AIcode مرجع تخصصی هوش مصنوعی

<aicode>

 

 

 

 

 

نوعی دیگر از شبکه‌های عصبی را می‌توان شبکه‌های شعاع مبنا معرفی نمود. شبکه‌های شعاع مبنا به نسبت شبکه پس‌انتشار نیاز به نورون‌های بیشتری دارند، اما حسن آن‌ها در زمان طراحی کوتاه‌تر آن‌ها نسبت به شبکه‌های استاندارد پس‌انتشار می‌باشد. این شبکه‌ها زمانی که بردار‌های آموزشی بسیار زیاد می‌باشند، کارایی قابل‌ملاحظه‌ای از خود نشان می‌دهند[1].

تابع شعاع مبنا

یک شبکه شعاع مبنا با R ورودی در شکل زیر نشان داده‌شده است:

rbf 

شمایی از یک شبکه شعاع مبنا

ورودی نورون شعاعی با آنچه در مورد نورون‌های پرسپترون ذکر شد متفاوت است. برای این نورون ورودی تابع انتقال شعاعی، بردار فاصله بین بردار وزن‌های W و بردار ورودی p که در بایاس b ضرب شده‌است، می‌باشد. تابع انتقال نورون شعاع مبنا به‌صورت زیر است :

radbas(n) = e^(-n^2)

این تابع در شکل زیر نشان داده شده‌است:

radial transfer function 

تابع انتقال شعاعی

این تابع با ورودی صفر دارای حداکثر مقدار خود یعنی 1 می‌باشد. به این ترتیب با کاهش فاصله بین W و p، خروجی تابع انتقال شعاعی افزایش می‌یابد. بنابراین نورون شعاع مبنا به‌عنوان یک تشخیص دهنده یکسان شدن W و p، عمل می‌کند. به این معنی که زمانی که W و p یکسان شوند، تابع انتقال شعاعی، خروجی 1 را تولید می‌کند.
مقدار بایاس b، تنظیم میزان حساسیت نورون شعاع مبنا را میسر می‌سازد. به‌عنوان مثال اگر یک نورون دارای مقدار بایاس 0.1 باشد، خروجی نورون به ازای فاصله 0.8326 بین W و p برابر 0.5 خواهد بود. زیرا با ضرب بایاس در فاصله 0.1*8.326، مقدار 0.8326 حاصل می‌شود که خروجی تابع شعاع مبنا برای آن 0.5 می‌باشد. حال اگر بایاس 0.2 به ازای فاصله 4.163 باشد، خروجی 0.5 حاصل می‌شود و به این معنی است که حساسیت نورون بیشتر شده‌است.


معماری شبکه

شبکه‌های شعاع مبنا از دولایه تشکیل شده‌اند. معماری این نوع شبکه‌ها در شکل زیر نشان داده شده‌است. لایه مخفی دارای s^1 نورون و لایه خروجی دارای s^2 نورون می‌باشد.

rbf 2layer 

پیکربندی یک شبکه شعاع مبنا دولایه

عملگر ||dist||، بردار ورودی ح و بردار وزن‌های ورودی IW_1,1 را به‌عنوان ورودی دریافت کرده و یک بردار با s_1 عنصر تولید می‌کند. سپس خروجی ||dist|| و بردار b^1 با عملگر *. باهم ترکیب شده (ضرب عنصر به عنصر) و خروجی این لایه تولید می‌شود. به این ترتیب خروجی لایه مخفی، میزان فاصله بردار ورودی از وزن‌های متناظر با آن‌ها می‌باشد. اگر ورودی‌ها با وزن‌ها فاصله زیادی داشته باشند، خروجی تابع انتقال شعاعی یک مقدار نزدیک به صفر خواهد بود. این مقدار کوچک تأثیر بسیار کمی بر روی خروجی لایه خطی (لایه دوم) خواهد داشت و بلعکس، در صورت نزدیک بودن بردار ورودی به وزن‌ها خروجی تابع شعاعی 1 خواهد بود و به این ترتیب وزن‌های لایه دوم تأثیر بیشتری در شبکه از خود نشان خواهند داد.

[1] Mohammad Asrardel, "Prediction of Combustion Dynamics in An Experimental Turbulent Swirl Stabilized Combustor with Secondary Fuel Injection", University of Tehran, 2015.

تبلیغات AIcodeMahak

AIcode مرجع تخصصی آموزش مهندسی کامپیوتر و هوش مصنوعی

تماس با ما

ايميل: info@aicode.ir

عضویت در خبرنامه AIcode