بررسی توابع فعالیت مختلف در شبکه پرسپترونی چند لایه برای کاربرد تقریب تابع
شبکه هایی که از یک نرون ساخته شده اند، دارای محدودیت هایی می باشند. این شبکه ها توانایی پیاده سازی توابع غیرخطی را ندارند. به عنوان مثال توسط این شبکه ها نمی توان تابع XOR را پیاده سازی نمود.
برای حل این مشکل شبکه های دیگری پیشنهاد شد که به شبکه های پرسپترون چندلایه معروف است.
شبکه های پرسپترون چند لایه از یک لایه ورودی، تعدادی لایه پنهان و یک لایه خروجی تشکیل شده است.
در این شبکه ها شرایط زیر وجود دارد:
- نرون های هر لایه تنها به نرون های لایه بعدی متصل می باشند.
- هر نرون به تمامی نرون های لایه بعد متصل می باشد.
- نرون های لایه ورودی عملی را انجام نمی دهند و همگی وزنی ثابت و برابر یک دارند. این نرون ها تابع فشرده سازی ندارند. تمامی نرون ها به غیر از لایه ورودی جمع کننده بوده و هر نرون می تواند تابع فشرده سازی مستقلی داشته باشد.
- هر نرون می تواند دارای بایاس مستقل باشد.
- تعداد لایه های پنهان مشخص نمی باشد.
در شبکه های پرسپترون چندلایه، تعداد لایه های پنهان می تواند هر تعداد باشد. البته در بیشتر کاربردها یک لایه پنهان کفایت می کند. در برخی مواقع نیز دو لایه پنهان یادگیری را ساده تر می کند. در حالتی که تعداد لایه های پنهان بیش از یک لایه باشد باید الگوریتم های یادگیری را برای تمامی لایه ها تعمیم داد. روش عملی برای تخمین تعداد واحدها (نورون ها) در هر لایه پنهان در دست نیست. بدین منظور باید از روش های سعی و خطا استفاده کرد تا به مقدار میانگین خطای کل مطلوب رسید.
در این پروژه شبکه پرسپترونی چند لایه را برای کاربرد تقریب تابع پیاده سازی شده است.توابع داده شده در جدول از طریق واسط کاربری برای تابع فعالیت واحدها انتخاب می شود.در کاربرد تقریب تابع تعدادی نمونه آموزشی از تابع هدف ایجاد و در اختیار شبکه قرار داده می شود.
کد برنامه : متلب (Matlab)
گزارش پیاده سازی : ندارد
- در کاربرد تقریب تابع کاربر قادر می باشد تابعی را از یک مجموعه تابع از پیش تعریف شده در پروژه انتخاب کند.
- نمایش شکل تابع فعالیت بکار رفته و نمایش خطای شبکه در مرحله یادگیری
- نمایش تابع اصلی، داده های آموزشی تولید شده و تابع تقریب زده شده توسط شبکه
مجموع توابع پیاده سازی شده :
دریافت کامل کد برنامه( ایمیل خود را با دقت وارد نمایید)
قیمت : 25000 تومان
