شبکه عصبی مصنوعی چیست؟

شبکه عصبی مصنوعی یا Artificial Neural Network – ANN یک مدل محاسباتی الهام‌گرفته از ساختار شبکه‌های عصبی زیستی است. این مدل از تعداد زیادی واحد پردازشی به نام نورون تشکیل می‌شود که با یکدیگر ارتباط دارند و اطلاعات را پردازش می‌کنند.

در یک شبکه عصبی، داده‌ها از لایه ورودی وارد شده، از لایه‌های میانی عبور می‌کنند و در نهایت از لایه خروجی نتیجه تولید می‌شود.

اجزای اصلی یک شبکه عصبی شامل موارد زیر هستند:

• لایه ورودی: دریافت‌کننده ویژگی‌ها یا داده‌های اولیه
• لایه یا لایه‌های پنهان: انجام پردازش‌های میانی و استخراج الگو
• لایه خروجی: ارائه نتیجه نهایی شبکه
• وزن‌ها: تعیین‌کننده میزان تأثیر ارتباط بین نورون‌ها
• بایاس‌ها: پارامترهای کمکی برای افزایش انعطاف‌پذیری مدل
• تابع فعال‌سازی: تبدیل خروجی نورون به مقدار مناسب برای پردازش بعدی

در مسئله‌های دسته‌بندی، شبکه عصبی با دریافت ویژگی‌های ورودی تلاش می‌کند نمونه‌ها را در کلاس مناسب قرار دهد.

آموزش شبکه عصبی چگونه انجام می‌شود؟

یادگیری در شبکه عصبی، به فرآیند تنظیم مقادیر وزن‌ها و بایاس‌ها گفته می‌شود. هدف از آموزش، یافتن پارامترهایی است که خروجی شبکه تا حد امکان به پاسخ واقعی نزدیک شود.

در روش‌های رایج، وزن‌های شبکه با الگوریتم‌هایی مانند موارد زیر به‌روزرسانی می‌شوند:

• یادگیری هب یا Hebbian Learning
• قانون دلتا
• پس‌انتشار خطا یا Backpropagation
• یادگیری رقابتی
• روش‌های گرادیانی

با این حال، در برخی مسائل می‌توان به‌جای روش‌های مرسوم یا در کنار آن‌ها، از الگوریتم‌های فراابتکاری استفاده کرد. الگوریتم‌های فراابتکاری به جست‌وجوی مناسب در فضای جواب کمک می‌کنند و می‌توانند برای یافتن مقادیر مناسب وزن‌ها و بایاس‌های شبکه مورد استفاده قرار گیرند.

الگوریتم رقابت استعماری ICA چیست؟

الگوریتم رقابت استعماری یا Imperialist Competitive Algorithm – ICA یکی از الگوریتم‌های فراابتکاری و تکاملی است که از فرایند استعمار، جذب مستعمرات، رقابت بین امپراتوری‌ها و سقوط امپراتوری‌های ضعیف الهام گرفته است.

در این الگوریتم، هر جواب کاندید به‌عنوان یک کشور در نظر گرفته می‌شود. کشورهایی که جواب بهتری دارند، نقش استعمارگر را می‌گیرند و سایر کشورها به‌عنوان مستعمره به امپراتوری‌های مختلف اختصاص داده می‌شوند.

مفاهیم مهم در ICA عبارت‌اند از:

• کشورها
• استعمارگران
• مستعمرات
• امپراتوری‌ها
• جذب یا همگون‌سازی مستعمرات
• رقابت استعماری
• حذف امپراتوری‌های ضعیف
• یافتن بهترین جواب در فضای جست‌وجو

در این پروژه، هر کشور می‌تواند نمایانگر مجموعه‌ای از وزن‌ها و بایاس‌های شبکه عصبی باشد. سپس الگوریتم ICA تلاش می‌کند با رقابت و بهینه‌سازی تدریجی، بهترین مقادیر پارامترهای شبکه را پیدا کند.

آموزش شبکه عصبی با الگوریتم ICA در متلب

در سورس‌کد حاضر، الگوریتم رقابت استعماری برای تعیین مقادیر مناسب وزن یال‌ها و بایاس‌های شبکه عصبی استفاده شده است.

