بخشی از مقاله
مروری بر شبکه عصبی :
شبکه عصبی روش نوینی هست برای هوشمند سازی سیستم ها و طراحی هوش مصنوعی ، اینگونه شبکه ها الگو گرفته از روش کارکرد سیستم عصبی زیستی ، برای پردازش داده ها و اطلاعات به منظور یادگیری و ایجاد دانش است ، عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوقالعاده بهمپیوسته با نام نورون تشکیل شده که برای حل یک مسئله با هم هماهنگ عمل میکنند و توسط سیناپسها - ارتباطات الکترومغناطیسی - اطلاعات را منتقل میکنند.
در این شبکهها اگر یک سلول آسیب ببیند بقیه سلولها میتوانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکهها قادر به یادگیریاند. مثلاً با اعمال سوزش به سلولهای عصبی لامسه، سلولها یاد میگیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم میآموزد که خطای خود را اصلاح کند. یادگیری در این سیستمها به صورت تطبیقی صورت میگیرد، یعنی با استفاده ازمثالها وزن سیناپسها به گونهای تغییر میکند که در صورت دادن ورودیهای جدید، سیستم پاسخ درستی تولید کند. [3]
شکل : 2 نشان دادن سیناپس ها بین چند نرون ها طبیعی و مصنوعی
این مقاله برآن است تا راه کاری جدید و عملی و آسان برای رسم تقریبی مکان هندسی و بررسی پایداری آن ارائه دهد ،به صورتی که بتوان با پیاده سازی این سیستم روی پردازنده های بسیار معمولی بتوان بدون نیاز به نرم افزارهای مختلف مثل متلب از مکان هندسی ریشه ها سیستم و رفتار سیستم اطلاعاتی بدست آورد. با داشتن مکان هندسی ریشه ها می توان سیستم را از نظر پایداری بررسی کرد .
روش تهیه مقاله : تحلیل وشناخت عملکرد مکان هندسی با بهره درجه 2 و سپس استفاده از چند حلقه تو در تو برای ساخت سیستم های مختلف وبالا بردن تنوع نمونه واستفاده از قوانین و روابط ریاضی حاکم بر مکان هندسی با بهره درجه 2، وسپس نمونه گیری از اطلاعات و ذخیره آن هر ریشه به صورت مجزا بر اساس موهومی و حقیقی بودن تفکیک شده است ، برای بالا بردن اطلاعات و بیشتر شدن دقت، با داشتن طول وعرض هر نقطه از مکان هندسی می توان زاویه آن را نسبت به محور مختصات حساب کرد، و در هین آموزش جزو پارامتره ورودی قرار داد،
-1-1 آماده سازی داده های اولیه برای آموزش شبکه :
در این مرحله نیاز به یک سری اطلاعات که میتوان با نوشتن یک حلقه تو در تو از سیستم های مختلف بدست آورد، که در این طراحی برای ساده شدن محاسبات، از مرتبه 1 تا مرتبه 3 بررسی شده است . - محدودیتی در مرتبه وجود ندارد - از این رو با استفاده از فرمول های مکان هندسی با بهره درجه 2و ذخیره داده ها روی نرم افزار متلب و نمونه گیری از نقطه های رسم شده در روی نمودار مکان هندسی ریشه ها و با استفاده از مختصات هر قطب و نحوه ی حرکت آن بر روی صفحه می توان ، اعداد را در چند ماتریس به تفکیک هر قطب و موهومی و حقیقی بودن آن ذخیره کرد وسپس با استفاده از Ө به دست آمده حرکت هر یک از قطب ها را پیش بینی کرد ،در هربهره چندین پارامتر مورد بررسی قرار می گیرد :
-1مختصات هر قطب با محورx
-2مختصات هر قطب با محور y
-3مختصات هر قطب با مبدا مختصات
-4زاویه هرقطب با محاسبه Ө -5مختصات هر قطب با قطب های دیگر - که تعداد این پارامتر متغیر است بسته به تعداد قطب های سیستم تغیر می کند - و در آخر این اطلاعات در چندین ماتریس ذخیره شده و آماده برای آموزش شبکه میگردد .
-2-1 طراحی شبکه عصبی و تعداد لایه ها
شبکه عصبی چندلایه - mlp - دارای 3 لایه ورودی ، مخفی و خروجی است ، ورودی ها به وسیله ی ضرایبی نسبت به عدد یک نرمالیزه شده و سپس بعد از محاسبات، در خروجی به مقدار واقعی برگردانده می شود ، در این سیستم مقادیر اولیه وزن ها به صورت تصادفی انتخاب شده است، الگوریتم این شبکه به صورتی است که، خروجی سیستم با خروجی ایده آل مقایسه شده و وزن ها به وسیله الگوریتم پس از انتشار با ضریب قبل ار نرمالیزه شدن، تغییر پیدا میکند و به این صورت الگوی مناسب ایجاد می شود.
