دانلود پایان نامه ارشد درمورد شبکههای عصبی مصنوعی و رگرسیون خطی چندگانه

شکل 2-2) شمایی کلی از الگوریتم ژنتیک
2-4-1-2) روش‌های انتخاب
روش‌های مختلفی برای الگوریتم‌های ژنتیک وجود دارند که می‌توان برای انتخاب ژنوم‌ها از آن‌ها استفاده کرد. اما روش‌های لیست شده در پایین از معمول‌ترین روش‌ها هستند.[28]
انتخاب اصلح: مناسب‌ترین عضو هر اجتماع انتخاب می‌شود.
انتخاب رولت: یک روش انتخاب است که در آن عنصری که عدد برازش (تناسب) بیشتری داشته باشد، انتخاب می‌شود. در واقع به نسبت عدد برازش برای هر عنصر یک احتمال تجمعی نسبت میدهیم و با این احتمال است که شانس انتخاب هر عنصر تعیین می‌شود.
انتخاب مقیاسی: به موازات افزایش متوسط عدد برازش جامعه، سنگینی انتخاب هم بیشتر می‌شود و جزئی‌تر. این روش وقتی کاربرد دارد که مجموعه دارای عناصری باشد که عدد برازش بزرگی دارند و فقط تفاوت‌های کوچکی آن‌ها را از هم تفکیک می‌کند.
انتخاب رقابتی: یک زیر مجموعه از صفات یک جامعه انتخاب می‌شوند و اعضای آن مجموعه با هم رقابت می‌کنند و سرانجام فقط یک صفت از هر زیرگروه برای تولید، انتخاب می‌شوند.
2-5) ایجاد مدلهای آماری
پس از ارزیابی توصیفکنندهها و انتخاب مناسبترین آنها، با استفاده از روشهای آماری مختلف به جستجوی مدل مناسبی پرداخته میشود که بتواند ارتباط بین توصیفکنندههای انتخابی و پارامترهای مورد مدلسازی را به درستی بیان کند. برای مدلسازی از روشهای گوناگون خطی و غیرخطی میتوان استفاده کرد. در پژوهش حاضر، از روش MLR به عنوان یک روش خطی و از میان روشهای غیرخطی، شبکه‌ی عصبی پرسپترون چند لایه از شبکههای عصبی مصنوعی استفاده گردید که در ذیل به طور مختصر شرح داده میشوند.
2-5-1) رگرسیون خطی چندگانه
رگرسیون خطی چندگانه روشی است که برای مدلسازی رابطه خطی بین یک متغیر وابسته با یک یا چند متغیر مستقل بهکار برده میشود. متغیر وابسته گاهی مورد پیشبینی و متغیر مستقل پیشبینیکننده نامیده میشوند. در کار ما، توصیفکنندهها به عنوان متغیرهای مستقل درنظر گرفتهشده و کمیت مورد مدلسازی در نقش متغیر وابسته ظاهر میشود. رابطه کلی به صورت زیر است:
(2-9)
در این رابطه، yi کمیت مورد مدلسازی، xi, k مقدار k اُمین توصیفکننده مربوط به i اُمین ترکیب، k تعداد کل توصیفکنندهها، b ثابت رگرسیون، bk ضریب k اُمین توصیفکننده و ei ترم خطا می‌باشند. مدل بالا با حداقل مربعات تخمین زده میشود، یعنی باید به مدلی منجر شود که مجموع مربعات خطاها در آن مدل حداقل شود. معادله پیشبینی شده، مدل زیر است:
(2-10)
در اینجا علامت « ^ » مقادیر پیشبینی شده را نشان میدهد. باقیماندههای رگرسیون به صورت زیر تعریف میشود:
(2-11)
در اینجا yi پارامتر مشاهده شده i و پارامتر پیشبینی شده i میباشد.
الگوریتم MLR طوری است که مجموع باقیماندهها در سری دادهها صفر شود. واریانس باقیماندهها نیز سایز خطا را در نظر میگیرد که اگر مدل روی دادهها به خوبی منطبق شود، کوچک میباشد. در این روش هر چه درجه خطی بودن رابطه بین متغیرهای مستقل با وابسته بیشتر باشد و برهمکنش متغیرهای مستقل با یکدیگر کمتر باشد ، مدل بهتری بدست خواهد آمد.
2-5-2) شبکه‌های عصبی پرسپترون چند لایه(MLP)
اولین کارهای مربوط به شبکه‌های عصبی به سال 1943 برمیگردد، زمانی که یک فیزیولوژیست اعصاب به نام مک‌کلا و یک ریاضیدان به نام پیتس رساله خود را در مورد نحوه عملکرد احتمالی نرون‌ها در مغز منتشر کردند. از آن زمان تا سال حدود 1959 این موضوع مورد توجه مهندسین قرار نگرفت. اما در این سال از شبکه‌های عصبی به عنوان فیلتر تطبیقی در خطوط تلفن مورد استفاده قرار گرفت که اولین استفاده شبکه عصبی در دنیای واقعی نیز بود. در سال 1962رزنبلات مفهوم پرسپترون تک لایه را به عنوان ابزاری مفید در دسته‌بندی مجموعه‌های از داده‌ها به دو کلاس معرفی و برای قانون آموزش پرسپترون، اثبات پایداری ارایه نمود. در سال 1969 ، مینسکی و پپرت در رساله‌اشان و کتابی به نام پرسپترون‌ها نشان دادند که شبکه عصبی (تک لایه) در جداسازی مجموعه داده‌هایی که به صورت غیرخطی جداپذیرند ضعیف عمل می‌کند. مینسکی و پپرت ضعف‌های دیگری از شبکه‌های عصبی را نیز نشان دادند. آنها همچنین به اشتباه اظهار داشتند که چندلایه کردن شبکه عصبی، تاثیری در حل محدودیت‌های گفته شده ندارد؛ هر چند در ادامه تاکید کردند که پژوهش در این زمینه ارزشمند میباشد. این امر موجب شد پژوهش وسرمایه‌گذاری در زمینه شبکه عصبی به شدت کاهش یابد. در سال1982 ، اتفاقات زیادی موجب علاقه دوباره به شبکه عصبی شد. از آن جمله می‌توان به ارایه مدلی توسط هپفیلد با اتصال دو طرفه نرون‌ها و برگزاری کنفرانس آمریکایی-ژاپنی با عنوان شبکه‌های عصبی همیاری- رقابتی در کیوتوی ژاپن نام برد. شبکه‌های عصبی از این شروع مجدد پژوهش‌ها تا به حال، پیشرفت‌های زیادی به چشم دیده است. مدل‌های مختلف و روش‌های آموزش متنوعی معرفی و توسعه داده شدند و شبکه‌های عصبی در کاربردهای مختلفی برای تشخیص الگو، تقریب توابع و مدل‌سازی سیستم‌های دینامیکی خطی و غیرخطی و … مورد استفاده قرار گرفتند. در مرجع [29]گردآوری خوبی در زمینه تاریخچه‌ی شبکه عصبی انجام شده است .در ادامه به بررسی عملکرد شبکه عصبی [30] MLP و نحوه آموزش آن می‌پردازیم.
2-5-2-1) تک نرون و ساختار (MLP)
این نوشته در علمی ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.