Self organzing neural network
- 1. Dr gafar zen alabdeen salh (2011)
1
التنظيم ذاتية العصبية الشبكات
self-organzing neural network
إعداد:د.صالح العابدين ينز جعفر
وتقانة الحاسوب علوم كلية النيلين جامعة
املعلومات
- 2. Dr gafar zen alabdeen salh (2011)
2
تكونالشبكاتالعصبيةذاتيةالتنظيمفعالةفي
التعاملمعالظروفغيرالمتوقعة،والمتغيرة
وفيهذاالجزءنتناولالتعلمالهيبياني.والمبني
عليالشبكاتذاتيةالتنظيم
- 4. Dr gafar zen alabdeen salh
(2011)
4
فيعام1949اقترحدونالدهيبdonald hebbعالم
األعصابالنفسياحدياألفكارالرئيسيةفيالتعلم
البيولوجي،والمعروفةبصورةاعتياديةقانونهيب
(1949)يذكرقانونهيبانهإذاكانالعصبونiقريبا
قرباكافيامنالعصبونالمثارjوتكررمصاحبيتهفي
تنشيطهفتحدثتقويةلنقطةاالشتباكبينهذينالعصبونين
،ويصبحالعصبونjاكثرحساسيةللتنبيهمنالعصبونi
- 5. Dr gafar zen alabdeen salh (2011)
5
ويمكنناتمثيلقانونهيبمنقاعدتينكمايلي(ستينت
1973)
إذاحدثتنشيطلعصبونينعليأيجانبمنارتباطهما
متزامنينفيزدادعندذلكوزنهذااالرتباط
إذاحدثتنشيطلعصبونينعليأيجانبمنارتباطهماغير
متزامنينفيقلعندذلكوزنهذااالرتباط.
- 6. Dr gafar zen alabdeen salh (2011)
6
معلم دون للتعلم األساس هيب قانون ويقدم.ه التعلم فيكونظاهرة نا
البيئة من مرتجعة تغذية دون تحدث محلية.ال الشكل وبينتعلم تالي
هيبيانعصبية شبكة في
المطبق الضبط عن التعبير يمكننا هيب قانون وباستخدامالوزن علي
wijالتكرار عندpالتالية الصورة في:
∆Wij(p)= F(yj(p) ×xj(p))
حيثF(yj(p) ×xj(p))دالةفيكلمنانشطةنقطةاالشتباك
التاليةوالسابقة
- 7. Dr gafar zen alabdeen salh (2011)
7
وكحالةخاصةيمكنناتمثيلقانونهيبكمايلي(هايكين1994)
∆Wij(p)= α× yj(p) ×xi(p)
حيثαمعلمةمعدلالتعلمLEARNING RATE
ويشارإليهذهالمعادلةعليأنهاقاعدةضربالنشاطactivity
product ruleوتبينكيفيرتبطالتغيرفيوزناالشتباك
المتصلةبينزوجمنالعصبونبحاصلضرباإلشاراتالواردة
واإلشاراتالصادرة.
- 8. Dr gafar zen alabdeen salh (2011)
8
ويشملالتعلمالهيبيانياناالوزانيمكنانتزدادفقط،وبكلمات
اخري،يسمحقانونهيببزيادةقوةاالرتباط،ولكنهاليوفر
وسيلةلتقليلالقوة.لذلكيمكنانيقودالتطبيقالمتكررالشارات
المدخالتالوزنwijاليالتشبع.ولحلهذهالمشكلةفيمكنناان
نفرضحداعلينمواوزاننقاطاالشتباك.ويمكنعملذلكعن
طريقتقديممعاملنسيانforgetting factorغيرخطيفي
قانونهيبفيالمعادلةالسابقةعليالنحواالتي:
∆Wij(p)= α× yj(p) ×xj(p) - φ× yj(p) ×Wij(p)
حيثφالنسيان معامل هو
- 9. النسيان معامل يعنيه الذي ما
Dr gafar zen alabdeen salh (2011)
9
يحددمعاملالنسيانφتاكلالوزنفيدورةتعلمفردية.وعادةمايقع
فيفترةتتراوحمن0،و1وتكونالشبكةالعصبيةقادرةعليتقوية
اوزاننقاطاشتباكهافقط،ونتيجهلذلكتنموهذهاالوزانتجاهالالنهاية
.ومنناحيةاخري،اذاكانمعاملالنسيانقريبامن1،تتذكرالشبكة
قليال“جدا“مماتتعلمه.ولذلك،يجباختيارمعاملالنسيانصغير
جدا“،تقليديا“تقعبين0.01و0.1ليسمحبنسيانقليلفقطأثناءتقييد
نموالوزن.
يشار صورة في المعادلة كتابة ويمكناليهابانهاالن ضرب قاعدةشاط
المعممgeneralized activity product rule
∆Wij(p)= φ yj(p)[λxj(p) - Wij(p)]
حيثλ=α/φ
- 10. Dr gafar zen alabdeen salh (2011)
10
وتشملقاعدةضربالنشاطالمعممانه،اذاكاننشاطنقطةاالشتباك
السابقة(مدخالتالعصبونi)عندالتكرارp،وتكونxi(p)اقلمن
wij(p)/λ،وبعدذلكيقلوزننقطةاالشتباكعنالتكرار(p+1)وهو
wij(p+1)،وبكميةتتناسبمعنشاطنقطةاالشتباكالتالية
(المخرجاتمنالعصبونj)عندالتكرارp،وهوyj(p).ومنناحيه
اخري،اذاكانxi(p)اكبرمنwij(p)/λ،عندذلكيزدادوزن
نقطةاالشتباكعندالتكرار(p+1)وهوwij(p+1)ايضا“باتناسب
معمخرجاتالعصبونj،وهيyj(p)وبكلماتاخري،يمكنناتحديد
نقطةتوازنالنشاطactivity balance pointلتعديلوزننقطة
االشتباككمتغيريساويwij(p)/λ.وتحلهذهالطريقةمشكلةالزيادة
الالنهائيةألوزاننقاطاالشتباك.
