ساختار شبكه هاي عصبي
• شبكه تك لايه با S نرون و R ورودي
– مدل شبكه و فرم ماتريسي آن
– ماتريس W داراي S سطر و R ستون
شبكه هاي چند لايه
• در شبكه تك لايه بردار ورودي توسط نرونهاي لايه با رابطه (a=f(Wp+b به بردار خروجي مرتبط مي شوند.
• در شبكه هاي چند لايه، خروجي هر لايه به عنوان بردار ورودي براي لايه بعدي محسوب مي شود.
به ترتيب ماتريس وزن لايه اول، دوم و …. را نشان مي دهد: W2 ،W1
به ترتيب تعداد نرونهاي لايه اول، دوم و …. را نشان مي دهد: S2 ،S1
به ترتيب توابع تحريك لايه اول، دوم و …. را نشان مي دهد: f2 ،f1
به ترتيب بردار ورودي خالص لايه اول، دوم و …. را نشان مي دهد: n2 ،n1
به ترتيب بردار خروجي لايه اول، دوم و …. را نشان مي دهد: a2 ،a1
به ترتيب بردار باياس لايه اول، دوم و …. را نشان مي دهد: b2 ،b1
مثال: يك شبكه پيشخور 3 لايه
چند سوال
1) تعداد عناصر بردار ورودي (R) چگونه مشخص مي شود؟
2) يك نرون چه نوع تابع ورودي-خروجي را نمايندگي مي كند؟
3) آيا مي توان بردار ورودي P را به عنوان يك لايه در نظر گرفت؟
4) آيا تعداد عناصر بردار ورودي R و تعداد نرونهاي S مي توانند با هم برابر نباشند؟
5) آيا همه نرونهاي موجود در يك لايه بايد داراي توابع تحريك يكسان باشند؟
6) آيا مي توان در لايه هاي مختلف، توابع تبديل مختلف داشت؟
شبكه هاي پسخور يا برگشتي
• تفاوت با شبكه هاي پيشخور:
– وجود حداقل يك سيگنال برگشتي از يك نرون به همان نرون يا نرونهاي همان لايه و يا لايه هاي قبل
• استفاده از بلوك تاخير D در شبكه هاي گسسته
• نكته:
شبكه هاي پسخور از توانايي بالقوه بيشتري نسبت به شبكه هاي پيشخور برخوردارند و بهتر مي توانند رفتار مربوط به ويژگيهاي زماني سيستمها را نشان دهند.
مقاله متلب,مطلب,متلب,مقاله برق,مقاله قدرت,مقاله مطلب,مقاله سیمولینک,دانلود متلب,دانلود مقاله متلب,مقالهmatlab ,آموزش متلب,مطلب,متلب,آموزش برق,آموزش قدرت,آموزش مطلب,آموزش سیمولینک,دانلود متلب,دانلود آموزش متلب,آموزشmatlab ,پروژه متلب,مطلب,متلب,پروژه برق,پروژه قدرت,پروژه مطلب,پروژه سیمولینک,دانلود متلب,دانلود پروژه متلب,پروژهmatlab ,
