پروژه مدل سازی داده با شبکه عصبی SOM با متلب
در این پست پروژه مدل سازی داده با شبکه عصبی SOM با متلب را آماده کرده ایم که در ادامه به توضیح الگوریتم خود سازمانده یا شبکه عصبی SOM خواهیم پرداخت و چندین تصاویر خروجی از این پروژه را نیز می توانید به همراه فیلم خروجی مشاهده نمائید. در پروژه حاضر، واحد هاى پردازشگر در گره هاى یک شبکه یک بعدى، دو بعدى و بیشتر، قرار داده مى شوند. واحدها در یک فرآیند یادگیرى رقابتى نسبت به الگوهاى ورودى منظم مى شوند.
شبکه عصبی SOM یا خود سازمانده از ابزار های قدرتمندی جهت خوشه بندی فضاهای با ابعاد بالا و مصور سازی و نمایش اثر همزمان متغیرها در مقدار تابع هدف می باشد. شبکه های خود سازمانده از انواع شبکه های عصبی با یادگیری بدون ناظر می باشند که در تحلیل فضاهای پیچیده توانایی زیادی دارند.
توضیحات بیستر و تصاویر و فیلم خروجی پروژه مدل سازی داده با شبکه عصبی SOM با متلب در ادامه مطلب.
این مدل از شبکه های عصبی اولین بار توسط کوهنن در سال ۱۹۸۱ و با الگو برداری از عصب های شبکیه چشم ، معرفی و نخستین بار در سال ۱۹۸۱ برای تشخیص صدا و تبدیل آن به متن، به طور عملی مورد استفاده قرار گرفت. اکنون شبکه های خود سازمانده بطور گستردهای در داده کاوی نمایش فضاهای پیچیده و خوشه بندی فضاهای با تعداد ابعاد بالا و به طور خاص در پردازش تصویر، کنترل فرآیند، مدیریت پروژه، آنالیزهای مالی و تشخیص های صنعتی و پزشکی مورد استفاده قرار می گیرد.
آموزش شبکه های خود سازمانده :
آموزش شبکه های خود سازمانده، بدون ناظر و بر مبنای الگوریتم یادگیری رقابتی است. در ابتدا بردار وزنی متناظر با هر نورون به طور تصادفی تولید شده و ساختار اولیه شبکه شکل می گیرد و سپس در طول فرآیند آموزش شبکه، بردار وزنی متناظر با هر نورون بگونه ای تنظیم می شود که بتواند قسمتی از اطلاعات فضای مورد تحلیل را پوشش دهد.
الگوریتم آموزش شبکه های خود سازمانده دارای چهار مرحله زیرمی باشد :
١- انتخاب پارامترهای نقشه مانند ابعاد و بردار وزنی ابتدایی متناظر با هر نورون.
٢- ارائه داده های مورد تحلیل به شبکه و یافتن بهترین نورون نظیر برای هر بردار داده ورودی (رکورد). رکوردها میتوانند همزمان به شبکه ارائه شوند و یا اینکه به ترتیب هر بار یک رکورد به شبکه ارائه و عملیات آموزش شبکه انجام شود.
تصویر خروجی ۱:
تصویر خروجی ۲:
تصویر خروجی ۳:
تصویر خروجی ۴:
مشاهده ویدئو در این باره