سوال ابتدایی در مورد شبکه عصبی
 

سللم دوستان من چند تا مقاله در مورد شبمه های عصبی خوندم یک سری سوال برام پیش آموده اگه میشه راهنمایی کنید
1-تابع غعال ساز جند مدل داره و بر اساس چه چیزی تعیین میشه و کارایش چیه
2- میشه برای توابع مطقی or یا xor محاسبات را به صورت ریاضی بنویسید که به صورت دستی جطوری باید حساب کنیم

با تشکر

سلام توابع داخل نرون ها 7 8 نوع مختلف هستند . البته تو شبکه های پیش خور :
خطی یا y=x
sigmoid با دستور tansig که تابع tanh هست
logsig که لگاریتمی هست.
کلا به این ادرس برو همه رو نوشته:
matlab پائئن صفحه سمت چپ نوشته start
بعد برو به toolbox
بعد neural networks از اونجا برو به function refrecnce نگاه کنی شکل توابع و توضیح همه رو می بینی روی هر کدوم کلیک کنی اطلاعات کامل میاد.
برای تابع xor هم باید 4 تا ورودی و 4 تا خروجی داشته باشی به صورت زیر:
ورودی های :
0 0
0 1
1 0
1 1
که خروجی متناظرش میشه :
0
1
1
0
حالا 4 تا ورودی داری 4 تا خروجی اینو باید شبکه بفهمه !

در مورد سوال دوم به فرمایش saeedfa عزیز اضافه می کنم که لازم نیست شما چیزی رو حساب کنی. برای یادگیری یک شبکه عصبی (آموزش دادن) لازمه که از الگوریتم های مربوطه استفاده بشه و مجموعه محاسبات یک فراینده که معمولا بارها تکرار می شه و بنابراین محاسبه دستی اون کار منطقی نیست.

مثل الگوریتم پس انتشار که در شبکه های FeedForward کاربرد زیادی داره. البته در حال حاضر نرم افزارهای زیادی مثل Matlab وجود دارن که می تونی فقط ساختار شبکه ای که در نظر داری رو بهش بدی و مثال های آموزشی خودت رو هم معرفی کنی و شبکه خودت رو آموزش بدی و وزن های نهایی رو در صورت موفقیت در آموزش تحویل بگیری و جایی که می خوای ازش استفاده کنی.

با تشکر از شما - منظور من این بود که نحوه انتخاب تابع فعال ساز به چه شکل باید انتخاب بشه و باید جه آیتم ها را در نطر بگیریم - یعنی برای حل یک معادله در 2 مثلا میشه ازتابع فعال ساز سیگموند استفاده کرد و برای تشخیص دست خط بازم میشه از همین تابع استفاده کرد - اما در مورد xor باید همون صفر و یک ها صرب و جمع بشه دیگه اون محاسبات ریاضی رو برای قسمت آموزش و تشخیص می حوام - من میهوام خودم اینو توی سی برنامه نویسی کنم از متلب نمیخوام استفاده کنم پپبا تشکر

برای مباحث پیش بینی عددی نرون لایه مخفی sigmoid و خروجی purelin . مثلا اینی که الان من گفتم قانون نیست ولی معمولا همه اینو استفاده می کنن و بهتر جواب میده. شما اگر از یه سری تابع دیگه استفاده کنی و جواب بهتری بگیرین کسی نمی گه چرا از این استفاده کردی. یعنی اینکه از چه توابعی استفاده کنم زیاد مسئله خفنی نیست. البته برای لایه خروجی باید دقت کرد که نباید هر تابعی رو استفاده کرد. می دونید چرا؟
چون مثلا اگر از تابع sigmoid استفاده کنید. خروجی شبکتون میشه بین -1 و 1 !! ولی ممکنه target شما بزرگتر از یک باشه و هیچ وقت به خطای پائئین نمی تونی برسی.
روی نرون خروجی باید یه دقت کوچولو کرد که از این مشکلات پیش نیاد.

دوست من از توضیحات شما بسیاز سپاگذارم - من تازه کار در مورد شبکه عصبی رو شروع کردم و چند تا کتاب گرفتم و شروع به مطالعه کردم - اما یک موضوع را دقیقا نفهمیدم کلا خروجی این شبکه ها 0و1 - بعد با این روش ها چطوری کمک به حل مسایل میکنه - و راهنمایی کنید برای درک بیشتر چه مطالبی را مطالعه کنم پبا تشکر فراوان

یه نکته : صرف اینکه یک تابع sigmoid هست نمیشه گفت که بردش بین -1 تا 1 هست. تابع های sigmoid مختلفی وجود داره.
مثلا tanh که بردش بین -۱ و ۱ هست . یا تابع sigmoid curved که بردش بین ۰ تا ۱ هست.
کلا به توابعی که به شکل S هستند sigmoid می گن.

