منوهای نصب در پنل مدیریت

  • ورود
  • سبد خرید شما خالی است.

شبکه عصبی مصنوعی- قسمت دوم

شبکه عصبی مصنوعی یا همان Artificial Neural Network یک الگوی پردازش اطلاعات است.

پردازش شبکه عصبی مصنوعی به سه زیر بخش تقسیم می شود:

  • توپولوژی شبکه
  • تنظیم وزن یادگیری
  • توابع فعالسازی

در قسمت قبلی؛ توضیحات پایه ای درمورد شبکه عصبی مصنوعی دادیم.

لطفا اگر این بخش را مطالعه نکردید، ابتدا به این صفحه مراجعه کنید.

توپولوژی شبکه عصبی مصنوعی

یک توپولوژی شبکه درواقع گره ها(Node) و اتصالات بین آنها را تنظیم می کند. براساس ساختار توپولوژی، شبکه ها به انواع مختلفی تقسیم می شوند:

شبکه عصبی رو به جلو یا feed forward :

این شبکه بدون تکرار است و دارای گره ها یا واحدهای پردازش در لایه های مختلف است. تمام گره ها در لایه ها به گره های لایه قبل متصل هستند. این اتصالات وزن هی متفاوتی روی گره ها اعمال می کند. در این نوع شبکه هیچ حلقه ای وجود ندارد ، یعنی سیگنال ها در یک جهت حرکت می کنند به این صورت که از ورودی به خروجی می روند.

شبکه های روبه جلو می توانند به دو نوع تقسیم شوند:

شبکه تک لایه یا single layer feed forward :

این نوع شبکه عصبی مصنوعی فقط یک لایه وزن دار دارد. به عبارت دیگر لایه ورودی به طور مستقیم به لایه خروجی متصل شده است. یعنی لایه مخفی نداریم.

شبکه عصبی رو به جلو تک لایه

شبکه عصبی چند لایه multi layer feed forward :

این مفهوم از ANN دارای بیش از چند لایه وزنی میانی است. بخاطر اینکه چندین لایه بین لایه ورودی و لایه خروجی قرار دارند به آنها لایه مخفی گفته می شود.

شبکه عصبی چندلایه

شبکه عصبی بازگشتی feed back forward :

همانطور که از نام این شبکه پیداست، یک شبکه عصبی بازگشتی دارای یک مسیر بازگشتی است. به این صورت که سیگنال های شبکه در هر دوجهت با استفاده از حلقه ها حرکت می کنند. همین امر این شبکه را به شبکه غیرخطی و پویا تبدیل می کن، که طور مداوم تغییر می کند. این تغییرات تا زمانی که شبکه به تعادل برسد این تغییرات ادامه دارد. این نوع شبکه نیز به چند دسته تقسیم می شود:

شبکه بازگشتی یا Recurrent network :

این شبکه عصبی بازگشتی است دارای حلقه های بسته است. به دو دسته تقسیم می شود:

شبکه کاملا بازگشتی یا fully Recurrent network :

این شبکه ساده ترین معماری ANN است. زیرا همه گره ها به یکدیگر متصل هستند و هر گره هم ورودی و هم خروجی دارد.

شبکه عصبی کاملا بازگشتی

شبکه جردن یا Jordan network :

در این نوع معماری حلقه های شبکه کاملا بسته هستند، به این معنی که خروجی دوباره به عنوان بازخورد به ورودی می رود.

شبکه جردن

تنظیم وزن یا یادگیری در ANN :

یادگیری در شبکه عصبی مصنوعی، روش اصلاح وزن و اتصالات بین سلول های عصبی یک شبکه است. به عبارتی یادگیری می تواند به سه دسته یادگیری نظارت شده، یادگیری بدون نظارت و یادگیری reinforcement.

یادگیری نظارت شده یا supervised learning:

همانطور که از نام این شیوه یادگیری مشخص است، یادگیری به وسیله نظارت معلم انجام می شود.در طی آموزش ANN یادگیری نظارت شده، بردار ورودی به شبکه داده می شود و در نهایت یک بردار خروجی تولید می کند. ای خروجی با خروجی مورد نظر مقایسه می شود. اگر تفاوتی بین خروجی شبکه و خروجی مورد انتظار وجود داشته باشد یک پیغام خطا تولید می شود.بر اساس این پیغام خطا، وزن ها تنظیم می شوند تا خروجی واقعی با خروجی مورد نظر همسان می شود. توضیحات تکمیلی درباره یادگیری نظارت شده را در این مقاله مطالعه بفرمایید.

