در شبکه های عصبی

  • Back Propagation Learning
    • یک روش سیستماتیک برای آموزش است. همچنین با استفاده از واحدهای تابع فعال، یک روش محاسباتی کارامد برای تغییر وزن سیناپس ها در شبکه های عصبی فراهم می کند.
    • از روش یادگیری نظارت شده استفاده می کند.
    • در دو مرحله اجرا می شود:
    • ۱- انتشار
    • ۱-۱- انتشار رو به جلو: ورودی الگوی آموزش از طریق شبکه های عصبی (به منظور تولید خروجی فعال قابل انتشار)
    • ۱-۲- انتشار رو به عقب: خروجی فعال انتشار یافته از طریق شبکه های عصبی با استفاده از هدف الگوی آموزش به منظور تولید دلتا های نرونهای مخفی و خارج شده.
    • ۲- به روز رسانی وزن
    • ۲-۱- ضرب دلتا خروجی و فعال سازی ورودی برای دریافت شیب وزن.
    • ۲-۲- تفریق نسبتی (درصد) از شیب وزن.

Error Correction Learning

در شبکه های عصبی

 

  • Gradient Descent Learning
    • در اینجا آموزش شبکه عصبی شامل پیدا کردن حداقل یک تابع غیر خطی پیچیده می باشد.
    • این تابع که به تشریح خطاء شبکه عصبی می پردازد، باعث تخمین یا طبقه بندی داده های آموزش به عنوان تابعی از وزن شبکه می شود.(w)
    • ما می خواهیم تا آنجا که امکان دارد مقدار این خطاء کوچک شود. بنابراین باید سعی کنیم که به سمت نقطه حداقل خطاء حرکت کنیم.

Error Correction Learning در شبکه های عصبی

  • Gradient Descent Learning
    • در اینجا آموزش شبکه عصبی شامل پیدا کردن حداقل یک تابع غیر خطی پیچیده می باشد.
    • این تابع که به تشریح خطاء شبکه عصبی می پردازد، باعث تخمین یا طبقه بندی داده های آموزش به عنوان تابعی از وزن شبکه می شود.(w)
    • ما می خواهیم تا آنجا که امکان دارد مقدار این خطاء کوچک شود. بنابراین باید سعی کنیم که به سمت نقطه حداقل خطاء حرکت کنیم.

برای این منظور از روش گرادیان نزولی استفاده می کنیم

  • یادآوری (روش گرادیان نزولی)
    • چنانچه شیب یک نقطه از فضای سه بعدی (یا دو بعدی) رو داشته باشیم و در جهت عکس آن شیب حرکت کنیم، به یک نقطه مینیمم (که میتواند مینیمم محلی یا عمومی باشد) می رسیم. به این روش در پیدا کردن نقاط مینیمم یک مسئله، گرادیان نزولی می گویند.

ایجاد شبکه های عصبی با استفاده از سیستم های فازی

  • شبکه های عصبی برای افزایش کارایی سیستمهای فازی به کار می روند.
  • روش مورد استفاده برای طراحی شبکه های عصبی، به کارگیری سیستم های فازی یا ساختار بر پایه فازی است.
  • این مدل نوعی از روش تقسیم و تسخیر می باشد.
  • به جای استفاده از یک شبکه عصبی برای تمامی داده های ورودی و خروجی، در این مدل چندین شبکه ایجاد می گردد:
    • ساخت یک جداکننده فازی برای خوشه بندی داده های ورودی-خروجی در داخل چندین کلاس.
    • ساخت یک شبکه عصبی برای هر کلاس

آموزش شبکه های عصبی با داه های ورودی-خروجی در کلاسهای متناظر.

ایجاد شبکه های عصبی با استفاده از سیستمهای فازی

  • برای ساخت جداکننده فازی روشهای متفاوتی وجود دارد.
    • Fuzzy c-mean
    • شبکه های عصبی
    • قوانین فازی
    • در این جداکننده فازی:
      • کلاس می تواند بر یک قانون منطبق گردد
      • درجه عضویت x در کلاس   به جای توابع عضویت توسط جدا کننده فازی محاسبه می گردد.
      • خروجی برای ورودی x مطابق زیر ارزیابی می گردد.
    • با این روش ما می توانیم دانش پیش بینی Task را برای کاهش پیچیدگی به کار برده و کارایی سیستم را افزایش دهیم.

 

ایجاد شبکه های عصبی با استفاده از سیستمهای فازی

  • مثالی از این مدل توسط Takagi و Hayashi ارائه گردید.
  • مطابق این روش:
    • از یک شبکه عصبی برای ساخت جدا کننده فازی استفاده گردید
    • یک روش که می توانست تعداد قوانین فازی و یا مقادیر ورودی زائد را کاهش دهد، مطرح گردید.