توضیحات
پروژه پیاده سازی الگوریتم پس انتشار خطا با شبکه عصبی مصنوعی با متلب
هدف از این پروژه تشخیص دو کلاس شامل الگوهای تصادفی با توزیع گوسین با استفاده از شبکه عصبی چند لایه
پروسپترون با قاعده یادگیری پس انتشار خطا می باشد.
هدف از این شبیه سازی تشخیص دو کلاس شامل الگوهای تصادفی با توزیع گوسین با استفاده از شبکه عصبی چند لایه پروسپترون با قاعده یادگیری پس انتشار خطا است.
µ1 = [0 , 0 ] , variance= 1 : کلاس اولµ2 = [2 , 0 ] , variance= 4 : کلاس دوم
500 الگوی آموزشی 250 الگو از هر کلاس و 500 الگوی آزمایشی 250 الگو از هر کلاس تولید کردیم. درصد طبقه بندی صحیح را در شرایط مختلف مورد بررسی نمودیم.
- شبکه عصبی با یک لایه پنهان و تعداد نرون های مختلف در لایه پنهان با یک ضریب یادگیری و ضریب ممانصفرو تعداد دوره یادگیری یکسان
- شبکه عصبی با یک لایه پنهان 10 نرون در لایه پنهان با یک ضریب یادگیری و ضریب ممان صفر و تعداددوره یادگیری مختلف
- شبکه عصبی با یک لایه پنهان و 10 نرون در لایه پنهان با ضریب یادگیری مختلف و ضریب ممان صفر
- شبکه عصبی با یک لایه پنهان و 10 نرون در لایه پنهان با ضرب یادگیری و ضریب ممان های مختلف
- شبکه عصبی با دو لایه پنهان، هریک با 10 نرون با یک ضریب یادگیری و ضریب ممان صفر
- شبکه عصبی با مشخصات حالت دوم با قاعده یادگیری delta-delta
- طبقه بندی این الگوها را با روش Maximum-Likelihood Classifier
پروژه پیاده سازی الگوریتم پس انتشار خطا با شبکه عصبی مصنوعی با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی شده است
- فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.