در این پست قصد داریم فیلم آموزشی شبکه های عصبی هاپفیلد یا Hopfield Neural Network در متلب را معرفی کنیم که در آن علاوه بر مرور مبانی تئوری شبکه های عصبی هاپفیلد (Hopfield) و ارتباط آن با نظریه سیستم های دینامیکی غیر خطی، پیاده سازی عملی این نوع از شبکه عصبی برای حل مسأله بازشناسی الگو و تشخیص کاراکتر (Character Recognition) مورد بحث و بررسی قرار گرفته است. در ادامه، کاربرد این نوع از شبکه های عصبی در حل مسائل بهینه سازی ترکیباتی (Combinatorial) مانند مسأله فروشنده دوره گرد یا TSP مورد بررسی واقع شده است. ضمنا، ماشین بولتزمان به عنوان یک نسخه تصادفی از شبکه عصبی هاپفیلد نیز در این فیلم آموزشی معرفی شده است.

شبکه های عصبی مصنوعی یا Artificial Neural Networks (به اختصار ANN) ابزارهایی مهم در میان مباحث هوش محاسباتی (Computational Intelligence) به حساب می آیند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند، که عمدتا در کاربردهایی همچون طبقه بندی، خوشه بندی، تشخیص الگو، مدل سازی و تقریب توابع، کنترل، تخمین و بهینه سازی مورد استفاده قرار می گیرند.

 

برای کسب اطلاعات بیشتر در خصوص این فیلم آموزشی، ادامه مطلب را ببینید.

 

 

در این پست قصد داریم فیلم آموزشی شبکه های عصبی هاپفیلد یا Hopfield Neural Network در متلب را معرفی کنیم که در آن علاوه بر مرور مبانی تئوری شبکه های عصبی هاپفیلد (Hopfield) و ارتباط آن با نظریه سیستم های دینامیکی غیر خطی، پیاده سازی عملی این نوع از شبکه عصبی برای حل مسأله بازشناسی الگو و تشخیص کاراکتر (Character Recognition) مورد بحث و بررسی قرار گرفته است. در ادامه، کاربرد این نوع از شبکه های عصبی در حل مسائل بهینه سازی ترکیباتی (Combinatorial) مانند مسأله فروشنده دوره گرد یا TSP مورد بررسی واقع شده است. ضمنا، ماشین بولتزمان به عنوان یک نسخه تصادفی از شبکه عصبی هاپفیلد نیز در این فیلم آموزشی معرفی شده است.

شبکه های عصبی مصنوعی یا Artificial Neural Networks (به اختصار ANN) ابزارهایی مهم در میان مباحث هوش محاسباتی (Computational Intelligence) به حساب می آیند. انواع مختلفی از شبکه های عصبی مصنوعی معرفی شده اند، که عمدتا در کاربردهایی همچون طبقه بندی، خوشه بندی، تشخیص الگو، مدل سازی و تقریب توابع، کنترل، تخمین و بهینه سازی مورد استفاده قرار می گیرند.

 

رویکردهای ارائه شده در این فیلم آموزشی بسیار فراگیر و عمومی هستند و می توان از نکات تئوری و عملی بیان شده، برای حل سایر مسائل کاربردی استفاده نمود. مطالب و مباحث این فیلم آموزشی به زبان فارسی روان، و توسط مهندس سید مصطفی کلامی هریس (دانشجوی دکترای مهندسی برق-کنترل، دانشگاه صنعتی خواجه نصیرالدین طوسی) ارائه شده است.

  

 

 

سرفصل های مهم مورد بحث در این فیلم آموزشی عبارتند از:

• مبانی تئوری سیستم های دینامیکی
• مروری بر مفاهیم اساسی نقاط تعادل و نقش آن ها در تحلیل عملکرد سیستم های دینامیکی
• معرفی و بررسی قانون لیاپانوف (Lypunov) برای تحلیل پایداری سیستم های دینامیکی
• ارتباط شبکه عصبی هاپفیلد (Hopfield Neural Network) با نظریه سیستم های دینامیکی غیر خطی
• بررسی ساختار و شیوه عملکرد شبکه عصبی هاپفیلد
• رویکردهای طراحی شبکه های عصبی هاپفیلد
• طراحی شبکه هاپفیلد با استفاده از تابع newhop در متلب
• نمایش نتایج و ناحیه جذب (Domain of Attraction) برای یک شبکه هاپفیلد
• تعریف مسأله شناسایی الگوی یک کاراکتر (Character Recognition) به صورت یک مسأله یادگیری غیر نظارت شده
• پیاده سازی گام به گام برنامه جامع بازشناسی کاراکتر (الگو) با استفاده از شبکه عصبی هاپفیلد در متلب
• نمایش مرحله به مرحله همگرایی در شبکه هاپفیلد
• معرفی ماشین بولتزمان یا Boltzman Machine و ارتباط آن با شبکه عصبی هاپفیلد
• ارتباط ماشین بولتزمان با شبیه سازی تبرید (Simulated Annealing) یا SA
• حل مسائل بهینه سازی ترکیبیاتی یا Combinatorial با استفاده از شبکه هاپفیلد
• معرفی چگونگی حل مسأله TSP (فروشنده دوره گرد) با استفاده از شبکه هاپفیلد

 

برای مشاهده جزئیات و تهیه آموزش فرادرس شبکه های عصبی هاپفیلد یا Hopfield Neural Network در متلب به این لینک (+) مراجعه نمایید.