شبکه عصبی گازی یا شبکه گاز عصبی (Neural Gas Network) یکی از انواع شبکه های عصبی رقابتی با الگوی یادگیری غیر نظارت شده است، که کاربرد اصلی آن در حل مسائل خوشه بندی (Clustering) و یادگیری توپولوژی (Topology) است. این نوع از شبکه عصبی، از نظر طبقه بندی در رده الگوریتم های Vector Quantization (به اختصار VQ) قرار می گیرد و ارتباط بسیار نزدیکی با الگوریتم خوشه بندی k-Means، شبکه عصبی SOM (نگاشت های خود سازمان ده) و شبکه عصبی LVQ دارد. شبکه گاز عصبی علاوه بر انجام خوشه بندی و قرار دادن مرکز خوشه ها در محل مناسب، ارتباط های همسایگی میان نورون ها (مراکز خوشه ها) را به صورت پویا ایجاد می کند، که در نهایت این الگوریتم را، قادر به یادگیری توپولوژی می کند.

 

شبکه عصبی گازی یا شبکه گاز عصبی (Neural Gas Network) یکی از انواع شبکه های عصبی رقابتی با الگوی یادگیری غیر نظارت شده است، که کاربرد اصلی آن در حل مسائل خوشه بندی (Clustering) و یادگیری توپولوژی (Topology) است. الگوریتم پایه شبکه عصبی گازی در سال ۱۹۹۱ و توسط توماس مارتینز (Thomas Martinetz) و کلاوز شولتن (Klaus Schulten) ارائه شد. متن این مقاله از طریق این لینک (+) در دسترس است.

این نوع از شبکه عصبی، از نظر طبقه بندی در رده الگوریتم های Vector Quantization (به اختصار VQ) قرار می گیرد و ارتباط بسیار نزدیکی با الگوریتم خوشه بندی k-Means، شبکه عصبی SOM (نگاشت های خود سازمان ده) و شبکه عصبی LVQ دارد. شبکه گاز عصبی علاوه بر انجام خوشه بندی و قرار دادن مرکز خوشه ها در محل مناسب، ارتباط های همسایگی میان نورون ها (مراکز خوشه ها) را به صورت پویا ایجاد می کند، که در نهایت این الگوریتم را، قادر به یادگیری توپولوژی می کند.

از مهم ترین زمینه های کاربردی شبکه های عصبی گازی، می توان به بخش بندی تصویر (Image Segmentation)، فشرده سازی (Compression)، تشخیص گفتار (Speech Recognition) و بازشناسی الگو (Pattern Recognition) اشاره کرد.

در سال ۱۹۹۵، یک الگوریتم توسعه یافته به نام شبکه گازی عصبی رشد یابنده یا Growing Neural Gas Network (به اختصار GNG Network) توسط برند فریتزکه (Bernd Fritzke) معرفی شد. متن این مقاله از طریق این لینک (+) در دسترس است.

در شبکه عصبی GNG، بر خلاف شبکه گاز عصبی عادی، ساختار شبکه عصبی با تعداد دو نورون کار را شروع می کند و بر حسب نیاز، اندازه شبکه به صورت تطبیقی، کم یا زیاد می شود. الگوی یادگیری و به روز رسانی همسایگی در GNG تفاوت هایی را با الگوریتم پایه شبکه عصبی گازی دارد که این شبکه را قادر به حل سریع تر مسائل یادگیری غیر نظارت شده می کند.

در مجموعه آموزشی «شبکه های عصبی گازی به همراه پیاده سازی عملی در متلب»، که توسط دکتر سید مصطفی کلامی هریس بر روی فرادرس ارائه شده است، مبانی تئوری شبکه های عصبی گازی و شبکه عصبی GNG به صورت کامل تشریح شده اند و پیاده سازی گام به گام و عملی آن ها در محیط متلب، در ادامه مورد بحث واقع شده است.

 

 

فهرست سرفصل ها و مباحث مطرح شده در این آموزش، در ادامه آمده است:

• آشنایی با شبکه عصبی گازی یا Neural Gas Network و تاریخچه آن
• ارائه مثال هایی از شیوه عملکرد شبکه عصبی گازی
• آشنایی با شبکه عصبی گازی رشد یابنده
• مروری بر الگوریتم های Vector Quantization و یادگیری رقابتی
• بررسی شیوه یادگیری الگوریتم گاز عصبی
• بررسی شیوه ایجاد همسایگی و توپولوژی در الگوریتم گاز عصبی
• تشریح مراحل الگوریتم آموزش گاز عصبی
• پیاده سازی گام به گام الگوریتم گاز عصبی در محیط متلب
• تغییر تدریجی پارامترهای الگوریتم
• استفاده از الگوریتم پیاده سازی شده برای حل سه مثال
• تشریح کامل شبکه عصبی گازی رشد یابنده یا GNG
• پیاده سازی گام به گام الگوریتم GNG در محیط متلب
• اعمال الگوریتم GNG بر روی سه مثال

 

برای مشاهده جزئیات و تهیه آموزش فرادرس آموزش شبکه های عصبی گازی به همراه پیاده سازی عملی در متلب به این لینک (+) مراجعه نمایید.