روند کلی اجرای پروژه به شکل زیر است:

1. بارگذاری مجموعه‌داده
2. جداسازی ورودی‌ها و خروجی‌ها
3. نرمال‌سازی داده‌ها
4. تقسیم داده‌ها به بخش آموزش و آزمون
5. ایجاد ساختار شبکه عصبی
6. تعریف جمعیت اولیه در الگوریتم ICA
7. بهینه‌سازی وزن‌ها و بایاس‌های شبکه با ICA
8. آموزش شبکه با پارامترهای بهینه
9. شبیه‌سازی شبکه برای داده‌های آموزش و آزمون
10. محاسبه خطای MSE
11. نمایش ماتریس اغتشاش، نمودار ROC و نمودار همگرایی

ساختار شبکه عصبی استفاده‌شده

در کد پروژه، تعداد نورون‌های لایه پنهان بر اساس تعداد ورودی‌ها تعیین شده است:

NumOfHiddens = 2 * NumOfInputs + 1;

همچنین، داده‌ها به دو بخش آموزش و آزمون تقسیم می‌شوند. در این پیاده‌سازی، حدود ۷۰ درصد داده‌ها برای آموزش و باقی‌مانده برای آزمون مدل استفاده می‌شود:

TrPercent = 70;

این تقسیم‌بندی کمک می‌کند عملکرد شبکه تنها بر مبنای داده‌های آموزش ارزیابی نشود و بتوان توانایی آن را در داده‌های دیده‌نشده نیز بررسی کرد.

دیتاست استفاده‌شده در پروژه

برای بررسی عملکرد شبکه عصبی آموزش‌دیده با الگوریتم رقابت استعماری، از مجموعه‌داده سرطان سینه استفاده شده است.

ویژگی‌های این دیتاست شامل شاخص‌هایی مانند موارد زیر هستند:

1. ضخامت انبوه یا Clump Thickness
2. یکنواختی اندازه سلول
3. یکنواختی شکل سلول
4. چسبندگی حاشیه‌ای
5. اندازه سلول‌های اپیتلیال
6. هسته‌های عریان
7. کروماتین بلاند
8. هسته‌های طبیعی
9. تقسیم هسته سلول

داده‌ها پیش از ورود به شبکه نرمال‌سازی می‌شوند تا دامنه مقادیر ورودی کنترل شده و فرآیند آموزش با پایداری بیشتری انجام شود.

این مجموعه‌داده صرفاً برای ارزیابی الگوریتم در یک مسئله دسته‌بندی استفاده شده است. این سورس‌کد ابزار تشخیص پزشکی نیست و نباید مبنای تصمیم‌گیری درمانی یا پزشکی قرار گیرد.

بخش‌هایی از سورس کد متلب

در ابتدای برنامه، محیط متلب پاک‌سازی شده و پارامترهای اصلی الگوریتم تعریف می‌شوند:

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

در این قسمت:

• N تعداد اعضای جمعیت اولیه را مشخص می‌کند.
• max_it تعداد تکرارهای الگوریتم رقابت استعماری است.
• Vmax و Vmin محدوده مقادیر پارامترهای جست‌وجو را تعیین می‌کنند.

بارگذاری داده‌ها و تفکیک ویژگی‌ها از برچسب خروجی به شکل زیر انجام می‌شود:

%% Input Output Data
load IOdata

Data = IOdata;
X = Data(:,1:end-1);
Y = Data(:,end);

XN = X;
YN = Y;

در مرحله بعد، داده‌ها نرمال‌سازی شده‌اند:

%% Normalization
MinX = min(X);
MaxX = max(max(abs(X)));

MinY = min(Y);
MaxY = max(max(Y));

XN = XN / MaxX;
YN = floor(YN / MaxY);

تقسیم داده‌ها به بخش‌های آموزش و آزمون:

%% 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,:);

فراخوانی تابع آموزش شبکه با الگوریتم ICA:

%% Network Training
[NetworkP, BestCostP, BestChartP] = TrainUsingICA_Fcn( ...
    Xtr, Ytr, N, max_it, NumOfInputs, ...
    NumOfHiddens, NumOfOutputs, Vmax, Vmin);

محاسبه خطا برای داده‌های آموزش و آزمون:

%% Simulation and MSE
YtrNetP = sim(NetworkP, Xtr')';
YtsNetP = sim(NetworkP, Xts')';

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

خروجی‌های پروژه

پس از اجرای سورس‌کد، خروجی‌های مختلفی برای ارزیابی عملکرد شبکه عصبی نمایش داده می‌شوند.

خطای میانگین مربعات MSE

خطای Mean Squared Error یا MSE میزان اختلاف میان خروجی واقعی و خروجی پیش‌بینی‌شده شبکه را نشان می‌دهد. هرچه این مقدار کمتر باشد، خروجی شبکه به داده‌های واقعی نزدیک‌تر است.

