المحاضرة العاشرة


0039

0040

0041

0042

0043

0044

0045


الثلاثاء، تشرين
 الثاني 4, 2014المحاضرة العاشرة

12:39 PM

أسئلة عن المحاضرات السابقة:

BAM NN:

الهدف منها إدخال معلومات جزئية من أجل التعرف على نمط كامل

يكفي في شبكات الذكاء الصنعي التعلم بـ epoch واحد فقط، وإلا فيوجد خطأ في عملية التدريب.

في شبكات هوبفيلد وبام يتم الاختبار بعد إنجاز عملية التدريب.

استنتج خوارزمية تعديل الأوزان لشبكة هوبفيلد من أجل n باتيرن وكل باتيرن يحتوي على m بيكسل. (ممكن سؤال فحص أو مذاكرة)

انتهت الأسئلة نعود للمحاضرة:

نأخذ أربع باتيرنات (سؤال دورة!)

في الحل نبدل كل صفر بـ -1، وندخل المصفوفات في ماتلاب بالشكل التالي:


x2=[1 1 1 -1 1 1 1 -1 1 -1 -1 -1 1 -1 -1 -1]’;
x1=[-1 1 1 -1 1 1 1 1 1 -1 -1 1 1 -1 -1 1]’;

x3=[-1 -1 -1 -1 1 1 1 1 1 -1 -1 -1 1 1 1 1]’;

x4=[1 1 1 1 -1 -1 1 1 -1 1 -1 -1 1 1 1 1]’;

الهدف التالي هو التارغيت الخاص بالحرف A

نأخذ m عينة فقط وذلك لأن الهدف من هذه الشبكة التعرف على صورة كبيرة بالاعتماد على عينة صغيرة. (m عدد المخارج. n عدد المداخل.)

عند انتقاء المنطقة المميزة لكل حرف يجب أن تكون مصفوفة بنفس الأبعاد لكن ليس بالضرورة أن تكون نفس المنطقة بالضبط، وفي مثالنا نأخذ السطر الثاني من كل حرف كالخرج المطلوب دون النظر إلى باقي المربعات، لكن سنرى تشابها بين الحرفين A و c ولذلك نغير المنطقة المأخوذة في الحرف c فقط ونأخذ العمود الأول منها لنتجاوز المشكلة.

وندخل مصفوفات الأهداف على ماتلاب كما يلي:

y1=[1 1 1 1]’;

y2=[1 1 1 -1]’;

y3=[-1 1 1 1]’;

y4=[-1 -1 1 1]’;

وبذلك نكون أدخلنا مصفوفات الدخل والخرج بشكل عمودي، وعلى هذا الأساس نطبق معادلة الأوزان.

[ وظيفة خذ مصفوفة الخرج على أنها السطر الأول من كل عنصر. ]

أي نكتب المعادلة التالية في ماتلاب:


w=x1*y1’+x2*y2’+x3*y3’+x4*y4′

من ماتلاب نحصل على النتيجة التالية

w =

     0    -2     0    -2

     2     0     2     0

     2     0     2     0

    -2    -4    -2     0

     2     4     2     0

     2     4     2     0

     0     2     4     2

    -2     0     2     4

     2     4     2     0

    -2    -4    -2     0

     0    -2    -4    -2

     2     0    -2     0

     0     2     4     2

    -4    -2     0     2

    -4    -2     0     2

    -2     0     2     4


نطبق القوانين بتسلسلها:

من ماتلاب نحصل على النتيجة التالية (16 سطر، 1 عمود):

x = [ -4 4 4 -8 8 8 8 4 8 -8 -8 0 8 -4 -4 4]’

ندخلها على تابع sign لنحصل على الدخل المرغوب:

وفي ماتلاب يكون الخرج:

Sign(x)=[-1 1 1 -1 1 1 1 1 1 -1 -1 0 1 -1 -1 1]’;

(هنا اعتبر الدكتور أن الصفر هي قيمة موجبة ونبدلها بـ 1، وبالتالي نلاحظ التطابق مع x1.)

  • Adaptive Linear Neural Network (Adaline)

تشابه إلى حد كبير شبكات الـ perceptron لكن بتابع تفعيل خطي.


معادلات هذه الشبكة:

خرج هذه الشبكة يساوي دخلها لكن يكون خرجها مرشح، مفلتر، وهي شبكة تشابهية.

تطبيقاتها في عملية الترشيح.

من المشاكل المتمثلة بهذه الشبكة هو التأخير الزمني، ولذلك نقوم أيضا بتدريب الشبكة على تعديل التأخير الزمني إضافة إلى حذف الضجيج.

  • Adaline Training Algorithm:


الهدف من أي شبكة ذكاء رقمية هو أن يكون الخطأ يساوي الصفر تماما، لكن في شبكات الأدالاين يمكن التسامح بخطأ معين، كأن يساوي واحد بالألف، لأنه فيها يستحيل الوصول إلى خطأ صفري.

ومنه نصل إلى مفهوم معيار التدريب (Cost Function) وهو مربع الخطأ e^2 وهو مفهوم رياضي يمكننا من نسيان تأثير إشارة الخطأ في التدريب، حيث أنه يمكن أن نصل في التدريب لمراحل يصبح فيها الخطأ أكبر من الهدف نفسه، ونلجأ إلى معيار التدريب للتخلص من هذه المشكلة.

ويجب أن ينتهي تدريب الشبكة عندما يصل “مربع الخطأ” إلى قيمة معينة.

نريد التوصل إلى معادلة تربط بين تابع الكلفة (معيار التدريب) والدخل:

بإجراء عمليات الاشتقاق اللازمة نحصل على:

وبذلك يصبح الخطأ موجه نحو الهدف


ومنه يتغير شرط معدل التعلم ليصبح:

في هذا النمط من شبكات الذكاء الصنعي نعلم الشبكة بمعدل منخفض جدا، وذلك لأن الشبكة تحتاج إلى زمن لتربط بين الدخل والخرج.

في بعض الأحيان نستخدم توابع تفعيل شبه خطية مثل x*e^-x أو y=e^(-x) وعندما تسعى إلى اللانهاية نجد أنها أصبحت خطية، عندها سيتغير قانون التدريب dy^hat/dy_in ولن تكون قيمته 1 وإنما سنحصل على تابع رياضي.

تسمى adaptive (تلاؤمية) لأنه يمكن ضبط الأوزان بالاعتماد على الخرج.

Advertisements

اترك رد

إملأ الحقول أدناه بالمعلومات المناسبة أو إضغط على إحدى الأيقونات لتسجيل الدخول:

WordPress.com Logo

أنت تعلق بإستخدام حساب WordPress.com. تسجيل خروج   / تغيير )

صورة تويتر

أنت تعلق بإستخدام حساب Twitter. تسجيل خروج   / تغيير )

Facebook photo

أنت تعلق بإستخدام حساب Facebook. تسجيل خروج   / تغيير )

Google+ photo

أنت تعلق بإستخدام حساب Google+. تسجيل خروج   / تغيير )

Connecting to %s