جزئیات محصول
تاریخ انتشار: 07 آوریل 2018
دسته بندی:

انواع شبکه های عصبی :

ابتدا مسئله ای را مطرح کرده وسپس برای يافتن راه حل آن سه شبکه عصبی پرسپترون، همينگ و هاپلفيد را معرفی می کنيم .

فرض می کنيم در انباری ميوه های سيب گلابی وپرتقال از طريق ريلی به قسمت سنسور هدايت می شوند و دستگاه سه ويزگی ميوه هاراکه عبارتندازشکل،زبری و صافی سطح و وزن می باشند را اندازه می گيردو ميوه ها را از هم جدا می کند .به اين دستگاه ترتيب برای شکل گرد مقدار۱ برای شکل بيضی مقدار ۱- را نشان خوهد داد. همچنين مقدار ۱و۱- را برای سطح صاف و ناصاف و همين طور برای وزن کمتراز ۲۰۰ و وزن بيشتر از ۲۰۰ گرم نشان می دهد .وp نوع ميوه ای است که وارد می شود.

 

شبکه عصبی پرسپترون:

شبکه های عصبی پرسپترون ، به ويژه پرسپترون چند لايه ، در زمره کاربردی ترين شبکه های عصبی می باشند .اين شبکه ها قادرندبا انتخاب مناسب تعدادلايه ها و سلول های عصبی،که اغلب هم زياد نيستند، يک نگاشت غير خطی را با دقت دلخواه انجام دهند .

 

پرسپترون تک لايه:

نخستين شبکه ای که برای مسئله مذکور بررسی میشودپرسپترون تک لايه است که ساختار آن به صورت زير است.

توجه داريم که همواره خط مرزی بر بردار وزن عمود است .ومحل قرار گرفتن مرز توسط بردار باياس b تعيين می شود . هر نقطه روی خط مرزی، تصويرش روی بردار وزن ، برابر با مضربی از منفی جمله با ياس -b است و واضح است که برای تمامی نقاطی که برای تمامی نقاطی که بالای خط مرزی قرارگرفته اندمقدارn منفی خواهد بود (چون طول تصوير بردار جديد ، p روی w از مقدار

است و در جهت مخالف بردار w می باشد ،n منفی خواهد بود ) در نتيجه مقذار خروجی ۱- می باشد بالعکس برای تمامی نقاطی که در سمت چپ خط مرزی در پايين خط انتخاب می شوند . مقدار n مثبت و در نتيجه مقدار a برابر ۱ خواهد بود . در حالتی که تعداد نرون ها برابر s باشد ماتريس وزن دارای s سطر خواهد بود . هر سطر I از ماتريس وزن،برداروزن رابرای نرون iام

خواهدساخت، وبدين ترتيب به تعدادسطرهاي ماتريس w ، فوق صفحه در فضای ورودی خواهيم داشت و مرز های تصميم گيری

توسط معادله ی    مشخص می شوند . با توجه به اين معادله می توان گفت نمی توان همواره دسته ها را در فضای ورودی توسط پرسپترون تک لايه مجزا کردزيرا مرز ها معادلات خطی را نمايندگی می کنند ، از اين رو فقط دسته هايی را که در فضای ورودی توسط خطوط از خم جدا پذيزند ، می توان توسط پرسپترون تک لايه جدا نمود

شبکه همينگ:

اين شکه نخستين بار توسط اشتاين بوخ ذر سال ۱۹۶۱ مطرح شد و در سال های اخير توسط کسانی چون ليپمن باز نگری شده است اين شبکه اساساً جهت حل مسئله شناسايی الگو های باينری ( الگو های برداری که عنصرشان فقط دو مقدار ۱ يا ۱ – را بر قبول می کند . ) طراحی شده است . اين شبکه هم در چار چوب شبکه های عصبی قرار می گيرد ، چون از يک سری نرون ها به مثابه گره ها و يک سری وزنه ها ی ارتبا طی بين گره ها تشکيل يافته است . هر گره يک سطح  فعال دارد که خروجی نرون را می سازد . شبکه همينگ از هر دو ساختار پيشخور وپسخور تشکيل می شود.

هدف اصلی در شبکه همينگ اين است که تشخيص کدام الگوی مرجع بيشترين  نزديکی را به الگوی ورودی دارد و سپس آن را در خروجی شبکه ظاهر می کند.

