با سلام

در این قسمت شبکه عصبی LVQ (Learning Vector Quantization ) را معرفی می کنیم.

شبکه های lvq از شبکه های با ناظر و بدون ناظر (همزمان و ترکیبی) می باشند که به صورت کلاسیفیکیشن استفاده می شود. شبکه های lvq معمولا به دنبال SOM می آیند و در نتیجه SOM نقش استخراج گر ویژگی را ایفا می کند و شبکه ی lvq نقشه دیکودر را، که با توجه به نتیجه ی SOM به عنوان ویژگی ورودی کلاس داده ی مورد نظر را خروجی می دهد. این تصمیم گیری lvq بر اساس یادگیری با ناظر به دست می آید.

دو نسخه از lvq وجود دارد: lvq1 و lvq2. روش استاندارد lvq1 می باشد که به دلیل مشکلی که ممکن است به دلیل سادگی زیاد روش آموزش به وجود بیاید روش lvq2 پیشنهاد شده است.

پس از آموزش ساختار شبکه lvq به صورت تئوری، به صورت عملی یک شبکه lvq را از ابتدا در MATLAB پیاده سازی می کنیم و فایل آن قابل دانلود است. این شبکه از شبکه ی SOM ورودی خود را دریافت می کند. در پایان با استفاده از تولباکس متلب هم یک شبکه ی lvq را پیاده سازی می کنیم و آن را آموزش می دهیم.

در این جلسه مهم ترین مطالبی که ذکر خواهند شد به شرح زیر می باشند:

  1. خصوصیات
  2. استخراج ویژگی توسط SOM
  3. پردازش رقابتی
  4. lvq1
  5. ویژگی های اصلی و مشکلات
  6. نورون مرده
  7. lvq2
  8. آموزش شبکه های lvq1 و lvq2
  9. پیاده سازی شبکه lvq در متلب (هم کد نویسی بصورت دستی و هم کد تولباکس متلب)

تذکر:

قسمت های قبلی این مجموعه آموزشی را می توانید از اینجا مشاهده نمایید.

یادآوری:

برای کتاب می توانید کتاب شبکه های عصبی و کنترل کننده های عصبی پیشرفته نوشته ی دکتر تشنه لب ، استاد دانشگاه صنعتی خواجه نصیر رو به زبان قارسی تهیه کتید. به دلیل حمایت از نویسنده لینک دانلودی برای این کتاب قرار داده نمی شود.

کتاب های انگلیسی به دلیل عدم امکان دسترسی به آن ها در ایران، لینک دانلودشان قرار داده می شود.

شما می توانید کتاب Intelligent Control Based On Flexible Neural Network دکتر تشنه لب را از اینجا و کتاب A Brief Introduction to Neural Networks ,David Kriesel را از اینجا دانلود کنید.