تعیین وزن شبکه عصبی با الگوریتم PSO در متلب

این پروژه کاربردی با تکیه بر مجموعه داده استاندارد و بالینی سرطان سینه (Breast Cancer Dataset) از مخزن داده دانشگاه کالیفرنیا ارواین (UCI) اعتبارسنجی شده و تمام مراحل شامل بارگذاری داده، نرمال‌سازی داده‌ها، تقسیم‌بندی داده‌های آموزش و آزمون، آموزش با الگوریتم ازدحام ذرات و ارزیابی خروجی‌ها با معیارهایی نظیر ماتریس اغتشاش (Confusion Matrix)، نمودار ROC و خطای میانگین مربعات (MSE) را به شکلی منظم و آماده اجرا در محیط متلب پیاده‌سازی کرده است.

اهمیت بهینه‌سازی هایبرید: ترکیب شبکه عصبی با الگوریتم‌های فراابتکاری

شبکه‌های عصبی مصنوعی به عنوان یکی از قدرتمندترین ابزارهای یادگیری ماشین، توانایی شگفت‌انگیزی در تقریب توابع غیرخطی، دسته‌بندی الگوها و پیش‌بینی داده‌های چندبعدی دارند. با این حال، کارایی نهایی یک شبکه عصبی به شدت وابسته به مقادیر اولیه و تنظیم نهایی پارامترهای تنظیمی آن، یعنی وزن‌های اتصالات بین لایه‌ها و بایاس‌های هر نورون است. روش‌های کلاسیک گرادیان محور، با وجود سرعت در فضاهای ساده، در رویارویی با توابع هدف غیرمحدب یا ناصاف، در تله کمینه‌های محلی متوقف می‌شوند و توانایی دستیابی به کمینه سراسری (Global Minimum) را از دست می‌دهند.

ترکیب شبکه‌های عصبی با الگوریتم‌های بهینه‌سازی فراابتکاری (Metaheuristic Algorithms)، رویکردی هوشمندانه به نام سیستم‌های هایبرید تکاملی پدید می‌آورد. الگوریتم‌های فراابتکاری بدون وابستگی به مشتق تابع هدف و با بهره‌گیری از رفتارهای تصادفی هدایت‌شده، قادرند کل فضای جست‌وجو را کاوش (Exploration) کرده و در مناطق مستعد همگرا شوند (Exploitation). در میان این الگوریتم‌ها، الگوریتم PSO به دلیل تعداد پارامترهای کنترلی کم، سادگی فرمول‌بندی، سرعت فوق‌العاده در محاسبات و توانایی بالا در فرار از تله بهینه‌های محلی، گزینه‌ای بی‌رقیب برای آموزش پارامترهای شبکه عصبی محسوب می‌شود.

ساختار و مبانی عملکرد شبکه عصبی مصنوعی

شبکه عصبی مصنوعی سامانه‌ای پردازشی است که از ساختار مغز و نورون‌های زیستی انسان الگوبرداری کرده است. در این ساختار، واحدهای پردازشی متعددی به نام نورون در لایه‌های مختلف قرار گرفته و از طریق وزن‌های قابل تنظیم با یکدیگر ارتباط برقرار می‌کنند. معماری یک شبکه پیش‌خور (Feedforward) چندلایه معمولاً شامل بخش‌های زیر است:

• لایه ورودی (Input Layer): دریافت‌کننده ابعاد و ویژگی‌های خام مسئله است. تعداد نورون‌های این لایه برابر با تعداد متغیرهای ورودی است.
• لایه‌های پنهان (Hidden Layers): مسئول استخراج ویژگی‌های پیچیده و نگاشت‌های غیرخطی میان ورودی‌ها و خروجی‌ها هستند. تعداد نورون‌ها در این لایه با روابط تجربی (مانند دو برابر تعداد ورودی به اضافه یک) تعیین می‌شود.
• لایه خروجی (Output Layer): خروجی پردازش‌شده نهایی شبکه را ارائه می‌دهد که بسته به نوع مسئله، پیش‌بینی یک مقدار پیوسته یا برچسب یک کلاس دسته‌بندی است.

