انجام پروژه و پایان نامه دانشگاهی و ترجمه متون تخصصی........ شماره تماس و واتس اپ: 09906118613

محبوبترین محصولات

اطلاعیه فروشگاه

انجام پروژه دانشگاهی و شبیه سازی مقالات دررشته مهندسی و و ترجمه متون تخصصی .......................... ....تلگرام: powerelectronic4u@.......... ایمیل:hw.mohammadi@gmail.com............................. ....اینستاگرام: powerelectronic4u@.......... گروه تلگرام: powerelectronic4all@..................

دانلود کدهای متلب Learning Vector Quantization

دانلود کدهای متلب Learning Vector Quantization

دانلود کدهای متلب Learning Vector Quantization

 

چکیده

Learning Vector Quantization یا LVQ یک روش کلاس بندی الگو است که هر کدام از خروجی ها نمایش دهنده یک کلاس می باشند و هر کدام توسط بردار وزن آن کلاس مشخص می شود. بردار وزن هر کدام از کلاسها توسط یکی مجموعه های آموزشی مقدار دهی اولیه شده و سپس توسط الگوریتم های یادگیری (با نظارت) بهینه می شود. بعد از یادگیری، شبکه LVQ ورودی را به کلاسی که برداری با نزدیک ترین فاصله به آن باشد، نسبت می دهد.

شبیه سازی فعالیت های انسان توسط ماشین ها یکی از زمینه های تحقیقاتی از زمان اختراع کامپیوترهای دیجیتال بوده است. در برخی زمینه ها که نوع خاصی از هوشمندی را نیاز داشته؛ مانند بازی شطرنج؛ پیشرفت های خوبی صورت گرفته است اما در مسائلی مانند بینایی ماشین حتی قدرتمندترین کامپیوترها نیز به راحتی از انسان شکست می خورند. شبیه سازی خواندن انسان نیز یکی از بخشهای جذابی است که طی سه دهه گذشته موضوع تحقیقات بسیاری از دانشمندان بوده و

شبکه عصبی Learning Vector Quantization (به اختصار LVQ) یکی از انواع شبکه های عصبی با الگوی یادگیری نظارت شده است که کاربرد اصلی آن در حل مسائل طبقه بندی (Classification) و بازشناسی الگو (Pattern Recognition) است. این روش، از خویشاوندان نزدیک نگاشت های خود سازمان ده یا Self-Organizing Maps (به اختصار SOM) است و شباهت های زیادی نیز با رویکرد طبقه بندی نزدیک ترین همسایگی یا kNN دارد.

شبکه عصبی LVQ، که می توان در فارسی آن را به صورت «رقمی ساز بردار یادگیر» ترجمه نمود، در واقع نسخه نظارت شده SOM است که البته فاقد ساختار همسایگی است. برای طراحی این نوع از شبکه های عصبی، چندین الگوریتم تا کنون پیشنهاد شده اند، که عنوان و توضیح مختصر چند نوع معروف تر، در ادامه آمده است:

  • الگوریتم LVQ1: این روش، پایه ای ترین رویکرد برای طراحی و آموزش شبکه های عصبی LVQ است. در این رویکرد، که شباهت بسیار زیادی هم به الگوریتم های SOM و VQ دارد، در آن واحد، فقط یکی از نورون ها (مراکز کلاس ها) به روز می شود. ضمنا، در این الگوریتم، شبکه عصبی LVQ علاوه بر موارد موفق، از مثال های ناموفق نیز درس می گیرد، که در نهایت منجر به عملکرد بهینه شبکه عصبی LVQ می گردد.
  • الگوریتم OLVQ1: این روش، نسخه بهینه شده LVQ1 است که در آن نرخ یادگیری، به صورت تطبیقی و بهینه تعیین می گردد. در این رویکرد، نرخ یادگیری طوری تنظیم می شود که همه نمونه های مورد استفاده در آموزش، با وزن ثابتی در یادگیری شبکه عصبی دخیل باشند و از این رو، از نظر آماری، بهترین عملکرد ممکن به دست می آید.
  • الگوریتم های LVQ2 و LVQ2.1: در این الگوریتم ها، که تفاوت چندانی هم با هم ندارند، هم زمان دو مرکز و نورون به روز می شوند که این موضوع، در نهایت منجر به عملکرد سریع تر این الگوریتم خواهد شد. شرط انجام این به روز رسانی، درست بودن طبقه بندی به ازای یک نورون و نادرست بودن آن به ازای یک نورون دیگر است. در این حالت، اگر داده ارائه شده به شبکه عصبی، در پنجره مشخصی در میان دو کلاس قرار گیرد، با استفاده از قوانین یادگیری، مراکز هر دو کلاس به روز خواهند شد.
  • الگوریتم LVQ3: این الگوریتم شامل همه عملیات LVQ2.1 است و علاوه بر آن، برای حالتی نیز که هر دو نورون طبقه بندی درستی را ارائه دهند، قانون یادگیری ضعیفی پیش بینی شده است تا مقداری به سرعت آموزش شبکه عصبی، افزوده شود.

اشتراک بگذارید:


پرداخت اینترنتی - دانلود سریع - اطمینان از خرید

پرداخت هزینه و دریافت فایل

مبلغ قابل پرداخت 14,000 تومان

درصورتیکه برای خرید اینترنتی نیاز به راهنمایی دارید اینجا کلیک کنید


فایل هایی که پس از پرداخت می توانید دانلود کنید

نام فایلحجم فایل
Project_1919390_1604.zip49.8k





دانلود کدهای متلب نروفازی

دانلود کدهای متلب نروفازی دانلود کدهای متلب نروفازی در سال‌های اخیر از روش‌های غیرمستقیم برای برآورد شوری خاک استفاده می‏شود. بدین منظور، در این پژوهش ششصد نمونة جمع‏آوری‌شده از منطقة اردکان آزمایش شد و قرائت‌های افقی -عمودی دستگاه القای الکترومغناطیس و پارامترهای سطح اراضی ـ شامل شاخص اراضی، شاخص خیسی، و انحنای شیب ـ به عنوان ویژگی‌های زودیافت استفاده شد و میزان شوری خاک به صورت وزنی در ا ...

توضیحات بیشتر - دانلود 14,000 تومان

دانلود کدهای متلب شبکه های عصبی Recurrent

دانلود کدهای متلب شبکه های عصبی Recurrent دانلود کدهای متلب شبکه های عصبی Recurrent یک شبکه عصبی مصنوعی، از سه لایهٔ ورودی، خروجی و پردازش تشکیل می‌شود. هر لایه شامل گروهی از سلول‌های عصبی (نورون) است که عموماً با کلیهٔ نورون‌های لایه‌های دیگر در ارتباط هستند، مگر این که کاربر ارتباط بین نورون‌ها را محدود کند؛ ولی نورون‌های هر لایه با سایر نورون‌های همان لایه، ارتباطی ندارند. نورون کوچک‌ترین واحد ...

توضیحات بیشتر - دانلود 14,000 تومان

دانلود کدهای متلب شبکه عصبی Spiking

دانلود کدهای متلب شبکه عصبی Spiking دانلود کدهای متلب شبکه عصبی Spiking   پروژه شبکه های عصبی Spiking (شبکه عصبی مصنوعی) با زیان برنامه نویسی متلب یا به اصطلاح با زیان برنامه نویسی matlab نوشته شده است. مهمترین کاربرد این پروژه در زمینه شبکه های عصبی Spiking (شبکه عصبی مصنوعی) بوده است. پروژه فوق دارای یک محیط کاربرد پسند می باشد از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوزیست‌ها سعی کردند سیستم یادگیری و ...

توضیحات بیشتر - دانلود 14,000 تومان

دانلود کدهای متلب شبکه های عصبی احتمالی

دانلود کدهای متلب شبکه های عصبی احتمالی دانلود کدهای متلب شبکه های عصبی احتمالی   شبکه‌های عصبی مصنوعی یا شبکه‌های عصبی صناعی (Artificial Neural Networks - ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوین برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده هستند. ایدهٔ اصلی این گونه شبکه‌ها تا ح ...

توضیحات بیشتر - دانلود 14,000 تومان

دانلود کدهای متلب تحلیل مولفه اساسی PCA

دانلود کدهای متلب تحلیل مولفه اساسی PCA دانلود کدهای متلب تحلیل مولفه اساسی PCA   روش PCA یا آنالیز مولفه های اصلی با تکیه بر بردارهای ویژه ی کواریانس هر ماتریس، و انتخاب با ارزش ترین بردارها که بیشترین داده های هر ماتریس را در خود نگه می دارد، روشی جهت فشرده سازی محسوب می شود که نسبت فشرده سازی آن به کیفیت تصویر یا داده بازیابی شده نسبت موفقی است. در این روش ابتدا کواریانس تصویر محاسبه می گردد، سپس بردارهای ویژه ی ماتریس کواریان ...

توضیحات بیشتر - دانلود 14,000 تومان

دانلود کدهای متلب شبکه عصبی خودسازمانده SOM

دانلود کدهای متلب شبکه عصبی خودسازمانده SOM دانلود کدهای متلب شبکه عصبی SOM درشبکه ی خودسازمان ده، از روش یادگیری رقابتی برای آموزش استفاده می شود و مبتنی بر مشخصه های خاصی از مغز انسان توسعه یافته است. سلولها در مغز انسان در نواحی مختلف طوری سازمان دهی شده اند که در نواحی حسی مختلف، با نقشه های محاسباتی مرتب و معنی دار ارائه می شوند. برای نمونه، ورودیهای حسی لامسه –شنوائی و … با یک ترتیب هندسی معنی دار به نواحی مختلف مرتبط هس ...

توضیحات بیشتر - دانلود 14,000 تومان

عملکرد شبکه های عصبی در شبیه سازی سلول های خورشیدی

عملکرد شبکه های عصبی در شبیه سازی سلول های خورشیدی عملکرد شبکه های عصبی در شبیه سازی سلول های خورشیدی فایل ورد 132 صفحه نياز به جايگزيني انرژي هاي ديگري به جاي انرژي فسيلي، به دلايل بيشماري كه براي آن وجود دارد، انسان را به سوي استفاده از انرژي هاي تجديد پذير از جمله انرژي خورشيدي سوق داده است. اما آنچه كه در اين ميان اهميت ويژه اي دارد، پيداكردن روش هايي جهت دريافت ماكزيمم توان از مبدل هاي اين انرژي ها مي باشد. در اين ميان پايان نامه ي موجود ...

توضیحات بیشتر - دانلود 14,000 تومان