شبکه های عصبی امروزه کاربرد بسیار زیادی در مسائل مرتبط با تشخیص، طبقه بندی و حل مسائل پیچیده دارند. در این مقاله شما را با معرفی انواع شبکه های عصبی که در نرم افزار MATLAB تعریف شده اند، آشنا خواهیم کرد.
جدول ۱ دستورات و توصیف هر شبکه را به طور خلاصه نشان میدهد.
نحوه استفاده از دستور newp
جهت استفاده از دستور newp و ایجاد نرون های پرسپترون، کافی است ابتدا الگوهای ورودی و خروجی تعریف شوند. سپس از دستور net= newp([mi1 mx1;mi2 mx2],n) برای تولید شبکه پرسپترون استفاده میشود. mi1 و mi2 به ترتیب حداقل مقدار های الگو و mx1 و mx2 به ترتیب حداکثر مقدار های الگو را نشان می دهد.
n تعداد نرون های لایه پنهان را نشان میدهد. میتوان در تعریف شبکه یک خطا تعریف کرد تا شبکه برای رسیدن به آن هدف خود را تنظیم کند. برای رسیدن به خطا به مقدار ۰۱/۰ میتوان از دستور net.trainparam.goal=0.01 استفاده کرد.
پس از طراحی شبکه، جهت آموزش از دستور train استفاده میشود. در این دستور پارامترهای ورودی به ترتیب شبکه، الگوی ورودی و خروجی خواهد بود. دستوری که جهت آموزش شبکه استفاده میشود به صورت [net,tr]=train(net,p,t) است. خروجی های دستور train شامل شبکه آموزش دیده شده با الگوهای ورودی و خروجی است.
همچنین اطلاعات شبکه آموزش دیده شامل تعداد اپک، میزان خطا و غیره در متغیر tr ثبت میشود.
جهت بررسی میزان آموزش شبکه، در مرحله بعد با یک الگوی جدید از شبکه آزمون گرفته میشود.
برای تست شبکه از دستور sim استفاده میشود. ورودی های این دستور شبکه آموزش دیده به همراه الگو یا الگوهای جدید است. شبکه زمانی آموزش خوب دیده است که خروجی شبکه در حالت تست با مقدار هدف برابر یا نزدیک باشد.
در این صورت خطا کوچک یا در حد صفر است. شکل ۱ و ۲، برنامه نوشته شده جهت طبقه بندی الگوها را نشان میدهد. جهت تست شبکه از یک الگو (-۰٫۸,-۰٫۷) استفاده شده است که نزدیک به الگوی دوم است که پاسخ شبکه پرسپتون هم مشابه تارگت صفر است.
شبکه عصبی پس انتشار
برای تعریف ساختار شبکه عصبی پس انتشار مشابه بخش قبل، ابتدا بردارهای ورودی و خروجی تعریف می شوند. سپس از دستور newff با توجه به ساختار نشان داده شده در شکل ۳ استفاده میشود. هنگام استفاده از این دستور میبایست مقدار حداقل و حداکثر داده ها در الگوها، تعداد لایه های مخفی و خروجی و نوع تابع فعال ساز تعریف شود.
سپس با استفاده از دستور train به آموزش الگوهای ورودی و خروجی پرداخته میشود. در انتها جهت تشخیص کارایی شبکه آموزش داده شده به آزمون و تست شبکه عصبی پرداخته میشود.
با توجه به داده تست شبکه (۰٫۰۵,۰٫۹۵) که مشابه الگوی (۰,۱) است، پاسخ شبکه عصبی نیز به مقدار ۱ همگرا شده است.