 

شبکه همينگ از سه لايه تشکيل می شود:

لايه پيشخور : نخستين لايه پيشخور که با ماتريس وزن  ، بردار باياس و تابع تبديل خطی نمايندگی می شوند ، ضرب داخلی بين بردار های مرجع با بردار های ورودی را محاسبه می کند بردرا های مرجع در اين مثال الگو های سيب ، گلابی و پرتقال اند.

ذخيره سازی الگو های مرجع در شبکه توسط ماتريس وزن  به انجام می رسد

لايه برگشتی (WTA) : لايه ميانی شبکه همينگ دارای ساختار برگشتی می باشد . اين ساختار به ساختار رقابتی معروف است به همين خاطربه لايه ميانی شبکه همينگ لايه رقابتی نيز می گويندپس از آنکه تعداد بردار های مرجع يا گنجايش ذخيره سازی شبکه توسط لايه اول همينگ محاسبه شدندزير شبکه دوم وارد عمل شده ومقادير خروجی لايه اول را به عنوان مقادير اوليه خود در نظر می گيرد سپس باز خور خود را در هر تکرار از مقدار  ورودی ها کاسته و اين عمل را آنقدر تکرار می کند تا خروجی ها در تمام سلول ها به جزء  سلول برنده (مشخص کننده بيشترين شباهت الگوی مرجع با بردار ورودی می باشد .) صفر شود در چنين شرايطی لايه ميانی، به عبارتی کل شبکه همينگ ، به حالت ماندگار خود رسيده است و ادامه تکرار در لايه ميانی  بی فايده است به اين گونه عمليات ، عمليات از نوع WTA گويند .نهايتاً در لايه ميانی رقابت بين نرون ها آغاز می شود و يک نرون برنده شده و باقی نرون ها بازنده می شوند .

لايه سوم : اين لايه در شبکه همينگ يک شبکه پيشخور با ماتريس وزنی  و تابع تبديل آـستانه ای متقارن دو مقداره است . وظيفه لايه سوم اين است که پس از آنکه لايه دوم همگرا شد ، بردار مرجع ذخيره شده ، در خروجی شبکه ظاهر شود مثلاً در اين مثال اگرلايه دوم نشان داد که الگوی مرجع سيب برای ورودی شناسايی می شود آنگاه لايه سوم بردار آن را به عنوان ورودی دريافت و بردار P را در خروجی شبکه ايجاد می کند .

شبکه هاپفيلد:

اين شبکه مانند لايه ميانی شبکه همينگ دارای فيد بک می باشد . با اين تفاوت که توانايی کل شبکه همينگ را جهت حل مسئله شناسايی الگو دارا می باشد .اين نوع شبکه نوعی از شبکه استاندارد هاپفيلد گسسته است .

طبق شکل تمام نرون ها شبه يکديگر عمل می کنند و هيچ کدام از نرون ها به عنوان ورودی يا خروجی از هم متمايز نمی شوند و اين وجه بارز اختلاف اين شبکه با ديگر شبکه هايی است که مورد بررسی قرار گرفتند .نرون ها نخست توسط ورودی مقادير اوليه می گيرند و آنگاه شبکه طوری خود را تکرار می کند که نتيجه نهايی ، همگرايی شبکه به يکی از الگو های مرجع باشد در مثال مذکور اگر به شبکه هاپفيد پرتقال بيضوی را اعمال کنيم قاعدتاً جواب شبکه بايد پرتقال بيضوی باشد يعنی شبکه به مقداری همرا شده است که هيچ کدام از بردار های مرجع را نمايندگی نمی کند . البته اين يکی از معايبی است که شبکه های هاپفيد با آن درگير هستند ، يعنی شبکه به برداری همگرا می شود که جزء الگو های مرجع نيست.

 

شبکه عصبی خود سازمانده مدل کوهنن:

مدل کوهنن يک مدل بدون ناظر است . در اين مدل تعدادی سلول عصبی که معمولاً در يک توپولوژی مسطح کنار يکديگر چيده می شوند ، با رفتار متقابل روی يکديگر وظيفه شبکه خود سازمانده را ايفا می کنند . اين وظيفه تخمين يک تابع توضيع است . بردار را که هر يک از درايه های آن دارای چگالی احتمال  است، در نظر بگيريد . در اين فضای چگالی نمونه هايی را به تناوب و تصادف انتخاب کرده به شبکه اعمال می کنيم بر اساس موقعيت بردار ورودی در فضای  ، وزن های سلول ها طبق الگريتمی تغيير میکنند. اين تغيير به نحوی انجام می گيرد که در نهايت ، بردار های وزن مربوط به سلول ها به طور يکنواخت در فضای چگالی احتمال ورودی توزيع می شوند و بدين ترتيب شبکه با پراکندن سلول های خود در فضای ورودی پگالی احتمال آن را تخمين می زند .پراکندگی سلول ها در فضای احتمال ورودی به نوعی می تواند فشرده سازی اطلاعات محسوب شود، زيرا اکنون هر سلول مبين تقريبی از يک محدوده مشخص در فضای   است.

