دانلود پایان نامه

د تکرار الگوریتم یادگیری که عموما توسط معادله تفاضلی بیان می شود به پارامترهایی در فضای پارامترهای شبکه همگرا می شوند که برای آنها خطای یادگیری بسیار کوچک است و عملا شبکه عصبی شبکه عصبی معادل معلم می شود. یا به عبارتی دیگر اطلاعات مربوط به محیط (نگاشت بین TiوPi )که برای معلم روشن است به شبکه عصبی منتقل می شود و پس از این مرحله عملا می توان بجای معلم از شبکه عصبی استفاده کرد تا یادگیری تکمیل شود]29[.
2.یادگیری تشدیدی:
یک اشکال یادگیری با ناظر این است که شبکه عصبی ممکن است بدون معلم نتواند مواضع جدیدی را که توسط مجموعه داده های جدید تجربی پوشانده نشده است یاد بگیرد. یادگیری از نوع تشدید یا محدودیت را برطرف می کند . این نوع یادگیری بطور درون خطی42صورت می گیرد در حالی که یادگیری با ناظر را به دو صورت برون خطی43 و درون خطی میتوان انجام داد. درحالت آفلاین میتوان از یک سیستم محاسب با در اختیار داشتن داده های یادگیری استفاده کرد و طراحی شبکه عصبی را به پایان رساند. پس از مرحله طراحی و یادگیری شبکه عصبی به عنوان یک سیستم استاتیکی عمل می کند. اما در یادگیری درون خطی شبکه عصبی همراه با خود سیستم یادگیر در حال انجام کار است و از این رو مثل یک سیستم دینامیکی عمل می کند .
یادگیری از نوع تشدیدی یک یادگیری آنلاین از یک نگاشت ورودی- خروجی است. این کار از طریق یک روش سعی و خطا به صورتی ا نجام می پذیرد که یک شاخص اجرایی موسوم به سیگنال تشدید ماکزیمم شود و بنابراین الگوریتم نوعی از یادگیری با ناظر است که در آن به جای فراهم نمودن جواب واقعی، به شبکه عددی که نشانگر میزان عملکرد شبکه است ارایه می شود. این بدین معنی است که اگر شبکه عصبی پارامترهایش را به گونه ای تغییر داد که منجر به یک حالت مساعد شد آنگاه تمایل سیستم یادگیر جهت تولید آن عمل خاص تقویت یا تشدید می شود. درغیر این صورت تمایل شبکه عصبی جهت تولید آن عمل خاص تضعیف می شود. یادگیری تقویتی مثل یادگیری با ناظر نیست و این الگوریتم بیشتر برای سیستم های کنترلی کاربرد دارد]29[.
3. یادگیری بدون ناظر
دریادگیری بدون ناظر یا یادگیری خود سامانده پارامترهای شبکه عصبی تنها توسط پاسخ سیستم اصلاح و تنظیم می شوند. به عبارتی تنها اطلاعات دریافتی از محیط به شبکه را ورودی تشکیل می دهند. و در مقایسه با مورد بالا (یادگیری باناظر) بردارجواب مطلوب به شبکه اعمال نمی شود. به عبارتی به شبکه عصبی هیچ نمونه ای از تابعی که قرار است بیاموزد داده نمی شود. درعمل میبینیم که یادگیری با ناظر در مورد شبکه های یکه از تعداد زیادی لایه های عصبی تشکیل شده باشند بسیار کند عمل می کند و در این گونه موارد تلفیق یادگیری با ناظر و بدون ناظر پیشنهاد می گردد]29[.
2-2-5- ساختار شبکه‌های عصبی
یک شبکه عصبی شامل اجزای سازنده لایه‌ها و وزن‌ها می‌باشد. رفتار شبکه نیز وابسته به ارتباط بین اعضا است. در حالت کلی در شبکه‌های عصبی سه نوع لایه عصبی وجود دارد:
لایه ورودی: دریافت اطلاعات خامی که به شبکه تغذیه شده‌است.
لایه‌های پنهان: عملکرد این لایه‌ها به وسیله ورودی‌ها و وزن ارتباط بین آنها و لایه‌های پنهان تعیین می‌شود. وزن‌های بین واحدهای ورودی و پنهان تعیین می‌کند که چه وقت یک واحد پنهان باید فعال شود.
لایه خروجی: عملکرد واحد خروجی بسته به فعالیت واحد پنهان و وزن ارتباط بین واحد پنهان و خروجی می‌باشد]30[.
شبکه‌های تک لایه و چند لایه‌ای نیز وجود دارند که سازماندهی تک لایه که در آن تمام واحدها به یک لایه اتصال دارند بیشترین مورد استفاده را دارد و پتانسیل محاسباتی بیشتری نسبت به سازماندهی‌های چند لایه دارد. در شبکه‌های چند لایه واحدها به وسیله لایه‌ها شماره گذاری می‌شوند (به جای دنبال کردن شماره گذاری سراسری.(
هر دو لایه از یک شبکه به وسیله وزن‌ها و در واقع اتصالات با هم ارتباط می‌یابند. در شبکه‌های عصبی چند نوع اتصال و یا پیوند وزنی وجود دارد:
پیشرو: بیشترین پیوندها از این نوع است که در آن سیگنال‌ها تنها در یک جهت حرکت می‌کنند. از ورودی به خروجی هیچ بازخوردی (حلقه) وجود ندارد. خروجی هر لایه بر همان لایه تاثیری ندارد.
پسرو: داده‌ها از گره‌های لایه بالا به گره‌های لایه پایین بازخورانده می‌شوند.
جانبی: خروجی گره‌های هر لایه به عنوان ورودی گره‌های همان لایه استفاده می‌شوند.

