nn

شبکه های عصبی و الگوریتم های یادگیری در متلب

در این پست شبکه های عصبی و الگوریتم های یادگیری در متلب قرار داده شده است.

امروزه شبکه‌های عصبی مصنوعی به­ طور گسترده‌ای، با هدف دست­یابی به کارایی شبه انسانی مطالعه می‌شوند و در حال حاضر کابردهای متنوعی  در شاخه های مختلف مهندسی و حتی علوم انسانی پیدا کرده است. این شبکه‌ها قادرند روابط پیچیده غیرخطی بین متغیرهای ورودی و خروجی را در یک سیستم یاد بگیرند بدون اینکه دانشی قبلی نسبت به آن پدیده یا سیستم داشته باشند. در این مجموعه آموزشی قصد داریم ساختار مهم و کاربردی شبکه های عصبی از قبیل

  • شبکه های عصبی گاما،
  • Group Method of Data Handling (GMDH)
  • Radial basis function (RBF)
  • Recurrent neural network (RNN)
  • Convolutional neural network (CNN)
  • cerebellar-model-articulation-controller (CMAC)
  • Multilayer perceptron (MLP)
  • و برخی شبکه های عصبی مهم و کابردی دیگر از قبیل شبکه های عصبی خود تنظیم و شکبه های عصبی بر اساس تئوری راف و شبکه های عصبی Lolimot

همچنین روش های مختلف آموزش شبکه های عصبی بر اساس روش های آموزشی پس انتشار خطا (Back Propagation و Full Propafation) متدهای مختلف بهینه سازی از قبیل

  • گرادیان نزولی (Learning of neural network based on gradient descent algorithm )،
  • فیلتر کالمن توسعه یافته (Learning of neural network based on extended Kalman filter)،
  • فیلتر کالمن غیر خطی (Learning of neural network based on unsecented Kalman filter) و (Learning of neural network based on square root capture kalman filter)
  • روش کمترین مربعات خطا (Learning of neural network based on recursive least square algorithm)
  • روش آموزش مرتبه دوم لونبرگ مارکوآت (Learning of neural network based on Levenbeg-Marquat) و
  • روش مرتبه دوم نیوتن و روش مرتبه دوم  conjugate-gradient
  • روشهای تکاملی مثل الگوریتم ژنتیک (genetic algorithm) الگوریتم تجمعی پرندگان (particle swarm optimization) و الگوریتم عنکبوت (Social Spider optimization) رشد علف های هرز IWO و برخی دیگر از الگوریتم های مهم تکامی.

لازم به ذکر است که همه شبکه های عصبی و الگوریتم یادگیری در محیط متلب به صورت کد نویسی و قابل تطبیق با مسئله جدید پیاده سازی می شوند.

برای دانلود و خرید به انتهای صفحه مراجعه کنید



جلسه اول: مقده ای بر شبکه های عصبی و الگوریتم های یادگیری

در این جلسه مقدمه ای بر شبکه های عصبی و الگوریتم های یادگیری ارائه می شود و یک برنامه متلب به صورت برداری برای محاسبه خروجی شبکه های عصبی MLP شرح داده می شود. در جلسات بعدی از این برنامه برای محاسبات پیشرو شبکه های عصبی استفاده خواهد شد.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

پیش نمایش:کیفیت را روی HD قرار دهید.


جلسه دوم:  شبکه های عصبی MLP، آموزش بر اساس پس انتشار خطا -گرادیان نزولی، کابرد در تخمین توابع غیرخطی

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه شبکه های عصبی MLP بر اساس روش آموزش پس انتشار خطا Back Propagation و روش بهینه سازی گرادیان نزولی   Gradient Descent آموزش داده می شود. همچنین مسئله Over Train شرح داده می شود. الگوریتم های توضیح داده شده در محیط متلب به صورت کدنویسی شبیه سازی شده و در یک مسئله تخمین تابع غیرخطی به کار گرفته می شوند. برنامه ها به صورتی نوشته شده که به آسانی می توانید در مسئله خودتان استفاده نمایید.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

پیش نمایش:کیفیت را روی HD قرار دهید.


