پروژه کامل کلاس بندی پترن ها با شبکه عصبی پرسپترون و آدالاین در متلب
پروژه ۶۱۰: شبیه سازی با متلب + توضیحات خط به خط کدها + توضیحات کلی
خلاصه :
در این پروژه قصد داریم تا پترن های شکل فوق را توسط دو نوع شبکه عصبی کلاس بندی نماییم. اولین شبکه عصبی مربوط به پرسپترون تک لایه با سه نرون و دومین برنامه مربوط به شبکه ادالاین با سه نرون برای جداسازی الگوهای فوق در نظر گرفته شده است. در این شبیه سازی همچنین مقایسه دو روش نیز صورت گرفته است. شما می توانید پترن های دیگری نیز به عنوان الگو در نظر بگیرید:
در شبکه عصبی پرسپترون ابتدا پترن ها را مشابه زیر انتخاب می نماییم:
%paterns class1
p1=[2;2];
p2=[2;1];
%patterns class2
p3=[1;-2];
%patterns class3
p4=[-2;1];
و توابع هدف را مشابه زیر در نظر می گیریم:
%target for class1
t1=[1;1;1];
t2=[1;1;1];
%targets for class2
t3=[1;0;0];
%targets for class3
t4=[0;1;0];
سپس با یک وزن و بایاس اولیه شبیه سازی را شروع می نماییم. آنقدر تکرار ها را انجام می دهیم تا به یک جواب مطلوب برسیم. در این حالت داده ها کلاس بندی می گردد. در زیر نتیجه بعد از اجرای الگوریتم قابل مشاهده است. همانطور که از نتیجه دیده می شود در ۳ تکرار به خطای برابر با صفر رسیده است.
weight matrix is:
۲ -۱
۱ ۳
۱ ۱
repeat:
۳
Error:
e1 e2 e3 e4
۰ ۰ ۰ ۰
۰ ۰ ۰ ۰
۰ ۰ ۰ ۰
در طراحی با شبکه آدالاین ، وزن و بایاس به صورت زیر ابدیت می شوند:
مقدار α در بازه زیر تعریف می گردد:
که λ مقادیر ویژه ماتریس R می باشد که برابر است با:
R=1/2[p1p1’+p2p2’+p3p3’+p4p4′]
R =
۶٫۵۰۰۰ ۱٫۰۰۰۰
۱٫۰۰۰۰ ۵٫۰۰۰۰
eig(R)=
۴٫۵۰۰۰
۷٫۰۰۰۰
weight matrix is:
۰٫۲۵۹۰ -۰٫۰۷۰۰
-۰٫۰۳۶۱ ۰٫۲۸۰۰
۰٫۲۵۹۰ -۰٫۰۷۰۰
repeat:
۱۰۰۰۰
error
e1 e2 e3 e4
۰٫۰۳۱۳ -۰٫۰۳۹۱ ۰٫۰۱۰۴ -۰٫۰۰۲۶
-۰٫۱۲۵۲ ۰٫۱۵۶۶ -۰٫۰۴۱۷ ۰٫۰۱۰۴
۰٫۰۳۱۳ -۰٫۰۳۹۱ ۰٫۰۱۰۴ -۰٫۰۰۲۶
قابل ذکر است که در قانون ادالاین خطا هرگز صفر نمی گردد.
در صورت سوال در مورد محصول می توانید از بخش تماس با ما (منوی بالا)، با شماره تلفن مورد نظر مکاتبه نمایید .
دیگر پروژه های قابل دانلود:
مجموعه: شبکه عصبی, مهندسی کامپیوتر