توضیحات
تشخیص اعداد دست نویس فارسی به کمک شبکه عصبی MLP و RBF با متلب
در زمینه مدل سازی ریاضی ، یک شبکه تابع پایه شعاعی ، یک شبکه عصبی مصنوعی است که از توابع اولیه شعاعی به عنوان توابع فعال استفاده می کند . خروجی شبکه یک ترکیب خطی از توابع پایه شعاعی ورودی ها و پارامترهای نورون است. شبکه های تابع اساس شعاعی دارای کاربردهای زیادی هستند، از جمله تقریب عملکرد ، پیش بینی سری زمانی ، طبقه بندی و کنترل سیستم. آنها ابتدا در مقاله 1988 توسط Broomhead و Lowe، هر دو محقق در Royal Signals و Radar Establishment، فرموله شدند.
شبکه های رادیال (RBF) معمولا دارای سه لایه هستند: یک لایه ورودی، یک لایه پنهان با یک تابع فعال غیر خطی RBF و یک لایه خروجی خطی. ورودی را می توان به عنوان یک بردار از اعداد واقعی مدل سازی کرد
یک پراپرترون چند لایه (MLP) یک کلاس شبکه عصبی مصنوعی است . MLP شامل حداقل سه لایه گره است. به جز گره های ورودی، هر گره یک نورون است که از یک تابع فعالغیرخطی استفاده می کند. MLP با استفاده از یک تکنیک یادگیری تحت نظارت به نام بازپرداخت برای آموزش استفاده می شود. لایه های چندگانه و فعال سازی غیر خطی، MLP را از یک perceptron خطی تشخیص می دهند. این می تواند داده ها را که به صورت خطی قابل جدا شدن نیست تشخیص دهد.
غالبا به صورت پیش فرضون چند ضلعی به صورت شبکه های عصبی “وانیلی” به ویژه هنگامی که یک لایه ی مخفی دارند، به کار می رود.
MLP شامل سه یا چند لایه (یک ورودی و یک لایه خروجی با یک یا چند لایه پنهان ) از گره های فعال غیرخطی است که آن را یک شبکه عصبی عمیق می کند . از آنجا که MLP ها به طور کامل متصل هستند، هر گره در یک لایه با یک وزن خاص متصل می شود 
تشخیص اعداد دست نویس فارسی به کمک شبکه عصبی MLP و RBF با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.
سفارش پروژه مشابه
درصورتیکه این پروژه دقیقا مطابق خواسته شما نمی باشد، با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.