المحاضرة التاسعة عشر والأخيرة


0085

0086

0087

0088

0089

0090

المحاضرة التاسعة عشر

الخميس، كانون الأول 11, 2014

8:17 AM


On-Line (Real-time) ANN-Training Algorithms
خوارزميات الذكاء الصنعي في الزمن الحقيقي

ممكن أن تكون أدالاين أو مدالاين أو جوردن أو إيلمان أو FF أو…

لدينا نظام حقيقي دخله يو وخرجه آي، وفيه نحن بحاجة لبارامتر غير معروف، نقوم بحسابه عن طريق إدخال نظام آخر على التفرع معه بحيث يكون البارامتر المجهول مضروب بوزن w وندخل خرجي هذين النظامين على عقدة جمع تعطي الخطأ بينهما وندخل خرج هذه العقدة إلى شبكة ذكاء تقوم بتعديل الوزن السابق بحيث يتناقص الخطأ الناتج عن عقدة الجمع يساوي الصفر وبالتالي نحصل على البارامتر، ومن ثم يمكن استخدامه أو إلغاؤه.


أي نعمل على تصميم موديل ثاني مكافئ بناء على موديل رياضي، المربع الأول يسمى MR (Model Reference) والصندوق I مع الضرب والتفريعة من الـ u يسمى Adaptive Model وهو موديل يتغير بتغير الوزن وبالتالي نقوم من خلاله بحساب البارامتر المجهول.

طريقة سؤال الفحص: ارسم البنية اللازمة لشبكة ذكاء صنعي في الزمن الحقيقي

الجواب:

الـ epoch  هنا هو Iteration Loop.

ابحثو في الانترنت عن المصطلح: “Single Iteration Loop Training Algorithm For ANN” وشاهد قوة الأبحاث!

كيف نستطيع تصميم شبكة ذكاء صنعي بزمن حقيقي لنظام سيرفو مثلا:

  • Design an on-line An for DC-Servo Control:

في الذراع الروبوتية نهتم بموضع نهاية الذراع وإحداثياتها على x,y فنعطي المتحكم إحداثيات النقطة المرغوبة ويجب أن يحسب زاوية الحركة (أو بالعكس).


في التصميم نعيد الرسمة السابقة تماما، لكن نختار فيها قيم البلوكات وأنواعها.

نكتب معادلات محرك الـ Servo:

ثم نكتب العلاقة الـ Adaptive:

حيث أن:

يجب تحديد أي الطبقات التي نريد أخذ التغذية العكسية منها.


مداخل ANN في هذا المثال هي يو بدل اكس (كيي)، وآي (كيي-1؟؟) بدل الدخل التاني، و؟؟

يجب أن تكون مداخل الشبكة هي معلومات تهم الشبكة، العينة الحالية والسابقة مثلا، (أو الجهد في اللحظة الحالية والتيار في اللحظة السابقة مثلا؟؟).

  • Learning rate:

من أجل أي شبكة في الزمن الحقيقي أو أوفلاين:

مهما كان تابع الكلفة فإن معدل التعلم أصغر أو يساوي الواحد وأكبر من الصفر.

لتدريب شبكة ذكاء صنعي من أي نوع، نراقب أكثر الشي مجموع مربع الأخطاء في كل إيبوك. في الأوفلاين نجمع هذه المقادير في كل إيبوك، أما الأونلاين فنجمع هذه المقادير في sample time واحد؟؟

نرسم هذه المميزة:

الحل الأول هو جعل معدل التعلم بين الواحد والصفر.


في الحالة العادية يصبح:
الحل الثاني:

عندها نقول إنه لا يوجد تقدم في التدريب، ولحل هذه المشكلة نضيف momentum، وهو أن نضيف الحد الأخير التالي لمعادلة الوزن:

ويؤدي إضافة هذا الحد إلى تحريك شبكة الذكاء الصنعي (مثلا تغيير مزاج الطالب بنكتة إذا مل من المحاضرة) بحيث تعود وتدرب الأوزان بدلا من حفظها.

If (

{add momentum;}

If (

{

ألفا في النهاية هي معدل تعلم ولا يجوز أن تكون أكبر من الواحد.

يوجد حل آخر هو استخدام معدل تعلم تلاؤمي:

عندما يكون تغير الخطأ كبير جدا، فنزيد معدل التعلم ليصبح مساويا للواحد، أما إذا كان التغير في الخطأ صغير، فننقص معدل التعلم (أي نبتعد أكثر عن حالة الحفظ ونقترب أكثر لحالة التعلم).

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