به گروه خاصی از داده ها پاسخهای مطلوبی بدهد. بعبارت ریاضی ، فرض کنیم که تعداد P بردار ورودی X_i  متعلق به Rⁿ  و P بردار پاسخ مطلوب متنناظر به R^m      y_di  بعنوان الگو برای تعلیم به شبکه عصبی در اختیار داشته باشیم :

X=[  x₁   x₂   …. X_p ]

y=[  y_d1   y_d2   …. X_dp ]

میخواهیم بردار پارامترهای شبکه عصبی شامل وزنها و مقادیر آستانه ای آن W    را بگونه ای تعیین کنیم که :

f (x_i , w) = y_di      i=1,2, … , p

که در آن تابع f(x , w) نشان دهنده نگاشت بین ورودی و خروجی شبکه عصبی می باشد .

روش انتشار معکوس خطا Back Propagation)):

 این روش یک روش بهینه سازی تندترین شیب (Sreepst descent) است. در این روش فرض بر آنست که که یک مجموعه از زوج الگوهای ورودی و خروجی در اختیار است. شبکه د رابتدا بر اساس بردار ورودی، بردار خروجی خود را تولید می کند و آنرا با بردارخروجی مطلوب یا هدف مقایسه می نماید. اگر اختلافی وجود نداشت، احتیاجی به تعلیم نیست. در غیر اینصورت وزنها بگونه ای تغییر داده می شود که اختلاف کاهش یابد.

 این نوع شبکه ها در تقریب توابع مختلف بسیار کاربرد دارند .بخصوص در مدلهای غیر خطی عملی که فهمیدن تابع تبدل مشکل است از این نوع شبکه استفاده می شود .

مراحل کار:

ابتدا تعدادی وروردی  و خروجی های مطلوببرای تعلیم به شبکه می دهیم. بعد از تعلیم وروردی های تست را داده و عملکرد شبکه را ارزیابی میکنیم.

در نرم افزار مطلب این شبکه با دستور زیر ساخته می شود :

    newff ( pr,[s1,….,sn],{tf….}, btf 

در پست بعدی به تشریح عملکرد این شبکه و یک مثال عملی در شبکه های قدرت : پایدارساز شبکه های قدرت با کمک شبکه عصبی می پردازم که کاربرد خوب این شبکه است و نیز یک مثال ساده از تقریب توابع ریاضی توسط این شبکه .

و در ادامه نیر روشهای بهبود عملکرد این شبکه بازگو خواهد شد.

منتظر نظرات شما عزیزان و درخواستها هستم

الیاس 

:ADALINE

یکی دیگر از مدلهای ارائه شده تحت عنوان آدالاین می باشد ،

که در ادامه یکی از روشهای تعلیم این نرون با نام روش LMS ارائه شده است:

%L.M.S tamrin2-adeline   -elias rakhshani 1384/8/14

clc

close all

clear all

    %x1       x2 num of lesson 

 x1=[16/20  17/20

     15/20  18/20

     11/20  10/20

     19/20  19/20

     13/20  14/20

     14/20  16/20]

%x1=[13/20 10/20;5/20 18/20;10/20 13/20;18/20 17/20;18/20 18/20;12/20 14/20;11/20 14/20;19/20 19/20;10/20 9/20;14/20 16/20]; % input matrix.    

[m,n]=size(x1); % m= line of matrix p.

 m;   %mun of student

 hold on

 d=zeros(1,1);

 w=[0 0];

 t=0 ;

 M=0.3;

 for i=1:(6.2)*m

 for a=1:m

     x=x1(a,:);

                       if ((x(1,1)+x(1,2))/2)>=16/20

                          d=1;

                          plot(x(1,1),x(1,2),'--rs','MarkerFaceColor','c');hold on

                          title('lms-elias rakhshani')

                          grid on,

                          xlabel(['x1'])

                          ylabel(['x2'])

                       else

                           d=0;

                           plot(x(1,1),x(1,2),'or','MarkerFaceColor','g');hold on

                           title('lms-elias rakhshani')

                           grid on,

                           xlabel(['x1'])

                           ylabel(['x2'])

                        end

      y=w*x'+t;

      e=d-y;

      w=w+2*M*e*x;

      t=t+2*M*e;

      w1=w(1,1);

      w2=w(1,2); 

      a=0:1;

               b=((-w1*a)-t)/w2;

            if b<10

               plot(a,b,'y')

               hold on

               drawnow

           end

 end

end

w

t

               a=0:1;

               b=((-w1*a)-t)/w2;

            if b<10

               plot(a,b,'k') % the end of lines(final).

               hold on

               drawnow

        end

شکل فوق خروجی برنامه می باشد

مغز انسان از میلیون ها سلول بنام نرون در یک شبکه شدیدا بهم پیوسته تشکیل شده است که تمامی تبادل اطلاعات در سراسر بدن از طریق همین نرون ها و یکسری پایانه بنام سیناپس انجام می شود. در مغز انسان  هر قسمت کار مشخصی را انجام می دهد و هر چه میزان بکار گیری یک مطلب خاص بیشتر باشد از آن بخش بیشتر باشد میزان پیوند هایی  که در محل های سیناپس ها وجود دارند محکم تر می شود . که در واقع همین اتفاق حافظه و یادگیری انسان را شامل می شود. در علوم مهندسی از این پدیده استفاده شده که این خود به نام شبکه های عصبی مصنوعی مطرح می شود. یکی از پایه ای ترین  مدلهایی که مطرح شده به نام نرون ادراک گر یا پرسپترون است که می توان کار دسته بندی الگو های خطی را با آن انجام داد. در زیر یک نمونه از روشهای تعلیم این نرون آورده شده است: اگر نیاز به اطلاعات بیشتری داشتید به ایمیل بنده  پیام بگذارید : elias.rakhshani@gmail.com

برنامه مربوط به یک پرسپترون یا همان نرون

 ادراک گر:        

این هم شکل خروجی بعد از اجرای برنامه با مطلب:

خط سیاه خط نها ئی هست: