شبکه عصبی مصنوعی چیست؟

شبکه عصبی مصنوعی یا Artificial Neural Network – ANN یک مدل محاسباتی الهام‌گرفته از شبکه عصبی موجودات زنده است. این شبکه از مجموعه‌ای از واحدهای پردازشی به نام نورون تشکیل می‌شود که به‌صورت متصل با یکدیگر همکاری می‌کنند تا داده‌ها را پردازش کرده و الگوهای موجود در آن‌ها را یاد بگیرند.

یک شبکه عصبی معمولاً دارای اجزای زیر است:

• لایه ورودی: دریافت داده‌ها و ویژگی‌های مسئله
• لایه پنهان: پردازش میانی داده‌ها و استخراج الگو
• لایه خروجی: نمایش نتیجه، کلاس یا مقدار پیش‌بینی‌شده
• وزن‌ها: تعیین‌کننده میزان تأثیر ارتباط میان نورون‌ها
• بایاس‌ها: پارامترهای کمکی برای افزایش انعطاف شبکه
• تابع فعال‌سازی: تبدیل خروجی نورون‌ها برای ادامه پردازش

در مسائل دسته‌بندی، اطلاعات از لایه ورودی وارد شبکه می‌شوند، از لایه‌های پنهان عبور می‌کنند و در لایه خروجی، نتیجه نهایی برای تعیین کلاس نمونه ارائه می‌شود.

یادگیری در شبکه عصبی

یادگیری در شبکه عصبی به فرآیند تنظیم وزن‌ها و بایاس‌ها گفته می‌شود. هدف از این فرآیند، کمینه‌سازی اختلاف میان خروجی پیش‌بینی‌شده توسط شبکه و پاسخ واقعی داده‌ها است.

روش‌های مختلفی برای آموزش شبکه‌های عصبی وجود دارد که برخی از آن‌ها عبارت‌اند از:

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

در این پروژه، از الگوریتم گرگ خاکستری برای تعیین مقادیر مناسب وزن‌ها و بایاس‌های شبکه عصبی استفاده شده است.

الگوریتم گرگ خاکستری GWO چیست؟

الگوریتم گرگ خاکستری یا Grey Wolf Optimizer – GWO یکی از الگوریتم‌های فراابتکاری مبتنی بر جمعیت است که از رفتار اجتماعی و استراتژی شکار گرگ‌های خاکستری الهام گرفته شده است.

این الگوریتم توسط سیدعلی میرجلیلی در سال ۲۰۱۴ معرفی شد. ایده اصلی GWO، مدل‌سازی ساختار سلسله‌مراتبی گله گرگ‌ها و نحوه شکار طعمه است.

در الگوریتم گرگ خاکستری، جواب‌های کاندید به‌صورت گرگ در نظر گرفته می‌شوند و بهترین جواب‌ها نقش گرگ‌های رهبر را دارند.

سلسله‌مراتب گرگ‌ها در GWO

الگوریتم GWO از چهار سطح اصلی در ساختار گله گرگ‌ها الهام می‌گیرد:

گرگ آلفا (Alpha)

گرگ آلفا بهترین عضو گله است و در الگوریتم، بهترین جواب فعلی را نمایش می‌دهد. تصمیمات اصلی گله بر اساس موقعیت گرگ آلفا شکل می‌گیرد.

گرگ بتا (Beta)

گرگ بتا دومین جواب مناسب در جمعیت است و نقش کمک‌کننده در هدایت گله به سمت طعمه را دارد.

گرگ دلتا (Delta)

گرگ دلتا سومین جواب برتر است. این گرگ نیز در تعیین مسیر حرکت سایر گرگ‌ها و فرایند جست‌وجو مؤثر است.

گرگ امگا (Omega)

گرگ‌های امگا سایر اعضای جمعیت هستند که موقعیت خود را با توجه به سه گرگ برتر، یعنی آلفا، بتا و دلتا، به‌روزرسانی می‌کنند.

در مسئله بهینه‌سازی، طعمه نشان‌دهنده جواب بهینه است. الگوریتم با شبیه‌سازی مراحل محاصره، تعقیب و حمله به طعمه تلاش می‌کند بهترین جواب ممکن را پیدا کند.

کاربرد الگوریتم GWO در آموزش شبکه عصبی

در شبکه‌های عصبی، وزن‌ها و بایاس‌ها تأثیر مستقیمی بر عملکرد مدل دارند. اگر این پارامترها به‌صورت مناسبی تنظیم نشوند، شبکه ممکن است به خطای بالا یا نتایج ضعیف برسد.

در این سورس‌کد، الگوریتم GWO برای جست‌وجو در فضای وزن‌ها و بایاس‌های شبکه عصبی استفاده می‌شود. هر گرگ در جمعیت، یک جواب کاندید شامل مجموعه‌ای از پارامترهای شبکه را نمایش می‌دهد.

فرآیند کلی به این صورت است:

1. ایجاد جمعیت اولیه از گرگ‌ها
2. اختصاص یک مجموعه وزن و بایاس به هر گرگ
3. محاسبه خطای شبکه برای هر جواب
4. انتخاب بهترین سه جواب به‌عنوان آلفا، بتا و دلتا
5. به‌روزرسانی موقعیت سایر گرگ‌ها بر اساس رهبران گله
6. تکرار مراحل تا رسیدن به تعداد تکرارهای تعیین‌شده
7. انتخاب بهترین مجموعه وزن و بایاس برای شبکه عصبی

هدف نهایی، یافتن پارامترهایی است که مقدار تابع خطا، مانند MSE، را کاهش دهند.

آموزش شبکه عصبی با الگوریتم گرگ خاکستری در متلب

در پروژه حاضر، یک شبکه عصبی برای مسئله دسته‌بندی ایجاد شده و الگوریتم GWO وظیفه بهینه‌سازی وزن‌ها و بایاس‌های آن را بر عهده دارد.

روند کلی اجرای برنامه عبارت است از:

1. بارگذاری داده‌ها از فایل IOdata
2. جداسازی ویژگی‌های ورودی و برچسب خروجی
3. نرمال‌سازی داده‌ها
4. تقسیم داده‌ها به مجموعه آموزش و آزمون
5. تعیین تعداد نورون‌های لایه پنهان
6. اجرای تابع آموزش شبکه با الگوریتم GWO
7. شبیه‌سازی شبکه روی داده‌های آموزش و آزمون
8. محاسبه خطای MSE
9. نمایش ماتریس اغتشاش
10. رسم نمودار ROC
11. نمایش نمودار همگرایی الگوریتم

دیتاست استفاده‌شده در سورس کد

برای بررسی عملکرد شبکه عصبی، از دیتاست سرطان سینه استفاده شده است. این مجموعه‌داده شامل ویژگی‌هایی برای دسته‌بندی نمونه‌های مرتبط با سرطان سینه است.

برخی ویژگی‌های موجود در این دیتاست عبارت‌اند از:

• ضخامت انبوه یا Clump Thickness
• یکنواختی اندازه سلول
• یکنواختی شکل سلول
• چسبندگی لبه‌ای
• اندازه سلول‌های اپیتلیال
• هسته‌های عریان
• کروماتین بلاند
• هسته عادی
• تقسیم هسته سلول

داده‌ها پیش از ورود به شبکه عصبی نرمال‌سازی می‌شوند تا مقیاس ویژگی‌ها کنترل شده و فرآیند آموزش به شکل مناسب‌تری انجام شود.

این دیتاست صرفاً برای آزمایش و ارزیابی آموزشی الگوریتم به کار رفته است. این سورس‌کد یک ابزار پزشکی یا سامانه تشخیص بیماری نیست و نباید برای تصمیم‌گیری پزشکی استفاده شود.

بخش‌هایی از سورس کد در 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 گرگ‌ها یا اعضای جمعیت را تعیین می‌کند.
• max_it تعداد تکرارهای الگوریتم گرگ خاکستری است.
• Vmax و Vmin حد بالا و پایین فضای جست‌وجوی پارامترها را مشخص می‌کنند.

بارگذاری و تفکیک داده‌های ورودی و 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 بخش 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,:);

در این پروژه، حدود ۷۰ درصد داده‌ها برای آموزش شبکه و باقی‌مانده برای آزمون مدل استفاده می‌شوند.

فراخوانی تابع آموزش شبکه با الگوریتم GWO:

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

خروجی‌های پروژه

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

خطای میانگین مربعات MSE

Mean Squared Error یا MSE یکی از معیارهای اندازه‌گیری اختلاف بین خروجی واقعی و خروجی پیش‌بینی‌شده شبکه است.

ماتریس اغتشاش یا Confusion Matrix

ماتریس اغتشاش نشان می‌دهد که مدل چه تعداد نمونه را به‌درستی و چه تعداد را به‌اشتباه در کلاس‌های مختلف قرار داده است. این معیار برای تحلیل مدل‌های دسته‌بندی اهمیت زیادی دارد.

 

نمودار ROC

نمودار ROC عملکرد مدل دسته‌بندی را در آستانه‌های تصمیم‌گیری مختلف نشان می‌دهد و یکی از ابزارهای متداول برای ارزیابی مدل‌های طبقه‌بندی است.

نمودار همگرایی الگوریتم GWO

نمودار همگرایی نشان می‌دهد که مقدار بهترین خطا در طول تکرارهای الگوریتم گرگ خاکستری چگونه تغییر کرده است. این نمودار برای بررسی روند حرکت الگوریتم به سمت جواب‌های بهتر کاربرد دارد.

