شبکه های عصبی و الگوریتم های یادگیری در متلب

امروزه شبکه‌های عصبی مصنوعی به­ طور گسترده‌ای، با هدف دست­یابی به کارایی شبه انسانی مطالعه می‌شوند و در حال حاضر کابردهای متنوعی  در شاخه های مختلف مهندسی و حتی علوم انسانی پیدا کرده است. این شبکه‌ها قادرند روابط پیچیده غیرخطی بین متغیرهای ورودی و خروجی را در یک سیستم یاد بگیرند بدون اینکه دانشی قبلی نسبت به آن پدیده یا سیستم داشته باشند.

مدرس: دکتر محمدزاده، عضو هیأت علمی دانشگاه دولتی بناب

جهت مشاوره و راهنمایی پایان نامه ارشد و دکتری از طریق ایمیل intelligent.controlref@gmail.com تماس بگیرید.

در این مجموعه آموزشی قصد داریم ساختار مهم و کاربردی شبکه های عصبی از قبیل

  • شبکه های عصبی گاما،
  • Group Method of Data Handling (GMDH)
  • Radial basis function (RBF)
  • Recurrent neural network (RNN)
  • Convolutional neural network (CNN)
  • cerebellar-model-articulation-controller (CMAC)
  • Multilayer perceptron (MLP)
  • و برخی شبکه های عصبی مهم و کابردی دیگر از قبیل شبکه های عصبی خود تنظیم و شکبه های عصبی بر اساس تئوری راف و شبکه های عصبی Lolimot

همچنین روش های مختلف آموزش شبکه های عصبی بر اساس روش های آموزشی پس انتشار خطا (Back Propagation و Full Propafation) متدهای مختلف بهینه سازی از قبیل

  • گرادیان نزولی (Learning of neural network based on gradient descent algorithm )،
  • فیلتر کالمن توسعه یافته (Learning of neural network based on extended Kalman filter)،
  • فیلتر کالمن غیر خطی (Learning of neural network based on unsecented Kalman filter) و (Learning of neural network based on square root capture kalman filter)
  • روش کمترین مربعات خطا (Learning of neural network based on recursive least square algorithm)
  • روش آموزش مرتبه دوم لونبرگ مارکوآت (Learning of neural network based on Levenbeg-Marquat) و
  • روش مرتبه دوم نیوتن و روش مرتبه دوم  conjugate-gradient
  • روشهای تکاملی مثل الگوریتم ژنتیک (genetic algorithm) الگوریتم تجمعی پرندگان (particle swarm optimization) و الگوریتم عنکبوت (Social Spider optimization) رشد علف های هرز IWO و برخی دیگر از الگوریتم های مهم تکامی.

لازم به ذکر است که همه شبکه های عصبی و الگوریتم یادگیری در محیط متلب به صورت کد نویسی و قابل تطبیق با مسئله جدید پیاده سازی می شوند.


جلسه اول:

مقده ای بر شبکه های عصبی و الگوریتم های یادگیری

[showhide type="post1" more_text="براي مشاهده توضیحات و پیش نمایش این جلسه کليک فرماييد " less_text="مخفي کردن توضيحات "]

در این جلسه مقدمه ای بر شبکه های عصبی و الگوریتم های یادگیری ارائه می شود و یک برنامه متلب به صورت برداری برای محاسبه خروجی شبکه های عصبی MLP شرح داده می شود. در جلسات بعدی از این برنامه برای محاسبات پیشرو شبکه های عصبی استفاده خواهد شد.

محتوا: فایل آموزشی 720pو کدهای متلب

پیش نمایش جلسه اول:

[/showhide]


جلسه دوم:

شبکه های عصبی MLP، آموزش بر اساس پس انتشار خطا -گرادیان نزولی، کابرد در تخمین توابع غیرخطی

[showhide type="post2" more_text="براي مشاهده توضیحات و پیش نمایش این جلسه کليک فرماييد " less_text="مخفي کردن توضيحات "]

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه شبکه های عصبی MLP بر اساس روش آموزش پس انتشار خطا Back Propagation و روش بهینه سازی گرادیان نزولی   Gradient Descent آموزش داده می شود. همچنین مسئله Over Train شرح داده می شود. الگوریتم های توضیح داده شده در محیط متلب به صورت کدنویسی شبیه سازی شده و در یک مسئله تخمین تابع غیرخطی به کار گرفته می شوند. برنامه ها به صورتی نوشته شده که به آسانی می توانید در مسئله خودتان استفاده نمایید.

