انواع شبکه های عصبی

دانلود پایان نامه

اصولاً وقتی مقادیر ورودی به نرون با اعمال ماتریس وزنw وزندار شدند، مقادیر وزندار توسط توابع تحریک مقدار واقعی خروجی نرون را به خود میگیرند :
(‏413)
(‏414)
بردار ورودی، بردار خروجی و تبع تحریک میباشند.
تابع تحریک بر اساس نیاز خاص حل مسئله انتخاب میشود که در عمل تعداد محدودی از این توابع مورد استفاده قرار میگیرند .توابعی که به خصوص در کاربردهای مهندسی مورد استفاده بیشتری قرار میگیرند، عبارتند از توابع تحریک خطی، تابع حدی دو مقداره ( باینری)، تابع محرک سیگموئیدی و یا تابع محرک تانژانت هیپربولیک.
آموزش شبکههای عصبی
هدف استفاده از شبکه عصبی مصنوعی برای حل یک مسئله، بدست آوردن خروجی مناسب با توجه به دادههای ورودی است .حال اینکه مقدار خروجی بدست آمده چقدر با مقدار واقعی آن اختلاف دارد، بستگی به آموزش شبکه و انتخاب وزن ها و بایاسهای مناسب برای لایهها دارد. نحوه یادگیری در شبکههای عصبی به دو صورت انجام میگیرد .
آموزش با ناظر
آموزش اکثر شبکههای عصبی با استفاده از مجموعهای از زوج بردارهای نمونه صورت میگیرد به طوری که به هر بردار ورودی یک بردار خروجی مشخص نسبت داده میشود. با ارائه این مجموعه بردارها به شبکه، وزنها بر اساس الگوریتم یادگیری شبکه اصلاح می شوند. این گونه آموزش را آموزش با ناظر گویند [53].
برخی شبکه های عصبی آموزش میبینند که بردارهای ورودی را گروهبندی کنند در این صورت اگر بردار ورودی به گروه A تعلق داشته باشد خروجی برابر 1 و در غیر این صورت مقدار 1- به خود میگیرد. در مواردی دیگر با ارائه بردار ورودی، پاسخ شبکه بر اساس شبکه آموزش دیده به صورت نزدیک ترین بردار خروجی مطلوب بدست میآید .شبکههای چند لایه قادرند که با اعمال نگاشتهای غیر خطی از بردارهای ورودی با n بعد، بردارهای خروجی m بعدی را نتیجه دهند [54].
آموزش بدون ناظر
در این نوع آموزش فقط بردارهای ورودی به شبکه داده میشود و جواب مطلوب بر شبکه اعمال نمیشود. شبکه عصبی مصنوعی بایستی تنها با استفاده از اطلاعات ورودی، طبقه بندی موجود در الگوهای ورودی و شاخصهای موجود در ورودیها، ارتباطات موجود بین الگوهای ورودی را پیدا نماید و در خروجی شبکه کد نماید. برای این منظور در اینجا هم پارامترهای شبکه تنظیم میشوند که در اینجا عمل تنظیم پارامترها به عمل خود سازماندهی موسوم است. یک مثال بسیار متداول خوشه بندی الگوهای ورودی است، بدون اینکه بدانیم کدام الگو به کدام خوشه تعلق دارد. خوشهها در نهایت از روی تشابهات و عدم تشابهات بین الگوها، ایجاد میشوند [53].
انواع شبکههای عصبی
شبکههای عصبی را میتوان به 2 دسته کلی شبکههای پیشخور و بازگشتی تقسیم کرد. تفاوت شبکههای بازگشتی با شبکههای پیشخور اینست که در شبکههای بازگشتی حداقل یک سیگنال برگشتی از یک نرون به همان نرون یا نرونهای همان لایه و یا لایه دیگر وجود دارد [53]. شکل (4-11) این دو دسته را نشان میدهد.
الف) ساختار پیشخور ب) ساختار بازگشتی
شکل ‏411 انواع شبکه های عصبی
در ادامه شرح مختصری از برخی شبکه های پیشخور ارائه می گردد.
شبکههای پرسپترون تک لایه
این گونه شبکهها تنها دارای یک لایه (لایه خروجی) هستند. نرونهای مورد استفاده در لایه خروجی از نوع آستانهای دو مقداره میباشند. تعداد نرونهای لایههای ورودی و خروجی به ترتیب وابسته به ابعاد دادههای ورودی و خروجی است. برای آموزش شبکه پرسپترون تک لایه زوج بردارهای آموزشی شامل بردارهای ورودی و بردارهای هدف به شبکه داده میشود .سپس ماتریس وزن با درایههای کوچکی برای همه وزنهای شبکه به صورت تصادفی فرض میشود .بردار ورودی در ماتریس وزن ضرب شده و تابع تحریک حدی باینری (sign) به این بردارهای وزن دار اعمال میشود.

مطلب مشابه :  ارتباطات شبکه ای

(‏415)
اکنون میتوانیم مقدار خطا را برای هر سلول عصبی را به صورت اختلاف خروجی عملی و خروجی هدف محاسبه نماییم.