Artificial Intelligence - هوش مصنوعی  
انجمن را در گوگل محبوب کنيد :

بازگشت   Artificial Intelligence - هوش مصنوعی > محاسبات نرم > شبکه های عصبی (Neural Networks)


 
تبليغات سايت
Iranian Association for the Advancement of Artificial Intelligence
ارسال تاپيک جديد  پاسخ
 
LinkBack ابزارهاي تاپيک نحوه نمايش
قديمي ۰۳-۲۲-۱۳۹۰, ۱۰:۰۸ قبل از ظهر   #1 (لینک دائم)
عضو جدید
 
آواتار توحید سردارمهنی
 
تاريخ عضويت: ارديبهشت ۱۳۹۰
پست ها: 5
تشكرها: 3
0 تشكر در 0 پست
پيش فرض سوال، لطفا راهنمایی کنید(RBFN validation )

با سلام خدمت دوستان
یک سوال داشتم در مورد ساختار شبکه های عصبی
من یک شبکه عصبی رو برای مدل دینامیکی مدل کردم این شبکه RBF هست که با 12 تا مرکز مدل شده . شبکه رو train کردم با 2500 داده. جوابهای خوبی هم به من داده یعنی MAE برای پارامترهای مختلف خیلی کم شده که خوب خدا رو شکر. حالا می خوام شبکه رو validate کنم. توی مرحله آموزش شبکه از الگوریتم least square recurssive استفاده کردم که یک بردار وزنی 2500*12به من داد. مراکز رو هم با الگوریتم های خودش مرتب کردم و اونا هم 12 تاش بدست اومده. برای validate کردن یه سوال دارم . ما شبکه رو با بردار وزنی که از آموزش بدست آوردیم باید validate کنیم ؟ یعنی مثلا من یک بردار 2500*12 بدست آوردم حالا باید ستون 2500 رو به صورت ثابت در وزن دهی خروجی های توابع گوسی استفاده کنم یا باید برا حالت validation دوباره از الکوریتم least square recurssive استفاده کنم و این وزن ها رو برای هر بردار خروجی جدید محاسبه کنم. امیدوارم زیاد بد منظورم رو بیان نکرده باشم و دوستان بتونن سوالم رو بفهمن.
با تشکر
توحید سردارمهنی
توحید سردارمهنی آفلاين است   پاسخ با نقل قول

  #ADS
نشان دهنده تبلیغات
تبليغگر
 
 
 
تاريخ عضويت: -
محل سكونت: -
سن: 2010
پست ها: -
 

نشان دهنده تبلیغات is online  
قديمي ۰۳-۲۲-۱۳۹۰, ۰۷:۳۹ بعد از ظهر   #2 (لینک دائم)
Active users
 
آواتار astudio
 
تاريخ عضويت: خرداد ۱۳۸۹
پست ها: 48
تشكرها: 4
50 تشكر در 31 پست
پيش فرض

سلام
اگر منظورتان این است که شبکه را با همان وزنهای بدست آمده از اموزش validate کنید یانه؟به نظرم جواب بلی است و این هم فکر می کنم به فلسفه validation برمی گردد.
__________________



نه چندان بزرگم

که کوچک بیابم خودم را

نه آنقدر کوچک

که خود را بزرگ...

گریز از میانمایگی

آرزویی بزرگ است؟
astudio آفلاين است   پاسخ با نقل قول
از astudio تشكر كرده است:
taha_mokfi (۰۳-۲۳-۱۳۹۰)
قديمي ۰۳-۲۲-۱۳۹۰, ۰۹:۲۰ بعد از ظهر   #3 (لینک دائم)
عضو جدید
 