در پروژه، مقدار MSE برای داده‌های آموزش و داده‌های آزمون محاسبه می‌شود.

ماتریس اغتشاش یا Confusion Matrix

ماتریس اغتشاش برای بررسی عملکرد مدل دسته‌بندی استفاده می‌شود. این ماتریس نشان می‌دهد چه تعداد نمونه به‌درستی و چه تعداد به‌اشتباه در کلاس‌های مختلف قرار گرفته‌اند.

[c, cm, ind, per] = confusion(Yts', YtsNetP');

figure
plotconfusion(Yts', YtsNetP');

نمودار ROC

نمودار ROC یکی از معیارهای مهم بررسی کیفیت مدل‌های طبقه‌بندی است و رابطه میان نرخ تشخیص صحیح و نرخ خطا را در آستانه‌های متفاوت نشان می‌دهد.

درباره آموزش شبکه عصبی با الگوریتم رقابت استعماری

سورس کد آموزش شبکه عصبی با الگوریتم رقابت استعماری ICA در متلب عنوان اثری است که در این پست به آن پرداخته شده است. اثر در نرم افزار متلب نوشته شده و برای تعیین مقادیر وزنی یال‌ها و بایاس‌ها شبکه عصبی با الگوریتم رقابت استعماری می‌باشد. این سورس کد بصورت کامل توسط گروه پشتیبانی پی استور تست و اجرا شده است و دارای نشان تضمین کیفیت پی استور می‌باشد. برای دانلود اثر مذکور آن را خریداری کنید.

figure
plotroc(Yts', YtsNetP');

نمودار همگرایی الگوریتم

نمودار همگرایی، روند تغییر بهترین مقدار خطا در تکرارهای مختلف الگوریتم رقابت استعماری را نمایش می‌دهد.

figure
grid on;
plot(BestChartP, 'r', 'LineWidth', 2);
title('Train MSE');

این نمودار نشان می‌دهد که الگوریتم ICA در طول تکرارها چگونه به سمت جواب‌های بهتر و کمینه‌سازی خطا حرکت می‌کند.

ویژگی‌های سورس کد

مهم‌ترین ویژگی‌ها و قابلیت‌های این محصول عبارت‌اند از:

• پیاده‌سازی در محیط MATLAB
• آموزش شبکه عصبی مصنوعی
• استفاده از الگوریتم رقابت استعماری ICA
• بهینه‌سازی وزن‌ها و بایاس‌های شبکه عصبی
• استفاده از دیتاست سرطان سینه
• نرمال‌سازی داده‌ها
• تقسیم داده‌ها به مجموعه آموزش و آزمون
• استفاده از ۷۰ درصد داده‌ها برای آموزش
• محاسبه خطای MSE برای داده‌های آموزش و آزمون
• نمایش ماتریس اغتشاش
• نمایش نمودار ROC
• نمایش نمودار همگرایی آموزش
• مناسب برای یادگیری ترکیب ANN و الگوریتم‌های فراابتکاری
• کد آماده برای بررسی، اجرا و توسعه

پیش‌نیازهای اجرای پروژه

برای اجرای این سورس‌کد به موارد زیر نیاز دارید:

• نرم‌افزار MATLAB
• دسترسی به ابزارهای مرتبط با شبکه عصبی در متلب، متناسب با نسخه استفاده‌شده در پروژه
• فایل داده IOdata
• فایل تابع آموزش شبکه با نام TrainUsingICA_Fcn

پیش از اجرا، اطمینان حاصل کنید که فایل‌های داده و توابع موردنیاز در مسیر جاری MATLAB یا MATLAB Path قرار گرفته باشند.

مزایای استفاده از سورس کد

یادگیری عملی شبکه عصبی و ICA

این سورس‌کد به شما کمک می‌کند مفهوم بهینه‌سازی وزن‌های شبکه عصبی با یک الگوریتم فراابتکاری را به‌صورت عملی بررسی کنید.

مناسب برای پروژه‌های دانشگاهی

پروژه برای درس‌های هوش مصنوعی، شبکه‌های عصبی، محاسبات تکاملی، الگوریتم‌های فراابتکاری، یادگیری ماشین و متلب کاربرد دارد.

قابل توسعه برای مسائل دیگر

ساختار پروژه قابل تغییر است و می‌توانید با جایگزینی دیتاست، اصلاح تابع هزینه یا تغییر پارامترهای الگوریتم، آن را برای مسائل دسته‌بندی دیگر توسعه دهید.

