توضیحات
شبکه هاپفیلد و شبیه سازی با متلب
شبکه هاپفیلد نوعی از شبکه‌های عصبی مصنوعی بازگشتی است که توسط جان هاپفیلد اختراع شده است. شبکه هاپفیلد می‌تواند در نقش سیستمی دارای حافظه وابسته شامل اجزایی دو حالته ظاهر شود. همگرایی شبکه هاپفیلد به یکی از کمینه‌های موضعیش قطعی است(بعضی از این کمینهها غیرپایداراند یا جواب از قبل ضبط شده نیست) اما همگرایی به جواب از قبل ضبط شده(حالات پایدار) هر چند بسیار محتمل است، اما قطعی نیست.
در شبکه ی هاپفیلد هر یک از نودها به نودهای دیگر در شبکه متصل است. شدت اتصال هر نود به نودهای دیگر را نشان میدهد. مثلاً در تصویر زیر شدت اتصال به نودهای 5 به 9 را نشان میدهد. نودها میتوانند به 1- یا 1+ یا(0 و 1) فعال میشود. اجرا شبکه(تکرار اجرای شبکه) تا زمانی که به یک حالت پایدار برسد ادامه مییابد.
مثالی از شبکه هاپفیلد که اعداد 1 تا 4 لاتین را در خود بعنوان الگوی پایدار ذخیره میکند
این مثال از 4 گام(stage) تشکیل شده است که عبارتند از:
گام1(stage1): مرتبط با ایجاد 4 الگو است که اعداد 1 تا 4 را در یک آرایهای با ابعاد 12 در 10(یعنی 120 نود ) که هریک از این نودها میتوانند 1 یا 1- باشند تعریف میشود که خروجی این 4 عدد به صورت است:
هریک از اعداد بالا در شبکهی ماتریسهای با ابعاد 12 در 10 ذخیره میشود. مثلا عدد 1 را در تصویر مشاهده میکنید، نودهای شبکهی هاپفیلد هم از S1 تا S120 نشان داده شده است و برای الگوی عدد 1، در تصویر زیر نشان داده شده است که نودهای S1 تا S120 باید چه مقداری داشته باشد یا باید روشن باشد(1) و یا باید خاموش باشد(1-) و با توجه به این خاموش بودن و روشن بودن وزنها محاسبه و آموزش داده میشوند :
گام2(stage2): در این گام شبکهی هاپفیلد بر اساس فرمول زیر ساخته شده و 4 الگوی بالا در آن ذخیره میشود و یا بعبارتی دیگر وزن بین نودها بدست میآید یا بعبارتی دیگر شبکه آموزش داده میشود، همانطور که در تصویر زیر مشاهده میکنید، خط 74 ، w یا وزنها را با یک آرایهی 120 در 120 ارائه کرده است و این یعنی اتصال هر یک از این نودها به 120 نود دیگر(که یکی خودشان است که در خطوط 79 تا 81 ارتباط با خودش صفر درنظر گرفته شده شده است) را ارئه میکند و با استفاده از خط 77 وزنها اموزش داده میشود:
N تعداد نودهای درون شبکه است که برابر 120 میباشد.
گام3(stage3): در این گام مقداری نویز به الگوهای اولیه اضافه میشود و سپس با استفاده از وزنهایی که در گام 2 محاسبه شد یا بعبارتی دیگر شبکهی هاپفیلد آموزش داده شده، الگوها را بازیابی میکنیم :
مقدار نویز باید بین 0 تا 1 باشد، که ما مقدار نویز 0.8 را وارد میکنیم.
گام4(stage4): در این گام الگوهایی که تصاویر آنها در گام یک نشان داده شدند بازیابی میشوند :
کادر آبیرنگ برای هریک از 4 الگو نزدیک 5000 بار تکرار میشود. خروجی و الگوهای بازیابی شده به صورت زیر است :
همانطور که مشاهده میکنید الگوی 2 بخوبی بازیابی نشده است. با اجرای مجدد الگوریتم الگوها میتوانند بهتر بازیابی شوند و این بدلیل اینکه نویز را بطور تصادفی و با ضرایب مختلف(بین 0 تا 1) به تصاویر(الگوها) اضافه میکنیم، رخ میدهد.
نکات قابل ذکر:
- شبکه هاپفیلد و شبیه سازی 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. این فایل ها شامل گزارش کامل از شبکه هاپفیلد و شبیه سازی آن با متلب میباشد.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.