آواتار توحید سردارمهنی
 
تاريخ عضويت: ارديبهشت ۱۳۹۰
پست ها: 5
تشكرها: 3
0 تشكر در 0 پست
پيش فرض متشکرم

فقط یه سوال می مونه
تو validation وقتی شبکه داره off line کار می کنه مقدار خطا خیلی عالیه اما همین شبکه با داده های on line خطاش بیشتر می شه. بردار های وزنی هم به یک مقدار همگرا نمی شه هر چند که مقدار تغییرات مثلا در رقم دوم اعشار این بردار هاست . سیگنال خطا یه سیگنال رندم می شه که دامنه اش خوبه یعنی کمه اما مثلا همگرایی نداره. کاملا رندمه که همین جور که گفتم دامنه اش کمه. پریودیک نیست.
آیا الزاما نباید مقادیر بردار وزنی به یک مقدار همگرا بشه؟ اگه از داده های بیشتری واسه آموزش شبکه استفاده کنم آیا این مسئله تغییر نمی کنه؟
ممنون از راهنمایی تون
توحید سردارمهنی آفلاين است   پاسخ با نقل قول
قديمي ۰۳-۲۳-۱۳۹۰, ۰۸:۱۳ قبل از ظهر   #4 (لینک دائم)
Active users
 
آواتار astudio
 
تاريخ عضويت: خرداد ۱۳۸۹
پست ها: 48
تشكرها: 4
50 تشكر در 31 پست
پيش فرض

سلام
به پیوست مطالبی خلاصه درباره validation و روشهایش آورده شده است.
البته بنده منظورتان را از online و offline نفهمیدم شاید منظورتان از online داده جریانی باشد،نمی دانم؟(اگر معنی اش را بدانم ممنون می شوم) در هر صورت اگر شبکه شما کار دسته بندی را انجام می دهد باید وزنها در داده های آموزشی همگرا شوند ولی اگر کار خوشه بندی انجام می دهد لزومی ندارد(مثلا شبکه ART) .اگر میزان تغییرات خطای شما کم است این نشان دهنده اسن مطلب است که داده های آموزشی شما نماینده خوبی برای کل داده ها هستند اگر اختلاف خطای آموزش و تست زیاد است اینجا می گوییم overffiting رخ داده است یعنی شبکه زیادی روی داده های آموزشی fit شده است.در هر حال فکر کنم پیوست مفید باشد.
فايل ضميمه
نوع فايل: pdf Nilsson_ML_Book.pdf (69.3 كيلو بايت, 55 نمايش)
__________________



نه چندان بزرگم

که کوچک بیابم خودم را

نه آنقدر کوچک

که خود را بزرگ...

گریز از میانمایگی

آرزویی بزرگ است؟
astudio آفلاين است   پاسخ با نقل قول
از astudio تشكر كرده است:
توحید سردارمهنی (۰۳-۲۵-۱۳۹۰)
قديمي ۰۳-۲۳-۱۳۹۰, ۱۲:۱۸ بعد از ظهر   #5 (لینک دائم)
عضو جدید
 
آواتار توحید سردارمهنی
 
تاريخ عضويت: ارديبهشت ۱۳۹۰
پست ها: 5
تشكرها: 3
0 تشكر در 0 پست
پيش فرض سلام

متشکرم
بله منظور من همین بود. من اول سیمولینک رو ران کردم که مدل دینامیکی از سیستم بود. از این طریق دیتا تولید کردم . با این دسته از دیتا ها شبکه رو train کردم. خوشه بندی و انتخاب مراکز رو انجام داد. بعدش هم وزن ها رو بدست آورد . تا این جا همه چی offline بود. یعنی تو هر استپ زمانی من در همون موقع داده ها رو به شبکه تزریق نکردم و با این تزریق شبکه رو آموزش بدم. بلکه مثلا تو 100 ثانیه از مدل سیمولینک ران گرفتم و بعد این دیتا ها رو sort کردم و به صورت بردار دادم به شبکه.
برا validation هم همین طور بوده یعنی باز هم از داده های 100 ثانیه با ورودی متفاوت استفاده کردم. این بار هم offline بود. خطای خوبی داد.
اما حلقه بسته ی همین شبکه تو حالتی که online کار می کنه خطاش دو برابر یا حتی سه برابر می شه و اصلا هم خوانی جالبی نداره. به نظر شما اگه شبکه رو online آموزش بدم این نقص رفع می شه ؟
توحید سردارمهنی آفلاين است   پاسخ با نقل قول
قديمي ۰۳-۲۳-۱۳۹۰, ۰۶:۳۷ بعد از ظهر   #6 (لینک دائم)
Active users
 
