برنامه محاسبه دقیق سن با پردازش تصویر و شبکه عصبی برنامه متلب :پروژه متلب

پروژه متلب: در این پروژه هکس ورودی به برنامه وارد میگردد و در ابتدا شبکه عصبی اموزش داده شده و سپس سن در برنامه تعیین میگردد فقط در این برنامه محدوده سن مشخص می گردد نه سن دقیق محاسبه نمی گردد.

شبکه های عصبی مصنوعی در واقع مدل های محاسباتی هستند که از شبکه های عصبی طبیعی الگوبرداری شده اند.هر کدام از الگوها و نمونه ها ی به کار برده شده در شبکه های عصبی به خودی خود یک واحد پردازش هستند که نرون نامیده می شوند.عملکرد شبکه های عصبی بسیار شبیه سیستمهایی با پردازش موازی است .این سیستمها دارای پردازش گرهای زیادی است که عملیات پردازش را به صورت همزمان انجام می دهند.

به اتصالات بین هر نرون یک عددنسبت داده می شود که ضریب وزن نام دارد.ضرائب وزن در طول مرحله آموزش تنظیم می گردند. در واقع می توان اینگونه گفت که اطلاعات برای شبکه های عصبی با این اعداد کد می شوند.در این بخش شبکه عصبی ARTMAP به طور کامل معرفی می شود.این شبکه خود از دو شبکه

۱-ART و۲-ART تشکیل شده است که هر کدام از این شبکه ها به طور مجزا توضیح داده شده است .

٢-٢ ) شبکه عصبی ۱-ART

تکنیک دسته بندی وفقی توسط Carpenter وGrossberg در سال ١٩٨٧ بیان شد و آن را تئوری تشدید وفقی نامیدند.شبکه هائی که از این روش پیروی می کنند ۱-artو۲-art و… میباشند.شبکه ۱-art یک شبکه عصبی بدون سرپرست می باشد.در این شبکه مشکل پایداری_انعطاف پذیری حل شده است .حالت پایداری زمانی است که آموزش شبکه عصبی به پایان رسیده و پارامترهای شبکه ثابت شده اند.حالت انعطاف پذیری زمانی است که این پارامترها در حال تغییر هستند.در شبکه هائی مانند پرسپترون چند لایه اگر ورودی جدیدی برای آموزش به شبکه اعمال شود کلیه آموزش های قبل باید دوباره انجام شود ولی این مشکل در شبکه های ART حل شده است .معماری کلی شبکه مذکور در شکل ٢-١ آورده شده است .

شکل ٢-١ :معماری کلی شبکه عصبی ۱-ART

این شبکه فقط برای داده های باینری طراحی شده است که همانطور که در شکل ٢-١ مشخص است

لایه ورودی و خروجی است .لایه ورودی وظیفه مقایسه و لایه خروجی که یک لایه رقابتی است وظیفه تشخیص را برعهده دارد.بعد از پایان یافتن آموزش در این شبکه ` در پایان ` هر نرون بیانگر یک کلاس است .حالت کلی و نحوه ارتباط بین لایه ها در شکل ٢-٢ آورده شده است .اگر Wj بیانگر ضریب وزن متصل شده از نرون j ام به لایه خروجی باشد ماتریس ضرائب وزن پیشرو به صورت ترانهاده ماتریس [WM …. W2 W1]W=

است .جائیکه M تعداد نرون های موجود در لایه خروجی است .

شکل ٢-٢ :ضرائب وزن شبکه عصبی ۱-ART

اگر Vi ضریب وزن بازگشتی باشد که به نرون i ام بر می گردد ماتریس ضرائب وزن بازگشتی به صورت ترانهاده ماتریس [vN…,v2,v1]V= می باشد.N تعداد نرون های موجود در لایه ورودی است .

این ضرائب در این شبکه همه به صورت باینری هستند.همانطوریکه گفته شد` لایه خروجی یک لایه رقابتی است به این معنی که یک نرون برای ورودی خاصی برنده می شود.اگر m امین نرون برنده شود خروجی آن یک میشود و ضریب وزن بازگشتی Vm به لایه ورودی برگردانده می شود.که ورودی مورد نظر به آن نرون نسبت داده می شود و از این پس نرون برنده به آن ورودی نسبت داده می شود.

٢-٣ )کنترل سیگنالهای شبکه

برای هر لایه سیگنال های کنترل منطقی وجود دارد که داده های جاری در بین لایه ها را کنترل می کند این کنترل در هر مرحله از چرخه عملکرد انجام می شود.کنترل ١ تشخیص می دهد که جهت حرکت داده ها از لایه ورودی چگونه است و بیان می کند که این ورودی باید به لایه ورودی برود یا به لایه خروجی .

به طور کلی رابطه حاکم بر کنترل ١ در رابطه ٢-١ آورده شده است .

عملکرد شبکه عصبی ۱-ART

برای طبقه بندی و عملکرد یک شبکه عصبی ۱-ART چندین فاز وجود دارد که این شامل سه فاز اصلی است .این سه فاز شامل فاز تشخیص ` فاز رقابت و فاز جستجو می باشد.

فاز تشخیص :در این مرحله ورودی به لایه ورودی اعمال شده و به نسبت میزان تطبیق با کلاسها`یک نرون در خروجی فعالیت بیشتری نشان داده و برنده می شود.هر نرون در لایه ورودی خود سه ورودی دارد که شامل المانهای موجود در بردار ورودی و سیگنال بازگشتی از لایه خروجی و سیگنال کنترل ١ می باشد.داده ها در لایه ورودی جاری شده و سیگنال کنترل ١ وظیفه خود را انجام می دهد.با ضرب نقطه ای ورودی و بردار ضرائب وزن بهترین تطبیق تشخیص داده شده و یک نرون برنده می شود.حال نرون برنده شده باید به ورودی کلاس برنده را اطلاع دهد.بنابراین با استفاده از ضرائب وزن بازگشتی این عمل صورت می گیرد.

فاز رقابتی: بردار ورودی در این قسمت اعمال شده و سیگنال کنترل ١ عملیات خود را انجام میدهد.بردار متناظر و بردار ورودی با یکدیگر AND می شوند که باعث بوجود آمدن الگوی جدید Uj در لایه رقابتی خروجیمیشود..

خروجی متلب :.