ویژگی‌های سورس کد آموزش شبکه عصبی با GWO

مهم‌ترین ویژگی‌های این محصول عبارت‌اند از:

• پیاده‌سازی در نرم‌افزار MATLAB
• استفاده از شبکه عصبی مصنوعی ANN
• آموزش شبکه عصبی با الگوریتم گرگ خاکستری GWO
• بهینه‌سازی وزن‌ها و بایاس‌های شبکه
• استفاده از دیتاست سرطان سینه
• نرمال‌سازی داده‌ها
• تقسیم داده‌ها به بخش آموزش و آزمون
• استفاده از ۷۰ درصد داده‌ها برای آموزش
• محاسبه خطای MSE
• نمایش ماتریس اغتشاش
• نمایش نمودار ROC
• نمایش نمودار همگرایی الگوریتم
• مناسب برای آموزش ترکیب ANN و GWO
• قابل بررسی، اجرا و توسعه برای دیتاست‌های دیگر

پیش‌نیازهای اجرای پروژه

برای اجرای این سورس‌کد به موارد زیر نیاز دارید:

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

برای اجرای صحیح پروژه، تمام فایل‌ها باید در پوشه Current Folder متلب یا در مسیر تعریف‌شده MATLAB Path قرار داشته باشند.

مزایای استفاده از سورس کد

یادگیری عملی الگوریتم گرگ خاکستری

این پروژه به شما کمک می‌کند نحوه عملکرد الگوریتم GWO را در یک مسئله بهینه‌سازی واقعی و در ارتباط با شبکه عصبی بررسی کنید.

آشنایی با ترکیب شبکه عصبی و الگوریتم فراابتکاری

با مطالعه کدها، می‌توانید فرآیند کدگذاری وزن‌ها، تعریف تابع هزینه، ارزیابی جواب‌ها و بهینه‌سازی پارامترهای شبکه را بهتر درک کنید.

مناسب برای پروژه‌های دانشگاهی

این سورس‌کد برای درس‌ها و حوزه‌های زیر کاربرد دارد:

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

قابلیت توسعه و آزمایش

با تغییر دیتاست، تعداد گرگ‌ها، تعداد تکرارها، ساختار شبکه یا تابع هزینه می‌توان پروژه را برای مسائل و آزمایش‌های دیگر توسعه داد.

پیشنهادهایی برای توسعه پروژه

می‌توانید قابلیت‌های زیر را به این پروژه اضافه کنید:

• استفاده از دیتاست‌های دسته‌بندی دیگر
• اجرای اعتبارسنجی متقابل یا Cross Validation
• مقایسه GWO با الگوریتم‌های GA، PSO، ICA و WOA
• محاسبه معیارهای Accuracy، Precision، Recall و F1-Score
• تنظیم تعداد نورون‌های لایه پنهان
• آزمایش اندازه‌های مختلف جمعیت گرگ‌ها
• افزایش تعداد تکرارهای الگوریتم
• اجرای چندباره الگوریتم و ثبت میانگین نتایج
• ذخیره مدل آموزش‌دیده
• رسم نمودارهای تحلیلی بیشتر
• استفاده از روش‌های نرمال‌سازی پیشرفته‌تر
• بهینه‌سازی ساختار شبکه در کنار وزن‌ها و بایاس‌ها

این سورس کد برای چه کسانی مناسب است؟

این محصول برای افراد زیر مناسب است:

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

درباره محصول

سورس کد آموزش شبکه عصبی با الگوریتم گرگ خاکستری GWO در متلب پروژه‌ای آموزشی در حوزه شبکه‌های عصبی و الگوریتم‌های فراابتکاری است. در این پروژه، وزن‌ها و بایاس‌های شبکه عصبی با کمک الگوریتم Grey Wolf Optimizer تعیین و بهینه‌سازی می‌شوند.

برای بررسی عملکرد شبکه، از دیتاست سرطان سینه استفاده شده و خروجی‌هایی مانند خطای MSE، ماتریس Confusion، نمودار ROC و نمودار همگرایی الگوریتم در دسترس هستند.

این سورس‌کد به‌صورت کامل 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 GWO در این پروژه چه نقشی دارد؟

الگوریتم گرگ خاکستری برای یافتن مقادیر مناسب وزن‌ها و بایاس‌های شبکه عصبی به کار می‌رود تا مقدار خطای مدل کاهش یابد.

آیا پروژه شامل شبکه عصبی مصنوعی است؟

بله. در پروژه از شبکه عصبی مصنوعی استفاده شده و پارامترهای آن با الگوریتم GWO بهینه‌سازی می‌شوند.

دیتاست استفاده‌شده در پروژه چیست؟

برای ارزیابی عملکرد شبکه از دیتاست سرطان سینه استفاده شده است.

خروجی‌های پروژه شامل چه مواردی هستند؟

خروجی‌های پروژه شامل خطای MSE، ماتریس اغتشاش، نمودار ROC و نمودار همگرایی الگوریتم گرگ خاکستری هستند.

آیا این سورس کد برای پروژه دانشگاهی مناسب است؟

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

آیا می‌توان دیتاست پروژه را تغییر داد؟

بله. با آماده‌سازی داده‌های جدید و تنظیم بخش ورودی، خروجی و پیش‌پردازش، می‌توان پروژه را برای دیتاست‌های دیگر نیز اجرا و توسعه داد.