چكيده:
افزایش دقت شبکه عصبی برای دسته بندی تصاویر یک راه حل علمی و فنی می باشد. يكي از مسائل مهم در زمينه پردازش تصوير، طبقه بندي داده هاي يك تصوير است. روشهاي مختلفي جهت انجام ايـن عمـل ارائـه شده است. در این مقاله تیم پی سی اسکریپت تلاش دارد تا در خصوص افزایش دقت شبکه های عصبی توضیحاتی ارائه نماید. تمامي اين روشها سعي در كاهش خطا در دسته بندي نمودهاند. به توجه به اينكه عمل دسته بندي نوعي يـادگيري بـا ناظر ميباشد، لذا ميتوان از شبكه عصبي براي انجام آن استفاده نمود. افزایش دقت شبکه های عصبی back-propagation يكي از روشهايي اسـت كه اخيراً براي دسته بندي تصاوير استفاده شده است.
اما اين روش هميشه به نتايجي با دقت بالا همگـرا نمـي شـوند. از آنجائيكـه قوانين گراديان توام، جستجوئي در جهت گراديان انجام مي دهند بنابراين در اين مقالـه قـصد داريـم تـا بـا افـزودن آن بـه روش back-propagation در هر مرحله تكرار بتوانيم با انجام جستجو، بهترين مقدار را براي نرخ آموزش تعيين نمائيم.نتايج آزمايشات حاكي از اين است كه روش بيان شده باعث بهبود قابل توجهي در افزایش دقت شبکه های عصبی در دسته بندي تصاوير مي گردد.
مقدمه ای بر افزایش دقت شبکه عصبی:
شبكه عصبي مصنوعي مشابه با ساختار شبكه عـصبي انـسان طراحـي شده است. اين شبكه از واحدهايي بنام گره و ارتباطاتي به نـام اتـصال linkتشكيل يافته است. وزن ها عامـل اصـلي يـادگيري در شـبكه هاي عصبي هستند كه در طول زمان بهنگام خواهند شد. برخي از گره دارد و يك سطح فعاليت دارد كه معين مي كند ميزان تحريك ورودي در آن چه قدر است.
براي ساخت شبكه عصبي، ابتدا بايد تعدادگره هـا و نحـوه اتـصال آنها به يكديگر را معين نمود ،كه اين فرآيند به معماري شـبكه عـصبي مشهور است. سپس بايد لبه هاي شـبكه مقـداردهي اوليـه شـوند و از طريق يك الگوريتم يادگيري، وزن لبه ها بهنگام شود كه ايـن فرآينـد معمولاً به كمك مثال هاي آموزشي صورت مي گيرد.
كلمات كليدي :
Fletcher-Reeves, Polak-Ribieri, Powell-Beale , قوانين گراديان توام, back propagation
Scaled conjugate gradient
قوانین ارسال دیدگاه در سایت