Más contenido relacionado
(MATLAB) شبکههای عصبی و استفاده از جعبه ابزار آن در محيط متلب
- 9. يخچهرتاعصبیهایشبکه
توسطعصبيهايشبكهيوربرمطالعهكل مكخپيتس وسال در1943شد آغاز.
توسط ،ايآستانهیساز فعالتوابع با ،اليهتكهايشبكهنبلتزورسال در1962
،هاشبكه نوع اينكه شدند يگذاربنيانپرسپترونشدند ناميده.
دههدر1960مسائ حل قابليتهاپرسپترون كه شد داده نشانتجربيترصوبه ،ل
،ندردا اراوانيرفولیپيچيدهمسائل ازيبسيارتنبود حل قابل آنهاوسط.
پرسپترون محدوديتهایاليه يكسال در1966توسطپپرت ومينسكيدرپرسپت كتابرون
سيدر چاپ به آنها.م بهعصبيهايشبكه كه شد باعث كتاب اينمطالعه نتايجدههدو دت
گيرند اررقتوجهدرمو كمتر.
باکشفپس يتمرالگو-انتشارتوسطويليامز و هينتن ،ملهاترسالدر1986مطالعات
عصبيهايشبكهيور بر جديدعوشر مجدداشد.بو اين يتمرالگواينويژهاهميتكه د
شوند داده شزآموتوانستندمي آنتوسطاليه چندعصبيهايشبكه.
- 13. نونر یک ی یاضر مدل(کلخ مک-پیتس-1943)
Inputs Weights Summation Activation Output
b
w1
w2
wn
x1
x2
xn
+
w0
x0
f(y)
…
y
O
…
- 20. در ییادگيرمصنوعي عصبي هايشبكه
•هدفازشزآمو،شبكهسيدنربهشرايطياستكهشبكهقادربهپاسخگوييصحيحبههايداده
ائهراشدهدرشزآموشبكه(بهخاطرسپردن)وهمچنینهايدادهمشابهومتفاوتازوديروهايي
كهازآنهابرايشزآموشبكهاستفادهشدهاست(تعميمدادن)،باشد.
•يبرترعمدةهايشبكهعصبيشزآموشدهدادهبرمحاسباتكالسيكايناستكهنتايجدرمو
نيازباتالشكمترودرمانزيكمترقابللحصواست.درنتيجهاينمزاياخصوصابرايمسائليكه
مستلزممحاسباتطوالنيهستندبسيارمفيدوموثرواقعگردد.
•است يرزشكل بهشبكه شزآمونوعدو:
الفـمعلم باشزآمو
بـمعلمنبدوشزآمو
- 23. P2الگوییبگيرد یاد پرسپترون باید کهاست:
دو هر اگر ،یعنیورودی1،هستندخروجیید با1باشد
x 2
x 3
+ >8?inputs
weights
output
threshold
مثالx1 x2 T
0 1 0
1 1 1
… … …
P1 =
P2 =
Pn =
- 24. x 2
x 3
+ >8?
inputs weights
output
threshold
1
1
ی شزآمومثال(1و1)
- 25. x 2
x 3
+ >8?
inputs weights
output
threshold
1
1
2
3
ی شزآمومثال(1و1)
- 26. 1
1
x 2
x 3
+ >8?
inputs weights
output
threshold
2
3
5
ی شزآمومثال(1و1)
- 27. 1
1
x 2
x 3
+ >8?
inputs weights
output
threshold
2
3
5
0
ی شزآمومثال(1و1)
- 28. x 2
x 3
+ >8?
inputs weights
output
threshold
1
1
2
3
5
0
ی شزآمومثال(1و1)
x1 x2 T
0 1 0
1 1 1
… … …
P2 =
- 29. x 2
x 3
+ >8?
inputs weights
output
threshold
1
1
2
3
5
0
ی شزآمومثال(1و1)
- 30. 1
1
x 4
x 5
+ >8?
inputs weights
output
threshold
4
5
9
1
ی شزآمومثال(1و1)
- 31. احلرماحيرطبن طبقهرمنظوبه عصبيشبكهمدليكيا دي
بيني پيش(تخمين):
1-وديرو متغييرهاي شناختوجيوخر
2-يك تا صفر دامنهبه جيوخر و وديرو مقادير تبديل
3-هندسه انتخاب(یژتوپولو)عصبي شبكه ايرب مناسب
4-معرف ي شزآمو هاي دادهبا شزآمو
5-ل ترصو درو ي شزآمو مجموعه از مستقل هايي دادهبا شبكه نموزآموز
،ي شزآمو هاي مثال تنظيم و شزآمو ادامهیژتوپولوامرپا وشبكهترهاي
آن.
- 34. عصبی های شبکه معایب
•دستوراتمشخصیبرایطراحیشبكه
جهتيككاربرداختياریوجود
ندارد.
•دقتنتايجبستگیزيادیبهاندازه
مجموعهآموزشدارد.
•آموزششبكهممكناستمشكيا
حتیغيرممكنباشد.
•بينیشپيعملكردآيندهشبكه(
عموميتيافتن)آنبهسادگی
پذيرنامكانيست.
- 35. عصبیهای شبکهبردهایرکا
پردازشتصويروديد( Image processing and computer
vision )
پردازشعالئم( Signal processing ):شامشناسیتريخو
تجزيهوتحليعالئممربوطبههاهلرزنزميو…
شناسايیالگوها( Pattern recognition ):شامشناسايی
،چهرهاثر،انگشتتشخيصنوعصداونوعصحبت
،کردندستخطو…
پزشکی( Medicine ):شامتجزيهوتحليوتشخيص
عالئمدستگاهنگارنضرباقلب
(الکتروکارديوگرافي)،تشخيصامراضگوناگونو…
هایمسيستنظامی( Military systems ):شامرديابی
هاینمي،زيردريايیبندیهدستصداهایهنجارهنابو
مخدررادارهاوشناسايیگويندهرزمی.
هایمسيستتجاری( Financial systems ):شامتجزيهو
تحليانبار،هاهمغازارزيابیواقعیامالکو…
ريزیهبرنام،کنتروجستجو( Planning, control, and
search ):شاماجرایموازیمسائوکنتررباتها.
هوشمصنوعی( Artificial intelligence ):شامبرخیهایمسيست
طبیواجرایهایمسيستخبره.