تشابهات شبکه عصبی مصنوعی و بیولوژیکی

تشابهات شبکه عصبی مصنوعی و بیولوژیکی

اسلاید 1: Identification of systems using artificial neural networksسمينار درس مدلسازي سيستمهاي بيولوژيكياستاد مربوطه: جناب آقاي دكتر توحيدخواهمطهره مقتدايي 861331131386

اسلاید 2: 22مقدمه: اهميت، كليات، هدف بحث [4]تشابهات شبكه عصبي مصنوعي و بيولوژيكي:سادگي واحدهاي محاسباتيارتباط بين نورونها عملكرد شبكه را تعيين مي كند.

اسلاید 3: 33ويژگيهاي شبكه هاي عصبي مصنوعيقابليت يادگيريپراكندگي اطلاعاتقابليت تعميمپردازش موازيمقاوم بودن

اسلاید 4: 44كاربردهاي شبكه عصبي:طبقه بندي، شناسايي و تشخيص الگو : OCRپردازش سيگنال : بينايي ماشينپيش بيني سري هاي زماني : بار در سيستمهاي قدرتمدلسازي و كنترل : سيستمهاي تطبيقيبهينه سازي : مديريتسيستمهاي خبره و فازي

اسلاید 5: 55كليات:[3و4و5]نورون مصنوعي:

اسلاید 6: 66تابع فعاليت نورون:a: آستانهb:تكه اي خطيc:سيگموئيدd:گوسين

اسلاید 7: 77ساختارهاي شبكه:

اسلاید 8: 88يادگيري:يادگيري با سرپرستييادگيري بدون سرپرستيتركيبي از هر دونكاتي كه بايد در يادگيري مد نظر داشت:ظرفيت شبكهحجم داده هاي تعليم مورد نيازپيچيدگي محاسباتي الگوريتم يادگيري

اسلاید 9: 99قوانين يادگيريقوانين يادگيري بر مبناي اصلاح خطاقوانين يادگيري بولتزمانقوانين يادگيري هبقانون يادگيري رقابتي

اسلاید 10: 10انواع مدلسازي: [2]تجربي(black box): مدل بطليموس از كائناتتحليلي(white box): knowledge based: مدل حركت اجرام آسماني بر اساس تئوري نيوتنتركيبي(gray box): semi physicalمدلهاي شبكه عصبي: مدلهاي black boxاستاتيكديناميك

اسلاید 11: 11روش طراحي [2]اگر اي وجود داشته باشد كه آنگاه خانواده تابع شامل تابع رگرسيون بوده و مدل درست است.طراحي مستلزم انجام كارهاي زير است:انتخاب متغيرهاتقريب پارامترهاي مدلانتخاب بهترين مدل و تقريب عملكرد آن

اسلاید 12: 12چند نكته [2]تعليم مدلهاي خطي به راحتي قابل انجام است اما تعليم مدلهاي غيرخطي به روشهاي پيچيده تري نياز دارند.تعليم مدلهاي سيستمهاي ديناميكي را بايد بصورت تطبيقي (on-line) انجام دهيم تا تغييرات آهسته ي فرايند را هم مدنظر قرار دهد.براي جلوگيري از مشكل overfitting، دامنه ي پارامترهاي مدل را با روش تنظيم regularization محدود مي كنيم.

اسلاید 13: 13تعليم با انجام regularization:تعليم بدون regularization:

اسلاید 14: 14توصيف و شناسايي سيستمها [1]اگر يك سيستم با اپراتور p از فضاي ورودي u به فضاي خروجي y بيان شود. و هدف اين است كه گروه Q را كه p به آن تعلق دارد توصيف كنيم. با داشتن گروه Q و دانستن اينكه p∈Q است، مسئله ي شناسايي اينست كه يك گروه Q` و يك المانp`∈Q` را طوري تعيين كنيم كه p` ، p را بصورت مورد نظر تقريب بزند.

اسلاید 15: 15شبكه هاي چند لايه [1]هر لايه از شبكه را مي توان با رابطه ي زير نمايش داد: نگاشت ورودي خروجي شبكه ي چند لايه بصورت زير نشان داده مي شود:

اسلاید 16: 16شبكه هاي برگشتي [1]چنين شبكه اي، مي تواند نشان دهنده ي سيستم ديناميكي گسسته در زماني باشد. و آن را با رابطه ي زير توصيف مي كنيم:

اسلاید 17: 17Back Propagation [1]اگر وزنهاي شبكه بصورت المانهاي بردار پارامتر θ در نظر گرفته شوند، فرايند يادگيري شامل تعيين بردار * θ كه تابع عملكرد J را بر اساس خطاي خروجي بهينه مي كند، مي باشد.

اسلاید 18: 18شناسايي [1]چهار مدل سيستمهاي گسسته در اينجا با استفاده از معادلات ديفرانسيل غيرخطي توصيف شده اند:مدلI :مدل II:مدل III:مدل IV:

اسلاید 19: 19Model I, II, III, IV ‍[1]

اسلاید 20: 20شناسايي (ادامه..) [1]شكل a : مدل موازي شكل b : مدل سري-موازي

اسلاید 21: 21مثال1:‍ ‍[1]سيستم:مدل سري-موازي:

اسلاید 22: 22خروجي سيستم و مدل وقتي تطبيق در k=500 متوقف شده باشد.پاسخ سيستم و مدل بعد از انجام عمل شناسايي با استفاده از يك ورودي تصادفي

اسلاید 23: 23مثال2: [1‍[سيستم:رابطه ي سيستم مطابق مدل II است. رابطه ي مدل:وضعيت هاي تعادل سيستم :(0,0) , (2,2)

اسلاید 24: 24وزنهاي شبكه طوري تنظيم مي شوند كه خطاي زير مينيمم شود:(a):خروجي سيستم(b):خروجي مدل

اسلاید 25: 25منابع و مراجعIdentification and control of dynamical systems using neural networks/Kumpati S. Narendra/IEEE/1990Neural networks, methodology and applications /G.Dreyfus/springerArtificial neural networks: a tutorial /Anil.k.Jane,Jianchang Mao,K.M.Mohiuddin /IEEE/1996مباني شبكه هاي عصبي جلد اول/دكتر محمد باقر منهاج/انتشارات دانشگاه صنعتي اميركبير/1384هوش مصنوعي/بن كوپين/سيد هاشم داور پناه، عبد الرضا ميرزايي/انتشارات سخن گستر مشهد/1385