آموزش شبکه عصبی در متلب
آموزش دسته ای (batch training) اموزش افزایشی (Increasing training)
دو دستور train و adapt در مطلب جهت آموزش یک شبکه عصبی بکار می روند جهت درک این دو دستور به دو مثال زیر دقت کنید:دستور batch با هر ورودی، وزن ها و بایاس را به روز می کند (batch training)clearclcWo=[0 0];bo=0;alfa=.01;p=[[1;2] [2;1] [2;3] [3;1]];t=[4 5 7 7];%use error , weight and bias in each iterationfor j=1:2for i=1:4 a(i)=Wo*p(:,i)+bo; e=t(:,i)-a(i); Wo=Wo+alfa*e*p(:,i)'; bo=bo+alfa*e;endendاما دستور train به روش Increasing training اموزش می دهد یعنی پس اتمام یک گذر از ورودی ها، وزن ها و بایاس ها را به روز می کندclearclcWo=[0 0];bo=0;Wn=[0 0];bn=0;alfa=.01;p=[[1;2] [2;1] [2;3] [3;1]];t=[4 5 7 7];for j=1:2for i=1:4 a(i)=Wn*p(:,i)+bn; e=t(:,i)-a(i); Wo=Wo+alfa*e*p(:,i)'; bo=bo+alfa*e;end Wn=Wo; bn=bo;end
فیلم آموزشی جامع شبکه های عصبی پرسپترون چندلایه یا MLP در متلب
شبکه های عصبی مصنوعی یا Artificial Neural Networks (به اختصار ANN) ابزارهایی مهم در میان مباحث هوش محاسباتی (Computational Intelligence) به حساب می آیند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند، که عمدتا در کاربردهایی همچون طبقه بندی، خوشه بندی، تشخیص الگو، مدل سازی و تقریب توابع، کنترل، تخمین و بهینه سازی مورد استفاده قرار می گیرند. در این پست قصد داریم فیلم آموزشی جامع شبکه های عصبی پرسپترون چندلایه یا MLP در متلب را معرفی کنیم که در آن علاوه بر مرور تئوری ها مربوط به شبکه های عصبی MLP، پیاده سازی عملی این نوع شبکه ها در محیط متلب نیز به طور کامل، مورد بررسی قرار گرفته است. همچنین مباحث عمیق تئوری و عملی، در زمینه تقسیم بندی داده ها، تحلیل عملکرد شبکه، روش های پیش پردازش اطلاعات و ده ها مبحث تخصصی دیگر نیز در این فیلم مورد بحث و بررسی قرار گرفته اند. برنامه هایی که در این فیلم پیاده سازی شده اند، به حل مسائل تخمین و تقریب توابع (Function Approximation) و پیش بینی سری های زمانی (Time-Series Prediction) اختصاص دارند. رویکردهای ارائه شده در این فیلم آموزشی بسیار فراگیر و عمومی هستند و می توان از نکات تئوری و عملی بیان شده، برای حل سایر مسائل کاربردی استفاده نمود. مطالب و مباحث این فیلم آموزشی به زبان فارسی روان، و توسط مهندس سید مصطفی کلامی هریس ارائه شده است. سرفصل های مهم مورد بحث در این فیلم آموزشی عبارتند از: مروری بر عملکرد سیستم عصبی طبیعی تعریف ریاضی یک نورون مصنوعی با یک مثال بسیار ساده تعمیم تعریف نورون و استفاده از آن برای مدل سازی شبکه های عصبی پرسپترون چندلایه یا MLP و لزوم استفاده از آن ها بررسی مفاهیم مرتبط با آموزش شبکه های عصبی تقسیم بندی داده: روش ها و دلایل پیاده سازی شبکه عصبی در متلب با استفاده از رابط های گرافیکی (GUI) تولباکس شبکه عصبی پیاده سازی شبکه عصبی MLP به صورت کدنویسی حل یک مسأله مدل سازی ساده روش های پیش پردازش اطلاعات داده های بی مقدار یا Missing Values داده های پرت یا Outlier ها نرمال سازی (Normalization) سفید سازی (Whitening) روش های کاهش بعد و کارکرد آن ها نگاشت های غیر خطی مروری بر کاربردهای مختلف شبکه های عصبی مصنوعی خواص و تنظیمات شبکه های عصبی در متلب (سفارشی سازی ها) بهبود عملکرد برنامه های نوشته شده تبدیل مسأله پیش بینی سری زمانی به یک مسأله تقریب تابع (مدل سازی) پیاده سازی شبکه عصبی برای پیش بینی سری زمانی آشوبی مکی-گلاس (Mackey-Glass) مدل سازی ارتباط میان گشتاور، سرعت، نرخ سوخت مصرفی و میزان تولید اکسید نیتروژن در یک موتور خودور شیوه های نمایش گرافیکی نتایج به دست آمده از فرآیند طراحی شبکه عصبی جمع بندی و نتیجه گیری های نهایی توجه: ...
مرجع اصلی جعبه ابزار شبکه عصبی (Neural network toolbox ) نرم افزار متلب
بهترین کتابی که درباره شبکه های عصبی می توانید پیدا کنید به اسم Neural network design اثر پروفسور Hagan است. حتما پيشنهاد مي كنم اين كتاب روان را بخوانيد. Neural network toolbox مطلب هم براساس اين كتاب نوشته شده است. این کتاب توسط انتشارات کیان رایانه، آقای سید مصطفی کیا ترجمه نیز شده است که چندان ترجمه قوی نیست اگرچه شنیده ها حاکی است تعدادی از اساتید دانشگاه نیز این کتاب را ترجمه کرده اند. سايت زير متعلق به آقاي Hagan است. http://hagan.okstate.edu/nnd.html در اين سايت پاورپوينت و خلاصه‌ايي از چند فصل اين كتاب موجود است. لینک دانلود کتاباصل کتاب را نیز می توانید از سایت زیر به صورت رایگان دانلود کنید.http://www.gigapedia.com
آموزش جعبه ابزار شبکه عصبی متلب
برای دانلود یک فایل آموزشی با موضوع "آموزش جعبه ابزار شبکه عصبی متلب" بر روی لینک زیر کلیک نمایید: دانلود فایل "آموزش جعبه ابزار شبکه عصبی متلب"
آموزش شبکه عصبی در متلب
سلام دوستای گلمتو این جلسه می خوام در مورد شبکه عصبی مصنوعی بحث کنم.اصلا شبکه عصبی مصنوعی چیه؟ خوب شبکه عصبی طبیعی چیه که حالا می خوای در مورد مصنوعیش بحث کنی ؟ آره آفرین طبیعیش میشه همون شبکه ی اعصاب انسان ، می گن مغز انسان از تعداد 10 11 نرون تشکیل شده که هر نرون با تقریبا 104 نرون دیگه ارتباط داره.سرعت سوئیچنگ نرونها در حدود 10-3 ثانیه است که در مقایسه با کامپیوترها 10 -10 ثانیه خیلی ناچیزه. با این وجود من می تونم در 0.1 ثانیه تصویر تو رو بازشناسائی کنم. این قدرت فوق العاده باید از پردازش موازی توزیع شده در تعدادی زیادی از نرونها باشه. خداییش عجب سیستمیه واقعا ایول ، دمش گرم !خوب مصنوعیش شبیه سازی سیستم اعصاب انسانه. واسه پردازش اطلاعات ( نرم افزاری یا سخت افزاری ) به کار میره. این پردازش اطلاعات که می گم تو واحد های ساده ایی به نام نرون انجام میشه. نرون ها به وسیله ی یه سری لینک با هم در ارتباطن.به طور کلی یه شبکه عصبی به وسیله ی موارد زیر تعیین می شه:1- الگوی ارتباط بین نرون های شبکه ، که بهش معماری شبکه یا توپولوژی شبکه می گیم ( می تونه تک لایه باشه ، دو لایه ، سه لایه و ...)2- روش تعیین وزن های شبکه ، که بهش آموزش شبکه (training) ، ( learning) یا الگوریتم شبکه می گیم.این وزن که داخل مورد 2 گفتم یعنی چی ؟ هر پیوند ارتباطی یه وزن مربوط به خودشو داره که داخل یه شبکه عصبی تو سیگنالی که می خواد ارسال بشه ضرب میشه. ببین تو سیستم اعصاب آدما هم مفهوم وزن به صورتیه که اگه فرض کنی این یه نرون طبیعی باشه :دندریت ها واسه دریافت ورودی به کار می رن. بدنه ی سلول واسه پردازش اطلاعات و اکسون محل عبور داده های پردازش شده به سمت خروجی ها و سیناپس اتصال الکترو شیمیایی بین نرون ها ( این مفهوم وزن تو نرون واقعیه ) توابع فعالیت : تو بعضی کتابها بهش توابع خروجی هم می گن. 1- تابع همانی ( تابع خطی f(x)=x ) 2 - تابع پله ی دودویی با آستانه ی ϴ ، یعنی چی ؟ یعنی اگه x از مقدار ϴ بزرگتر و مساوی باشه خروجی 1 میشه در غیر این صورت میشه 03 - تابع پله ی دو قطبی با آستانه ی ϴ ، که اگه x بزرگتر و مساوی ϴ باشه خروجی 1 میشه و در غیر این صورت منفی 1 میشه. بازم داریم از این توابع اما حسش نیست توضیح بدم !! یه نکته ی مهم : bias (بایاس) یه بایاس دقیقا مثل یه وزن اتصال از واحدی عمل می کنه که خروجی اون همیشه 1 هست.بایاس همیشه مثل یه وزن عمل می کنه .Perceptron :نوعی از شبکه عصبی برمبنای یه واحد محاسباتی به نام پرسپترون ساخته میشه. یه پرسپترون برداری از ورودیها با مقادیر حقیقی رو می گیره و یه ترکیبخطی از این ورودیها رو محاسبه میکنه. اگه حاصل از یه مقدار آستانه بیشترباشه خروجی پرسپترون ...
دانلود کتاب و مقاله شبکه عصبی
از سایت های زیر می توانید در حوزه شبکه عصبی کتاب و مقاله دانلود کنید:http://findebookee.com/0/%D8%B4%D8%A8%DA%A9%D9%87-%D8%B9%D8%B5%D8%A8%DB%8Cمقاله معروف Neural Networks for Control نوشته آقای Hagan:http://123seminarsonly.com/Seminar-Reports/031/33642013-Neural-Networks-for-Control.pdfhttp://saba.kntu.ac.ir/eecd/fatehi/Lectures/Intelligent%20Systems/NeuNet/Papers/NNControl.pdf
انجام پروژه شبکه عصبی با متلب
******** راهنمایی در برنامه نویسی مطلب MATLAB برگزاری کلاسها ودوره های آموزشی برنامه نویسی متلب MATLAB مخصوص دانشجویان مشاوره در انجام پروژه های مخابرات ، هوش مصنوعی ، مهندسی پزشکی ، کنترل ، مکانیک ، عمران و صنایع شبکه های عصبی در MATLAB شبکه عصبی MATLAB Neural Network toolbox روش های مختلف طبقه بندی داده مانند NN ، KNN و SVM Classification Algorithms شناسایی الگو Pattern Recognition پردازش تصویر در MATLAB MATLAB Image Processing toolbox تبدیل ویولت ( موجک ) و تحلیل سیگنال در حوزه ویولت Wavelet Transform منظق فازی MATLAB Fuzzy Logic Toolbox شبیه سازی کدر ، انکدر ، دی کدر ، کد کانولوشنال به کمک MATLAB شناسایی چهره (بازشناسی چهره) ، تشخیص چهره Face Recognition , Face Detection الگوریتم های بهینه سازی و حل مساله با استفاده از الگوریتم های بهینه سازی مانند الگوریتم ژنتیک ، PSO ، کلونی مورچه ، simulated annealingOptimization Algorithm , Genetic Algorithm, Ant colony, PSO, Genetic Algorithm
روش Model Reference Adaptive Control یا MRAC در سیمولینک
یکی از روش های کنترلی سیمولینک در بخش شبکه عصبی، روش Model Reference Adaptive Control یا MRAC است. در این قسمت به این موضوع پرداخته میشود.یکی از ساختارهای کلی این شبکه ی عصبی به صورت زیر است:منبع:http://www.pages.drexel.edu/~kws23/tutorials/MRAC/MRAC.html