آواتار astudio
 
تاريخ عضويت: خرداد ۱۳۸۹
پست ها: 48
تشكرها: 4
50 تشكر در 31 پست
پيش فرض

سلام
به نظرم نمی رسد که جابجایی در RBF باعث خطا شود به احتمال قریب به یقین شما در داده جریانی خطای بیشتری دارید چون تعداد داده بیشتری دارید.RBF یک تخمین زننده تابع است اگر تابعی که داده های شما از آن تبعیت می کنند پیچیده باشد به نسبت تابع ساده تر با radial bias functions مساوی خطای بیشتری دارد.اگر این فرض درست باشد قاعدتا باید به توابع radial دست زد ویا به ورودی و هر کار دیگری که این پیچیدگی را مهار کند.البته جایی مقاله ای را دیدم که فکر کنم یک همچون (اینکه ترتیب ورود مهم است) بحثی را کرده بود. می توانید در این لینک آن را ببینید.اما به نظر من داده آموزشی شما نماینده خوبی برای کل داده ها نیست چه بسا داده آموزشی 100 ثانیه اول کاملا متفاوت از 100 ثانیه دوم باشد (آنطور که من فهمیدم) واینکه خطا در داده جریانی خوب نیست هم به همین دلیل است.یعنی شبکه شما این حجم داده را با کمتر از این خطا نمی تواند مدل کند.شاید این مشکل با قوی کردن شبکه حل شود.این چیزی است که به فکر من میرسد.البته مقالاتی هم هست که روی پردازش داده های جریانی با شبکه های عصبی کار کرده اند. اما اگر کار شما داده کاوی است به نظرم ابزار اشتباهی را انتخاب کردید در ثانی اصلا پیش پردازش داده های جریانی نیز خود داستانیست.
__________________



نه چندان بزرگم

که کوچک بیابم خودم را

نه آنقدر کوچک

که خود را بزرگ...

گریز از میانمایگی

آرزویی بزرگ است؟
astudio آفلاين است   پاسخ با نقل قول
از astudio تشكر كرده است:
توحید سردارمهنی (۰۳-۲۵-۱۳۹۰)
قديمي ۰۳-۲۳-۱۳۹۰, ۰۹:۰۲ بعد از ظهر   #7 (لینک دائم)
عضو جدید
 
آواتار توحید سردارمهنی
 
تاريخ عضويت: ارديبهشت ۱۳۹۰
پست ها: 5
تشكرها: 3
0 تشكر در 0 پست
پيش فرض

سلام
والا در مورد ابزار من فکر نمی کنم اشتباه کرده باشم چون در ادامه ی کارهای یک مقاله دارم حرکت می کنم . تو اون مقاله سیستم با همین روش validate شده بود. داده ها هم همه قبل از تزریق به شبکه نرمال سازی شده بود. داده هایی که برای سیستم آموزش استفاده شده هم به صورت رندم از خود متلب استفاده شده . دیگه نمی دونم از کجا این خطا ناشی می شه . تعداد توابع رادیال یا همون مراکز هم از همون مقاله استخراج شده .
یه بحثی کردید مبنی بر تقویت شبکه من نیاز به توضیح بیشتر دارم . البته اگه امکانش وجود داشته باشه.
ببینید روند داده ها در آموزش از تولید موج های رندم با sample time خیلی خیلی کمتر از validation بوده . توی اموزش 0.1 و در validation 1.5 ثانیه که پانزده برابر اون هست . من فکر می کنم رنج مناسبی رو پوشش می ده.
من دوباره وزنها رو چک کردم همشون همگرا می شن یعنی از یه مقدار iteration به بعد به صورت کیفی اگه به نمودارش نگاه کنیم ثابت می مونن اما همون جور که گفتم در ارقام سوم اعشار تغییرات دارند.
من هنوز به جواب سوالم نرسیدم که اگر شبکه رو به صورت برخط آموزش بدم آیا تغییری در بردار های وزنی بوجود می یاد یا عملکردش بهتر می شه ؟ لطفا به این سوال جواب روشن تری بدید چون واقعا تغییر این الگوریتم کار مشکلیه و زمان زیادی می بره.
از وقتتون تشکر می کنم.
توحید سردارمهنی آفلاين است   پاسخ با نقل قول
قديمي ۰۳-۲۵-۱۳۹۰, ۱۲:۲۲ بعد از ظهر   #8 (لینک دائم)
Active users
 