جلسه سوم: شبکه های عصبی MLP، روش Full Propagation، کابرد در دسته بندی

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه ابتدا شبکه های عصبی MLP بر اساس روش آموزش  Full Propagation و روش بهینه سازی گرادیان نزولی   Gradient Descent آموزش داده می شود. سپس  این شبکه ها در یک مسئله کابردی با داده های واقعی برای دسته بندی classification  مورد استفاده قرار می گیرد. در نهایت مسئله Over Parameterize توضیح داده می شود. الگوریتم های توضیح داده شده در محیط متلب به صورت کدنویسی شبیه سازی می شوند. به آسانی می توانید از این مثال در کابرد دسته بندی مربوط به خودتان استفاده نمایید.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

پیش نمایش:کیفیت را روی HD قرار دهید.


جلسه چهارم: آموزش بر اساس گرادیان نزولی با نرخ تطبیقی و کمترین مربعات خطا

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه آموزش شبکه های عصبی MLP با استفاده از گرادیان نزولی با نرخ تطبیقی و روش کمترین مربعات خطا RLS شرح داده می شود. دقت این الگوریتم ها با روشهای جلسه قبل مقایسه می شود. همچنین مشکلات روش RLS و روشهای رفع آنها با استفاده از Forgeting Factor و Covariance Matrix Resetting شرح داده می شود. همه الگوریتم های در محیط متلب به صورت کدنویسی پیاده سازی می شوند. برنامه ها به صورت برداری نوشته شده اند تا با سرعت بهینه در متلب اجرا شوند.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

پیش نمایش:کیفیت را روی HD قرار دهید.


جلسه پنجم: آموزش بر اساس الگوریتم های مرتبه دوم و افزایش سرعت همگرایی

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه آموزش شبکه های عصبی MLP با استفاده از روشهای مرتبه دومی مثل لونبرگ-مارکوآت  levenberg-marquardt و Conjugate Gradient آموزش داده می شود. دقت و سرعت این الگوریتم ها با روشهای جلسه قبل مقایسه می شود.  همه الگوریتم های در محیط متلب به صورت کدنویسی پیاده سازی می شوند. برنامه ها به صورت برداری نوشته شده اند تا با سرعت بهینه در متلب اجرا شوند.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

حجم: حدوداً ۱۰۰MB

پیش نماش: کیفیت را روی HD قرار دهید.

 


جلسه ششم: شبکه های عصبی RBF ، آموزش بدون مربی، خوشه بندی

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه، ابتدا ساختار شبکه های عصبی RBF  شرح داده می شود، سپس به تشریح روش آموزش شبکه های عصبی بر پایه روش بدون مربی  Unsupervised Learning Algorithm پرداخته می شود. از روش های آموزش بدون مربی، روش خوشه بندی K-means توضیح داده می شود. در نهایت  الگوریتم های توضیح داده شده در محیط کدنویسی متلب و با  یک مثال گویا پیاده سازی میشود و نتایج به دست آمده با روش آموزش با مربی نیز مقایسه می شود.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

حجم: حدوداً ۱۰۰MB

پیش نماش: می توانید کیفیت را روی HD قرار دهید.


جلسه هفتم: شبکه های عصبی GMDH (Ivakhenenco)، شبیه سازی مقاله ۲۰۱۵، تشخیص خطا

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه، شبکه های عصبی GMDH (شبکه عصبی بر اساس چند جمله ای های ایواخننکو Ivakhenenco) معرفی میشود. نحوه تنظیم ساختار، پارامترها و قابلیت های این شکبه عصبی شرح داده شده و در نهایت در یک مسئله تشخیص خطا fault detection  به کار برده می شود. شبیه سازی انجام شده در این جلسه به صورت سیمولنیک و بر اساس یک مقاله معتبر ISI   می باشد.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

حجم: حدوداً ۱۰۰MB

پیش نماش: می توانید کیفیت را روی HD قرار دهید.