 

شبکه عصبی تأ خير زمانی:

نوعی از شبکه های عصبی چند لايه هستند که توانايی رويارويی با طبيعت ديناميکی داده های نمونه ای و سيگنال های ورودی را دارا می باشد.شبکه های عصبی چند لايه دارای ويژکی های زير می باشند:

  • دارای چندين لايه بوده ودر هر لايه به تعداد کافی اتصال بين نرون ها موجود است، به طوری که شبکه توانايی يادگيری سطوح تصميم گيری غير خطی پيچيده داراست
  • رفتار شبکه نسبت به انتقال زمانی ويزگی های نمونه ها حساس می باشد .
  • روش يادگيری در شبکه نسبت به تطبيق زمانی دقيق نمونه های ورودی حساس است .

شبکه تأخير زمانی (TDNN) اولين بار در سال ۱۹۸۸ توسط ويبل استفاده شد و تا کنون نيز کماکان به همان صورت باقیمانده است ، شامل سه لايه است که وزن های آن با سلول های تأخير زمانی جفت شده اند.تابع محرک هر سلول TDNN  تابع زيگموويداست و دارای ورودی وزن داده شده هستند .

در طراحی شبکه های عصبی و بخصوص شبکه عصبی تأخير زمانی ، طراح با مسئله انتخاب شبکه ای مناسب برای طرح خود مواجه است . به طور کلی شبکه ای که با کمترين پيچيدگی و حداقل پارامتر ، بيشترين دقت را در شناسايی الگو های ورودی داشته باشد شبکه مناسب ناميده می شود . در تئوری اگر مسئله ای توسط شبکه ای خاص قابل حل باشد ، توسط شبکه های با اندازه بزرگتر نيزقابل حل است . ولی به خاطر عدم وجود جواب يگانه برای وزن های بهينه الگريتم های يادگيری برای شبکه بزرگتر معمولاً وزنهای مخالف۰ را نتيجه می دهند از اينرو برای تشخيص آن يک شبکه با اندازه کوچکتر برای حل مسئله مورد نظر وجود دارد با اشکال مواجه می کند .اگر تعداد نرون های لايه های شبکه مورد استفاده در يک مسئله خاص را کم بگيريم شبکه قادر به يادگيری نخواهد بود زيرا تعداد فوق صفحات و در نتيجه فوق حجم های لازم برای تقسيم بندی فضای ورودی به کلاس های مختلف کافی نخواهد بود از طرف ديگر تعداد زياد نرون های لايه های پنهان نيز به خاطر بالا رفتن حجم محاسبات ودر نتيجه طولانی شدن زمان تربيت شبکه مناسب نمی باشد علاوه بر اين با توجه به آنکه تربيت شبکه بر اساس مجموعه محدودی از الگو های تربيتی صورت می گيرد اگر شبکه خيلی بزرگ باشد سعی در حفظ کردن دقيق الگو های تربيتی می نمايد و اين امر موجب کاسته شدن از قدرت تعميم و درون يابی شبکه جهت تشخيص الگوهای جديد و خارج از مجموعه تربيتی می گردد از اينرو يک تعداد بحرانی برای لايه های پنهان وجود دارد که برای هر کاربرد خاص بايد پيدا شود.تعداد نرون های لايه پنهانبا شبيه سازی شبکه های مختلف و اندازه گيری ميزان دقت و درون يابی اين شبکه ها روی الگو هايی که درمجموعه تربيتي آنها نبوده است.تعداد نرون های لايه خروجی شبکه ويا به عبارت ديگر نوع کدينگ در خروجی نيز بايستی برای حل يک مسئله خاص مناسب باشند.بهترين روش کدينگ کردن کلاس های خروجی استفاده از بردار های مقدماتی است.

 

برای مشاهده سایر مطالب آموزشی و پروژه‌های مرتبط می توانید روی کلید واژه شبکه عصبی کلیک کنید.

لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد