پاورپوینت ارائه ساختارهای مختلف شبکه های عصبی (pptx) 24 اسلاید
دسته بندی : پاورپوینت
نوع فایل : PowerPoint (.pptx) ( قابل ویرایش و آماده پرینت )
تعداد اسلاید: 24 اسلاید
قسمتی از متن PowerPoint (.pptx) :
2
فصل دوم :
ارائه ساختارهای مختلف شبکه هاي عصبي
Multi-layer Perceptron (MPL)
3
هر شبکه عصبی دارای سه ویژگی زیر می باشد:
مدل سلول عصبی (نوع تابع)
ساختار شبکه عصبی (نوع توپولوژی)
آموزش در شبکه عصبی (نوع آموزش)
خودسازماندهی ساختار درحین آموزش
مدل سلول عصبی
توابع انتقال
خروجی واقعی به تابع انتقال ويژه ای که انتخاب شده بستگی دارد و بايد معيار های مورد نظر مسئله ای که سلول عصبی برای حل آن استفاده می شود را، برآورده کند. سه نوع از پرکاربرد ترين آنها عبارتند از:
تابع انتقال سخت محدود
تابع انتقال خطی
تابع انتقال لگاريتمی سيگموئيد
4
توابع انتقال
از آنجايی که تابع انتقال لگاريتمی سيگموئيد، يک تابع مشتق پذير است، عموماً از آن در شبکه های چند لايه ای استفاده می شود که با استفاده از الگوريتم پس انتشار خطا ( Backpropagation ) آموزش می پذيرند. نمونه ای از اين تابع به صورت زير است:
مطابق اين عبارت، ورودي اين تابع انتقال مي تواند هر مقداري بين منفي بينهايت تا مثبت بينهايت باشد در حاليکه خروجي آن در بازه صفر و 1 محدود شده است.
مدل سلول عصبی
5
6
توابع انتقال
logsig(n) = 1 / (1 + exp(-n))
hardlim(n) = 1 if n >=0
=0 otherwise
poslin(n) = n, if n >= 0
= 0, if n <= 0
hardlims(n) = 1 if n >= 0, -1 otherwise.
7
توابع انتقال
purelin(n) = n
satlin(n) = 0, if n <= 0
= n, f 0 <= n <= 1
=1, if 1 <= n
satlins(n) = -1, if n <= -1
= n, if -1 <= n <= 1
= 1, if 1 <= n
8
توابع انتقال
tansig(n) = 2/(1+exp(-2n))-1
tribas(n) = 1 - abs(n), if -1 <= n <= 1
= 0, otherwise
radbas(n) = exp(-n^2)
مدل سلول عصبی تک ورودی
اگر اين مدل ساده را با سلول عصبی بيولوژيکی که پيش از اين شرح داديم مقايسه کنيم، وزن w مطابقت دارد با سيناپس، بدنه سلول به وسيله عمل جمع و تابع انتقال بيان شده و خروجی سلول عصبی يا همان a نمايانگر سيگنال آکسون است.
9
مدل سلول عصبی
