پروژه پیاده سازی آموزشی شبکه عصبی براساس مدل دینامیکی

توضیحات

پروژه پیاده سازی شبکه عصبی براساس مدل دینامیکی با متلب:

• مقاله مورد نظر در متلب به طور کامل پیاده سازی شده است.
• مقاله شبکه عصبی از سه دیتاست استفاده کرده که برای پیاده سازی از دیستاست اول استفاده شده است.

خلاصه محتویات فایل پروژه:

• لینک دانلود فایلهای مربوط به پروژه پس از خرید فایل بلافاصله برای شما ایمیل خواهد شد.
• فایلهای کامل پروژه قابل اجرا در نرم افزار متلب
• دیتاست اول
• فایل راهنمای پروژه
• پیشنهاد برای بهبود مقاله
• آموزش شبکه عصبی با استفاده از الگوریتم ژنتیک

خلاصه ای از پروژه:

آموزش شبکه عصبی با استفاده از الگوریتم ژنتیک

دیتا ست مورد استفاده مربوط به مرجع یک است. این دیتا ست شامل 397 نمونه است که در هر نمونه زمان  و تعداد خطای نرم افزار را شامل می شود. زمان (ستون اول دیتا ست) به عنوان ورودی شبکه عصبی و تعداد خطا (ستون دوم دیتا ست) به عنوان خروجی وافعی شبکه عصبی هستند

وزن های شبکه عصبی باید طوری به روز رسانی شود که NRMSE کمینه شود. به روز رسانی وزن ها با اسفاده از الگوریتم ژنتیک انجام می شود و NRMSE به عنوان تابع برازش در نظر گرفته می شود که باید کمینه گردد.

پوشه RPE_CODE:

در پوشه RPE_code یک برنامه به همراه سه تابع قرار دارد که با جرای برنامه نمودار مقایسه RPE الگوریتم های مختلف به دست می آید.

در هر یک از توابع موجود در این پوشه الگوریتم مربوطه اجرا می شود به این صورت که پس از اتمام آموزش شبکه عصبی، بهترین کروموزم( وزن ها) به شبکه اعمال می شود و تمام دیتاست به شبکه اعمال می شود تا خطای خروجی واقعی و خورجی پیش بینی شده به دست آید  و در آرایه RPE ذخیره گردد. خروجی هر یک از توابع آرایه RPE به همراه آرایه زمان است.

در فایل برنامه اصلی تمام توابع فراخوانی می شوند و نمودار خطای آن ها رسم می شود.

کد های matlab ارائه شده در پوشه neural_ga به چند دسته تقسیم می شوند:

• برنامه های دارای پسوند fp: در این برنامه ها میانگین خطا را برای بازه های زمانی نرمال شده (net) 1/0 تا 9/0 به صورت جداگانه محاسبه کنیم. در روش fp باید درصدی از دیتا ست را به عنوان داده train انتخاب کرده و شبکه را آموزش دهیم. پس از یافتن بهترین وزن ها، با همان داده های آموزش شبکه را تست کنیم.

هدف از قطعه کد زیر این است که ابتدا نمونه هایی ازدیتا ست را پیدا کند که زمانشان کمتر از مثلا 2/. باشد سپس با این مجموعهداده شبکه را آموزش دهد و در نهایت در قسمت آخر برنامه از همان مجموه داده برای تست استفاده شده است. متغیر data_index شماره سطری از دیتا ست را نگه می دارد که زما آن کمتر از net است

• برنامه های دارای پسوند vt

در این برنامه ها ابتدا قسمتی از دیتا ست جهت آموزش استفاده می شود و باقی دیتا ست جهت تست استفاده می شود

توضیح نحوه کار شبکه های عصبی به کار رفته:

• DWCM این شبکه یک شبکه عصبی feedforward است در لایه پنهان خود سه نرون میانی دارد برای هر نرون میانی از توابع SRGM استفاده شده است [مقاله شماره 2] . برای به روز رسانی وزن ها از الگوریتم ژنتیک استفاده شده است و پارامتر فعال سازی تابع ندارد.
• RNNDWCM یک شبکه عصبی بازخوردی است که خروجی آن ذخیره شده و در محاسبه خروجی بعدی تأثیر گذار است. فرمول محاسبه خروجی آن در مقاله اصلی ذکر شده است
• FFNNDWCM شبکه عصبی feedforward است

شبکه های شماره 2 و 3 برای به روز رسانی نیز از الگوریتم ژنتیک استفاده می کنند.

به عنوان نمونه یکی از برنامه های نوشته شده توضیح داده می شود. باقی برنامه ها نیز با اندکی تغییر مشابه هم عمل می کنند.

نکات قابل ذکر:

• پروژه پیاده سازی شبکه عصبی براساس مدل دینامیکی با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.
• فایل های پروژه به صورت کامل به توضیحات ضمن کد پس از خرید فایل در اختیار شما قرار خواهد گرفت، و شما به راحتی قادر به استفاده از پروژه خواهید بود.

سفارش پروژه مشابه

درصورتیکه این پروژه دقیقا مطابق خواسته شما نمی باشد، با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.

سفارش پروژه متلب