شبکه عصبی پرسترون چند لایه MLP آموزش یافته با استفاده از الگوریتم ها فراابتکاری

شبکه عصبی پرسترون چند لایه MLP آموزش یافته با استفاده از الگوریتم ها فراابتکاری

آموزش شبکه عصبی MLP پرسترون چند لایه با استفاده از الگوریتم ها بهینه سازی، آموزش یا learning یکی از مهمترین بخش های شبکه عصبی پرسپترون چند لایه MLP می باشد. در این محصول کد متلب learning شبکه عصبی MLP با استفاده از الگوریتم ژنتیک GA و  الگوریتم بهینه سازی اذحام ذرات PSO فراهم شده است .

شبکه‌های عصبی مصنوعی (Artificial Neural Network – ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوینی برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت پیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده هستند. ایدهٔ اصلی این گونه شبکه‌ها (تا حدودی) الهام‌گرفته از شیوهٔ کارکرد سیستم عصبی زیستی، برای پردازش داده‌ها و اطلاعات برای یادگیری و ایجاد دانش است. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانهٔ پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق‌العاده به‌هم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسئله با هم هماهنگ عمل می‌کنند و توسط سیناپس‌ها (ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‌کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‌ها می‌توانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری‌اند. مثلاً با اعمال سوزش به سلول‌های عصبی لامسه، سلول‌ها یاد می‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‌ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده از مثال‌ها وزن سیناپس‌ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‌های جدید، سیستم پاسخ درستی تولید کند.

شبکه عصبی پرسترون چند لایه MLP آموزش یافته با استفاده از الگوریتم ها فراابتکاری نوع جدیدی از ابزارهای هوش مصنوعی می باشد که تلاش دارد کیفیت شبکه عصبی MLP را افزایش دهد. در شبکه عصبی MLP از دو عملگر اصلی به نام های آموزش و تست استفاده می شود. در آموزش، وزن بین بایاس های مختلف شبکه عصبی تعیین می شود. این وزن ها باید به گونه ای تعیین شود که خطای بین خروجی ها OUTPUT و نیز مقادیر هدف TARGET را به حداقل برساند. برای این کار روش های مختلفی در شبکه عصبی MLP وجود دارد. از جمله آنها می توان به روش لونبرگ اشاره کرد. این روش ها با وجود مزایای خود، معایب زیادی دارند. مهمترین عیب انها آن است که با افزایش داده ها، کیفیت این روش کاهش پیدا می کند و نمی تواند وزن ها را با حداقل خطای ممکن به دست آورد. در این شرایط، محققان مختلف، تلاش کرده اند تا الگوریتم های فراابتکاری را به عنوان یک ابزار کارامد در این زمینه استفاده کنند.

این الگوریتم ها جایگزین روش های سنتی مانند لونبرگ می شوند و سعی می کنند بهترین وزن را برای بایاس های مختلف به دست آورد. در تمامی الگوریتم های فراابتکاری مختلف؛ تابع برازش برابر مربعات خطا یا همان MSE می باشد. رشته جواب یا کرومزوم هم یک بردار است که هر سلول آن یک وزن از یک بایاس را مشخص می کند. عملگر های الگوریتم در تکرار های مختلف سعی می کنند این وزن ها را به گونه ای تغییر دهند که بهترین وزن ها با کمترین مقدار MSE به دست آید.

در این محصول از سه الگوریتم ژنتیک GA و الگوریتم ازدحام ذرات PSO  می باشد. دو پوشه مجزا برای این کار وجود دارد. در پوشه اول شبکه عصبی MLP آموزش یافته با استفاده از الگوریتم PSO  و در پوشه دوم شبکه عصبی MLP اموزش یافته با استفاده از الگوریتم ژنتیک قرار دارد. در هر پوشه با اجرای فایل MainANN می توانید شبکه عصبی MLP را اجرا کنید. در هر پوشه یک فایل اکسل به نام Data.xls قرار دارد که دیتای لازم برای اجرای شبکه عصبی MLP می باشد. برای پیاده سازی این شبکه عصبی توسعه یافته، کافی است دیتای خود را در فایل اکسل قرار داده و سپس فایل MainANN را اجرا کنید.

نمونه ای از پیاده سازی شبکه عصبی پرسترون چند لایه MLP آموزش یافته با استفاده از الگوریتم ها فراابتکاری در شکل زیر ارائه شده است. نمودار بالایی روند بهبود MSE با استفاده از الگوریتم ژنتیک را نشان می دهد. شکل پایین پراکندگی داده ها را مشخص می کند. همانطور که مشاهده می کنید خطای MSE به کمتر از 1 درصد رسیده است.

شبکه عصبی پرسترون چند لایه MLP 

شبکه عصبی پرسترون چند لایه MLP آموزش یافته با استفاده از الگوریتم ها فراابتکاری

برای اتمام مراحل خرید این محصول از سایت شاپ متلب، کافی است کلیه فایل ها را  دانلود کنید. سپس در یک پوشه با نام غیر فاسی و غیر عددی اکسترکت کنید. سپس وارد محیط متلب MATLAN شوید گزینه New Script را بزنید. سپس فایل ها با پسوند m. را به محیط M file نویسی درگ کنید. در پایان با زدن کلید Run روی کد اصلی، می توانید نتیجه اجرای کد متلب را ببنید.

برای بررسی و مقایسه و نیز خرید سایر محصولات هوش مصنوعی سایت شاپ متلب می توانید در بخش شبکه عصبی محصولات مختلف را مشاهده کنید.