محتوا: فایل آموزشی 720pو کدهای متلب

پیش نمایش جلسه دوم:

[/showhide]


جلسه سوم:

شبکه های عصبی MLP، روش Full Propagation، کابرد در دسته بندی

[showhide type="post3" more_text="براي مشاهده توضیحات و پیش نمایش این جلسه کليک فرماييد " less_text="مخفي کردن توضيحات "]

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه ابتدا شبکه های عصبی MLP بر اساس روش آموزش  Full Propagation و روش بهینه سازی گرادیان نزولی   Gradient Descent آموزش داده می شود. سپس  این شبکه ها در یک مسئله کابردی با داده های واقعی برای دسته بندی classification  مورد استفاده قرار می گیرد. در نهایت مسئله Over Parameterize توضیح داده می شود. الگوریتم های توضیح داده شده در محیط متلب به صورت کدنویسی شبیه سازی می شوند. به آسانی می توانید از این مثال در کابرد دسته بندی مربوط به خودتان استفاده نمایید.

محتوا: فایل آموزشی 720pو کدهای متلب

پیش نمایش جلسه سوم:

[/showhide]


جلسه چهارم:

آموزش بر اساس گرادیان نزولی با نرخ تطبیقی و کمترین مربعات خطا

[showhide type="post4" more_text="براي مشاهده توضیحات و پیش نمایش این جلسه کليک فرماييد " less_text="مخفي کردن توضيحات "]

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه آموزش شبکه های عصبی MLP با استفاده از گرادیان نزولی با نرخ تطبیقی و روش کمترین مربعات خطا RLS شرح داده می شود. دقت این الگوریتم ها با روشهای جلسه قبل مقایسه می شود. همچنین مشکلات روش RLS و روشهای رفع آنها با استفاده از Forgeting Factor و Covariance Matrix Resetting شرح داده می شود. همه الگوریتم های در محیط متلب به صورت کدنویسی پیاده سازی می شوند. برنامه ها به صورت برداری نوشته شده اند تا با سرعت بهینه در متلب اجرا شوند.

محتوا: فایل آموزشی 720pو کدهای متلب

پیش نمایش جلسه چهارم:

[/showhide]


جلسه پنجم:

 آموزش بر اساس الگوریتم های مرتبه دوم و افزایش سرعت همگرایی

[showhide type="post5" more_text="براي مشاهده توضیحات و پیش نمایش این جلسه کليک فرماييد " less_text="مخفي کردن توضيحات "]

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه آموزش شبکه های عصبی MLP با استفاده از روشهای مرتبه دومی مثل لونبرگ-مارکوآت  levenberg-marquardt و Conjugate Gradient آموزش داده می شود. دقت و سرعت این الگوریتم ها با روشهای جلسه قبل مقایسه می شود.  همه الگوریتم های در محیط متلب به صورت کدنویسی پیاده سازی می شوند. برنامه ها به صورت برداری نوشته شده اند تا با سرعت بهینه در متلب اجرا شوند.

محتوا: فایل آموزشی 720pو کدهای متلب

حجم: حدوداً 100MB

پیش نماش جلسه پنجم: 

[/showhide]


جلسه ششم:

شبکه های عصبی RBF ، آموزش بدون مربی، خوشه بندی

[showhide type="post6" more_text="براي مشاهده توضیحات و پیش نمایش این جلسه کليک فرماييد " less_text="مخفي کردن توضيحات "]

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه، ابتدا ساختار شبکه های عصبی RBF  شرح داده می شود، سپس به تشریح روش آموزش شبکه های عصبی بر پایه روش بدون مربی  Unsupervised Learning Algorithm پرداخته می شود. از روش های آموزش بدون مربی، روش خوشه بندی K-means توضیح داده می شود. در نهایت  الگوریتم های توضیح داده شده در محیط کدنویسی متلب و با  یک مثال گویا پیاده سازی میشود و نتایج به دست آمده با روش آموزش با مربی نیز مقایسه می شود.