مشاهده معیارهای ارزیابی

وجود MSE، ماتریس اغتشاش، نمودار ROC و نمودار همگرایی، امکان بررسی بهتر نتیجه آموزش شبکه را فراهم می‌کند.

پیشنهادهایی برای توسعه پروژه

این سورس‌کد می‌تواند با قابلیت‌های زیر توسعه داده شود:

• استفاده از دیتاست‌های دسته‌بندی دیگر
• پیاده‌سازی اعتبارسنجی متقابل یا Cross Validation
• مقایسه ICA با الگوریتم‌های PSO، GA، GWO و WOA
• تنظیم خودکار تعداد نورون‌های لایه پنهان
• استفاده از شبکه‌های چندلایه عمیق‌تر
• افزودن معیارهای Accuracy، Precision، Recall و F1-Score
• اجرای چندباره الگوریتم و گزارش میانگین نتایج
• بررسی تأثیر تعداد کشورها و تکرارها بر عملکرد الگوریتم
• ذخیره مدل آموزش‌دیده
• رسم نمودارهای تحلیلی بیشتر
• بهبود روش نرمال‌سازی داده‌ها
• استفاده از تقسیم‌بندی‌های متفاوت برای داده‌های آموزش و آزمون

این سورس کد برای چه کسانی مناسب است؟

این محصول برای افراد زیر مناسب است:

• دانشجویان مهندسی کامپیوتر
• دانشجویان هوش مصنوعی
• دانشجویان داده‌کاوی و یادگیری ماشین
• پژوهشگران الگوریتم‌های فراابتکاری
• علاقه‌مندان به شبکه‌های عصبی مصنوعی
• کاربران MATLAB
• دانشجویان متقاضی پروژه پایانی
• افرادی که قصد یادگیری الگوریتم ICA را دارند
• افرادی که می‌خواهند وزن‌های شبکه عصبی را با روش‌های تکاملی بهینه‌سازی کنند

درباره محصول

سورس کد آموزش شبکه عصبی با الگوریتم رقابت استعماری ICA در متلب پروژه‌ای در زمینه ترکیب شبکه‌های عصبی مصنوعی و الگوریتم‌های فراابتکاری است. در این سورس‌کد، وزن‌ها و بایاس‌های شبکه عصبی با استفاده از الگوریتم ICA تعیین و بهینه‌سازی می‌شوند.

برای ارزیابی عملکرد مدل، از دیتاست سرطان سینه استفاده شده و خروجی‌هایی مانند خطای MSE، ماتریس Confusion، نمودار ROC و نمودار همگرایی الگوریتم ارائه می‌شود.

این سورس‌کد توسط گروه فنی پشتیبانی پی‌استور تست و اجرا شده و دارای نشان تضمین کیفیت پی‌استور است.

سوالات متداول

این سورس کد با چه نرم‌افزاری اجرا می‌شود؟

این پروژه در نرم‌افزار MATLAB نوشته شده و اجرا می‌شود.

الگوریتم ICA در این پروژه چه وظیفه‌ای دارد؟

الگوریتم رقابت استعماری برای یافتن مقادیر مناسب وزن‌ها و بایاس‌های شبکه عصبی استفاده می‌شود تا خطای آموزش کاهش یابد.

آیا در پروژه از شبکه عصبی استفاده شده است؟

بله. پروژه شامل یک شبکه عصبی مصنوعی است که پارامترهای آن با الگوریتم رقابت استعماری بهینه‌سازی می‌شوند.

دیتاست مورد استفاده در پروژه چیست؟

برای آزمایش عملکرد مدل، از دیتاست سرطان سینه استفاده شده است.

خروجی‌های پروژه شامل چه مواردی هستند؟

مقدار خطای MSE برای داده‌های آموزش و آزمون، ماتریس اغتشاش، نمودار ROC و نمودار همگرایی الگوریتم ICA از خروجی‌های پروژه هستند.

آیا این پروژه برای دانشجویان مناسب است؟

بله. این محصول برای درس‌های شبکه عصبی، هوش مصنوعی، الگوریتم‌های فراابتکاری، یادگیری ماشین و پروژه‌های دانشگاهی مناسب است.

آیا می‌توان دیتاست پروژه را تغییر داد؟

بله. با تنظیم ورودی‌ها، خروجی‌ها و متناسب‌سازی بخش پیش‌پردازش داده، می‌توان از دیتاست‌های دیگر نیز استفاده کرد.