موارد استفاده : تحقیق و آموزش
منابع فارسی: دارد
منابع لاتین: دارد
پیشینه داخلی جدید: دارد
پیشینه خارجی جدید: دارد
نوع فایل: Word قابل ویرایش
تعداد صفحه: 62 صفحه
شماره فایل : 172 mg
در ادبیات شبکه‌های عصبی دو نوع‌یادگیری مورد بحث قرار می‌گیرد؛یادگیری تحت نظارت و‌یادگیری بدون نظارت . در‌یادگیری با نظارت که به‌یادگیری با معلم نیز معروف است، ارزش‌هایی که شبکه باید آنها را دوباره تولید کند مشخص هستند. لذا خطای پیش‌بینی برای هر مشاهده به وسیله محاسبه اختلاف خروجی با ارزش متغیرهای هدف اندازه گیری می‌شود. سپس با استفاده‌یکی از روش‌های تخمین(الگوریتم مختلف تکرار) وزن‌های شبکه تعدیل می‌شود( اصطلاحا شبکه آموزش داده می‌شود).
به گونه ای که خطای پیش‌بینی داخل نمونه حداقل شود. همین طور که وزن‌ها با هر تکرار تغییر می‌کنند، اصطلاحا گفته می‌شود که شبکه در حال‌یادگیری است(البرزی، 1380). روشهای‌هاپفیلد ، بولترن، آدالین و پس انتشار خطا از نمونه‌های روش‌یادگیری با نظارت هستند. از این روش معمولا برای ساختن مدل‌های پیش‌بینی و طبقه بندی سری‌های زمانی استفاده می‌شود. در روش‌های‌یادگیری بدون نظارت نوعی شباهت نسبی بین داده‌ها اساس تقسیم است. بدون اینکه مقادیر خروجی دقیقا مشخص باشند.
تئوری رزونانس سازگار و شبکه نقشه‌ی انتشار خود سازماندهی کوهون نمونه‌هائی از این روش‌ها می‌باشند که اکثرا برای داده‌های خوشه ای بکار برده می‌شود. الگوریتم یادگیری پس انتشار خطا توسط پال ورباس در سال 1974 ارائه شد و بعدها توسط رامل‌هارت و پارکر به طور مستقل کشف گردید. این الگوریتم از زمان پیدایش به طور گسترده به عنوان‌یک الگوریتم آموزش در شبکه‌های عصبی پیش خور مورد استفاده قرار گرفته است. الگوریتم پس انتشار به شبکه‌های عصبی مصنوعی با‌یک‌یا چند لایه پنهانی اعمال می‌شود.
براساس این الگوریتم، شبکه، برنامه و طرح ارتباطی توزیع‌یافته بین لایه‌های خروجی و ورودی را‌یاد می‌گیرد. بدینگونه که، در لایه خروجی تفاوت بین خروجی‌های مطلوب واقعی،یک سیگنال خطا را بوجود می آورد. این سیگنال خطا وابسته به مقادیر وزن‌های نرون‌های هر لایه است. این خطا به کمترین حد خود می رسد و در طول این فرایند مقادیر جدیدی برای وزن‌ها ایجاد می‌شود. الگوریتم محاسبه سیگنال خطا، مقادیر جدید وزن‌ها را با حرکت به سمت عقب، لایه به لایه تا رسیدن به لایه ورودی ادامه می دهد.
ادامه مقاله به طور کامل در فایل اصلی موجود است.