واالننستخلصخوارزميةالتعلمالهيبيانيالمعممة:
- 11. المعممة الهيبياني التعلم خوارزمية
Dr gafar zen alabdeen salh (2011)
11
الخطوةاالولي:وضعالقيماالبتدائية
حدداوزاننقاطاالشتباك،والعتباتاالبتدائيةبقيمعشوائية
صغيرة،ولتكنفيالفترة[0,1].حددايضاقيماموجبهصغيرة
لمعلمةمعدلالتعلمα،ومعاملالنسيانφ.
الخطوةالثانية:التنشيط
احسبمخرجاتالعصبونعندالتكرارp
حيثnعددمدخالتالعصبون،وθjقيمةالعتبةللعصبونj
n
i
jijij pwpxpy
1
)()()(
- 12. Dr gafar zen alabdeen salh (2011)
12
الخطوةالثالثة:التعلم
جدداألوزانفيالشبكة:
∆Wij(p) = Wij(p)+ ∆Wij(p)
حيث∆Wij(p)تصحيحالوزنعندالتكرارp
وتحددتصحيحالوزنبواسطةقاعدةضربالنشاطالمعمم:
∆Wij(p)= φ yj(p)[λxj(p) - Wij(p)]
حيثλ=α/φ
- 13. Dr gafar zen alabdeen salh (2011)
13
الخطوةالرابعة:التكرار
أضف1إليالتكرارp،وارجعإليالخطوةالثانية،واستمر
حتيتصلأوزاننقاطاالشتباكإليقيمحالتهاالمستقرة
- 14. Dr gafar zen alabdeen salh (2011)
14
وتوضيحالتعلمالهيبياني،نتناولتغذيةلألماممرتبطةببعضها
بعضاارتباطاكامال“.ولهاطبقةواحدةمنخمسةعصبونات
للحسابكمابينهفيالشكلالتالي.يمثلكلعصبونبنموج
ماكولوشوبيتسبدالةتنشيطاالشارة.والشبكةمدربةبقاعدة
ضربالنشاطالمعممعليمتجهاتفئةالمدخالتالتالية
- 16. Dr gafar zen alabdeen salh (2011)
16
يتكونمتجهالمدخالتهناx1متجهاصفريا.وكمايمكنكان
تالحظأيضا“،تكوناشارتالمدخالتx4(فيالمتجهx3)و
x3(فيالمتجهx4)مكوناتالوحدةالمناظرةللمتجهاتفقط,
بينماتاتياشارهالوحدةx2وx5دائمامعبعضهماالبعضما
يمكنرويتهفيالمتجهاتx2وx5.
- 17. Dr gafar zen alabdeen salh (2011)
17
وفيمثالنا،تمثلمصفوفةاألوزاناالبتدائيةبمصفوفةالوحدةI
وهيمصفوفة5*5لذلك،فيالحالةاالبتدائيةيكونكلعصبون
فيطبقةالمدخالتمتصالبعصبونفينفسالموقعفيطبقة
المخرجاتمعوزننقطةاشتباكi،وبعصبوناتاخريباالوزان
0.وتحددالعتباتبارقامعشوائيةتقعفيالفترةبين0و1.
وتخذمعلمةمعدلالتعلمα،ومعاملالنسيانφبانهما0.1و
0.02عليالتوالي
- 18. Dr gafar zen alabdeen salh (2011)
18
وبعدالتريبكمايمكنكانتريفيالشكلالسابقتصبحمصفوفة
االوزانمختلفةعنمصفوفةالوحدةاالبتدائيةi.لقدازدات
االوزانبينالعصبون2فيطبقةالمدخالت,والعصبون5في
طبقةالمخرجات.وبينالعصبون5فيطبقةالمدخالتو
العصبون2فيطبقةالمخرجاتمن0الي2.0204.وتعلمت
شبكتنامصاحباتجديده.وفينفسالوقت،اصبحالوزنبين
العصبون1فيطبقةالمدخالتوالعصبون1فيطبقةالمخرجات
0.ونسيتالشبكةهذهالمصاحبه
- 19. Dr gafar zen alabdeen salh (2011)
19
دعنانختبراالنشبكتنا.يعرفمتجهاالختبار،اوالمجس،كما
يلي:
عندتقديمهذاالمجسللشبكةفإننانحصلعلياألتي:
1
0
0
0
1
x
- 20. Dr gafar zen alabdeen salh (2011)
20
1
0
0
1
0
0737.0
9478.0
0907.0
2661.0
4940.0
1
0
0
0
1
0204.2000204.20
09996.0000
000200.100
0204.2000204.20
00000
signy
)( wxsigny
- 21. Dr gafar zen alabdeen salh (2011)
21
بالتأكيدالكافي،للشبكةالمدخالتالمصاحبةx5معالمخرجاتy2
وy5النالمدخالتx2وx5كانتمزدوجةاثناءالتدريب.اال
انالشبكةاليمكنهاانتصاحبالمدخالتx1معالمخرجاتy1
بعدذلكالنمدخالتالوحدةx1التظهراثناءالتدريب،وفقدت
شبكتناالمقدرةعليتميزها.
لذلك،يمكنانتتعلمالشبكةالعصبيةفعالانتصاحبالتنبيه
المقدممشتركامعبعضهبعضا،واألكثرأهميههوأنالشبكةيمكن
أنتتعلمدونمعلم