آموزش طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب

۲۳ تیر ۱۳۹۴ توسط محمد حسینی کیا مجموعه: داده کاوی, شبکه های عصبی, هوش محاسباتی, یادگیری ماشینی

در فیلم آموزشی «طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب»، مبانی تئوی همه الگوریتم های مورد اشاره، به همراه ده ها مبحث تخصصی دیگر، به صورت کامل و به زبان ساده مورد بحث و بررسی قرار می گیرند. در ادامه، پس از تشریح مبانی تئوری، با استفاده از امکانات جعبه ابزار (تولباکس) شبکه عصبی متلب و توابع تعبیه شده در آن، با استفاده از متدهای برنامه نویسی متلب، شبکه عصبی LVQ در متلب پیاده سازی شده است و برای حل چند مسأله طبقه بندی مورد استفاده قرار گرفته است.

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.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:

تعریف مسأله Vector Quantization (به اختصار VQ)
کاربرد VQ در خوشه بندی و طبقه بندی
بررسی مفهوم رقابت در VQ
نمودار یا دیاگرام ورونو یا Voronoi Diagram
ترسیم نمودار ورونو در متلب
الگوریتم بهینه VQ برای یادگیری غیر نظارت شده
الگوریتم LVQ1 برای یادگیری نظارت شده و طبقه بندی
شباهت میان LVQ و نگاشت خود سازمان ده یا SOM
الگوریتم بهینه سازی شده OLVQ1 با تغییر در نرخ یادگیری
نحوه تعیین نرخ یادگیری بهینه در الگوریتم OLVQ1
الگوریتم LVQ2 و LVQ2.1 برای یادگیری نظارت شده دیفرانسیلی (تفاضلی)
الگوریتم LVQ3 برای یادگیری نظارت شده
بررسی شباهت میان LVQ و ساختار عمومی شبکه های عصبی
ایجاد شبکه عصبی LVQ در متلب با استفاده از تابع Lvqnet
انتخاب الگوریتم یادگیری Learnlv1 و/یا Learnlv2 برای آموزش شبکه عصبی LVQ
بررسی ساختار و نحوه کارکرد شبکه عصبی LVQ در متلب
آماده سازی داده های مورد نیاز برای آموزش شبکه عصبی LVQ
کاربرد توابع Vec2Ind و Ind2Vec در تبدیل و تغییر داده های خروجی
استفاده از تابع configure برای تطبیق ساختار شبکه عصبی با داده ها
استفاده از تابع train برای آموزش شبکه عصبی LVQ
بررسی نتایج طبقه بندی (Classification) با ماتریس تداخل یا Confusion Matrix
نمایش ماتریس تداخل با تابع Plotconfusion
نمایش نتایج طبقه بندی به صورت بصری (ویژوال)
آشنایی با دیتاست گل زنبق یا Fisher Iris Flower Dataset
پروژه عملی: اعمال شبکه عصبی LVQ بر روی دیتاست ایریس یا Iris (گل زنبق)
تقسیم بندی داده های ورودی به داده های آموزش (Train)، اعتبارسنجی (Validation) و آزمایش (Test)
تنظیم تعداد مراحل اجرای الگوریتم آموزش LVQ
تنظیم تعداد دفعات مجاز برای ناموفق بودن (Fail شدن) آزمون اعتبار سنجی
آشنایی با مفهوم نمودار ROC و تفسیر آن
ترسیم نمودار ROC در متلب با استفاده از تابع Plotroc
پروژه عملی: کاربرد شبکه عصبی LVQ برای تعیین نوع تومور (خوش خیم/ بد خیم) در سرطان سینه
ترکیب الگوریتم های آموزشی LVQ1 و LVQ2.1 در متلب

برای مشاهده جزئیات و تهیه آموزش طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب به این لینک (+) مراجعه نمایید.

مجموعه: داده کاوی, شبکه های عصبی, هوش محاسباتی, یادگیری ماشینی برچسب ها: ANN, Application of ANN in Medicine, Application of Artificial Intelligence in Medicine, Application of Artificial Neural Networks in Medicine, Application of Machine Learning in Medicine, Application of Neural Networks in Medicine, Application of Pattern Recognition in Medicine, Artificial Neural Network, Artificial Neural Networks in MATLAB, Artificial Neural Networks Toolbox, Benign Tumor, Breast Cancer, Classification, Classifier, Clustering, Competitive Learning, Competitive Neural Network, configure, Confusion Matrix, Data Division, Fisher Iris Dataset, Fisher Iris Flower Dataset, Hybrid LVQ1 and LVQ2.1, Iris Dataset, Iris Flower Dataset, Learning Vector Quantization, learnlv1, learnlv2, LVQ, LVQ1, LVQ2, LVQ2.1, LVQ3, lvqnet, Machine Learning, Malignant Tumor, Medical Applications of ANN, Medical Applications of Artificial Intelligence, Medical Applications of Artificial Neural Networks, Medical Applications of Machine Learning, Medical Applications of Neural Networks, Medical Applications of Pattern Recognition, Medical Diagnosis, Neural Networks in MATLAB, Neural Networks Toolbox, OLVQ1, Optimizaed LVQ1, Pattern Recognition, Pattern Recognition in MATLAB, plotconfusion, ROC Plot, supervised learning, Test Data, train, Train Data, Tumor Type, Unsupervised Learning, Validation Data, Vector Quantization, Vector Quantization Algorithm, Voronoi, Voronoi Diagram, VQ, الگوریتم LVQ1, الگوریتم LVQ1 بهینه شده, الگوریتم LVQ2, الگوریتم LVQ2.1, الگوریتم LVQ3, الگوریتم OLVQ1, الگوریتم VQ, بازشناسی الگو, بازشناسی الگو در متلب, تابع configure, تابع learnlv1, تابع learnlv2, تابع lvqnet, تابع plotconfusion, تابع plotroc, تابع train, ترکیب الگوریتم های های LVQ1 و LVQ2.1, تشخیص پزشکی, تشخیص نوع تومور, تشخیص نوع سرطان, تعیین نوع تومور, تقسیم بندی داده ها, تولباکس شبکه عصبی, تولباکس شبکه عصبی مصنوعی, تومور بد خیم, تومور بدخیم, تومور خوش خیم, جعبه ابزار شبکه عصبی, جعبه ابزار شبکه عصبی مصنوعی, خوشه بندی, داده های Test, داده های Train, داده های Validation, داده های آزمایش, داده های آموزش, داده های اعتبار سنجی, داده های اعتبارسنجی, داده های تست, دیاگرام Voronoi, دیاگرام ورونو, دیاگرام ورونوی, دیتاست Iris, دیتاست ایریس, دیتاست گل زنبق, رقمی ساز بردار یادگیر, سرطان پستان, سرطان سینه, شبکه عصبی LVQ, شبکه عصبی در متلب, شبکه عصبی رقابتی, شبکه عصبی مصنوعی, طبقه بندی, کاربرد بازشناسی الگو در پزشکی, کاربرد شبکه عصبی در پزشکی, کاربرد هوش مصنوعی در پزشکی, کاربرد یادگیری ماشین در پزشکی, کلاسیفایر, کلاسیفیکیشن, ماتریس Confusion, ماتریس تداخل, نرخ یادگیری, نرخ یادگیری بهینه, نمودار ROC, نمودار ورونو, نمودار ورونوی, یادگیری رقابتی, یادگیری غیر نظارت شده, یادگیری ماشین, یادگیری نظارت شده

پاسخی بگذارید لغو پاسخ