انتقال داده‌ها همواره از لایه ورودی به سوی لایه خروجی جریان دارد. سیگنال‌های هر نورون با مقادیر وزن اتصالات ضرب شده، با بایاس جمع شده و سپس از یک تابع فعالیت (Activation Function) عبور می‌کنند. فرآیند آموزش شبکه چیزی جز یافتن مجموعه‌ای از وزن‌ها و بایاس‌ها نیست که اختلاف بین خروجی واقعی و خروجی پیش‌بینی‌شده شبکه را به صفر نزدیک کند.

الگوریتم بهینه‌سازی ازدحام ذرات (PSO) و مزایای آن

الگوریتم بهینه‌سازی ازدحام ذرات در سال ۱۹۹۵ توسط ابرهارت و کندی بر اساس شبیه‌سازی حرکت گروهی و تعامل اجتماعی دسته‌های پرندگان و ماهی‌ها معرفی شد. در این الگوریتم، هر پاسخ بالقوه به مسئله، به عنوان یک ذره (Particle) در فضای چندبعدی متغیرها در نظر گرفته می‌شود. ذرات دارای دو ویژگی اساسی موقعیت (Position) و سرعت (Velocity) هستند و در هر تکرار، با توجه به دو فاکتور کلیدی موقعیت خود را به‌روزرسانی می‌کنند:

۱. بهترین تجربه فردی (pBest): بهترین مکانی که خود ذره تا آن لحظه تجربه کرده است.

۲. بهترین تجربه جمعی (gBest): بهترین موقعیتی که کل ذرات گروه تا آن تکرار موفق به کشف آن شده‌اند.

برخلاف الگوریتم‌هایی نظیر الگوریتم ژنتیک که از عملگرهای سنگین مانند تقاطع (Crossover) و جهش (Mutation) استفاده می‌کنند، در الگوریتم PSO حرکت ذرات مبتنی بر بردار سرعت و ضرایب یادگیری است. این ویژگی سبب می‌شود پیاده‌سازی الگوریتم بسیار سبک‌تر، سرعت همگرایی به مراتب بیشتر و مصرف منابع حافظه بسیار بهینه‌تر باشد.

نحوه نگاشت وزن‌ها و بایاس‌های شبکه عصبی در ذرات PSO

برای آموزش شبکه عصبی با استفاده از PSO، لازم است ساختار وزن‌ها و بایاس‌های شبکه به صورت یک بردار مسطح درآید تا هر ذره در الگوریتم نمایانگر یک بردار کامل از پارامترهای شبکه باشد:

• اگر شبکه دارای $I$ نورون در لایه ورودی، $H$ نورون در لایه پنهان و O نورون در لایه خروجی باشد:
• تعداد وزن‌های بین لایه ورودی و لایه پنهان برابر با $I\times H$ است.
• تعداد بایاس‌های لایه پنهان برابر با $H$ است.
• تعداد وزن‌های بین لایه پنهان و لایه خروجی برابر با H×OH است.
• تعداد بایاس‌های لایه خروجی برابر با O است.

در نتیجه، بعد هر ذره در فضای جست‌وجوی PSO برابر با مجموع تمام این مقادیر خواهد بود:

$$\text{Dimension}=(I\times H)+H+(H\times O)+O$$

هر ذره در طول اجرای حلقه بهینه‌سازی، این مقادیر را پیشنهاد می‌دهد. سپس شبکه عصبی با این مقادیر مقداردهی شده، داده‌های آموزشی به آن تزریق می‌شوند و خطای پیش‌بینی شبکه با معیار خطای میانگین مربعات (MSE) محاسبه می‌گردد. این مقدار خطا، تابع هزینه (Cost Function) ذره نامیده می‌شود که الگوریتم تلاش می‌کند آن را به حداقل ممکن برساند.

