الگوریتم پس انتشار خطا

دانلود پایان نامه

(‏416)
با داشتن مقدار خطا وزنها اصلاح میگردند و این عمل اصلاح وزنها آنقدر تکرار میشود تا مقدار خطای شبکه به حد قابل قبول برسد .

(‏417)
که در این رابطه:
مقدار ثابت مثبت کوچک تر از یک است که نرخ یادگیری را تعیین می کند. بردار داده های ورودی است. الگوریتم آموزش ارائه شده در فوق، به قانون SLPR معروف است.
شبکههای تک لایه از این مشکل اساسی برخوردارند که تنها توانایی حل آن دسته از مسائل طبقه بندی را دارند که به طور خطی از هم مستقلند و از حل بسیاری از مسائل و طبقه بندی الگوهایی که در فضای ورودی به طور خطی از هم جدا ناپذیرند، ناتوان هستند . این ناتوانی توسط شبکه های عصبی پرسپترون چند لایه مرتفع میشود [53].
شبکههای پرسپترون چند لایه
این شبکهها یکی از مهم ترین شبکههای عصبی هستند که در مهندسی جایگاه خاصی داشته و در زمره کاربردیترین شبکههای عصبی مصنوعی میباشند .این شبکهها قادرند با انتخاب مناسب تعداد لایهها و سلولهای عصبی، یک نگاشت غیر خطی را به دقت انجام دهند که این همان خواسته بسیاری از مسائل فنی مهندسی است. در شبکههای چند لایه، لایهها به ترتیب به هم متصل میشوند به گونه ای که خروجیهای لایه اول، ورودیهای لایه دوم و به همین ترتیب تا آخر که خروجیهای لایه آخر خروجیهای اصلی و پاسخ واقعی شبکه را تشکیل میدهند .به عبارتی دیگر جریان سیگنال شبکه در یک مسیر پیش خور صورت میگیرد که از لایه ورودی شروع شده و به لایه خروجی ختم میگردد.
عموماً در شبکههای چند لایه پرسپترون دو نوع سیگنال استفاده میشود که با هم متفاوتند. دسته اول سیگنالهای تابعی که بر اساس ورودیهای هر نرون و پارامترهای وزن و تابع محرک نظیرش محاسبه میشوند و دسته دوم سیگنالهای خطا که با برگشت از لایه خروجی و منشعب شدن به لایههای پنهان دیگر محاسبه میشوند [53].
تعداد نرونهای لایه پنهان بستگی به نظر طراح شبکه دارد و با سعی و خطا بدست میآید . در صورت کافی نبودن تعداد نرونها، شبکه قادر نخواهد بود نگاشت دقیقی بین بردارهای ورودی و خروجی ایجاد کند .
در لایههای مخفی از نرونهای غیرخطی، با تابع سیگموئید و یا تانژانت هایپربولیک و یا هر تابع غیر خطی پیوسته و مشتق پذیر دیگری میتوان استفاده کرد. معمولاً برای افزایش سرعت آموزش، نرونهای لایه خروجی خطی انتخاب میشوند [54].
الگوریتم پس انتشار خطا ، الگوریتم یادگیری است که برای شبکههای چند لایه پرسپترون به کار میرود. در ادامه شرح مختصری از این الگوریتم ارائه میگردد.
قانون یادگیری پس انتشار خطا BP
در این روش از آموزش با ناظر استفاده میشود بدینصورت که بردار خروجی مطلوب به عنوان ناظر در نظر گرفته میشود و مقدار خروجی شبکه در طول فرایند یادگیری شبکه به بردار مطلوب نزدیک میگردد. قانون پس انتشار خطا از دو مسیر اصلی تشکیل میشود. مسیر اول یا مسیر رفت بردار ورودی به شبکه چند لایه پرسپترون اعمال میشود و تأثیراتش از طریق لایه میانی یا همان لایههای پنهان به لایههای خروجی انتشار مییابد و توابع تحریک روی تک تک نرونهای هر لایه عمل میکنند. در طول این مسیر پارامترهای شبکه ثابتند و بدون تغییر باقی میمانند. در مسیر دوم یا همان مسیر برگشت، بر عکس مسیر رفت پارامترهای شبکه تغییر و تنظیم میگردند. این تغییرات بر اساس پروسه اصلاح خطایی که سیگنال خطا در لایه خروجی تشکیل داده است انجام می شوند .بردار خطا، اختلاف بین بردار پاسخ مطلوب و پاسخ واقعی شبکه میباشد که بعد از محاسبه در مسیر برگشت از لایه خروجی به سمت لایههای پیشین و از طریق لایههای شبکه در کل شبکه توزیع میگردد [53].
