کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

شکل ۲-۹: مدل چند ورودی یک نرون

باید خاطر نشان ساخت که در نمایش ماتریس­ها دومین اندیس، مبدأ سیگنال ورودی نرون را نشان می­دهد و اندیس اول به شماره خود نرون اشاره می­ کند.
فرم خلاصه شده نرون چندورودی را در شکل۲-۵ نشان داده شده است. همان­گونه که در شکل مشاهده می­ شود. بردار ورودی P با یک ستون عمومی در منتها الیه سمت چپ نمایش داده می شود. ابعاد P در زیر آن R×۱ مشخص شده است. این نماد نشان دهنده آن است که بردار ورودی P دارای R عنصر است. بردار P در یک ماتریس W با R ستون ضرب می­ شود. مقدار ثابت ۱ به عنون یک ورودی به نرون اضافه شده و در جمله اسکالر بایاس b ضرب می­ شود ورودی n به تابع f اعمال شده و خروجی مربوطه به وجود می ­آید. a عملا نشان­دهنده شبکه تک­نرونی است و در این حالت یک اسکالر با ابعا د ۱×۱ است .

شکل ۲-۱۰: فرم ساده شده نرون با R ورودی

۲-۱۰-۲- ساختار شبکه ­های عصبی
باید توجه داشت که معمولا حتی یک نرون با تعداد ورودی­های زیاد نیز به تنهایی برای حل مسائل فنی مهندسی کفایت نمی­کند مثلاً برای مدل­سازی نگاشت­هایی که دارای دو خروجی هستند احتیاج به دو نرون داریم که به طور موازی عمل کنند. دراین حالت یک لایه خواهیم داشت که از اجتماع چند نرون تشکیل شده است.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

۲-۱۰-۲-۱- شبکه تک لایه
یک شبکه تک لایه با S نرون درشکل ۲-۶ نشان داده شده است. توجه داریم که هر یک از ورودی­ ها به همه نرون­ها متصل شده است ماتریس W در این حالت دارای S سطر و R ستون می­باشد. همان­گونه که از شکل پیداست لایه ­ها شامل ماتریس وزن، جمع­کننده­ها، بردار بایاس b (دارای S عنصر ) و تابع تبدیل f هستند.

شکل ۲-۱۱: شبکه تک لایه با S نرون

۲-۱۰-۲-۳- شبکه ­های چند لایه
یک شبکه می ­تواند شامل چندین لایه باشد که هر لایه دارای یک ماتریس وزن W ، یک بردار بایاس b و یک بردار خروجیa می­باشد. جهت تمایز متغیرهای فوق و اینکه کدام متغیر به کدام لایه تعلق دارد نیاز داریم که علامت دیگری را هم به متغیرهای فوق تخصیص دهیم. از این رو از بالانویس برای مشخص نمودن لایه استفاده می­کنیم. بنابراین ماتریس وزن برای لایه اول را با W1 مشخص می­کنیم. با به خاطر سپردن این نماد، یک شبکه پیش­خور سه لایه را می­توان به شکل ۳-۷ ترسیم نمود. همان­گونه که از این شکل پیداست تعداد R ورودی، تعداد S1 نرون در لایه اول، تعداد S2 نرون در لایه دوم و تعداد S3 نرون در لایه سوم موجود است. همچنین در لایه­ های مختلف توابع محرک مختلف داریم.

شکل ۲-۱۲: شبکه پیش­خور سه لایه

لایه­ای که خروجی آن خروجی شبکه عصبی پیش­خور باشد به لایه خروجی موسوم است. لایه­ های دیگر به لایه­ های میانی^[۳۱] موسوم­اند. شبکه موجود در شکل ۲-۷ دارای دو لایه میانی است. در اینجا لایه خروجی با ماتریس وزن W3 ، بردار بایاس b3 و تابع محرک f3 مشخص می­ شود. لایه میانی اول با ماتریس وزن W1، بردار بایاس b1و تابع محرک f1 و لایه میانی دوم با ماتریس وزن W2 بردار بایاس b2و تابع محرک f2 مشخص می­شوند. به چنین شبکه­ ای شبکه پیش­خور^[۳۲] گفته می­ شود.
شبکه ­های عصبی چند لایه دارای توانایی بیشتری نسبت به شبکه ­های عصبی تک­لایه هستند. می­توان ثابت کرد که شبکه ­های عصبی پیش­خور دو لایه با توابع زیگموئید در لایه اول قادرند هر تابعی را با دقت دلخواه تقریب بزنند. در حالی که شبکه ­های عصبی تک­لایه از چنین توانایی برخوردار نیستند.
توپولوژی­های شبکه­ ها و چگونگی ارتباط آن­ها با هم شبکه ­های مختلف را ایجاد کرده است. در ادامه چند نوع از شبکه ­های معمول را بیان می­کنیم.
۲-۱۰-۲-۳- شبکه پرسپترون
شکل ۲-۱۳ یک نرون پرسپترون را نشان می­دهدکه دارای تابع Hard limit است. شبکه ­های پرسپترون پایه معمولا یک لایه هستند. روش آموزشی که در این ساختار استفاده می­ شود، به قانون یادگیری پرسپترون معروف می­باشد. شبکه ­های پرسپترون مخصوصا برای مسائلی چون دسته­بندی الگوها مناسب است و معمولا شبکه­ هایی سریع و مناسب در این زمینه­اند. این شبکه­ ها از نوع شبکه ­های پیش­خور هستند.