شبکه عصبی پرسپترون و پرسپترون چند لایه

دانلود پایان نامه

در روش اول که ساختار آن در شکل (5-2) نشان داده شده است، هدف اصلی بدست آوردن مدل تقریبی سیستم می باشد. ورودی های مدل تحت شناسائی به ورودی شبکه عصبی شناساگر داده می شوند و از تفاضل خروجی سیستم و خروجی شبکه به عنوان خطای شناساگر برای تطبیق آن با سیستم اصلی استفاده می شود. با آموزش شبکه عصبی این خطا حداقل می شود.

ساختار کلی روش دوم در شکل (5-3) مشاهده می شود و هدف اصلی، محاسبه و بدست آوردن تقریب معکوسی از مدل تحت شناسائی می باشد. همانگونه که از شکل آشکار است، مدل خطا مربوط به اختلاف ورودی سیستم و خروجی شبکه عصبی می باشد که با آموزش شبکه جهت حداقل نمودن این خطا، مقادیر پارامتر های شبکه تغییر می کنند. در این روش پس از آموزش، شبکه به صورت سری با سیستم قرار می گیرد و از آنجائیکه شبکه معکوس سیستم را آموخته است، ترکیب سیستم و شبکه، حکم تابع همانی را داشته و خروجی سیستم و ورودی شبکه عصبی را هر لحظه تعقیب می نماید. این روش در سیستم هایی که معکوس پذیر نباشند، با مشکلاتی همراه است.

در شناسایی سیستم با شبکه عصبی باید به نکاتی توجه کرد:
– گاهی حتی با داشتن یک تابع هزینه ساده نمی توان با اطمینان گفت که الگوریتم به سمت بهترین مدل همگرا شده است. این مشکل وقتی به وجود می آید که تابع هزینه چندین مینیمم محلی داشته باشد و پیدا کردن مینیمم اصلی کار ساده ای نباشد. برای رفع این مشکل الگوریتم های آموزشی با وزن های اولیه مختلفی تکرار می گردند.

  •   تحقیق درمورد اکسیداسیون و استاندارد


  • – گاهی برای مدل کردن بهتر باید ساختار شبکه تغییر داده شود.الگوریتم هایی وجود دارد که می تواند انتخاب ساختار مدل را اتوماتیک انجام دهد.
    – در پاره ای از مواردممکن است به نظر برسد که نمی توان یک مدل مناسب حتی باوجود انتخاب ساختار مدل بدست آورد که این موضوع ممکن است از ناکافی بودن اطلاعات سرچشمه گرفته باشد. در اینجا ممکن است پردازش اطلاعات مثل فیلتر کردن احتیاج باشد و یا اطلاعات در بعضی از نقاط کاری سیستم وجود نداشته باشد و یاخیلی کم باشد.
    برای شناسایی مدل بازوی انعطاف پذیر، یک شبکه عصبی تابع پایه شعاعی وزن دار، با استفاده از رویکرد شناسایی تابع مستقیم سیستم طراحی شده است و شامل یک ورودی و دو خروجی است که به ترتیب عبارتند از: ولتاژ ورودی به موتور DC، زاویه چرخش هاب و انحراف انتهای بازوی انعطاف پذیر. در ادامه به توضیح این نوع از شبکه عصبی و روش آموزش پس انتشار خطا می پردازیم.
    5-3-2-1-1- شبکه عصبی تابع پایه شعاعی وزن دار
    شبکه های تابع پایه شعاعی یکی از محبوب ترین شبکه های عصبی و رقیب اصلی شبکه عصبی پرسپترون چند لایه می باشد. این شبکه ها می توانند الگو هایی از شبکه عصبی تابع پایه شعاعی وزن دار باشند ]48[. معماری این شبکه مطابق شکل (5-4) می باشد.

    در شبکه عصبی تابع پایه شعاعی وزن دار، بر خلاف شبکه عصبی تابع پایه شعاعی، لایه ورودی صرفا یک لایه با انشعاب خروجی نیست بلکه دارای وزن های قابل تنظیم می باشد. لایه دوم یا لایه پنهان، فاصله ورودی های وزن دار شده را از مرکز دسته هر گره، به صورت غیر خطی محاسبه می کند یعنی اگر نزدیک مرکز دسته باشد مقدار آن یک است و اگر دورتر باشد، این مقدار به شدت کاهش می یابد. متداول ترین تابع شعاعی تابع گوسین است:
    (5-24)
    که ، فاصله ورودی وزن دار از مرکز دسته j-ام و ، انحراف معیار دسته j-ام است. از رابطه (5-25) محاسبه می شود:
    (5-25)
    که در آن مرکز دسته است.
    (5-26)
    5-3-2-1-2- آموزش شبکه تابع شعاعی با روش پس انتشار خطا
    برای آموزش وزن لایه خروجی از روش گرادیان نزولی استفاده شده و تابع هدف به صورت زیر تعریف می شود:
    (5-27)
    که در آن طبق رابطه (5-28) تعریف شده است.
    (5-28)
    ، خروجی i-ام شناساگر و نیز خروجی i-ام مدل تحت شناسایی می باشد.

    این نوشته در مقالات و پایان نامه ها ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.