توضیحات
مواردی که در این پروژه آموزشی انجام شده است:
در فایل پیوست قسمتهایی از داده های مربوط به digit pen در دو ماتریس ذخیره شده است.
اطالعاتی در مورد این دیتابیس در آدرس زیر وجود دارد:
http://archive.ics.uci.edu/ml/datasets/Pen-Based+Recognition+of+Handwritten+Digits
در این دو ماتریس هر سطر بیانگر یک الگو می باشد. ستونهای اول تا شانزدهم را به عنوان ویژگیها در نظر میگیریم. کالس مربوط به هر نمونه در ستون هفدهم ذکر شده است. داده ها مربوط به 10 کلاس مختلف هستند(رقمهای صفر تا 9)
شبکه MLP با الگوریتم آموزش BP مناسب برای دسته بندی این داده ها ایجاد نموده ایم. تعداد نرونهای الیه
ورودی ،الیه مخفی و الیه خروجی، نوع تابع یا توابع فعالسازی و….
شبکه را با دادههای data_train آموزش دادیم و دقت دسته بندی را هم برای data_train و هم برای data_test بدست آورده ایم.
بخشی از گزارش کار
در این پروژه از ساختار 4 لایه تغذیه مستقیم شکبه عصبی با 16 نرون در لایه اول، 15 نرون لایه دوم و 10 نرون در لایه سوم و لایه خروجی استفاده میشود. روش آموزش LM backpropagation است و برای تابع انتقال لایه های اول تا سوم نیز سه حالت tansig, logsig, radbas که توابع فعالسازی معمول در شبکه عصبی هستند در نظر گرفته میشود. لایه چهارم تابع انتقال خطی دارد.
فرآیند آموزش توسط داده های آموزشی و تست توسط داده ای آموزشی و تست، در سه حالت مختلف و در هر حالت برای N بار انجام میشود و خطای هر حالت با متوسط گیری روی N تکرار محاسبه میشود.
انتخاب شاخص توسط روش رتبه بندی شاخصها با نام minimum redundancy maximum relevance انجام شده و 5 شاخص برتر انتخاب میشوند. تمام فرآیند بالا در این مرحله نیز برای شاخصهای انتخاب شده صورت میگیرد.
بخش اول: کل شاخصها
نتایج دقت کلاسبندی برای 3 حالت مختلف تست توسط داده های آموزشی و 3 حالت مختلف برای تست توسط داده های تست در جدول زیر آمده است:
|
حالت |
خطای کلاسبندی |
|
تابع tansig و داده آموزشی |
0.024 |
|
تابع logsig و داده آموزشی |
0.053 |
|
تابع radbas و داده آموزشی |
0.057 |
|
تابع tansig و داده تست |
0.094 |
|
تابع Logsig و داده تست |
0.121 |
|
تابع radbas و داده تست |
0.144 |
بخش دوم: 5 شاخص برتر
نتایج دقت کلاسبندی برای 3 حالت مختلف تست توسط داده های آموزشی و 3 حالت مختلف برای تست توسط داده های تست در جدول زیر آمده است:
|
حالت |
خطای کلاسبندی |
|
تابع tansig و داده آموزشی |
0.303 |
|
تابع logsig و داده آموزشی |
0.318 |
|
تابع radbas و داده آموزشی |
0.322 |
|
تابع tansig و داده تست |
0.359 |
|
تابع Logsig و داده تست |
0.370 |
|
تابع radbas و داده تست |
0.384 |
واضح است که دقت برای حالت کل شاخصها بسیار بهتر است ولی سرعت آموزش در این حالت کمتر و میزان محاسبات بیشتر است.
در بین توابع انتقال لایه نیز حالت tansig بهترین نتیجه را دارد. در مورد ساختار و تعداد نرونها نیز اعداد انتخاب شده با سعی و خطا حاصل شده و تقریبا بهترین ترکیب با پیچیدگی معقول میباشد.
- فایلهای پروژه آموزشی 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.