آواتار astudio
 
تاريخ عضويت: خرداد ۱۳۸۹
پست ها: 48
تشكرها: 4
50 تشكر در 31 پست
پيش فرض

سلام
فکر می کنم رشته شما برق باشد چون در بکار گیری بعضی واژگان با هم اختلاف داریم. منظور من از به کار گیری ابزار دیگر گذر از شبکه های عصبی و توجه به بعضی ابزار های دیگر مانند درخت تصمیم به اتکای اصل اپیوری و الی آخر بود.اما اگر بخواهید روی همین شبکه های عصبی تاکید کنید و فقط هم بر RBF بخواهید کار کنید.باید بگویم در این نوع شبکه مفهومی به صورت زمان نداریم.یعنی اگر بحث زمان برای شما مهم باشد باید بروید سراغ شبکه های دیگری که سعی شده مفهوم زمان به صورت ضمنی یا صریح در آنها گنجانده شده است.بگذریم،این چیزی که من باز ازمیان مطالب شما فهمیدم(با توجه به تفاوت واژگان) شما یک موج را دارید نمونه برداری می کنید،و فرکانس نمونه برداری شما در آموزش 1/0.1 می باشد.اگر فهم من صحیح باشد به چه دلیل فرکانس نمونه برداری را تغییر دادید؟ این اولین سوال دومین سوال این است که منظور شما از آموزش بر خط RBF چیست؟ یعنی هر داده که می آید در یک جریان حکم داده آموزشی را داشته باشد؟ خوب در این صورت کی به validation میرسیم؟ و اگر از این هم بگذریم آیا RBF مناسب این کار است؟ فکر می کنم اگر آن مقاله را برای بنده بفرستید بهتر متوجه شوم که اصلا اوضاع از چه قرار است و در حد توانم اگر دانشی داشتم کمکی کنم.
__________________



نه چندان بزرگم

که کوچک بیابم خودم را

نه آنقدر کوچک

که خود را بزرگ...

گریز از میانمایگی

آرزویی بزرگ است؟
astudio آفلاين است   پاسخ با نقل قول
از astudio تشكر كرده است:
توحید سردارمهنی (۰۳-۲۵-۱۳۹۰)
پاسخ



كاربران در حال ديدن تاپيک: 1 (0 عضو و 1 مهمان)
 

قوانين ارسال
You may not post new threads
You may not post replies
You may not post attachments
You may not edit your posts

BB code is فعال
شکلکها فعال است
كد [IMG] فعال است
كدهاي HTML غير فعال است
Trackbacks are فعال
Pingbacks are فعال
Refbacks are فعال




زمان محلي شما با تنظيم GMT +3.5 هم اکنون ۰۹:۴۵ بعد از ظهر ميباشد.


Powered by vBulletin® Version 3.8.3
Copyright ©2000 - 2024, Jelsoft Enterprises Ltd.
Search Engine Friendly URLs by vBSEO 3.1.0 ©2007, Crawlability, Inc.

Teach and Learn at Hexib | Sponsored by www.Syavash.com and Product In Review

استفاده از مطالب انجمن در سایر سایت ها، تنها با ذکر انجمن هوش مصنوعي به عنوان منبع و لینک مستقیم به خود مطلب مجاز است

Inactive Reminders By Icora Web Design