جلسه هشتم: الگوریتم ژنتیک، تولباکس متلب، کدنویسی

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه، الگوریتم ژنتیک به زبان ساده و با نگاه کاربردی شرح شده و تولباکس متلب برای این الگوریتم همرا با یک مثال گویا و ساده، به صورت کامل بررسی می شود. همچنین یک برنامه متلب برای این الگوریتم نوشته شده است که می توانید از این کدها در مسئله مربوط به خودتان به راحتی استفاده نمایید. در جلسات بعدی از این الگوریتم برای آموزش شبکه عصبی استفاده خواهیم کرد.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

حجم: حدوداً ۱۰۰MB

پیش نماش:  کیفیت را روی HD قرار دهید.


جلسه نهم: آموزش شبکه های عصبی با استفاده از الگوریتم ژنتیک، شبکه های عصبی حافظه دار

قابل استفاده در پایان نامه های ارشد و دکتری، آموزش به صورت کاملاً کاربردی

در این جلسه، ابتدا به معرفی شبکه های عصبی حافظه دار پرداخته شده و روابط آنها، نحوه آموزش و تفاوتشان با شبکه های عصبی قبلی شرح داده می شود. سپس به آموزش شبکه های عصبی بر اساس الگوریتم ژنتیک همراه با یک مثال ساده  گویا، می پردازیم. همچنین نحوه اضافه کردن توابعی دلخواه به تولباکس ژنتیک متلب شرح داده می شود.

محتوا: فایل آموزشی ۷۲۰pو کدهای متلب

حجم: حدوداً ۱۰۰MB

پیش نماش:  کیفیت را روی HD قرار دهید.



۱۴ نظر

  1. سلام
    یه سوال با توجه به اینکه ما رشتمون برق نیست آیا روش های کنترلی این ها هستند ؟
    خطی
    تو غیرخطی ها ( مود لغزشی- بازگشت به عقب- تطبیقی- فازی)
    آیا این دسته بندی درسته؟
    ۲ – جایگاه عصبی تو روش های کنترلی کجاست؟ و آیا تو فیلم تون علت استفاده و زمان استفاده از این روش توضیح داده شده؟
    ممنون

    [پاسخ]

    محمد زاده پاسخ در تاريخ دی ۱۶ام, ۱۳۹۵ ۴:۲۷ ب.ظ:

    @حسین,
    با سلام
    در این مجموعه صرفاً شبکه های عصبی و الگوریتم های یادگیری آنها توضیح داده شده است که کاربرد آنها منحصر به برق و کنترل نیست در رشته های مختلف می تواند کابردهای مختلفی داشته باشد که در فیلمها به بعضی از این کابردها اشاره شده است.
    ضمناً اینکه در آینده نزدیک کابرد شبکه های عصبی مختلف و روشهای آموزشی مختلف ارائه شده در کنترل کننده های هوشمند بر روی سایت قرار خواهد گرفت.

    [پاسخ]

    مدیر سایت پاسخ در تاريخ دی ۱۶ام, ۱۳۹۵ ۱۱:۴۰ ب.ظ:

    @حسین,
    سلام
    با اجازه استاد محمد زاده من پاسخ دوستمون رو میدم.
    عرضم به حضور انوار حضرت عالی که، کنترل کننده ها در یک دسته بندی کلی به هوشمند و تحلیلی تقسیم میشن.
    کنترل خطی ، کنترل غیرخطی، کنترل تطبیقی، کنترل مقاوم و ….. جزء کنترل کننده های تحلیلی به شمار میان.
    اما کنترل کننده هایی که بر مبنای شبکه های عصبی و فازی و … جزء کنترل کننده های هوشمند به شمار میان.
    سپاس

    [پاسخ]

  2. با سلام…
    یه مدتی هست با سایت شما آشنا شدم..
    بنظرم خوب دارید کار میکنید..و منتظرم خیلی حرفه ای تر به کارتون ادامه بدید.. چون دارید واقعا تخصصی جلو میرید..
    یه پیشنهاد دارم که امیدوارم حتما مورد نظر واقع بدین و اون هم اینه که سعی کنید آموزشها رو روی DVD هم فراهم کرده و امکان ارسال اونا به درب منزل رو فراهم کنید…
    چون حجم دانلودها بالاست و سرعت و هزینه اینترنت هم هست…
    اگه DVD باشه میشه چندتا آموزش رو باهم انتخاب کرد و شما ارسال کنید به درب منزل در سراسر کشور…
    لطفا بررسی کنید..
    با تشکر فراوان

