بخشی از مقاله
چکیده
امروزه، طبقه بندی داده ها اثر مهمی را در بیشتر زمینههای علمی وتحقیقاتی مانند داده کاوی، پزشکی، نظامی، و… ایفا مینماید . یکی از مشکلات شبکه عصبی ، حساس بودن به وزنهای اولیه می باشد . اگر وزنها به درستی انتخاب نشوند در آن صورت تعداد تکرار زیاد شده و ممکن است شبکه به سمت وزنهای بهینه همگرا نشود و در بهینه محلی گرفتار شود
.از آنجایی که وزنهای اولیه در رسیدن شبکه های عصبی به پاسخ بهینه بسیار مهم می باشند، لذا در این مقاله از الگوریتم معروف و قدرتمند ژنتیک برای تعیین وزنهای اولیه شبکه عصبی بصورت بهینه استفاده شده است، و پس از تعیین وزنهای اولیه ادامه مراحل توسط الگوریتم آموزشی خود شبکه عصبی که مبتنی بر گرادیان می باشد ، تا رسیدن به وزنهای مطلبوب به جهت دست یافتن به پاسخ های صحیح به ازای ورودی انجام شده است.
هدف ما در این مقاله این است که با بررسی راه حل هاو مقادیرمختلف ، الگوریتمی را که تاحد قابل قبولی بتواند محدودیتهای موجود را پوشش دهد، ارائه گردد . در نتیجه توانایی بالا و مقاوم بودن این روش بر اساس نتایج های صورت گرفته مشهود خواهد بودو به نتایج مطلوبی دست پیدا می کند. در این تحقیق از Dataset بیماران اختلالات کبدی بنام Liver-Disorders از موسسه تحقیقات پزشکی BUPA استفاده شده است .
مقدمه
در گذشته روشهای علمی تنها برای مدل سازی سیستمهای نسبتا" ساده در مکانیک ، فیزیک و برخی از زمینه های کاربردی مورد استفاده قرار می گرفت . با گذشت زمان و پیچیده تر شدن سیستمهای وابسته به علوم پزشکی ، اجتماعی ، انسانی ، مدیریتی و نظایر آنها ، نیاز به استفاده از تکنیکهای جدید برای مدل سازی و بهینه سازی احساس می شد . در سالیان اخیر از تکنیکهای هوش مصنوعی مانند شبکه های عصبی ، الگوریتم ژننیک ، منطق فازی و ... برای حل مسائل پیچیده استفاده می شود ،که هرکدام از این تکنیکها دارای نقاط ضعف و قوت می باشند . محاسبات نرم با ترکیب تکنیکهای موجود هوش مصنوعی و استفاده از مزایای هر کدام ، سعی در ارائه روشی کاراتر دارد . محاسبات نرم به مجموعه ای از شیوه های جدید محاسباتی در علوم رایانه ، هوش مصنوعی ، یادگیری ماشین و بسیاری از زمینه های کاربردی دیگر کمک کرده است .
در این مقاله از ترکیب الگوریتم ژنتیک و شبکه عصبی برای کلاس بندی داده های موجود در بیماران اختلالات کبدی استفاده شده است .از آنجایی که وزنهای اولیه نقش مهمی در روند اجرایی و رسیدن به نتیجه مطلوب در شبکه عصبی را ایفا میکند ،در این مقاله وزنهای اولیه توسط الگوریتم ژنتیک تعیین می شود. سپس شبکه عصبی با ادامه روند یادگیری وزنهای بهینه را تعیین و کلاس بندی داده های مورد نظر را انجام می دهد .
نتایج حاصل شده از الگوریتم ترکیبی روی داده های فوق در مقایسه با اعمال شبکه عصبی به تنهایی،بهتر و یافتن پاسخسریعتر شده است .
-1 روش پیشنهادی ترکیب شبکه عصبی و الگوریتم ژنتیک
یکی از مشکلات شبکه عصبی ، حساس بودن به وزنهای اولیه می باشد . اگر وزنها به درستی انتخاب نشوند در آن صورت تعداد تکرار زیاد شده و ممکن است شبکه به سمت وزنهای بهینه همگرا نشود و در بهینه محلی گرفتار شود . برای حل این مشکل از الگوریتم ژنتیک برای تعیین وزنهای اولیه در شبکه عصبی استفاده کرده ایم و در ادامه این وزنهای اولیه را برای تعیین وزنهای بهینه به شبکه عصبی داده و استفاده از قوانین یادگیری خود شبکه عصبی که مبتنی بر مشتق است به وزنهای بهینه دست یافتیم .
ترکیب این دو باعث گردید، نه تنها تعداد تکرار شبکه عصبی جهت دست یافتن به وزنهای بهینه کاهش یابد بلکه میزان گرفتار شدن شبکه عصبی در بهینه محلی را نیز کاهش داد.
Dataset مورد استفاده Liver-disorders می باشد که مربوط به ویژگیهای بیمارانی است که دارای اختلالات کبدی می باشند . این اطلاعات دارای 345 نمونه می باشد که هرکدام دارای 7 ویژگی - آزمایش - می باشند،که تشخیص بیمار بودن یا نبودن بر اساس این آزمایشها صورت میگیرد .
-2 روش کار و پیاده سازی شبکه عصبی و الگوریتم ژنتیک
مشخصات شبکه عصبی مورد استفاده در این تحقیق در جدول به همراه مقادیر موجود می باشد.
جدول- 1 مقادیر شبکه عصبی
شکل- 2 نتایج پیاده سازی مقادیر شبکه عصبی
