مرجع دانلود پاورپوینت های درسی

حجم فایل : 872.6 KB
نوع فایل : پاور پوینت
تعداد اسلاید ها : 28
فهرست مطالب توپولوژی شبکه های عصبی
شبکه های عصبی پس انتشار ( پرسپترون چند لایه با آموزش الگوریتم Back-Propagation: BP)
تابع فعال سازی
الگوریتم آموزش
انتشار خطا به عقب
حل تابع XORبا استفاده از شبکه عصبی چند لایه

توپولوژی شبکه
وضعیت نسبی سلولها در شبکه (تعداد و گروه بندی و نوع اتصالات آنها) را توپولوژی شبکه گویند. توپولوژی در واقع سیستم اتصال نرونها به یکدیگر است که توام با روش ریاضی جریان اطلاعات و محاسبه ی وزنها، نوع عملکرد شبکه عصبی را تعیین می کند.
FeedForward Topology
Recurrent Topology
FeedForward Topology
شبکه عصبی بازگشتی ((Recurrent Neural Network این شبکه ها، شبکه های عصبی با یک حلقه برگشتی (پس خور) یا بیشتر هستند . برگشت ها می توانند محلی یا کلی باشند. خاصیت اصلی آنها این است که رفتار آن ها هم به وسیله خودشان و هم به وسیله ورودی های خارجی به شبکه تعیین می گردد .
Recurrent Network with hidden neuron: unit delay operator z-1 is used to model a dynamic system
input
hidden
output شبکه های بازگشتی
برگشت محلی (پرسپترون چند لایه با آموزش الگوریتم
Back-Propagation: BP) شبکه های عصبی پس انتشار
Multi-Layer Perceptron (MLP)
شبکه های عصبی پس انتشار اين الگوريتم جزو الگوريتم‌هاي يادگيري با ناظر است که اساساً از دو مسير اصلي تشكيل شده است:
مسير رفت (Forward path): كه در آن بردار ورودي به شبكه عصبي اعمال شده و تاثير آن از طريق لايه‌هاي مياني به لايه خروجي انتشار مي‌يابد. در اين مسير براي هر ورودي، مقداري تحت عنوان خروجي توسط شبكه محاسبه مي‌شود. در اين مسير، پارامترهاي شبكه ثابت مي‌مانند.
الگوريتم‌ يادگيري پس انتشار خطا (Back Propagation) Output layer (k) Hidden layer(j) مسير برگشت (Backward path): پس از توليد خروجي در مرحله رفت، اختلاف خروجي مطلوب (مشاهده شده) و خروجي محاسبه شده توسط شبكه تعيين مي‌شود. سيگنال‌هاي خطا در مسير برگشت از لايه خروجي مجدداً در كل شبكه توزيع مي‌شود و پارامترهاي شبكه مجدداً تنظيم مي‌شوند.





تذكر: فرآيند دوگانه فوق به دفعات تكرار شده تا خروجي شبكه به خروجي مطلوب نزديك شود. هنگامي كه خطاي بدست آمده از آستانه مجاز كمتر شود فرآيند آموزش متوقف مي‌شود. الگوريتم‌ يادگيري پس انتشار خطا (Back Propagation) Output layer (k) Hidden layer(j) شبکه های عصبی پس انتشار نمونه ای شبکه های عصبی پس انتشار شبکه های عصبی پس انتشار
ویژگی های تابع فعال سازی تابع فعال سازی خلاصه الگوریتم آموزش الگوریتم Back-propagation
برای یادگیری وزن های یک شبکه چند لایه، از روش Back Propagation استفاده می شود. در این روش با استفاده از gradient descent سع...