دانلود پروژه رایگان شبکه عصبی ART با MATLAB
در این پروژه شبکه عصبی ART تحت MATLAB پیاده سازی شده است. خوشه بندی داده ها، آموزش به شبکه، بازشناسی الگو، و الگوریتم اصلی ART از جمله موارد موجود در این پروژه است.
عکس 1
عکس 2
توضیحات مختصر درباره شبکه عصبی ART
نظریه نوسان وفقی (ART) که مخفف شده Adaptive Resonance Theory می باشد، توسط کارپنتر و گراسبرگ ارائه گردید که یک شکل از این شبکه ها با نام ART1، برای خوشه بندی و بردارهای دودویی طراحی شده است و شکل دیگر آن ART2، برای خوشه بندی بردارهای پیوسته ارائه گردیده است. در این شبکه ها که ورودی ها را با استفاده از یادگیری بدون نظارت (Unsupervised) خوشه بندی می کنند، الگوهای ورودی را می توان به هر ترتیبی ارائه کرد. هر بار که یک الگو ارائه می شود، واحد خوشه مناسب انتخاب می شود و وزن های آن خوشه تنظیم می شوند تا واحد خوشه بتواند الگو را یاد بگیرد.
ART بدین منظور طراحی شده است که به کاربر امکان کنترل میزان شباهت الگوهای قرار گرفته روی یک خوشه را بدهد. اما از آنجا که ممکن است الگوهای ورودی با هم تفاوت های جزئی یعنی تعدادمولفه های غیر صفر داشته باشند، به جای تفاوت مطلق (Absolute Difference) بین برداها، از شباهت نسبی (Relative Similarity) بین الگوهای ورودی و بردار وزن واحد خوشه استفاده می شود. برای الگوهایی که مولفه های غیر صفر بسیار کمی دارند، تفاوت در یک مولفه مهم تر از الگوهایی است که مولفه های غیر صفر زیادی دارند.
در طول آموزش این شبکه ها، هر الگوی آموزش ممکن است چند بار ارائه شود. در اولین بار ارائه یک الگو به شبکه ممکن است آن الگو روی یک واحد خوشه قرار بگیرد اما در ارائه بعدی روی خوشه دیگری قرار بگیرد. این مسئله به علت تغییر وزن در خوشه اول است که علاوه بر این الگو، الگوهای دیگری را نیز یاد گرفته است. در یک شبکه پایدار، یک الگو معمولا به خوشه قبلی باز نمی گردد، به عبارت دیگر در شبکه ای که در آن یک الگو در مراحل مختلف آموزش در بین خوشه های مختلف در نوسان باشد، نشان دهنده ناپایدار بودن آن شبکه است.
برخی از شبکه ها که در آن ها تعدادی الگوی آموزش برای چنیدن بار به شبکه اراوه می شوند، با کاهش تدریجی نرخ یادگیری به پایداری می رسند. اما این کار باعث می شود که شبکه قادر نباشد یک الگوی جدید را که برای اولین بار ارائه شده است، فورا یاد بگیرد. توانایی شبکه برای پاسخگویی به یک الگوی جدید (یاد گرفتن) در هر مرحله از یادگیری و با کیفیت یکسان، انعطاف پذیری (Plasticity) نامیده می شود. ART طوری طراحی شده که این شبکه ها به گونه ای ساخته شوند که فرآیندهای عصبی بتوانند عملکرد نسبتا پیچیده این شبکه ها را کنترل کنند. این امر مستلزم تعدادی نرون اضافی مازاد بر واحدهای ورودی، واحدهای خوشه و واحدهایی برای مقایسه سیگنال ورودی با وزن های واحدهای خوشه است.
ساختار اصلی یک شبکه عصبی ART شامل سه گروه از نرون هاست: ناحیه پردازش ورودی که لایه F1 نامیده می شود، واحدهای خوشه یا لایه F2، و مکانیسمی برای کنترل میزان شباهت الگوهای قرار گرفته روی یک خوشه که به آن مکانیسم تنظیم مجدد (Reset Mechanism) می گویند. به علاوه می توان برای لایه F1 دو بخش مختلف را در نظر گرفت: بخش ورودی و بخش رابط (Interface). در بخش ورودی ممکن است پردازش هایی صورت گیرد (به ویژه در ART2) و بخش رابط سیگنال های بخش ورودی و لایه F2 را با هم ترکیب می کند تا برای مقایسه شباهت سیگنال ورودی به بردار وزن واحد خوشه که به عنوان کاندید یادگیری انتخاب شده است، مورد استفاده قرار گیرد.