آموزش طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب MATLAB
2 ساعت
4.9
در فیلم آموزش شبکه عصبی LVQ در متلب ، مبانی تئوری همه الگوریتم های مورد اشاره، به همراه ده ها مبحث تخصصی دیگر، به صورت کامل و به زبان ساده مورد بحث و بررسی قرار می گیرند. در ادامه، پس از تشریح مبانی تئوری، با استفاده از امکانات جعبه ابزار (تولباکس) شبکه عصبی متلب و توابع تعبیه شده در آن، با استفاده از متدهای برنامه نویسی متلب، شبکه عصبی LVQ در متلب پیاده سازی شده است و برای حل چند مساله طبقه بندی مورد استفاده قرار گرفته است. شبکه عصبی Learning Vector Quantization (به اختصار LVQ) یکی از انواع شبکه های عصبی با الگوی یادگیری نظارت شده است که کاربرد اصلی آن در حل مسائل طبقه بندی (Classification) و بازشناسی الگو (Pattern Recognition) است. این روش، از خویشاوندان نزدیک نگاشت های خود سازمان ده یا Self-Organizing Maps (به اختصار SOM) است و شباهت های زیادی نیز با رویکرد طبقه بندی نزدیک ترین همسایگی یا kNN دارد. شبکه عصبی LVQ، که می توان در فارسی آن را به صورت «رقمی ساز بردار یادگیر» ترجمه نمود، در واقع نسخه نظارت شده SOM است که البته فاقد ساختار همسایگی است. برای طراحی این نوع از شبکه های عصبی، چندین الگوریتم تا کنون پیشنهاد شده اند، که عنوان و توضیح مختصر چند نوع معروف تر، در ادامه آمده است: الگوریتم LVQ1: این روش، پایه ای ترین رویکرد برای طراحی و آموزش شبکه های عصبی LVQ است. در این رویکرد، که شباهت بسیار زیادی هم به الگوریتم های SOM و VQ دارد، در آن واحد، فقط یکی از نورون ها (مراکز کلاس ها) به روز می شود. ضمنا، در این الگوریتم، شبکه عصبی LVQ علاوه بر موارد موفق، از مثال های ناموفق نیز درس می گیرد، که در نهایت منجر به عملکرد بهینه شبکه عصبی LVQ می گردد. الگوریتم OLVQ1: این روش، نسخه بهینه شده LVQ1 است که در آن نرخ یادگیری، به صورت تطبیقی و بهینه تعیین می گردد. در این رویکرد، نرخ یادگیری طوری تنظیم می شود که همه نمونه های مورد استفاده در آموزش، با وزن ثابتی در یادگیری شبکه عصبی دخیل باشند و از این رو، از نظر آماری، بهترین عملکرد ممکن به دست می آید. الگوریتم های LVQ2 و LVQ2.1: در این الگوریتم ها، که تفاوت چندانی هم با هم ندارند، هم زمان دو مرکز و نورون به روز می شوند که این موضوع، در نهایت منجر به عملکرد سریع تر این الگوریتم خواهد شد. شرط انجام این به روز رسانی، درست بودن طبقه بندی به ازای یک نورون و نادرست بودن آن به ازای یک نورون دیگر است. در این حالت، اگر داده ارائه شده به شبکه عصبی، در پنجره مشخصی در میان دو کلاس قرار گیرد، با استفاده از قوانین یادگیری، مراکز هر دو کلاس به روز خواهند شد. الگوریتم LVQ3: این الگوریتم شامل همه عملیات LVQ2.1 است و علاوه بر آن، برای حالتی نیز که هر دو نورون طبقه بندی درستی را ارائه دهند، قانون یادگیری ضعیفی پیش بینی شده است تا مقداری به سرعت آموزش شبکه عصبی، افزوده شود. در فیلم آموزشی «طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب»، مبانی تئوری همه الگوریتم های مورد اشاره، به همراه ده ها مبحث تخصصی دیگر، به صورت کامل و به زبان ساده مورد بحث و بررسی قرار می گیرند. در ادامه، پس از تشریح مبانی تئوری، با استفاده از امکانات جعبه ابزار (تولباکس) شبکه عصبی متلب و توابع تعبیه شده در آن، با استفاده از متدهای برنامه نویسی متلب، شبکه عصبی LVQ در متلب پیاده سازی شده است و برای حل چند مساله طبقه بندی مورد استفاده قرار گرفته است. مدرس این مجموعه آموزش، دکتر سید مصطفی کلامی هریس (دکترای مهندسی کنترل از دانشگاه صنعتی خواجه نصیرالدین طوسی) است.
