آموزش شبکه عصبی با الگوریتم وال WOA در متلب

در این بخش سورس کد آموزش شبکه عصبی با الگوریتم وال WOA در متلب قرار داده شده است. شبکه‌های عصبی Artificial neural network از تعداد زیادی عنصر پردازشی فوق‌العاده به‌هم‌پیوسته به نام نورون تشکیل‌شده که برای حل یک مسئله با یکدیگر به‌صورت هماهنگ عمل می‌کند. شبکه عصبی یک الگوریتم نیست بلکه یک چارچوب برای بسیاری از الگوریتم‌های مختلف از جمله یادگیری ماشین برای همکاری و پردازش اطلاعات پیچیده است.

برای افزایش دقت یادگیری در شبکه‌های عصبی می‌توان این شبکه را با الگوریتم‌های فرا ابتکاری یا تکاملی ترکیب کرد یعنی برای وزن دهی لایه‌های مختلف موجود که ارتباط آن‌ها با یال‌هایی است  که می‌توان مقادیر وزن‌ها یا یال‌ها را با الگوریتم‌های فرا ابتکاری تعیین کرد. یکی از این الگوریتم‌ها، الگوریتم وال یا WOA می‌باشد. که در این بخش سورس کد آماده آن در متلب برای یک دیتاست ساده (دیتاست سرطان سینه) نوشته شده است.

شبکه عصبی مصنوعی

شبکه‌های عصبی ANN از تعداد زیادی عنصر پردازشی فوق‌العاده به‌هم‌پیوسته به نام نورون تشکیل‌شده که برای حل یک مسئله با یکدیگر به‌صورت هماهنگ عمل می‌کند. دسته‌بندی شبکه‌های عصبی شبکه‌ای از لایه‌هاست، معمولاً لایه‌ای که اطلاعات ورودی به آن‌ها داده می‌شود تحت عنوان لایه‌ی ورودی و لایه‌ای که داده‌های خروجی از آن دریافت می‌شود تحت عنوان لایه‌ی خروجی نامیده می‌شود و به لایه‌های دیگر بین این دولایه (در صورت وجود) لایه‌های پنهان گفته می‌شود.

جهت حرکت‌ها سیگنال‌ها همواره از سمت لایه‌ی ورودی به‌سوی لایه‌ی خروجی است برای دسته‌بندی یک نمونه تستی، وزن کلمه‌ها برای واحدهای ورودی تعیین می‌شود و فعال کردن این واحدها از طریق لایه‌های مختلف روبه‌جلو در شبکه انجام می‌شود و مقدار واحد خروجی به‌عنوان یک نتیجه در تصمیم‌گیری دسته‌ها تعیین می‌شود.

شبکه‌های عصبی مصنوعی، سیستم‌های محاسباتی هستند که توسط شبکه‌های عصبی زیستی الهام گرفته شده‌اند که مغز حیوانات را تشکیل می‌دهند. منظور از یادگیری در شبکه‌های عصبی، تنظیم وزن‌ها و بایاس‌های شبکه می‌باشد. بر این اساس الگوریتم‌های متفاوتی بیان شده، که معمول‌ترین آنها یادگیری هب، دلتا، یادگیری رقابتی و … می‌باشد.

الگوریتم WOA

الگوریتم بهینه سازی وال‌ها یا نهنگ WOA توسط سید علی میرجلیلی (Seyedali Mirjalili) در سال ۲۰۱۶ در مقاله The Whale Optimization Algorithm در ژورنال Advances in Engineering Software پایگاه علمی Elsevierارائه شده است. یکی از بزرگترین پستانداران دنیا وال یا نهنگ است از بین ۷ نهنگ دنیا معروف‌ترین آنها، نهنگ گوژپشت یا نهنگ کوهان دار است.

یک وال گوژپشت بالغ تقریباً به اندازه یک اتوبوس مدرسه است. شکار مورد علاقه وال‌ها، کریل و گروه‌های ماهی کوچک است. جالب‌ترین نکته در مورد وال‌های گوژپشت روش خاص شکار آنها می‌باشد. این رفتار کاوش گرانه به نام روش تغذیه حباب تور (Bubble-net) شناخته می‌شود.

