شبکه عصبی بهینه شده با الگوریتم فاخته

سورس کد برنامه پیاده سازی شبکه عصبی بهینه شده با الگوریتم فاخته در متلب عنوان محصولی است که در این پست به آن پرداخته شده است. محصول در نرم افزار متلب نوشته شده و بصورت کامل توسط گروه پشتیبانی تست و اجرا شده است. این محصول بهمراه فایل توضیحات سورس کد دراختیار شما قرار میگیرد. برای دانلود محصول آن را خریداری کنید.

توضیح روش

در این پروژه، الگوریتم جستجوی فاخته[۱]، برای بهینه­سازی شبکه عصبی، استفاده شده است. بطور خاص­تر، شبکه عصبی بعنوان تابع هدف بررسی می­شود و وزن­ها و بایاس^[۲] بوسیله روش الگوریتم فاخته بهینه­سازی شده تا وزن­های بهینه و بایاس، بدست آیند. بهترین وزن­ها و بایاس، برای ساخت شبکه عصبی بهتر از شبکه عصبی پایه، مناسب می­باشند.

فرایند شبکه عصبی که بوسیله­ی جستجوی فاخته بهینه شده، به سه بخش تقسیم می­شود: تعیین ساختار شبکه عصبی، بدست آوردن بهترین وزن­ها و بایاس از طریق الگوریتم فاخته و پیش بینی با شبکه عصبی است.

ساختار شبکه عصبی در بخش اول، بر پایه تعداد پارامترهای ورودی و خروجی تعیین شده و سپس طول هر عضو فاخته در الگوریتم فاخته، بر همان اساس تعیین می­شود.

در بخش دوم، الگوریتم فاخته برای بهینه­سازی وزن­ها و بایاس شبکه عصبی، استفاده می­شود. هر عضو در جمعیت فاخته، شامل همه وزن­ها و بایاس موجود در شبکه عصبی می­باشد. الگوریتم فاخته، موارد زیر را پیاده­سازی می­کند: مقداردهی الگوریتم فاخته، تعیین تابع ارزیابی، عملگر بروزرسانی موقعیت، عملگر انتخاب، عملگر جایگزینی و عملگر حذف. بدین صورت، عضو فاخته که دارای بهترین شایستگی می­باشد، پیدا می­شود. این فرآیند بهینه­سازی تا زمانی تکرار می­شود که بایاس و وزن­های رضایت­بخش پیدا شوند. در بخش آخر، شبکه عصبی با بایاس و وزن­های بهینه ساخته شده و برای پیش­بینی خروجی آموزش داده می­شود. بر اساس تحلیل فوق، فلوچارت الگوریتم شبکه عصبی و فاخته، را می­توان همانند شکل زیر طراحی کرد.

شبکه عصبی

شبکه عصبی در الگوریتم ترکیبی، مشابه با شبکه عصبی عادی می­باشد، و مراحل دقیق آن­را می‌توان بصورت زیر نشان داد.

1. تعیین ساختار شبکه عصبی: وزن‌ها و بایاس، بطور تصادفی، مقداردهی می­شوند و سپس، بر اساس الگوریتم  فاخته کدبندی می­شوند. وزن‌ها و  بایاس کدبندی  شده بعنوان ورودی فاخته برای بهینه­سازی شبکه عصبی استفاده می­شوند که از الگوریتم فاخته پیروی می­کند.
2. ساخت شبکه پس انتشار بهینه شده با الگوریتم فاخته[۱]: وزن­های بهینه و بایاس بدست آمده از الگوریتم فاخته، برای ساخت شبکه CSBP استفاده می­شوند. مجموعه آموزشی، برای آموزش شبکه استفاده شده و خطای آموزش محاسبه می­گردد. وقتی خطای آموزش مطابق با پیش نیازهای مربوطه باشد آموزش شبکه CSBP متوقف می شود.
3. خروجی پیش بینی شده: مجموعه تست، بعنوان ورودی شبکه CSBP آموزش دیده به منظور پیش­بینی خروجی استفاده می­شود.

---

[۱] Back Propagation Optimization by Cuckoo Search Algorithm (CSBP)

---

[۱] Cuckoo search (cs)

[۲] Bias