محتوا: فایل آموزشی 720pو کدهای متلب

حجم: حدوداً 100MB

پیش نماش جلسه ششم:

[/showhide]


جلسه هفتم:

شبکه های عصبی GMDH (Ivakhenenco)، شبیه سازی مقاله 2015، تشخیص خطا

[showhide type="post7" more_text="براي مشاهده توضیحات و پیش نمایش این جلسه کليک فرماييد " less_text="مخفي کردن توضيحات "]

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه، شبکه های عصبی GMDH (شبکه عصبی بر اساس چند جمله ای های ایواخننکو Ivakhenenco) معرفی میشود. نحوه تنظیم ساختار، پارامترها و قابلیت های این شکبه عصبی شرح داده شده و در نهایت در یک مسئله تشخیص خطا fault detection  به کار برده می شود. شبیه سازی انجام شده در این جلسه به صورت سیمولنیک و بر اساس یک مقاله معتبر ISI   می باشد.

محتوا: فایل آموزشی 720pو کدهای متلب

حجم: حدوداً 100MB

پیش نماش جلسه هفتم:

[/showhide]


جلسه هشتم:

الگوریتم ژنتیک، تولباکس متلب، کدنویسی

[showhide type="post8" more_text="براي مشاهده توضیحات و پیش نمایش این جلسه کليک فرماييد " less_text="مخفي کردن توضيحات "]

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه، الگوریتم ژنتیک به زبان ساده و با نگاه کاربردی شرح شده و تولباکس متلب برای این الگوریتم همرا با یک مثال گویا و ساده، به صورت کامل بررسی می شود. همچنین یک برنامه متلب برای این الگوریتم نوشته شده است که می توانید از این کدها در مسئله مربوط به خودتان به راحتی استفاده نمایید. در جلسات بعدی از این الگوریتم برای آموزش شبکه عصبی استفاده خواهیم کرد.

محتوا: فایل آموزشی 720pو کدهای متلب

حجم: حدوداً 100MB

پیش نماش جلسه هشتم: 

[/showhide]


جلسه نهم:

آموزش شبکه های عصبی با استفاده از الگوریتم ژنتیک، شبکه های عصبی حافظه دار

[showhide type="post9" more_text="براي مشاهده توضیحات و پیش نمایش این جلسه کليک فرماييد " less_text="مخفي کردن توضيحات "]

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه، ابتدا به معرفی شبکه های عصبی حافظه دار پرداخته شده و روابط آنها، نحوه آموزش و تفاوتشان با شبکه های عصبی قبلی شرح داده می شود. سپس به آموزش شبکه های عصبی بر اساس الگوریتم ژنتیک همراه با یک مثال ساده  گویا، می پردازیم. همچنین نحوه اضافه کردن توابعی دلخواه به تولباکس ژنتیک متلب شرح داده می شود.

محتوا: فایل آموزشی 720pو کدهای متلب

حجم: حدوداً 100MB

پیش نماش جلسه نهم: 

[/showhide]


جلسه دهم:

شناسایی غیرخطی بر اساس شبکه های عصبی (مدلهای NNARX, NNFIR, NNEO,...)

[showhide type="post10" more_text="براي مشاهده توضیحات و پیش نمایش این جلسه کليک فرماييد " less_text="مخفي کردن توضيحات "]

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه ابتدا روش های شناسایی غیرخطی بر پایه شبکه های عصبی شرح داده می شود (Identification based on neural networks). سپس به بررسی شبکه های عصبی با توابع فعالساز انعطاف پذیر پرداخته می شود. در نهایت یک مثال گویا و کابردی در متلب شبیه سازی می شود. برنامه متلب نوشته شده به صورت کامل است و می توانید در پروژه های خود از آن استفاده نمایید.

