شبکه عصبی برای قانون یادگیری هب smoothing ،Delta Rule و unsupervised(بدون ناظر)

پروژه ۶۱۵: شبیه سازی در متلب با شبکه عصبی + توضیحات کامل 

پروژه کامل شبکه عصبی برای قانون یادگیری هب smoothing ،Delta Rule و unsupervised(بدون ناظر)

در این شبیه سازی قصد داریم تا از قانون هب برای آبدیت وزن های شبکه عصبی استفاده نماییم. سه قانون زیر برای این منظور پیشنهاد می شود: 

۱-  smoothing  

 ۲- Delta Rule ،

 ۳- unsupervised  (بدون ناظر) 

 

۱- smoothing

615-1

یکی از مشکلات در قانون یادگیری هب ،این است که در صورت زیاد بودن تعداد الگوها در مجموعه داده های یادگیری ،ماتریس وزنی دارای عناصر بسیار بزرگی خواهند شد.با استفاده از α (نرخ یادگیری) مثبت کوچکتر از ۱ ، می توان  مقدار افزایش در عناصر ماتریس وزنی را محاسبه نمود.

۲- Delta Rule

615-2

اصلاحی که میتوان بر روی قانون اولیه هب انجام داد ،این است که به جای بردار خروجی مطلوب از بردار خطای خروجی شبکه استفاده کنیم.مزیت این روش ،این است که وزن ها پس از ارائه هر الگوی جدید تنظیم شده و این ترتیب برای تنظیم پارامترها ،موجب میشود تا قانون یادگیری خود را با تغییرات محیط وفق دهد.

 

۳- unsupervised  (بدون ناظر) 

615-3

قانون بدون ناظر هب ،وزنه سیناپسی موجود بین ورودی p  و خروجی نرون را متناسب با حاصل ضربشان تقویت می کند.

پترن ها در این شبیه سازی یک ماتریس ۹*۸ هستند. سه پترن در p1 ,p2 , p3 در نظر گرفته شده است. 

در صورت سوال در مورد محصول می توانید از بخش تماس با ما (منوی بالا)، با شماره تلفن مورد نظر مکاتبه نمایید .

پس از پرداخت آنلاین، فایل قابل دانلود می باشد

خرید آنلاین

 

برای عضویت در کانال ما روی عکس زیر کلیک کنید : (آخرین اخبار مرتبط با مهندسی و سایر تکنولوژی ها)

یا آدرس لینک زیر را در تلگرام خود جستجو نمایید:

m_b_coll@


مجموعه: شبکه عصبی, مهندسی کامپیوتربرچسب ها , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,

دیدگاهتان را بنویسید

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