وال‌های گوژپشت ترجیح می‌دهند تا دسته‌ای از کریل‌ها و یا ماهی‌های کوچک را در نزدیک سطح آب شکار کنند. این نکته مشاهده شده است که این کاوش و شکار، با ایجاد حباب‌های شاخصی در امتداد یک دایره یا مسیرهایی به انجام می‌رسد. الگوریتم WOA یکی از الگوریتم‌های بهینه سازی الهام گرفته شده از طبیعت و مبتنی بر جمعیت است که در زمینه‌های مختلف می‌توان از آن استفاده کرد.

آموزش شبکه عصبی با الگوریتم وال WOA در متلب

همانطور که قبلاً هم اشاره شد برای تعیین وزن یال‌ها و بایاس‌ها در شبکه‌های عصبی می‌توان از الگوریتم‌های فرا ابتکاری استفاده کرد. از این رو در این سورس کد تعیین وزن بایاس‌ها و یال‌ها با استفاده از الگوریتم وال انجام پذیرفته است. برای تعیین میزان عملکرد برنامه ذکر شده از دیتاست سرطان سینه استفاده شده است که در ادامه این دیتاست تشریح شده است.

دیتاست مورد استفاده در سورس کد شبکه عصبی با الگوریتم وال

به عنوان یک نمونه دیتاست مورداستفاده مجموعه داده بیماران سرطان سینه موجود در مخزن داده‌ی یادگیری ماشین دانشگاه ارواین، ایالت کالیفرنیا آمریکا (University of California at Irvine) است مثال زده می‌شود.

در این دیتاست ویژگی‌ها شامل ریسک فاکتورهای ضخامت انبوه، یکنواختی اندازه سلول، یکنواختی شکل سلول، چسبندگی لبه‌ها، حجم سلول بافت اپیتلیال، هسته‌های عریان، کروماتین بلاند، هسته عادی و تقسیم هسته سلول به دو قسمت می‌باشد که در ایالت ویسکانسین ایالات‌متحده جمع‌آوری‌شده است. جدول زیر نشان‌دهنده این مجموعه از داده است.

قسمت هایی از سورس کد شبکه عصبی با الگوریتم وال در متلب

%% Start of Program
clc
clear
close all
warning off;
N=40;
max_it=100;
Vmax=0.5;
Vmin=-0.5;

%% Input Output Data
load IOdata
Data = IOdata;
X = Data(:,1:end-1);
Y = Data(:,end);
XN = X;
YN = Y;

%% Normalization

MinX = min(X); MaxX = max(max(abs(X)));
MinY = min(Y); MaxY = max(max(Y));
XN=XN/MaxX;
YN=floor(YN/MaxY);

%% Test and Train Data
NumOfInputs = size(X,2);
NumOfOutputs = size(Y,2);
NumOfData = size(X,1);
NumOfHiddens=2*NumOfInputs+1;

TrPercent = 70;
DataNum = size(X,1);
TrNum = round(TrPercent * DataNum/100);
R = randperm(DataNum);
TrInx = R(1:TrNum);
TsInx = R(TrNum+1:end);

Xtr = XN(TrInx,:);
Ytr = YN(TrInx,:);

Xts = XN(TsInx,:);
Yts = YN(TsInx,:);

%% Network Training

[NetworkP ,BestCostP, BestChartP] = TrainUsingWOA_Fcn(Xtr,Ytr,N,max_it,NumOfInputs,NumOfHiddens ,NumOfOutputs, Vmax, Vmin);

%% sim and mse

YtrNetP = sim(NetworkP,Xtr’)’;
YtsNetP = sim(NetworkP,Xts’)’;

MSEtrP = mse(Ytr-YtrNetP)
MSEtsP = mse(Yts-YtsNetP)

تصاویر خروجی حاصل از اجرای شبکه عصبی با الگوریتم وال

درباره آموزش شبکه عصبی با الگوریتم وال

سورس کد آموزش شبکه عصبی با الگوریتم وال WOA در متلب عنوان محصولی است که در این پست به آن پرداخته شده است. محصول در نرم افزار متلب نوشته شده و برای تعیین مقادیر وزنی یال ها و بایاس ها شبکه عصبی با الگوریتم WOA می باشد. این سورس کد بصورت کامل توسط گروه پشتیبانی پی استور تست و اجرا شده است. محصول دارای نشان تضمین کیفیت پی استور می باشد. برای دانلود محصول آن را خریداری کنید.