محتوا: فایل آموزشی 720pو کدهای متلب

حجم: حدوداً 100MB

پیش نماش جلسه دهم: 

[/showhide]


جلسه یازدهم:

آموزش شبکه های عصبی بر اساس فیلتر کالمن توسعه یافته، مسئله پیش بینی بارندگی با داده های واقعی

[showhide type="post11" more_text="براي مشاهده توضیحات و پیش نمایش این جلسه کليک فرماييد " less_text="مخفي کردن توضيحات "]

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

 در این جلسه، ابتدا فیلتر کالمن توسعه یافته (extended Kalman filter) به صورت مختصر شرح داده می شود سپس به نحوه آموزش شبکه های عصبی بر اساس این روش می پردازیم. در نهایت شبکه های عصبی در یک مثال کاربردی (پیش بینی بارندگی تهران با استفاده از داده های واقعی) مورد استفاده قرار می گیرد. یک برنامه متلب به صورت جامع و کامل در این جلسه ارائه می شود که می توانید در پروژه ها و پایان نامه های مشابه به آسانی از آن استفاده نمایید.

محتوا: فایل آموزشی 720pو کدهای متلب

حجم: حدوداً 100MB

پیش نماش جلسه یازدهم: 

[/showhide]


جلسه دوازدهم:

شبکه های عصبی راف و آموزش این شبکه ها بر اساس فیلتر کالمن و گرادیان نزولی

[showhide type="post12" more_text="براي مشاهده توضیحات و پیش نمایش این جلسه کليک فرماييد " less_text="مخفي کردن توضيحات "]

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

 در این جلسه، شبکه های عصبی راف (Rough Neural Networks) شرح داده می شوند. این شبکه های عصبی حساسیت کمتری در مقایسه با MLP نسبت به نرون های لایه میانی دارند. از الگوریتم های گرادیان نزولی و فیلتر کالمن توسعه یافته برای آموزش این شبکه عصبی استفاده می شود. در نهایت برنامه متلب جامع و کامل همراه با یک مثال گویا برای آموزش این شبکه های عصبی ارائه می شود و نتایج با شبکه عصبی MLP مقایسه می شود.

محتوا: فایل آموزشی 720pو کدهای متلب

حجم: حدوداً 100MB

پیش نماش جلسه دوازدهم: 

[/showhide]


جلسه سیزدهم:

شبکه های عصبی مبتنی بر کانولوشن، تشخیص اعداد دست نویس انگلیسی

[showhide type="post13" more_text="براي مشاهده توضیحات و پیش نمایش این جلسه کليک فرماييد " less_text="مخفي کردن توضيحات "]

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

 در این جلسه، شبکه عصبی  Convolutional Neural Networks (CNN) را معرفی کرده و به تشریح ساختار و قابلیت های آن می پردازیم و با شبکه های عصبی MLP  مقایسه می کنیم و درنهایت در یک مسئله مهم و کاربردی تشخیص اعداد دست نویس به کار برده می شود.

محتوا: فایل آموزشی 720pو کدهای متلب

حجم: حدوداً 100MB

پیش نماش جلسه سیزدهم: 

 
[/showhide]

جلسه چهاردهم:

Unscented Kalman Filter، آموزش شبکه های عصبی بر اساس فیلتر کالمن UKF

[showhide type="post14" more_text="براي مشاهده توضیحات و پیش نمایش این جلسه کليک فرماييد " less_text="مخفي کردن توضيحات "]

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

 در این جلسه، ابتدا به صورت مختصر مزایا و معایب روشهای آموزشی مختلف را بررسی کرده و سپس به تشریح فیلتر کالمن UKF  می پردازیم. از این الگوریتم در یک مثال گویا برای آموزش شبکه های عصبی استفاده می کنیم. برنامه متلبی به صورت کامل و بهینه برای این آموزش شبکه های عصبی MLP با ساختار دلخواه بر اساس UKF  ارائه می شود.

