تشابهات شبكه عصبی مصنوعی و بيولوژيكی

صفحه 1:
Identification of systems using artificial neural networks سمینار درس مدلسازي سيستمهاي بيولوژيکي استاد مربوطه: جناب آقاي دکتر توحیدخواه مطهره مقتدايي 86133113 1386 

صفحه 2:
مقدمه: اهمیت, کلیات. هدف بحث [4] لا تشابهات شبکه عصبي مصنوعي و بيولوژيکي: "1 سادگي واحدهاي محاسباتي * ارتباط بین نورونها عملکرد شبکه را تعیین مي کند. 

صفحه 3:
لا ويژگيهاي شبکه هاي عصبي مصنوعي © قابليتء يادكير يو * يراكندكي اطلاعات 8 قابليت تعميم © پردازش مصوازي * مقاوم بودن 

صفحه 4:
طبقه ‎OCR‏ ‎aa‏ الكو : ید ‎ini‏ = ماشین تمهاي = رس : بينايي : بار در ‎ww‏ ‎ce ae Jit ۱‏ سیستمها 0 سري هاي مدلسازي و كنترل تطبيقي ‎eos‏ 7 : مدیریت و فازي ‎a‏ سيستمهاي خبره و فازي 

صفحه 5:
کلیات:[3و4و5] لا نورون مصنوعي 

صفحه 6:
لا تابع فعالیت نورون: a 2 ‏ا‎ 3: آستانه 0:تكه ايخطي ع نید وس 6 

صفحه 7:


صفحه 8:
لا يادگيري: * يادگيري با سرپرستي "! يادگيري بدون سرپرستي "! تركيبي از هر دو ‎Oo‏ نكاتي كه بايد در يادگيري مد نظر داشت: "1 ظرفیت شبکه 8 حجم داده هاي تعلیم مورد نیاز * پيچيدگي محاسباتي الگوریتم يادگيري 

صفحه 9:
تا قوانین يادگيري 8 قوانین يادگيري بر مبناي اصلاح خطا * قوانین يادگيري بولتزمان * قوانین يادگيري هب * قانون يادگيري رقابتي 

صفحه 10:
انواع مدلسازي: [2] لا تجربي(90 ۱306): مدل بطلیموس از کائنات Jae :knowledge based :(white box), ..4b3 O ‏حرکت اجرام آسماني بر اساس تئوري نیوتن‎ semi physical :(gray box) 5; O مدلهاي شبکه عصبي: مدلهاي 00۷ 0۱201 * استاتيك 8 ديناميك 

صفحه 11:
روش طراحي [2] 9, ‏اي وجود داشته باظا که‎ 8] Oo HS) eal ‏تایع شامل‎ abkyls> olSl = ‏رگرسیون بوده و مدل درست است.‎ ‏طراحي مستلزم انجام كارهاي زیر است:‎ ‏انتخاب متغيرها‎ !" ‏تقريب بارامترهاي مدل‎ * ‏انتخاب بهترين مدل و تقريب عملكرد آن‎ !" 

صفحه 12:
چند نکته [2] تعليم مدلهاي خطي به راحتي قايل اتنجام است اما تعليم مدلهاي غيرخطي به روشهاي بيجيده تري نياز دارند. لا تعليم مدلهاي سيستمهاي ديناميكي را بايد بصورت تطبيقي (0۳-1106) انجام دهیم تا تغییرات آهسته ي فرایند را هم مدنظر قرار دهد. تا براي جلوگيري از مشکل 0۷6۳۲[۲:9, دامنه ي پارامترهاي مدل را با روش تنظیم ۲69۱12۳۱22100 محدود مي کنیم. 

صفحه 13:
لا تعلیم بدون :regularization 0 تعلیم با انجام :regularization 

صفحه 14:
Oo توصیف و شناسايي سیستمها [1] اگر يك سیستم با اپراتور م از فضاي ورودي « به فضاي خروجي « بیان شود. و هدف اين است که گروه 0 را که به آن تعلق دارد توصیف کنیم. با داشتن گروه 0 و دانستن-اینکه ‎DEQ‏ است. مسئله ي شناسايي اینست که يك گروه 0 ويك المان0© م را طوري ‎ox‏ , ‏که‎ ‎“7 Pa ae Bal = x sip P 1 = 

صفحه 15:
شبکه هاي چند لابه [1] ل] هر لایه از شبکه را مي توان با رابطه ي زیر نمايش داد: اك تا نگاشت ورودي خروجي شبکه ي چند لایه بصورت زير سباي باه [هیتفتو0 :۲۱-۲۱۷۸ عبر 

صفحه 16:
شبکه هاي برگشتي [1] لا چنین شبکه اي, مي تواند نشان دهنده ي = سیستم ديناميكي گسسته در زماني باشد. و آن را با رابطه ي زیر توصیف مف):کتلیم (۱+()ر x(t) 26+ 1( 3 ات 

صفحه 17:
Back Propagation [1] 8 اكر وريهاي شک سرت نعامهاي بدا پارامتر 6 در نظر گرفته شوند, فرایند يادگيري شامل تعیین بردار * 0 که تابع عملکرد ! را بر slg dS pala ‏اساس خطاي خروجچم:‎ 

صفحه 18:
شناسايي [1] لا چهار مدل سيستمهاي گسسته در ای جا با استفاده از معادلات دیفرانسیل غيرخطي توصیف شده اند: لا مدل1: اه ار حلا قله ]ع +( ار( مر ‎O‏ مدل 11 = حلك نلق لاجد حل ...ل حل د ,قل) ررك - عار ‎HI Ja. O‏ 18 Vk+D) = Ay (B,Y (kD, (ke n+ D+ fu), k- ‏101ص یر(‎ (ke) > ‏)ری ,10 افلآ‎ 241) KK), -- tk AMp>2 5 

صفحه 19:
Model I, II, II, IV [1] 

صفحه 20:
شناسايي (ادامه..) [1] ‎O‏ شكل ‏ : مدل موازي 2+۸1 )2+ 0) له ار لا شكل 5: مدل سري-مواقاقياة +2 علاردة + فلار - لاعطارلا 20 

صفحه 21:
منال1: [1] لا سیستم: 11۵1 +( عل) ,06 +12 ) ,203 ‎y(k+1)‏ ‏م0166 + همم ص038 + ‎f(u) =0.6sinfu)‏ £(u) ‏+قع‎ 03۶ - 04 تا مدل سري-موازي: 81ل ]ل + (1 )تر 0.6 + فل) نر 0.3 - (1جهذ) رتل 21 

صفحه 22:
هت بو ‎and ip‏ و سا ی اقا ‎AS a‏ tee (a) (b) ‏خروجي سیستم و مدل وقتي تطبیق در 12500 متوقف شده باشد.‎ (a) ‏پاسخ سیستم و مدل بعد از انجام عمل شناسايي با استفاده از يك‎ )0( ‏ورودي تصادفي‎ 22 

صفحه 23:
مثال2: 111 Volk) = AY p(H), Yolk D+ ud) ‏لا سیستم:‎ 11 ‏-)ر ,هل)‎ 1(1< ee تا رابطه ي سیستم مطابق مدل ]1 است. رابطه ي مدل: ‎¥,(k+) =My, (0, y,(k- D+ ud‏ ‎fly,(B,¥(k- DI‏ تا وضعیت هاي تعادل سیستم )2,2( , (0,0) 23 

صفحه 24:
لا وزنهاي شبکه طوري تنظیم مي شوند که خطاي زیر مینیمم شود؛ ‎dk+l) =y,(k+)- Ny,(W),y,(k- D]‏ (2):خروجي سیس (0):خروجي مدل 24 

صفحه 25:
منابع و مراجع . Identification and control of dynamical systems ued neural networks/Kumpati S. arendra/IEEE/1990 . Neural networks, methodology and applications /G. Dreyfus/springer . Artificial neural networks: a tutorial /Anil.k. Ja fan Jianchang Mao,K.M.Mohiuddin EEE/1996 ‏مبان تي شبکه هاي کصیب جلد اول/دکتر محمد پافر‎ 4 ‏هل اتهارات دانشگاه صنعتي امیرگبیر/1384‎ ابن كوبين/ اور پناه. کج 2 ۰ —— سيد اشم 2 25