| قوانین آموزش شبکه های عصبی مصنوعی | |
| تعداد صفحات | ۲۰ |
| نوع فایل | Word |
| حجم فایل | ۱۴۲ kb |
قوانین آموزش شبکه های عصبی مصنوعی
در این قسمت پروژه با موضوع قوانین آموزش شبکه های عصبی مصنوعی به صورت فایل word برای دانلود ارائه شده است.
قسمتی از متن پروژه در زیر نشان داده شده است. پروژه فاقد رفرنس می باشد. فرمول ها در این قسمت نشان داده نشده اند.
قانون آموزش hebb بر اساس این فرض عمل می کند که اگر دو نرون همسایه باید همان زمان فعال و یا غیر فعال شوند، پس وزن اتصال این سلول های عصبی باید افزایش یابد. برای نرون عامل در فاز مخالف، وزن بین آنها کاهش می یابد. در صورتی که هیچ ارتباط دهنده سیگنالی وجود ندارد، وزن باید بدون تغییر باقی بماند. این فرض را می توان با استفاده از فرمول زیر نشان داد:
روند آموزش معمولا با مقدار صفر برای تمام وزن ها شروع می شود. این قانون یادگیری را می توان برای هر دو توابع soft-activation و hard activation مورد استفاده قرار داد. از آنجا که پاسخ مورد نظر از نرون ها در روش یادگیری استفاده نمی شود، این قانون یادگیری بدون نظارت می باشد. مقادیر مطلق وزن معمولا متناسب با زمان یادگیری است، که نامطلوب است.
قانون آموزش correlation بر اساس یک اصل مشابه با قانون یادگیری Hebbian است. این فرض بر این اساس است که وزن بین نرون هایی به طور همزمان پاسخ می دهند باید تا حد زیادی مثبت باشد، و وزن بین نرون ها با واکنش مخالف باید تا حد زیادی منفی باشد.
برخلاف قانون Hebbian، قانون آموزش correlation یادگیری تحت نظارت است. به جای پاسخ واقعی، oj ، پاسخ مورد نظر dj ، برای محاسبه تغییر وزن مورد استفاده قرار می گیرد.
که dj مقدار مورد نظر سیگنال خروجی است. این الگوریتم آموزشی معمولا با مقدار دهی اولیه صفر به وزن شروع می شود.
اگر بردار ورودی و وزن نرمال شده باشند، یا اگر آنها تنها مقادیر دو قطبی دودویی (-۱ یا +۱) داشته باشند، سپس زمانی که وزن و سیگنال های ورودی یکسان هستند، خروجی شبکه بزرگترین ارزش مثبت را داراست. بنابراین، وزن باید فقط در صورتی تغییر کند که آنها از سیگنال های مختلف هستند.
توجه داشته باشید که اطلاعات مورد نیاز برای وزن تنها از سیگنال های ورودی گرفته شده است.این یک الگوریتم یادگیری بسیار محلی و بدون نظارت است.
فهرست مطالب
قانون آموزش hebbian
قانون آموزش correlation
قانون آموزش instar
Winner Takes All
قانون آموزش outstar
قانون آموزش widrow-hoff LMS
رگرسیون خطی
Kohonen Self-Organizing Maps
روشهای گرادیان نزولی
روشهای نیوتن و شبه نیوتن
روش لونبرگ مارکوارت
توابع آموزش در متلب
| قوانین آموزش شبکه های عصبی مصنوعی | |
| تعداد صفحات | ۲۰ |
| نوع فایل | Word |
| حجم فایل | ۱۴۲ kb |