    [پاسخ]

    محمد زاده پاسخ در تاريخ دی ۱۴ام, ۱۳۹۵ ۴:۰۵ ب.ظ:

    @ایمان,
    خیلی ممنون از نظر لطفتان. حتماً پیشنهاد بسیار خوب شمارو مد نظر قرار خواهیم داد.

    [پاسخ]

    مدیر سایت پاسخ در تاريخ دی ۱۴ام, ۱۳۹۵ ۱۱:۳۵ ب.ظ:

    @ایمان,
    سلام

    بابت نظری که دادید ازتون ممنونم.
    این قابلیت همین الان وجود داره منتها باید طرف یه تماس هم بگیره اونوقت این محصولات رو براش خواهیم فرستاد. این نکته رو هم باید اضافه کنم که ما در حال ارتقا سایت هستیم و انشاالله تا دو سه هفته آینده این قابلیت در سایت نیز اضافه خواهد شد.
    سپاسگزارم

    [پاسخ]

  3. سلام
    پیاده سازی شبکه های مختلف با استفاده از toolbox انجام گرفته؟

    [پاسخ]

    محمد زاده پاسخ در تاريخ دی ۱۱ام, ۱۳۹۵ ۶:۲۷ ب.ظ:

    با سلام
    پیاده سازی ها به صورت کدنویسی انجام شده است تا شما به راحتی به توانید از این کدها در مسئله مربوط به خودتان استفاده بفرمایید. ضمن اینکه این کدها در مسائل آن-لاین و تطبیقی هم قابل استفاده هستند. همه کدها سعی شده است تا حدامکان به صورت برداری نوشته شود تا با سرعت بهینه در متلب اجرا شوند.

    [پاسخ]

  4. با سلام

    احتراما اینجانب غلامرضا بامی محمدی هستم دانشجو ارشد مکانیک طراحی کاربردی، در حال حاضر بر روی پایان نامه خود تحت عنوان (کنترل فعال سیستم تعلیق خودرو با استفاده از منطق فازی) کار میکنم. قصد دارم که پس از آموزش مدل دینامیکی کامل سیستم تعیق(۴ چرخ) به کنترل کننده تطبیقی عصبی-فازی برسم و در ادامه با بکار گیری از روش خوشه بندی فازی که شعاع خوشه ها توسط الگوریتم فرابتکاری pso تنظیم شده است کنترل فعال سیستم تعلیق را ارتقا بدهم، و برای شرایط مختلف جاده ای عملکرد سیستم تعلیق را ارزیابی کنم. در این مسیر برای آموزش کنترل کننده تطبیقی عصبی-فازی پایه دچار سردرگمی شده ام و نیاز به راهنمایی دارم.

    [پاسخ]

    محمد زاده پاسخ در تاريخ دی ۱۱ام, ۱۳۹۵ ۶:۳۱ ب.ظ:

    سلام دوست عزیز لطفاً مسئله خود را از طریق ایمیل
    intelligent.controlref@gmail
    مطرح بفرمایید. تا حد امکان در این مسئله به شما راهنمایی خواهد شد. موفق باشید.

    [پاسخ]

  5. سلام فیلم شبکه های عصبی بخش دوم را دو بار اینترنتی خریداری کردم اما فایل های ارسالی خالی است و دانلود نمی شود . لطفا رسیدگی فرمایید. با تشکر

    [پاسخ]

    محمد زاده پاسخ در تاريخ دی ۹ام, ۱۳۹۵ ۱۱:۴۱ ق.ظ:

    باعرض پوزش مشکل بوجود آمده برطرف شد. فایل رو براتون ایمیل میکنم. ممنون.

    [پاسخ]

یک پاسخ بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *