شبکه عصبی مصنوعی چیست؟

شبکه عصبی مصنوعی یا Artificial Neural Network – ANN یک مدل محاسباتی الهام‌گرفته از ساختار شبکه‌های عصبی زیستی است. این شبکه از تعدادی عنصر پردازشی به نام نورون تشکیل می‌شود که با ارتباطات وزن‌دار به یکدیگر متصل هستند.

ساختار معمول شبکه عصبی شامل بخش‌های زیر است:

• لایه ورودی: دریافت ویژگی‌های داده
• لایه‌های پنهان: پردازش اطلاعات و شناسایی الگوها
• لایه خروجی: تولید نتیجه یا کلاس نهایی
• وزن‌ها: مشخص‌کردن میزان اثر ارتباط بین نورون‌ها
• بایاس‌ها: پارامترهای کمکی برای افزایش انعطاف‌پذیری شبکه
• توابع فعال‌سازی: تعیین نحوه انتقال سیگنال بین لایه‌ها

در یک شبکه عصبی پیش‌خور، سیگنال‌ها از لایه ورودی به سمت لایه خروجی حرکت می‌کنند. شبکه با دریافت نمونه‌های آموزشی، رابطه میان ویژگی‌های ورودی و خروجی هدف را یاد می‌گیرد و سپس برای نمونه‌های جدید پیش‌بینی انجام می‌دهد.

آموزش شبکه عصبی با الگوریتم‌های فراابتکاری

یادگیری در شبکه‌های عصبی به معنای تنظیم وزن‌ها و بایاس‌ها است. هدف از این فرایند، کاهش اختلاف میان خروجی واقعی و خروجی تولیدشده توسط شبکه است.

برای آموزش شبکه عصبی روش‌های مختلفی وجود دارد؛ از جمله:

• یادگیری هب
• قانون دلتا
• یادگیری رقابتی
• پس‌انتشار خطا
• روش‌های مبتنی بر گرادیان
• الگوریتم‌های تکاملی و فراابتکاری

در این پروژه، از الگوریتم کلونی مورچگان برای جست‌وجوی مقادیر مناسب وزن‌ها و بایاس‌های شبکه استفاده شده است. در این روش، هر جواب کاندید می‌تواند مجموعه‌ای از پارامترهای شبکه عصبی را نشان دهد و عملکرد آن بر اساس خطای شبکه ارزیابی شود.

الگوریتم کلونی مورچگان ACO چیست؟

الگوریتم کلونی مورچگان یا Ant Colony Optimization – ACO یکی از الگوریتم‌های فراابتکاری است که از رفتار جمعی مورچه‌ها هنگام جست‌وجوی مسیر مناسب برای رسیدن به غذا الهام گرفته شده است.

مورچه‌ها با حرکت در مسیرهای مختلف، ماده‌ای شیمیایی به نام فرومون روی مسیر باقی می‌گذارند. مسیرهایی که کیفیت بهتری دارند، به‌مرور فرومون بیشتری دریافت می‌کنند و احتمال انتخاب آن‌ها توسط سایر مورچه‌ها افزایش می‌یابد.

مفاهیم اصلی الگوریتم ACO عبارت‌اند از:

• جمعیت مورچه‌ها
• مسیرهای احتمالی
• مقدار فرومون
• اطلاعات ابتکاری یا Heuristic Information
• انتخاب مسیر
• تبخیر فرومون
• به‌روزرسانی فرومون
• بهترین جواب یا مسیر

در مسائل پیوسته، از نسخه‌های توسعه‌یافته الگوریتم مورچگان برای جست‌وجوی مقادیر عددی استفاده می‌شود. در این پروژه نیز از ساختار کلونی مورچگان پیوسته برای تعیین وزن‌ها و بایاس‌های شبکه عصبی استفاده شده است.

آموزش شبکه عصبی با الگوریتم ACO در متلب

در سورس‌کد حاضر، الگوریتم مورچگان وظیفه دارد بهترین یا مناسب‌ترین مقادیر وزن‌ها و بایاس‌های شبکه عصبی را پیدا کند. عملکرد هر جواب با استفاده از مقدار خطای شبکه، یعنی MSE، ارزیابی می‌شود.

روند کلی اجرای پروژه به‌صورت زیر است:

1. بارگذاری داده‌ها
2. جداسازی ویژگی‌های ورودی و خروجی هدف
3. نرمال‌سازی داده‌ها
4. تقسیم داده‌ها به مجموعه آموزش و آزمون
5. تعیین ساختار شبکه عصبی
6. ایجاد جمعیت اولیه مورچه‌ها
7. تولید جواب‌های کاندید برای وزن‌ها و بایاس‌ها
8. ارزیابی عملکرد هر مورچه
9. به‌روزرسانی مقادیر فرومون و اطلاعات جست‌وجو
10. انتخاب جواب‌های بهتر
11. تکرار فرایند تا رسیدن به تعداد مشخصی از تکرارها
12. ایجاد شبکه عصبی با بهترین پارامترهای به‌دست‌آمده
13. شبیه‌سازی شبکه روی داده‌های آموزش و آزمون
14. محاسبه MSE و نمایش نمودارهای ارزیابی

دیتاست استفاده‌شده در پروژه

برای ارزیابی شبکه عصبی آموزش‌دیده با الگوریتم ACO، از مجموعه‌داده سرطان سینه استفاده شده است. این دیتاست یکی از مجموعه‌داده‌های شناخته‌شده در مسائل دسته‌بندی یادگیری ماشین است.

ویژگی‌های موجود در داده شامل موارد زیر هستند:

در این پروژه، داده‌ها پیش از ورود به شبکه عصبی نرمال‌سازی می‌شوند. همچنین برچسب‌های خروجی برای استفاده در فرایند دسته‌بندی به قالب مناسب تبدیل می‌شوند.

این دیتاست و سورس‌کد صرفاً برای اهداف آموزشی و بررسی عملکرد الگوریتم استفاده شده‌اند. این پروژه ابزار تشخیص پزشکی نیست و نباید مبنای تصمیم‌گیری درمانی قرار گیرد.

بخش‌هایی از سورس کد متلب

در ابتدای برنامه، محیط MATLAB 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 مورچه‌ها یا اندازه جمعیت را مشخص می‌کند.
• max_it تعداد تکرارهای الگوریتم است.
• Vmax و Vmin محدوده مقادیر جست‌وجو را تعیین می‌کنند.

بارگذاری دیتاست و جداسازی ورودی‌ها از خروجی:

%% Input Output Data
load IOdata

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

XN = X;
YN = Y;

نرمال‌سازی داده‌ها:

%% 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 مجموعه 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 عصبی با الگوریتم ACO:

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

شبیه‌سازی شبکه و محاسبه خطا:

%% 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 شبکه عصبی ارائه می‌شود.

خطای میانگین مربعات MSE

معیار Mean Squared Error میزان اختلاف میان خروجی واقعی و خروجی پیش‌بینی‌شده شبکه را اندازه‌گیری می‌کند. هرچه مقدار MSE کمتر باشد، خروجی شبکه به مقدار واقعی نزدیک‌تر است.

ماتریس اغتشاش یا Confusion Matrix

ماتریس اغتشاش برای بررسی عملکرد مدل دسته‌بندی استفاده می‌شود. این ماتریس تعداد پیش‌بینی‌های صحیح و نادرست مدل را برای هر کلاس نمایش می‌دهد.

نمودار ROC

نمودار ROC عملکرد مدل را در آستانه‌های مختلف دسته‌بندی بررسی می‌کند و برای تحلیل کیفیت مدل‌های طبقه‌بندی کاربرد دارد.

نمودار همگرایی الگوریتم ACO

نمودار همگرایی، روند تغییر بهترین مقدار خطا را در تکرارهای مختلف الگوریتم کلونی مورچگان نمایش می‌دهد. این نمودار کمک می‌کند روند کاهش خطا و نزدیک‌شدن الگوریتم به جواب بهتر بررسی شود.

تصاویر خروجی در سورس کد آموزش شبکه عصبی با الگوریتم مورچه ACO در متلب

ویژگی‌های سورس کد شبکه عصبی با ACO

مهم‌ترین ویژگی‌های این محصول عبارت‌اند از:

• پیاده‌سازی‌شده در نرم‌افزار MATLAB
• استفاده از شبکه عصبی مصنوعی ANN
• استفاده از الگوریتم کلونی مورچگان ACO
• بهینه‌سازی وزن‌ها و بایاس‌های شبکه عصبی
• استفاده از نسخه پیوسته الگوریتم مورچگان
• استفاده از دیتاست سرطان سینه
• نرمال‌سازی داده‌های ورودی و خروجی
• تقسیم داده‌ها به مجموعه آموزش و آزمون
• استفاده از ۷۰ درصد داده‌ها برای آموزش
• محاسبه MSE برای داده‌های آموزش و آزمون
• نمایش ماتریس اغتشاش
• نمایش نمودار ROC
• نمایش نمودار همگرایی
• مناسب برای آموزش ترکیب ANN و ACO
• امکان توسعه برای دیتاست‌های دیگر

پیش‌نیازهای اجرای پروژه

برای اجرای سورس‌کد به موارد زیر نیاز دارید:

• نرم‌افزار MATLAB
• توابع و ابزارهای موردنیاز شبکه عصبی، متناسب با نسخه MATLAB
• فایل داده IOdata
• فایل تابع آموزش با نام TrainUsingACO_Fcn

برای اجرای صحیح، تمامی فایل‌های پروژه باید در پوشه جاری MATLAB یا مسیر تعریف‌شده در MATLAB Path قرار داشته باشند.

مزایای استفاده از این سورس کد

یادگیری عملی الگوریتم مورچگان

این پروژه نحوه استفاده از الگوریتم ACO را در یک مسئله بهینه‌سازی نشان می‌دهد و برای یادگیری ساختار الگوریتم کلونی مورچگان مناسب است.

آشنایی با ترکیب ANN و ACO

با بررسی سورس‌کد، می‌توانید نحوه استفاده از یک الگوریتم فراابتکاری برای تعیین وزن‌ها و بایاس‌های شبکه عصبی را مطالعه کنید.

مناسب برای پروژه‌های دانشگاهی

این سورس‌کد برای درس‌ها و موضوعات زیر کاربرد دارد:

• هوش مصنوعی
• شبکه‌های عصبی
• یادگیری ماشین
• داده‌کاوی
• الگوریتم‌های فراابتکاری
• محاسبات تکاملی
• برنامه‌نویسی MATLAB
• پروژه پایان‌ترم و پروژه پایانی

قابلیت توسعه

می‌توان ساختار پروژه را برای داده‌ها و مسائل طبقه‌بندی دیگر نیز به‌کار برد و پارامترهای شبکه یا الگوریتم را تغییر داد.

پیشنهادهایی برای توسعه پروژه

برای توسعه این پروژه می‌توانید قابلیت‌های زیر را اضافه کنید:

• استفاده از دیتاست‌های دیگر
• پیاده‌سازی اعتبارسنجی متقابل
• مقایسه ACO با الگوریتم‌های GA، GWO، ICA، PSO و WOA
• محاسبه معیارهای Accuracy، Precision، Recall و F1-Score
• اجرای چندباره الگوریتم و محاسبه میانگین نتایج
• بررسی اثر تعداد مورچه‌ها بر عملکرد مدل
• تغییر نرخ تبخیر فرومون
• بهینه‌سازی هم‌زمان ساختار و پارامترهای شبکه
• تنظیم تعداد نورون‌های لایه پنهان
• ذخیره بهترین شبکه آموزش‌دیده
• افزودن نمودارهای تحلیلی بیشتر
• استفاده از روش‌های پیشرفته‌تر پیش‌پردازش داده‌ها

این سورس کد برای چه کسانی مناسب است؟

این محصول برای افراد زیر مناسب است:

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

درباره محصول

سورس کد آموزش شبکه عصبی با الگوریتم مورچه ACO در متلب پروژه‌ای آموزشی در حوزه شبکه‌های عصبی و الگوریتم‌های فراابتکاری است. در این پروژه، وزن‌ها و بایاس‌های شبکه عصبی با استفاده از الگوریتم کلونی مورچگان پیوسته تعیین و بهینه‌سازی می‌شوند.

برای ارزیابی عملکرد مدل، از دیتاست سرطان سینه استفاده شده و خروجی‌هایی شامل مقدار MSE، ماتریس اغتشاش، نمودار ROC و نمودار همگرایی الگوریتم ACO 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؟

پروژه در نرم‌افزار MATLAB نوشته شده و اجرا می‌شود.

الگوریتم ACO در این پروژه چه کاربردی دارد؟

الگوریتم کلونی مورچگان برای یافتن مقادیر مناسب وزن‌ها و بایاس‌های شبکه عصبی به‌کار می‌رود تا خطای مدل کاهش پیدا کند.

آیا پروژه شامل شبکه عصبی مصنوعی است؟

بله. در این پروژه یک شبکه عصبی مصنوعی با استفاده از الگوریتم ACO آموزش و بهینه‌سازی می‌شود.

دیتاست مورداستفاده در پروژه چیست؟

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

خروجی‌های پروژه شامل چه مواردی هستند؟

خروجی‌ها شامل خطای MSE، ماتریس اغتشاش، نمودار ROC و نمودار همگرایی آموزش شبکه عصبی با الگوریتم مورچگان هستند.

آیا پروژه برای ارائه دانشگاهی مناسب است؟

بله. این سورس‌کد برای پروژه‌های درس هوش مصنوعی، شبکه عصبی، یادگیری ماشین، الگوریتم‌های فراابتکاری و MATLAB مناسب است.

آیا می‌توان دیتاست پروژه را تغییر داد؟

بله. با آماده‌سازی داده‌های ورودی و خروجی و اصلاح بخش پیش‌پردازش، می‌توان پروژه را برای دیتاست‌های دیگر نیز استفاده کرد.