محتوا: فایل آموزشی 720pو کدهای متلب

حجم: حدوداً  100MB

پیش نماش جلسه چهاردهم:

[/showhide]


جلسه پانزدهم:

آموزش شبکه های عصبی بر اساس PSO

[showhide type="post15" more_text="براي مشاهده توضیحات و پیش نمایش این جلسه کليک فرماييد " less_text="مخفي کردن توضيحات "]

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

 در این جلسه، ابتدا الگوریتم PSO شرح داده می شود، سپس نحوه بهینه سازی شبکه های عصبی با استفاده از این الگوریتم توضیح داده می شود. در نهایت در یک مثال کاربردی از PSO برای طراحی شبکه  عصبی استفاده می شود. از کدهای متلب ارائه شده به راحتی می توانید در مسائل مربوط به خودتان استفاده کنید.

محتوا: فایل آموزشی 720pو کدهای متلب و pdf

حجم: حدوداً  60MB

پیش نماش جلسه پانزدهم:

[/showhide]


جلسه شانزدهم:

شبکه های عصبی گاما

[showhide type="post18" more_text="براي مشاهده توضیحات و پیش نمایش این جلسه کليک فرماييد " less_text="مخفي کردن توضيحات "]

در این جلسه شبکه های عصبی گاما (gamma neural network) ، اهمیت این شبکه های عصبی و کاربردهای آن توضیح داده می شود. سپس در یک مثال کاربردی برای تخمین یک تابع غیرخطی به کار گرفته می شود. همه پارامترهای این شبکه عصبی بر اساس PSO  تنظیم می شوند. برنامه متلب جامعی برای این شبکه عصبی ارائه شده است.

محتوا: فایل آموزشی 720pو کدهای متلب و pdf

حجم: حدوداً  80MB

پیش نماش جلسه شانزدهم: 

[/showhide]


جلسه هفدهم:

شبکه های عصبی مدل مخچه (CMAC)

[showhide type="post17" more_text="براي مشاهده توضیحات و پیش نمایش این جلسه کليک فرماييد " less_text="مخفي کردن توضيحات "]

در این جلسه شبکه های عصبی مدل مخچه  (Cerebellar model articulation controller)، توضیح داده می شود. همه پارامترهای این شبکه عصبی بر اساس PSO  تنظیم می شوند. این شبکه عصبی در یک مثال کابردی با دیتای واقعی برای پیش بینی بارندگی استفاده می شود. برنامه متلب جامعی ارائه شده است که می توانید در مسائل خودتان استفاده کنید.

 محتوا: فایل آموزشی 720pو کدهای متلب و pdf

حجم: حدوداً  80MB

پیش نماش جلسه شانزدهم: 

[/showhide]


جلسه هجدهم:

شبکه های عصبی مثلثاتی و تولباکس متلب

[showhide type="post18" more_text="براي مشاهده توضیحات و پیش نمایش این جلسه کليک فرماييد " less_text="مخفي کردن توضيحات "]

در این جلسه شبکه های عصبی مثلثاتی شرح داده شده و در یک مثال کاربردی برای پیش بینی سری های زمانی به کار گرفته می شود. علاوه بر برنامه جامع متلبی که برای این کار ارائه می شود از تولباکس متلب نیز برای این کار استفاده می شود.
 محتوا: فایل آموزشی 720pو کدهای متلب و pdf

حجم: حدوداً  80MB

پیش نماش جلسه هجدهم:

[/showhide]


برای دانلود کلیک کنید



مطالب پیشنهادی
نظرات

سوالات خود را بپرسید یا به کامنت دیگران پاسخ دهید.... برای نوشتن روابط ریاضی، معادلات را در فرمت لاتکس بنویسید و داخل دو عبارت [pmath/] .... [pmath] قرار دهید. برای نوشتن روابط ریاضی در فرمت لاتکس از mathtype استفاده کنید

avatar
  عضویت  
اطلاع بده

تمامی حقوق برای وب سایت سیم رف محفوظ است و هر گونه کپی برداری پیگرد قانونی دارد. intelligent.controlref@gmail.com