من منظورم این هست که در خمون مثالی که زدم ما باید ریشه معادله را پیدا کنیم - که جند روش ریاضی داره حالا با توجه به این که می خوایم از شبککه های عصبی استفاده کنیم و این روش خروجی 0 و 1 داره چطوری به جواب میرسیم -

ببینید مهمترین قسمت واسه کار شما اینه که تابع نرون خروجی تابعی باشه که 0 یا 1 بده . نرون های لایه مخفی از توابع sigmoid استفاده کنید . جواب نداد از یه چیز دیگه . کسی به شما نمی گه چرا از این تابع استفاده کردی تو لایه مخفی شما باید شبکه ای طراحی کنید که الو رو متوجه بشه برای خروجی می تونید از تابع hardlim استفاده کنید. تو help بزنین hardlim
البته میشه یه ایده هایی هم زد که از این تابع استفاده نکرد ولی اگر می خواین خروجی 0 یا 1 باشه تابع hardlim

سلام به همه ببنید مثلا برای بدست آوردن ریشه معادلات غیر حطی می توان از روش نیوتن رافسون استفاده کرد http://upload.wikimedia.org/math/e/3...ee03d190fe.png

http://upload.wikimedia.org/wikipedi...ration_Ani.gif

حالا این رو میشه خیلی راحت برنامه نویس کرد منظور من اینه چرا باید از شبکه های عصبی برای حل این معادلات استفاده کرد و چه کمکی میکنه لطفا این رو برایم توضیح بدید .
با تشکر

سلام برای این که از مشتق استفاده نکنید

میشه بیشتر توضیح بدید لطفا

سلام بسیاری از روش ها برای این ارائه شدند تا از محاسبه مشتق که از لحاظ محاسباتی هزینه بر است جلوگیری کنند

مشتق چه هزینه ای داره - بعد حالا توی این مسله مشتق استفاده میشه من میتونم کلی مثال ریاضی بزنم که مشتق توش نیست و با شبکه عصبی حل شد

منبعی که اینو با شبکه عصبی حل کرده یا گفته میشه حل کردو ذکر کنید لطفا

این چیزی ه من گفتم جز یکی از مقالات همین سایت هست اما 100 مقاله ه توی اینترنت هست
http://artificial.ir/intelligence/at...277343-965-pdf

منظور من دلیل استفاده از شبکه های عصبی هست - وقتی کاری میشه به طریق دیگر انجام داد چرا میان از شبکه عصبی استفاده میکنن من این قسمت رو نفهمیم که در اخر حروجی این شبکه 0 یا 1 است و از این طریق به چه شکل ما بخ جواب میرسیم اکه میشه این قسمت رو توضیح بدید

با تشکر

اگر ممکنه لینکی یا فایلی دارین راجع به این بذارید ببینیم چی گفته . یعنی این رو از کجا دیدین ؟

راجع به این موضوع یک دونه قرار دادم دقیقا بگید من کدوم مقاله را قرار بدم
Calculating the Derivative of a Neural Network
سوال من در مورد مشتق گیری نیست من بعبد میدونم کل استفاده از شبمه های عصبی برای این کار باشه
اگه امکان داره در مورد سوال بنده راهنمایی بفرمایید -

سلام - برای کاهش حجم محاسبات به سراغ تخمین توابع با ابزاری مثل شبکه میروند اون مثال های ریاضی هم حل نمیشه یعنی روال حل ریاضی رفته نمیشه بلکه با شبکه اون تابع تخمین زده میشه و بعد از تخمین با شبکه عصبی میتونید به صورت آنلاین و بدون هیچ محاسبه ای جواب را بدست بیاورید

ممنون از جواب شما - کلیه شبکه های عصبی یک لایه ورودی دارن و یک تابع فعال ساز و خروجی حالا یعنی فرق این شبکه ها در انتخاب توابع فعال ساز است که محاسبات مختلفی انجام میشه ؟ بعد چطوری میتونه تخمین بزنه وقتی از فرمول ریاضی استفاده نشه ؟ میشه یک مثال ساده از این نوع تخمین زدن بزنید

با تشکر

سلام توابع گذر بستگی به داده ها و خروجی هایی که میخواهید داشته باشه داره و داشتن لایه پنهان و نبودن آن در کلاس بندی ها از نظر خطی و غیر خطی بودن خط های کلاس بندی کننده مورد توجه است در تخمین شبکه به فرمول ریاضی کاری نداره اول با تعدادی داده تجربی که کاربر دستی محاسبه میکنه و نتایج رو بدست میاره شبکه آموزس میبینه و بعد شبکه رفتار اون تابع رو با یک خطایی یاد میگیره و بعد از اون هر ورودی بصورت آنلاین بدون محاسبه توسط شبکه جواب داده میشه در مثال ریل تایم از این تخمین ها استفاده میشه

در واقع وزن ها به وسیله مکانیزم train پیدا می شن. حالا وزن ها رو داریم در حقیقت چون توابع و وزن ها رو داریم مثل اینه که فرمولو داریم. یعنی محاسبات خیلی کم می شن. مثل اینه که می ذاریم تو یه فرمول که دیگه بازگشتی یا مرحله ای نیست و در یک مرحله جوابو به ما میده

سلام دوستان من می خوام پیش بینی مصرف برق با شبکه عصبی متلب کار کنم.از چه روشی باید استفاده کنم. 8تا هم متغیر دارم با 1000 تا مصرف کننده.