ساختار کلی شبکه عصبی مصنوعی

ساختار کلی شبکه عصبی مصنوعی

ساختار کلی شبکه عصبی مصنوعی

ساختار کلی شبکه عصبی مصنوعی

یک شبکه عصبی شامل اجزای سازنده لایه‌ها و وزن‌ها می‌باشد. رفتار شبکه نیز وابسته به ارتباط بین اعضا است. در حالت کلی در شبکه‌های عصبی سه نوع لایه نورونی وجود دارد:

  1. لایه ورود اطلاعات:

در این لایه اطلاعات اولیه که همان مقادیر مربوط به متغیر های مستقل و وابسته است مطرح می باشند که وارد شبکه می شوند. تعداد سلول های لایه ورودی به تعداد ورودی هاست. در عمل سعی بر این است که کلیه پارامترهایی که در پاسخ تاثیر دارند در نظر گرفته شوند، البته باید در نظر گرفت که اطلاعات بی استفاده ورودی کار شبکه را مشکل تر می کند، زیرا اگر چه شبکه عصبی به نویز (داده های دارای خطا) مقاوم است اما در هر صورت اگر میزان نویز بیش از حد زیاد باشد ممکن است شبکه نتواند همگرا شود.

 

  1. لایه یا لایه های محاسباتی:

این لایه یا لایه ها که بر مبنای پیچیدگی تحلیل ها، تعداد آنها نیز افزایش می یابد، وظیفه ایجاد روابط منطقی میان متغیرهای مستقل و وابسته اولیه و یافتن فرمول بین این متغیر ها را بر عهده دارد. در این لایه واحدهای پردازشگر اطلاعات قرار دارند که نقش بسیار موثری در فرآیند یادگیری صحیح مدل ایفا می کنند. یک مسئله ضروری و مهم در طراحی یک شبکه تعیین تعداد واحد های لایه پنهان است اما متاسفانه هیچ جواب واحدی برای تعیین تعداد این لایه ها و واحدهای پردازش اطلاعات در این لایه ها وجود ندارد. اما تعداد این لایه ها و واحدهای پردازشگر آنها طوری باید انتخاب شوند که در آموزش و پیش بینی، دچار بیش برازش و یا حفظ کردن و فرایند یادگیری ناقص نشویم.

مطلب مرتبط :   مفهوم اصلی رﺿﺎﻳﺖ ﻣﺸﺘﺮی

نکته دیگر تعداد گره ها در هر لایه است. بطور تخمینی تعداد مناسب گره های لایه مخفی بین نصف تا یک و نیم برابر تعداد گره های لایه ورودی یعنی تعداد ورودی های سیستم است. منابع مختلف مقیاس های تجربی متفاوتی به عنوان حدس اولیه برای این تعداد پیشنهاد کرده اند. کم بودن مفرط تعداد گره ها قدرت تجزیه و تحلیل و به دنبال آن دقت عدد پیشگویی را کاهش می دهد. از سویی زیاد بودن مفرط این تعداد منجر می شود که سیستم بجای تجزیه و تحلیل داده ها، آنها را در حافظه نگهداری کند( تیلور و دیگران[1]، 2009).

 

  1. لایه خروجی :

در این لایه، رابطه یا فرمول بین متغیر های مستقل و وابسته اولیه ارائه می شود. تعداد گره ها در لایه خروجی بسته به پیشگویی مورد نظر ما دارد. در ازای داده های هر نمونه در مرحله یادگیری، یک عدد که میزان پایایی و روایی آن به شکل تجربی اثبات شده، به آن داده می شود. اگر قرار است که شبکه، سرطانی بودن یا نبودن یک بیمار را پیشگویی کند، پس در ازای داده های هر بیمار، در مرحله یادگیری یک ستون حاوی صفر یا یک به شبکه داده می شود، صفر به معنای بیمار سالم و یک به معنای بیمار سرطانی خواهد بود. به این ترتیب، یک سلول در لایه خروجی کافی خواهد بود، که فعالیت آن به معنی «یک» و سرطانی بودن و خاموش بودن آن به معنی «صفر» و سالم بودن می باشد( بهارلو، 1389).

[1] – Taylor et al

92

دانلود مقاله تحقیق پایان نامه

No description. Please update your profile.

~~||~~Comments Are Closed~~||~~