شکل2-1- نمایی از شبکه عصبی تک لایه ]30[.

مطلب مرتبط :   مقاله رایگان با موضوعجبران خسارت، ضمن عقد

شکل2-2- نمایی از شبکه عصبی چند لایه]30[.

2-2-6- تقسیم بندی شبکه‌های عصبی
شبکه‌های عصبی بر مبنای روش آموزش به چهار دسته تقسیم می‌شوند:
وزن ثابت: آموزشی درکار نیست و مقادیر وزن‌ها به هنگام نمی‌شود.کاربرد: بهینه سازی اطلاعات (کاهش حجم، تفکیک پذیری وفشرده سازی) وحافظه‌های تناظری.
آموزش بدون سرپرست: وزن‌ها فقط بر اساس ورودی‌ها اصلاح می‌شوند و خروجی مطلوب وجود ندارد تا با مقایسه خروجی شبکه با آن و تعیین مقدار خطا وزن‌ها اصلاح شود. وزن‌ها فقط بر اساس اطلاعات الگوهای ورودی به هنگام می‌شوند. هدف استخراج مشخصه‌های الگوهایو رودی براساس راهبرد خوشه یا دسته ‌بندی و تشخیص شباهت‌ها (تشکیل گروه‌هایی با الگوی مشابه) می‌باشد، دو ناین که خروجی یا کلاس‌های متناظر با الگوهای ورودی از قبل مشخص باشد. این یادگیری معمولاً بر پایه شیوه برترین همخوانی انجام می‌گیرد. شبکه بدون سرپرست وزن‌های خود را برپایه خروجی حاصل شده از ورودی تغییرمی‌دهد
تا در برخورد بعدی پاسخ مناسب یرابر این ورودی داشته باشد. در نتیجه شبکه یاد می‌گیرد چگونه به ورودی پاسخ بدهد. اصولا هدف این است که با تکنیک عصب غالب عصبی که بیشترین تحریک آغازین را دارد برگزیده شود. بنابراین در شبکه‌های بدون سرپرست یافتن عصب غالب یکی از مهمترین کارها است.
آموزش با سرپرست: به ازای هر دسته از الگوهای ورودی خروجی‌های متناظر نیز به شبکه نشان داده می‌شود و تغییر وزن‌ها تا موقعی صورت می‌گیرد که اختلاف خروجی شبکه به ازای الگوهای آموزشی از خروجی‌های مطلوب در حد خطای قابل قبولی باشد. دراین روش‌ها یا ازخروجی‌ها به وزن‌ها ارتباط وجود دارد یا به صورت پس انتشار ازلایه خروجی به ورودی توزیع شده ‌است ووزن‌ ها اصلاح می‌شوند. هدف طرح شبکه ‌ای است که ابتد ابا استفاده از داده‌ها یآموزشی موجود، آموزش ببیند و سپس با ارائه بردار ورودی به شبکه که ممکن است شبکه آن را قبلا فراگرفته یا نگرفته باشدکلاس آن راتشخیص دهد. چنین شبکه ‌ای به طورگسترده برای کارهای تشخیص الگو به کارگرفته می‌شود.
آموزش تقویتی: کیفیت عملکرد سامانه به صورت گام به گام نسبت به زمان بهبود می‌یابد. الگوهای آموزشی وجود ندارد اما با استفاده از سیگنالی به نام نقاد بیانی ازخوب و یا بد بودن رفتار سامانه بدست می‌آید (حالتی بین یادگیری با سرپرست و بدون سرپرست).
2-2-6-1- تقسیم بندی داده ها در شبکه عصبی مصنوعی
برای توسعه ی شبکه عصبی مصنوعی، مجموعه داده ها به سه قسمت آموزش، تست و اعتبارسنجی44 تقسیم می شوند. بعد از تقسیم بندی مجموعه داده ها، مجموعه آموزش به عنوان تنظیم کننده پارامترها کاربرد دارند. تمام وزن ها و بایاس های سیناپسی در ابتدا به صورت رندمی مقدار دهی می شوند]31[.
برای روش بهینه سازی می توان از روش الگوریتم لونبرگ-مارکوارت همراه با تکنیک بایاسین استفاده کرد. این الگوریتم به صورت ویژه به بهینه سازی شبکه های عصبی مصنوعی با استفاده از حجم نمونه ی یادگیری کوچک اشاره دارد]35-32.[ مجموعه داده های تست برای تنظیم وزن های سیناپسی شبکه کاربرد دارند، تا عملکرد الگوریتم ها را روی داده هایی که استفاده نمی شوند ارزیابی کنند و نیز برای تنظیم یا جلوگیری از تنظیم زمانی که خطا روی داده های تست افزایش می یابند کاربرد دارند.
در پایان داده های اعتبارسنجی، قابلیت عمومیت یافتن مدل را اندازه گیری می کنند.
2-2-7- کاربرد شبکه‌های عصبی
شبکه های عصبی مصنوعی به طور گسترده درعلوم مختلف از قبیل تخمین مشخصات فیزیکی و شیمیایی کاربرد دارند.
این ابزار قدرتمند معمولا برای مطالعه ی سیستم های پیچیده بکار گرفته می شوند.
شبکه‌های عصبی مصنوعی دارای دامنه کاربرد وسیعی می‌باشند از جمله سامانه‌های آنالیز ریسک، کنترل هواپیما بدون خلبان، آنالیز کیفیت جوشکاری، آنالیز کیفیت کامپیوتر، آزمایش اتاق اورژانس، اکتشاف نفت و گاز، سامانه‌های تشخیص ترمز کامیون، تخمین ریسک وام، شناسایی طیفی، تشخیص دارو، فرآیندهای کنترل صنعتی، مدیریت خطا، تشخیص صدا، تشخیص هپاتیت، بازیابی اطلاعات راه دور، شناسایی مین‌های زیردریایی، تشخیص اشیاء سه بعدی و دست نوشته‌ها و چهره و… در کل می‌توان کاربردهای شبکه‌های عصبی را به صورت زیر دسته بندی کرد: تناظر (شبکه الگوهای مغشوش وبه هم ریخته را بازشناسی می‌کند)، خوشه یابی، دسته بندی، شناسایی، بازسازی الگو، تعمیم دهی (به دست آوردن یک پاسخ صحیح برای محرک ورودی که قبلا به شبکه آموزش داده نشده) بهینه سازی]36[.
امروزه شبکه‌های عصبی در کاربردهای مختلفی نظیر مسائل تشخیص الگو که خود شامل مسائلی مانند تشخیص خط، شناسایی گفتار، پردازش تصویر و مسائلی از این دست می‌شود و نیز مسائل دسته بندی مانند دسته بندی متون یا تصاویر، به کار می‌روند. در کنترل یا مدل سازی سامانه‌هایی که ساختار داخلی ناشناخته یا بسیار پیچیده‌ای دارند نیز به صورت روز افزون از شبکه‌های عصبی مصنوعی استفاده می‌شود. به عنوان مثال می‌توان در کنترل ورودی یک موتور از یک شبکه عصبی استفاده نمود که در این صورت شبکه عصبی خود تابع کنترل را یاد خواهد گرفت]37[.

