چکیده:
افزایش دقت شبکه عصبی برای دسته بندی تصاویر یک راه حل علمی و فنی می باشد. یکی از مسائل مهم در زمینه پردازش تصویر، طبقه بندی داده های یک تصویر است. روشهای مختلفی جهت انجام ایـن عمـل ارائـه شده است. در این مقاله تیم پی سی اسکریپت تلاش دارد تا در خصوص افزایش دقت شبکه های عصبی توضیحاتی ارائه نماید. تمامی این روشها سعی در کاهش خطا در دسته بندی نمودهاند. به توجه به اینکه عمل دسته بندی نوعی یـادگیری بـا ناظر میباشد، لذا میتوان از شبکه عصبی برای انجام آن استفاده نمود. افزایش دقت شبکه های عصبی back-propagation یکی از روشهایی اسـت که اخیراً برای دسته بندی تصاویر استفاده شده است.
اما این روش همیشه به نتایجی با دقت بالا همگـرا نمـی شـوند. از آنجائیکـه قوانین گرادیان توام، جستجوئی در جهت گرادیان انجام می دهند بنابراین در این مقالـه قـصد داریـم تـا بـا افـزودن آن بـه روش back-propagation در هر مرحله تکرار بتوانیم با انجام جستجو، بهترین مقدار را برای نرخ آموزش تعیین نمائیم.نتایج آزمایشات حاکی از این است که روش بیان شده باعث بهبود قابل توجهی در افزایش دقت شبکه های عصبی در دسته بندی تصاویر می گردد.
مقدمه ای بر افزایش دقت شبکه عصبی:
شبکه عصبی مصنوعی مشابه با ساختار شبکه عـصبی انـسان طراحـی شده است. این شبکه از واحدهایی بنام گره و ارتباطاتی به نـام اتـصال linkتشکیل یافته است. وزن ها عامـل اصـلی یـادگیری در شـبکه های عصبی هستند که در طول زمان بهنگام خواهند شد. برخی از گره دارد و یک سطح فعالیت دارد که معین می کند میزان تحریک ورودی در آن چه قدر است.
برای ساخت شبکه عصبی، ابتدا باید تعدادگره هـا و نحـوه اتـصال آنها به یکدیگر را معین نمود ،که این فرآیند به معماری شـبکه عـصبی مشهور است. سپس باید لبه های شـبکه مقـداردهی اولیـه شـوند و از طریق یک الگوریتم یادگیری، وزن لبه ها بهنگام شود که ایـن فرآینـد معمولاً به کمک مثال های آموزشی صورت می گیرد.
کلمات کلیدی :
Fletcher-Reeves, Polak-Ribieri, Powell-Beale , قوانین گرادیان توام, back propagation
Scaled conjugate gradient