یادگیری نظارت شده

یادگیر بدون نظارت یا unsupervised learning:

همانطور که از نام این نوع یادگیری برمی آید ، یادگیری بدون نظارت معلم انجام می شود. در واقع این فرایند یادگیری مستقل است. در طول یادگیری ANN تحت عنوان یادگیری بدون نظارت، ورودی های مشابه برای ایجاد خوشه ها ترکیب می کند. زمانی که یک الگوی ورودی جدید اعمال می شود، آنگاه شبکه عصبی خروجی را نشان می دهدکه دسته ای را که ورودی به آن تعلق می گیرد نمایش می دهد. این نوع یادگیری هیچ گونه بازخوردی از اینکه خروجی مورد نظر چیست؟ این خروجی صحیح است یا خیر؟ وجود ندارد. به همین دلیل در این نوع یادگیری، خود شبکه باید الگوها و ویژگی های داده های ورودی و رابطه بین آنها و خروجی را پیدا کنند. توضیحات جامع این نوع یادگیری در این مقاله ارایه شده است.

یادگیری بدون نظارت

یادگیری تقویتی یا یادگیری reinforcement :

همانطور که نام این شیوه یادگیری پیداست، از این نوع یادگیری برای تقویت شبکه روی بعضی از داده های ارزیابی شده استفاده می شود. این فرایند یادگیری شبیه به یادگیری نظارت شده است با این تفاوت که احتمالا داده های کمتری داریم. در طول آموزش شبکه تحت عنوان یادگیری تقویتی، شبکه بازتاب خود را از محیط دریافت می کند. و همین باعث شباهت این نوع یادگیری تا حدی به یادگیری نظارت شده، شده است. این بازخورد در جهت ارزشیابی است نه آموزش. در این یادگیری معلم و آموزشی وجود ندارد. شبکه ANN پس از دریافت بازخوردهای تولید شده، تنظیمات وزنه ها را انجام می دهد تا در آینده اطلاعات ارزیابی شده بهتری دریافت کند. برای آشنایی بیشتر با این نوع یادگیری این مقاله را مطالعه نمایید.

یادگیری تقویتی

تابع فعالسازی یا Activation Function در ANN :

تابع فعالسازی راهی برای به دست آورن یک خروجی دقیق است. در ANN می توان عملکردهای فعالسازی را روی ورودی اعمال کرد تا خروجی دقیق را به دست آوریم. بعضی از توابع فعالسازی عبارتند از:

تابع فعالسازی خطی یا Linear Activation Function :

تابع فعال سازی خطی تابع شناسی نیز نامیده می شود، زیرا هیچگونه ویرایشی روی ورودی انجام نمی شود.

F(x)=X.F(x)=x

تابع فعالسازی سیگموئید یا Sigmoid Activation function :

دارای دو نوع مختلف است:

Binary Sigmoid function در ANN:

این نوع تابع فعال سازی ورودی را بین 0 و 1 ویرایش می کند. این عملکرد به طور طبیعی مثبت است.خروجی این تابع همیشه محدود است. یعنی نمی تواند کمتر از 0 و بیشتر از 1 باشد. و به صورت زیر تعریف می شود:

F(x) = sigm(x) =11 +exp(-x) F(x) = sigm(x) =11 + exp(-x)

Bipolar Sigmoid function در ANN :

این تابع فعالسازی ورودی را بین -1 و 1 ویرایش می کند. این عملکرد به طور طبیعی می تواند مثبت یا منفی باشد. مقدار خروجی همیشه بین -1 و 1 محدود است.و به صورت زیر تعریف می شود:

F(x) = sigm(x) =21 +exp(-x) -1 = sigm(x) =1 – exp(x)1+ exp(x) F(x)
sigm(x) =21 +exp(-x) -1=1 – exp(x)1 + exp(x)

مطالعه بیشتر

۱ پاسخ به "شبکه عصبی مصنوعی- قسمت دوم"

ارسال یک پیام

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

question