سیستم عصبی- فازی
مقدمه
منطق فازی در مقایسه با سیستمهای ریاضی مرسوم به زبان طبیعی نزدیکتر است و این خصوصیت امکان ایجاد کنترل اتوماتیک بر پایهی تجربه بشر را فراهم میسازد. توانایی منطق فازی در کار کردن با دادههای غیر دقیق باعث شده تا در کاربردهای بسیاری به کار گرفته شود به خصوص در مواقعی که فرایند تحلیل با استفاده از روشهای مرسوم پیچیده باشد و یا منبع اطلاعات در دسترس به خوبی قابل تفسیر نباشد و یا غیر دقیق و نامطمئن باشد، کاربرد کنترل کننده های فازی بسیار مفید خواهد بود.
یکی از مشکلات متداول در استفاده از کنترل کننده ی فازی انتخاب پارامترهای مناسب برای یک مسئله است. از آنجا که یک روند مشخص و سیستماتیک برای این انتخاب وجود ندارد، تنظیم کنترل کننده ی فازی برای دستیابی به عملکرد رضایتبخش با روش سعی و خطا صورت میگیرد. از طرف دیگر شبکههای عصبی میتوانند مشخصات سیستم را از روی دادههای ورودی و خروجی شناسایی نمایند. قابلیت یادگیری در شبکههای عصبی میتواند با قابلیت کنترل در سیستمهای فازی همراه شده و یک سیستم فازی- عصبی را تشکیل دهد. شبکههای عصبی و منطق فازی ابزارهایی هستند که به صورت ذاتی در ساخت سیستمهای هوشمند مکمل یکدیگرمیباشند. درحالیکه شبکههای عصبی بر روی دادههای خام عمل میکنند، در منطق فازی از اطلاعات کلامی به دست آمده از فرد خبره استفاده میشود. این سیستم ها دانش را به گونهای قابل فهم برای انسان نمایش میدهند اما از قابلیت یادگیری برخوردار نبوده و نمیتوانند با محیط جدید سازگار شوند. در صورتی که در شبکه های عصبی با وجود قابلیت یادگیری، نحوه نمایش دانش به صورت نامأنوس و بدون استفاده از قواعد زبانی برای بشر است. لذا در سیستم فازی-عصبی ویژگیهای مثبت سیستم فازی و شبکه عصبی که شامل امکان انجام محاسبات موازی و یادگیری در شبکههای عصبی و قابلیت نمایش و بیان دانش به صورت قابل فهم برای انسان در سیستمهای فازی، با یکدیگر مجتمع شدهاند و در واقع سیستمهای فازی قابلیت یادگیری پیدا کرده و عملکرد شبکههای عصبی هم شفافتر خواهد شد [].
در سیستمهای فازی زمانی که تعیین مجموعهها و قوانین فازی با استفاده از قواعد زبانی امکان پذیر نباشد به منظور مشخص نمودن رابطه میان ورودیها و خروجیها، میتوان از شبکهی عصبی استفاده نمود. بر این اساس یک شبکه فازی-عصبی را میتوان از دو دیدگاه مختلف تعریف کرد. در دیدگاه اول، سیستم فازیای که از الگوریتمهای یادگیری بدست آمده از تئوری شبکه عصبی جهت تعیین مجموعهها و قوانین فازی بهره میگیرد، سیستم فازی-عصبی است و در دیدگاه دوم، به شبکه عصبیای که معادل یک مدل استنتاجی فازی عمل میکند، سیستم فازی-عصبی است. اولین بار جنگ در سال 1993 با استفاده از قدرت زبانی سیستمهای فازی و آموزش شبکههای عصبی توانست سیستمی تحت عنوان سیستمهای فازی بر پایهی شبکه عصبی تطبیقی ارائه نماید [56]. این سیستمها به سیستمهای انفیسANFIS معروف شدهاند.
محدودیتهای انفیس

مطلب مشابه :  قانون آیین دادرسی مدنی مصوب