تشریح مجموعه داده پزشکی سرطان سینه (Breast Cancer)

یکی از وجوه تمایز این سورس کد، ارزیابی الگوریتم بر روی داده‌های واقعی پزشکی است. مجموعه داده سرطان سینه ویسکانسین موجود در مخزن دانشگاه UCI، یکی از استانداردهای شناخته‌شده بین‌المللی در ارزیابی الگوریتم‌های دسته‌بندی و هوش مصنوعی است.

این مجموعه داده بر پایه بررسی تصاویر نمونه‌های بافتی جمع‌آوری شده و ویژگی‌های مورفولوژیکی هسته سلول‌ها را مورد سنجش قرار می‌دهد. فاکتورهای بالینی ثبت‌شده در این دیتاست عبارت‌اند از:

• ضخامت توده سلولی (Clump Thickness)
• یکنواختی اندازه سلول‌ها (Uniformity of Cell Size)
• یکنواختی شکل سلول‌ها (Uniformity of Cell Shape)
• چسبندگی مرزهای سلولی (Marginal Adhesion)
• اندازه تک سلول بافت اپیتلیال (Single Epithelial Cell Size)
• هسته‌های برهنه (Bare Nuclei)
• کروماتین بلاند (Bland Chromatin)
• هسته‌های طبیعی (Normal Nucleoli)
• میتوز یا تقسیم سلولی (Mitoses)

هدف شبکه عصبی در این پروژه، تحلیل این ۹ ویژگی ورودی و تشخیص دقیق وضعیت خوش‌خیم بودن یا بدخیم بودن توده بافتی با بالاترین دقت آماری است.

گام‌به‌گام پیاده‌سازی سورس کد متلب

سورس کد ارائه‌شده در این پکیج با رعایت بالاترین استانداردهای مهندسی نرم‌افزار در متلب طراحی شده است. مراحل اجرای برنامه به شرح زیر است:

۱. مقداردهی و پاک‌سازی اولیه

در گام نخست، تمام متغیرهای حافظه، پنجره‌ها و هشدارهای غیرضروری نرم‌افزار پاک‌سازی می‌شوند و پارامترهای کنترل حرکت ذرات مقداردهی می‌گردند:

%% Start of Program
clc;
clear;
close all;
warning off;

N = 40;          % تعداد ذرات جمعیت
max_it = 100;    % حداکثر تکرار بهینه‌سازی
Vmax = 0.5;      % حداکثر سرعت حرکت ذرات
Vmin = -0.5;     % حداقل سرعت حرکت ذرات

۲. فراخوانی و پیش‌پردازش داده‌ها

داده‌های ورودی از فایل داده استخراج شده و به ماتریس ویژگی‌ها و بردار برچسب‌ها تفکیک می‌شوند:

%% Input Output Data
load IOdata;

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

۳. نرمال‌سازی مقادیر

به منظور جلوگیری از اشباع نورون‌ها و همگن‌سازی مقیاس ویژگی‌ها، داده‌های ورودی و خروجی با تقسیم بر مقادیر حداکثر، نرمال‌سازی می‌شوند:

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

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

۴. تفکیک هوشمند داده‌های آموزش و تست

داده‌ها با بهره‌گیری از توابع تصادفی با نسبت استاندارد ۷۰ درصد برای آموزش (Train) و ۳۰ درصد برای آزمون نهایی (Test) به صورت غیراریب جدا می‌گردند:

%% 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, :);

۵. بهینه‌سازی پارامترها و آموزش شبکه با PSO

تابع اختصاصی بهینه‌سازی فراخوانی شده و وزن‌ها و بایاس‌های بهینه تولید می‌شوند:

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

۶. اعتبارسنجی و ترسیم نمودارهای تحلیلی

پس از پایان فرآیند بهینه‌سازی، شبکه با وزن‌های استخراج‌شده برای داده‌های آزمون تست شده و معیارهای آماری رسم می‌گردند:

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

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

% ترسیم ماتریس درهم‌ریختگی
[c, cm, ind, per] = confusion(Yts', YtsNetP');
figure;
plotconfusion(Yts', YtsNetP');

% ترسیم نمودار ROC
figure;
plotroc(Yts', YtsNetP');

% ترسیم نمودار همگرایی آموزش
figure;
grid on;
plot(BestChartP, 'r', 'LineWidth', 2);
title('Train MSE Convergence');
xlabel('Iteration');
ylabel('Best Cost (MSE)');

تحلیل خروجی‌ها و نمودارهای گرافیکی پروژه

این سورس کد پس از پایان اجرا، گزارش‌های تحلیلی و خروجی‌های بصری زیر را به شکل خودکار نمایش می‌دهد:

• نمودار همگرایی خطای میانگین مربعات (MSE Convergence Plot): روند کاهش گام‌به‌گام خطای آموزش را در طی تکرارهای الگوریتم PSO نمایش می‌دهد. این نمودار گواهی روشن بر سرعت همگرایی و فرار موفق الگوریتم از تله کمینه‌های محلی است.
• ماتریس اغتشاش (Confusion Matrix): دقت تفکیک کلاس‌های مثبت و منفی را بر اساس شاخص‌های پایه‌ای داده‌های درست شناسایی‌شده (True Positive و True Negative) و اشتباهات پیش‌بینی (False Positive و False Negative) با جزئیات کامل و درصد صحت کلی ارائه می‌کند.
• منحنی مشخصه عملکرد سیستم (ROC Curve): نمودار ارزیابی حساسیت در برابر مشخصگی مدل که مساحت زیر منحنی (AUC) آن قدرت تفکیک شبکه آموزش‌دیده با الگوریتم PSO را به اثبات می‌رساند.
• محاسبه مقادیر کمی خطا: چاپ دقیق مقادیر خطای Train و Test در صفحه خط فرمان نرم‌افزار متلب جهت استفاده مستقیم در مقالات علمی و پایان‌نامه‌ها.

تصاویر خروجی حاصل از اجرا وزن شبکه عصبی در متلب

مزایای اختصاصی و دلایل تهیه این سورس کد

• تست‌شده، بدون خطا و تضمینی: این برنامه بارها توسط متخصصان فنی در نسخه‌های متنوع نرم‌افزار متلب کامپایل و اعتبارسنجی شده و عملکرد ۱۰۰٪ بدون باگ آن تضمین شده است.
• کدنویسی استاندارد با ساختار ماژولار: تمامی متغیرها و بخش‌های محاسباتی به روشنی نام‌گذاری شده و دارای توضیحات درون‌برنامه‌ای هستند تا امکان درک ساده و توسعه آسان آن فراهم باشد.
• انعطاف‌پذیری فوق‌العاده برای دیتاست‌های دیگر: ساختار نرم‌افزار به شیوه‌ای طراحی شده است که با جایگزین کردن فایل دیتاست خود به جای فایل داده پیش‌فرض، می‌توانید بلافاصله شبکه عصبی هایبرید را بر روی داده‌های پژوهشی، صنعتی، مالی یا پزشکی دلخواه خود به کار ببرید.
• صرفه‌جویی در زمان پژوهش: پیاده‌سازی هم‌زمان شبکه عصبی و الگوریتم‌های فراابتکاری از ابتدا نیازمند روزها محاسبات ریاضی پیچیده و رفع خطاهای احتمالی است. این پکیج آماده، شما را بلافاصله به نتایج تحلیلی و نمودارهای استاندارد مقاله می‌رساند.
• بهینه‌سازی شده در مصرف حافظه و پردازش: الگوریتم سرعت و بردار موقعیت ذرات در کد به شکل ماتریسی نوشته شده است تا از پتانسیل برداری متلب حداکثر استفاده را برده و سرعت اجرای فوق‌العاده‌ای داشته باشد.

تضمین کیفیت و دانلود آنی سورس کد

این سورس کد تخصصی توسط تیم کارشناسی بررسی، اعتبارسنجی و تایید شده و دارای نشان تضمین کیفیت است. بلافاصله پس از تکمیل فرآیند خرید آنلاین از درگاه‌های امن بانکی عضو شبکه شتاب، لینک دانلود مستقیم سورس کد متلب به همراه فایل‌های دیتاست در پنل کاربری شما فعال گردیده و آماده استفاده خواهد بود.