در این پست قصد داریم فیلم آموزشی جامع شبکه های عصبی RBF در متلب را معرفی کنیم که در آن علاوه بر مرور تئوری ها مربوط به شبکه های عصبی مبتنی بر توابع شعاعی پایه یا RBF، پیاده سازی عملی این نوع شبکه ها در محیط متلب نیز به طور کامل، مورد بررسی قرار گرفته است. برنامه هایی که در این فیلم پیاده سازی شده اند، به حل مسائل تخمین و تقریب توابع (Function Approximation) و پیش بینی سری های زمانی (Time-Series Prediction) اختصاص دارند.

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 جامع شبکه های عصبی RBF در متلب را معرفی کنیم که در آن علاوه بر مرور تئوری ها مربوط به شبکه های عصبی مبتنی بر توابع شعاعی پایه یا RBF، پیاده سازی عملی این نوع شبکه ها در محیط متلب نیز به طور کامل، مورد بررسی قرار گرفته است. برنامه هایی که در این فیلم پیاده سازی شده اند، به حل مسائل تخمین و تقریب توابع (Function Approximation) و پیش بینی سری های زمانی (Time-Series Prediction) اختصاص دارند.

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:

• مشکلات موجود با تفکیک کننده ها و نورون های خطی
• بیان ایده تفکیک غیر خطی با یک مثال ساده
  
• تعریف توابع شعاعی پایه و نورون های RBF
• ساختار عمومی یک شبکه عصبی RBF
  
• بیان قضیه میچلی (Micchelli) و شرایط تعریف مناسب یک تابع RBF
• شیوه های انتخاب مراکز توابع شعاعی
  • انتخاب مراکز ثابت
  • انتخاب با روش ها غیر نظارت شده، مانند الگوریتم k-Means یا Lloyd
  • انتخاب با یادگیری نظارت شده
    
• ارتباط میان شبکه عصبی RBF و سیستم فازی تاکاگی-سوگنو یا TSK
  
• پیاده سازی RBF در محیط متلب با استفاده از توابع newrb و newrbe
• تنظیم پارامترهای شبکه عصبی RBF
• استفاده از شبکه عصبی RBF برای تقریب و درونیابی توابع
• استفاده از شبکه عصبی RBF برای پیش بینی سری زمانی
  
• جمع بندی و نتیجه گیری های نهایی

 

برای مشاهده جزئیات و تهیه آموزش فرادرس شبکه های عصبی شعاعی پایه یا RBF در متلب به این لینک (+) مراجعه نمایید.