آموزش شبکه های عصبی مصنوعی در متلب

  • توسط: مدیر
  • فروردین ۳۰ام, ۱۳۹۵
  • هنوز امتیازی ثبت نشده.

مغز انسان ابزاري قدرتمند در پردازش اطلاعات است. ارتباطات فراوان بخش هاي مختلف بدن از طریق اعصاب و شبکه هاي عصبي با مغز انسان باعث پیچیدگی فراوان مغز و عملکرد آن شده است. این عضو کوچک در بدن انسان توانایی های منحصر به فردی در قدرت و کیفیت پردازش داده ها، نتیجه گیری، تخمین و سایر عملیات پردازشی دارد. همین موضوع باعث شده است که متخصصین نرم افزار و سخت افزار با الگوگیری از مغز انسان در فکر تهیه الگوریتم ها، روش پردازش و تکنیک هایی باشند که عملیات انجام شده در مغز را به نوعی برای حل مسائل پیاده سازی نمایند. شبکه هاي عصبی مصنوعی(Artificial neural network) نتیجه فعالیت متخصصین علوم کامپیوتر، ریاضی دان ها، برنامه نویسان و مهندسین است. در زمینه شبکه های عصبی مصنوعی، با الهام گرفتن از مغز انسان، ابزارها و الگوریتم هایی فراهم شده تا مدل سازی، بهینه سازی و انجام پروژه ها و حل برخی مسائل ساده تر شود. کاربردهای شبکه های عصبی مصنوعی بسیار متعدد است. از شبکه های عصبی مصنوعی در مدل سازی مسائل، کنترل، تقریب، تخمین، پیش بینی، دسته بندی، خوشه بندی و بهینه سازی استفاده می شود. این کاربردهای اشاره شده نظیر تخمین، پی بینی، خوشه بندی، بهینه سازی و… مختص به رشته ی خاصی نیست و برای شمار زیادی از رشته و در انجام پروژه های زیادی کاربرد دارد. برای نمونه از جمله کاربردهای شبکه های عصبی می توان به موارد زیر اشاره کرد:
• عیب یابی سیستم های صنعتی، طراحی و بهینه سازی سیستم ها، تصمیم گیری و… از حمله کاربردهای موجود در زمینه فنی و مهندسی است.
• پیش بینی قیمت ها، برآورد هزینه، تحلیل ریسک، تخصیص سرمایه و… از جمله کاربردها در مدیریت، حسابداری و اقتصاد است.
• خوشه بندی، داده کاوی، دسته بندی اسناد و اطلاعات، تصمیم گیری بر مبنای داده ها، پیش بینی و ارائه راهکار بهینه از جمله کاربردها در زمینه فناوری اطلاعات و علوم کامپیوتری است.
• همچنین در سایر علوم مانند جامعه شناسی، پزشکی و هر رشته و کاربرد دیگر که به پیش بینی، تخمین، خوشه بندی، تصمیم گیری و بهینه سازی نیازمند باشد کاربرد دارد.
شبکه های عصبی انواع مختلفی دارند که به طور کاملا خلاصه عبارتند از:
• پرسپترون چند لایه(MLP): وظیفه انتقال اطلاعات پس از پردازش از سلولی به سلول دیگر برای تصمیم گیری مناسب
• شبکه های عصبی شعاعی(RBF): وظیفه انتقال و پردازش داده ها با یادگیری و آماده سازی سریع تر در تصمیم گیری
• ماشین های بردار پشتیبان(SVM): وظیفه اصلی آن کاهش ریسک عملیاتی مرتبط با عدم عملکرد صحیح است.
• نگاشت های خود سازمان ده(SOM): وظیفه آن پیداکردن شباهت ها و داده های مشابه از میان انبوهی از داده ها است.
• یادگیرنده رقمی ساز بردار(LVQ): وظیفه اصلی آن طبقه بندی است که گستره ی وسیعی از کاربردهای سیستم های هوشمند را شامل می شود.
• شبکه های عصبی هاپفیلد(Hopfield): وظیفه آن طبقه بندی و کنترل است.
نرم افزار متلب به عنوان ابزار قدرتمندی برای حل مسائل و انجام پروژه ها، این امکان را فراهم کرده است تا با استفاده از دستورات از پیش تهیه شده ای، به شکل ساده از این شبکه های عصبی در تحلیل های مهندسی، مالی، کاربردی و حل مسائل و اجرای پروژه ها استفاده کنیم. بنابراین در انجام پروژه ها در رشته های گفته شده در بالا و هرجا که نیاز به طبقه بندی، خوشه بندی، تصمیم گیری، کنترل، بهینه سازی، پیش بینی و… باشد می توان از نرم افزار متلب برای اجرایی کردن الگوریتم های موجود در شبکه های عصبی استفاده نمود. در این دوره ی آموزش متلب، نحوه استفاده از شبکه های عصبی مصنوعی، انواع آنها، و کاربردهای آنها توضیح داده می شود. برای این منظور با در بخش های مختلف این دوره نحوه استفاده از هریک از این شبکه های عصبی در قالب مثال های کاربردی ارائه می شود تا فهم مطالب ساده شود و همچنین استفاده از شبکه های عصبی به شکل عملی و کاربردی در متلب آموزش داده شود.

لطفا امتیاز دهید


پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *