بخشی از مقاله
چکیده
سرطان سینه یکی از شایعترین انواع سرطان است که در مراحل اولیه بیماری، قابل درمان است. تشخیص زود هنگام و درمان مؤثر، تنها راه نجات و کاهش مرگ و میر ناشی از سرطان سینه است. طبقهبندی دقیق از تومور سرطان سینه، یک کار مهم در تشخیص پزشکی است. در حوزه یادگیری ماشین، روشهای بسیاری برای طبقهبندی ارائه شده است.
در این مقاله از شبکه عصبی پرسپترون چند لایه مبتنی بر ماشین با قابلیت یادگیری فوقالعاده استفاده شده است. این روش نسبت به الگوریتمهای مبتنی بر گرادیان، الگوریتمی سریعتر، با دقت و قابلیت تعمیم فوقالعاده در طبقهبندی میباشد. در این الگوریتم، پارامترهای لایه پنهان به صورت تصادفی انتخاب میشوند و وزنهای لایه خروجی به صورت تحلیلی از یک سیستم خطی و با استفاده از معکوس تعمیمیافته مور پنروز بهدست میآید. نتایج شبیهسازیها از برتری قابل توجه الگوریتم پیشنهادی نسبت به الگوریتم پسانتشار خطا از نظر سرعت یادگیری و قابلیت تعمیم حکایت مینماید.
.1 مقدمه
یکی از روشهایی که بهصورت گسترده برای حل مسئله طبقهبندی2 مورد استفاده قرار میگیرد، الگوریتم پسانتشارخطا 3 - BP - میباشد. الگوریتمBP، یکی از رایجترین الگوریتم ها جهت آموزش شبکه های عصبی چند لایه پیشخور می باشد.
عمومیتیافتن الگوریتمBP، بخاطر سادگی و کاربردهای موفقیت آمیزش در حل مسائل فنی- مهندسی میباشد. علیرغم، موفقیتهای کلی الگوریتمBP در یادگیری شبکههای عصبی چندلایه پیشخور، این الگوریتم ممکن است، به نقاط مینیمم محلی در ف ضای پارامتر، همگرا شود. بنابراین زمانی که الگوریتمBP همگرا می شود، نمیتوان مطمئن شد که به یک جواب بهینه رسیده باشیم. و از طرفی سرعت همگرایی الگوریتمBP ، خیلی کند است. از این گذشته، همگرایی الگوریتمBP، به انتخاب مقادیر اولیه وزنهای شبکه، بردارهای بایاس و پارامترها موجود در الگوریتم، مانند نرخ یادگیری، وابسته است و گاهی ممکن است برای دستیابی به عملکردی بهتر، به تعداد زیاد تکرار مراحل یادگیری نیاز باشد.
شبکههای عصبی مبتنی بر ماشین با قابلیت یادگیری فوقالعاده 4 - ELM - ، بر خلاف الگوریتمBP ، نیازی به تنظیم پارامترهای لایه پنهان - وزن و بایاس - ندارد و این پارامترها بهطور ت صادفی انتخاب می شوند. هدف در این روش ر سیدن به کوچکترین خطای آموزش و کوچکترین نرم وزن خروجی است. این الگوریتم، عملکرد کلی خوبی را نتیجه میدهد و بسیار سریع اجرا میشود و مشکل کمینه محلی ندارد و حداقل مداخله انسانی را نسبت به الگوریتم BP دارد.
ساختار ادامه مقاله به شرح زیر ا ست: در بخش دوم، ساختار شبکههای ع صبی پیشخور و مدل ریا ضی آنها بیان میشود، در بخش سوم الگوریتم ELM و نتایج حاصل از شبیهسازی با الگوریتم ELM و BP بیان میشود و در بخش پایانی نتیجه گیری و پیشنهادات ارائه میشود.
.2 شبکه عصبی پیشخور و مدل ریاضی آن
یک شبکه عصبی پیشخور شامل یک لایه ورودی دریافت محرک از محیط خارجی، یک یا چند لایه مخفی و یک لایه خروجی جهت ارسال خروجی شبکه به محیط میباشد. از شبکههای عصبی پیشخور بهطور وسیعی در زمینههای متنوعی از قبیل طبقهبندی الگوها، پردازش تصویر،تقریب توابع و ... استفاده شده است. در شکل - 1 - ، یک شبکه عصبی پیش خور و در شکل - 2 - یک شبکهی عصبی پیشخور با یک لایه مخفی نشان داده شده است.
شکل-1 ساختار یک شبکه عصبی پیشخور
شکل-2شبکه عصبی پیشخور با یک لایه مخفی
یک شبکه عصبی پیشخور با یک لایه مخفی - SLFN - با 1̃ نرون در لایه مخفی و تابع تحریک - g - x، برای N نمونه متمایز دلخواه - [L'WL - که در آن [L {[L1 '[L2'… '[L1 } ، [L 5Q و WL WL1 'WL2 ' …'WL1 و WL 5P مدل ریاضی به شکل رابطه - 1 - دارد
تابع فعالسازی گره خروجی به صورت خطی در نظر گرفته شده است و SLFN با نرون مخفی با تابع فعال ساز g - x - میتواند N مشاهدات مجزا را با خطای صفر یاد بگیرد
