جستجو در سایت

تماس با ما: 09361509687  ایمیل: royalproje.ir[ at ]gmail.com

Get Started

شبکه‌های عصبی یکی از روشهای یادگیری ماشین است که شامل مجموعه‌ای از گره‌های موجود در لایه‌های بهم پیوسته می‌باشد(Han و Kamber، 2006). این الگوریتم متشکل از لایه ورودی، یک یا چند لایه پنهان و یک لایه خروجی است(Larose، 2005). در این روش با استفاده از لایه های پنهان درون الگوریتم ، یک نگاشت ورودی – خروجی غیر خطی انجام می شود. هدف اصلی در این روش پیدا کردن مجموعه وزن های مناسب برای شبکه به نحوی است که کلیه داده های آموزشی اولیه را بصورت صحیح طبقه بندی یا پیش‌بینی نماید. از مزایای این روش می‌توان به دقت پیش بینی بالا و توان مقاومت در برابر خطاهای داده‌های آموزشی اشاره نمود(Larose،2005). از معایب این روش نیز می‌توان به زمان یادگیری طولانی آن و مشکل بودن درک تابعی که توسط شبکه یاد گرفته شده است ، اشاره کرد . در شکل زیر شمای کلی معماری یک شبکه عصبی نمایش داده شده است .


شکل 5 نمای کلی معماری یک شبکه عصبی
در این شبکه تمامی گره‌های موجود در لایه ورودی و پنهان و لایه خروجی به هم متصل هستند. پیش از ورود مجموعه داده‌ها به شبکه‌های عصبی داده‌ها نرمالسازی می‌شوند. با توجه به شکل بالا می‌توان محاسبات انجام شده در هر گره لایه پنهان و خروجی را طبق زیر تشریح نمود. گره A در شبکه عصبی شکل بالا در شکل زیر وجود دارد.

شکل 6 نمونه‌ای از محاسبات انجام شده در گره‌های لایه پنهان و خروجی
گره‌های موجود در لایه ورودی در طول اتصالات ابتدا از گره‌های موجود در لایه یا لایه‌های پنهان عبور و سپس از گره یا گره‌های موجود در لایه خروجی عبور می‌کنند. هر اتصال در شبکه عصبی دارای اوزانی می‌باشد. مقادیر خروجی گره‌های موجود در لایه پنهان مانند گره A به صورت زیر محاسبه می‌شوند(Larose، 2005):
ابتدا برای تمامی اتصالات موجود در شبکه اوزانی بین 0 تا 1 تعریف می‌گردد.
مقادیر نرمال شده اولین رکورد داده‌ای وارد شبکه عصبی می گردد. (i_n)
مقادیر موجود در لایه ورودی در اوزان اولیه (w_in) خود (یعنی در اوزان اتصالات خود) ضرب می‌شوند.
جمع جبری ضرب اوزان در مقدار ورودی هر گره، وارد یک تابع فعالساز 〖g(s〗_i) که معمولا تابع سیگموید می‌باشد، می‌شود.
خروجی این گره o_n دوباره در اوزان اتصالات موجود با لایه بعدی این گره ضرب شده و وارد گره موجود در لایه خروجی می‌شود.
در گره لایه خروجی محاسبات به همین شکل ادامه پیدا می‌کند تا خروجی نهایی حاصل شود.
هنگامی که مقدار گره خروجی مشخص شد، این مقدار توسط روش‌های بازگشتی در شبکه وارد می‌شود و توسط روش شیب گرادیان میزان اوزان موجود در اتصالات شبکه تصحیح می‌شوند. در این مرحله با استفاده از تنظیم پارامتر یادگیری اتا و پارامتر مفهوم مومنتم آلفا می‌توان فرمول بازگشتی را بهبود بخشید. سپس رکوردهای موجود در مجموعه داده یکی یکی وارد شبکه عصبی می‌شوند. این الگوریتم تا وقتی ادامه پیدا می‌کند که میزان دقت شبکه عصبی مصنوعی به همگرایی مورد نظر دست پیدا کند.

اشتراک برای
آپ دیت ودریافت خبرها