مطلب مرتبط :   منبع پایان نامه ارشد درموردفاصله قدرت

2-2-7-1-کاربرد شبکه عصبی مصنوعی در این تحقیق
برای مدلسازی مشخصات بحرانی از شبکه عصبی استفاده شده است. شبکه عصبی اشتراک به جلوی سه لایه برای رفع این مشکل به کار برده شده است.نمایی معمولی برای شبکه های عصبی سه لایه در شکل 2-1 نشان داده شده است.

شکل2-3- نمایی از شبکه عصبی اشترک به جلوی سه لایه

فرم ساده شده ارتباط بین پارامترهای ورودی و خروجی طبق معادله ی 2-4 تعریف می شود.
ycal(n) = W2 × (tansig(W1 × Ti + b1)) +b2
tansig(n) = ( 2)/(1+exp⁡(-2 ×Ti))-1
در معادله فوق:
Ti برابر ماتریس پارامترهای ورودی
W1 برابر ماتریس وزن اولیه ی لایه ی مخفی
W2برابر ماتریس وزن لایه ی خروجی
b1برابر بایاس لایه ورودی
b2برابر بایاس لایه خروجی
ycal(n) برابر خروجی شبکه می باشد]39-38[.

2-2-8- معایب شبکه‌های عصبی
با وجود برتری‌هایی که شبکه‌های عصبی نسبت به سامانه‌های مرسوم دارند، معایبی نیز دارند که پژوهشگران این رشته تلاش دارند که آنها را به حداقل برسانند، ازجمله:
قواعد یا دستورات مشخصی برای طراحی شبکه جهت یک کاربرد اختیاری وجود ندارد.
درمورد مسائل مدلسازی، صرفاً نمی‌توان با استفاده از شبکه عصبی به فیزیک مساله پی
برد. به عبارت دیگر مرتبط ساختن پارامترها یا ساختار شبکه به پارامترهای فرآیند معمولاً غیرممکن است.
دقت نتایج بستگی زیادی به اندازه مجموعه آموزش دارد.
آموزش شبکه ممکن است مشکل و یا حتی غیرممکن باشد.
پیش بینی عملکرد آینده شبکه (عمومیت یافتن) آن به سادگی امکانپذیر نیست.
2-3- سیستم استنتاج تطبیقی عصبی- فازی (انفیس)
سیستم استنتاج تطبیقی عصبی- فازی 45 (انفیس) یک نوعی از شبکه عصبی مصنوعی است که بستگی به سیستم استنتاجی فازی تاکاگی-سوگنو46 دارد. این روش در اوایل سال 1990 میلادی رشد یافت]41-40[.
این سیستم استنتاجی مطابق با قوانین فازی اگر-پس47که قابلیت تخمین زدن توابع غیر خطی را فرا می گیرد می باشد]42[.
انفیس به عنوان یک برآورد کننده48 جهانی مطرح می شود]43[.

2-3-1- دسته بندی قواعد انفیس
به طور کلی انفیس یک مدل منطق فازی مبتنی بر قواعد می باشد که قواعد آن به چهار گروه دسته بندی می شوند:
زبان شناختی49(ممدانی50]44[).
رابطه فازی51.
بر اساس شبکه عصبی.
روش تاکاگی-سوگنو-کانگ(TSK). بر اساس مدل TSK یک سیستم استنتاج فازی منطبق بر شبکه(انفیس) است که توسط جانگ52]45[ معرفی می شود.
2-3-1-1- مدل تاکاگی- سوگنو-کانگ
در ابتدا باید متذکر شد در این تحقیق از این روش بهره برده ایم. این مدل به سوگنو معروف است و برای روش استنتاج فازی می باشد]46[. این روش در تعداد زیادی از موارد به روش ممدانی شبیه است.تفاوت اصلی بین این دو روش در توابع عضویت خروجی53 می باشد. به طوری که توابع عضویت برای مدل سوگنو خطی یا ثابت هستند. همچنین این روش برای توابع غیر خطی مناسب می باشد.
یک قانون معمولی در مدل فازی سوگنو به صورت زیر است:
فرض می کنیم سیستم استنتاجی ما دارای دو ورودی xو y و خروجی z = f(x,y) می باشد. سپس ما فرض می کنیم سیستم شامل دو قانون فازی اگر- پس بر طبق زیر می باشد:
قانون i : اگر x برابر Ai و y برابر Bi باشد سپس داریم:
fi = pix +qiy + ri , i = 1,2
قانون اول: هر i در این قانون یک گره انطباقی همراه معادله ی زیر است:
O1,i = μAi(x)
در حالی که O1,i برابر خروجی iام قانون اول و μAi یک تابع عضویت ویژه می باشد(MF). شبیه تابع عضویت گوسین54که طبق رابطه ی زیر می باشد.
μAi = exp[-0.5〖((x-c_i)/σ_i )〗^2]
در حالی که iϭ و ciپارامتر های فرض منطقی55 نامیده می شوند.
قانون دوم: خروجی هر گره در این قانون حاصلضربی از μ ها می باشد:
O2,i = wi= μAi(x)×μBi(x) i = 1,2
wi برابر قدرت شلیک56 قانون i ام می باشد.
قانون سوم: خروجی این لایه بر طبق معادله ی زیر محاسبه می شود:
O4,i = wi fi= wi(pix +qiy + ri)
قانون چهارم: در نهایت در این قسمت خروجی بر طبق معادله ی زیر محاسبه می شود:
O5,i= (∑_(i=1)^N▒〖Wif_i 〗)/(∑_(i=1)^N▒Wi)
یک نمایی ازقاعده ی عملکرد روش سوگنو توسط شکل 2-4 نشان داده می شود.

شکل 2-4- نمایی از قاعده ی عملکرد روش سوگنو

2-4- شاخص های ارزیابی مدل های بدست آمده
برای ارزیابی عملکرد مدل های بدست آمده، میانگین خطای نسبیMRE))57 و ضریب همبستگی R2))58 بر طبق


دیدگاهتان را بنویسید