میهن داکیومنت                میهن داکیومنت                      میهن داکیومنت              میهن داکیومنت

مرکز دانلود پایان نامه ، پروژه ، روش تحقیق ، مقاله 


میهن داک - میهن داکیومنت

دانلود مقاله شبکه عصبی


کد محصول : 10001383 نوع فایل : word تعداد صفحات : 22 صفحه قیمت محصول : رایگان تعداد بازدید 275

دانلودرایگان فایل رمز فایل : m1d1383

فهرست مطالب و صفحات نخست


 شبکه عصبی

مقدمه:
خلاصه سازي روشي است براي فشرده سازي منتهاي  بسياربزرگ كه به دليل روش بيشترين درمرتبط نرين اطلاعات موجود درمتن استخراج مي شودآنچه كه مارادراين محدود مي نمايد استخراج مرتبط ترين اطلاعات وعامل مهم ديگرخواندني بودن وقابل فهم بودن متن است.
باتوجه به افزايش روزافزون اطلاعات موجود دراينترنت كه به صورت الكترونيكي ارائه مي شود، تحقيقات وسيعي برروي اين زمينه درحال انجام است تابتوان هرچه سريع تر به مرتبط ترين اطلاعات   است يافت مثلاٌ :اگر شما دراينترنت به دنبال موضوعي باشيد حجم وسيعي ازصفحات اينترنتي دراختيار شما قرار ني گيرد حال بايد تك تك اين صفحات رابه طور كامل  مطالعه ؟؟؟؟؟ به اطلاعات موردنياز دست پيداكنيم . ولي به كمك روشهاي خلاصه سازي مي توان به راحتي خلاصه يك صفحه اينترنتي رادرچند جمله مشاهده كنيد وسپس به به طور خلاصه سازي كلي صورت مي پذيرد:
1-    خلاصه سازي مبتني برفهم مطلب
2-    خلاصه سازي مبتني براستخراج مطالب مهم
روش اول كه نام ديگرآن (پرورش طبيعي زباني) (NLP) مي باشد يعني سعي وآموزش سيستم درفهميدن متن وباتوجه كه قواعد وساختار هاي زباني درباره وبايك ساختار جديد تري متن راخلاصه كند دراين روش مانياز مند گرامر ونحوه جمله نويسي يك زبان خاص هستيم.
قدرت واهميت اين روش دراين است كه ازدقت بالاتري برخوردار است ولي به دليل سرعت پائين وپيچيدگي بسيار زياد كمتراستفاده مي شود.
روش دوم كه به روش هاي آماري معروف هستند ابتدا متن رابه تعداد جملات خود افراد كرده وهر جمله رابايك بردار نگاشت مي كنيم كه اين بردار ها مثال يك سري ويژگي هاي خاص نظير تعداد كلمات بعد وياتعداد اتفاقيي افتادن كلمات كليدي درآن و... مي باشد ازاين روش نيازمند يهاي زيادي هستيم تابه يك كليت ارتمام تنها بوسيله ازاين روش براساس يك سري ويژگي كه بردار هرجمله  تشكيل مي دهند يادميگيريم كه چ=گونه جملات مزتبط بامفهوم متن راپيدا كنيم.
درساليان اخير شاهد حركتي مستمر ، ازتحقيقا ت صرفاً تئوري به تحقيقات  كاربردي بخصوص درزمينه  پردازش اطلاعات ، براي مسائلي كه براي آنه ا راه حلي موجود نيست ويا براحتي قابل حل نيستندبوده ايم. باعنايت به اين امر ، علاقه فرازينده اي درتوسعه تئوريك سيستمهاي ديناميكي هوشمند كه مبتني برداده ها تجربي هستتند – ايجاد شد ه است شبكه هاي عصبي مصنوعي جزء اين دسته ازسيستماي ديناميكي قراردارند، كه باپردازش روي داده ها ي تجربي ، دانش ياقانون نهفته دروراي داده ها رابه ساختار شبكه منتقل مي كنند. به همين خاطر به اين سيستمها هوشمند گويند چراكه براساس محاسبات روي داده ها ي عددي يامثالها، قوانين كلي رافرار مي گيرند .اين سيستمها درمدلسازي ساختار نرو- سيناتپتيكي مغز باشد.
پياد ه سازي ويژگيهاي شگف انگيز مغز دريك سيستم مصنوعي (سيستم ديناميكي ساخته دست بشر) هميشه وسوسه  انگيز ومطلوب بوده است محققيني كه طي سالها در اين زمينه فعاليت كرده اند بسيارند؛ ليكن نتيجه اي ن تلاشها ، صرف نظر ازيافته هاي ارزشمند، باور هرچه بيشتر اين اصل بوده اس ت كه مغز بشر دست نيافتني است.
سبكه هاي عصبي چه دربعد آناليز وتوسعه ساختاري وچه دربعد پياده سازي سخت افزار ازنظر كمي وكيفي وتوانايي درحال رشد وپيشرفت مي باشد وتكنيكهاي مختلف محاسبات عصبي ازلحاظ تعداد همچنان درحال افزايش است فعاليت علمي و كاربردي درمسائل فني – مهندسي ازقبيل سيستمهاي كنترلي ،پردازش سيگنالهاو شناسايي الگو گسترش يافته است. بااذعان بخه اين مسائل، دراين بخش قصد داريم به معناي شبكه هاي عصبي مصنوعي ، حدود انتظارات ماازاين شبكه هاوشباهتهاي آنها با شبكه هاي واقعي بپردازيم.
هنگامي كه اين جملات رامطالعه مي كنيد درعمل ازيك سيستم شبكه هاي عصبي بيولوژيكي پيچيده ، جهت فهم مطالب كتاب مي ناييدازمغز به عنوان يك سيستم پردازش اطلاعات باساختار موازي وكاملاً پيچيده كه دو درصد وزن بدن راتشكيل مي دهد.
وبيش از بيست درصد كل اكسيژن بدن را مصرف مي كند براي خواندن، نفس كشيدن ، حركت، تفكر وتفحص وكليه اعمال آگاهانه وبسياري ازرفتارهاي ناخودآگاه استفاده مي شود. جهت واضح شدن توانائي مغز، يك بازي تنيس رادرنظر بگيريد بازيكن اول به توپ ضربه مزند وتوپ باسرعتي بيش از 130كيلومتر درساعت ب ه زمين حريف مي رس د حريف مقابل نيز با سرعتي معادل 60 كيلومتر درساعت به توپ ارسالي پاسخ مي دهد.تصور نماييد كه چه حجم عظيمي ازاطلاعات  وسيگانلها جهت اين كار ودرطي زماني كمتر از چندثانيه بايستي جمع آوري وحاسبه شود. اين كه چگونه مغز اين كارها راانجا م مي دهد اززماني مطرح شد كه دريافتند مغز براي محاسبات خود، از ساختاري كاملاً مغاير باساختار متداول برخوردار مي باشد.تلاش براي فهم اين موضوع خصوصاً ازسال 1911قوت گرفت ، زماني كه براي نخستين بارشخصي به نام سگال اعلام كرد كه مغز ازعناصر اصلي ساختاري به نام نرون تشكيل يافته است.
هرنرون بيولوژيكي به عنوان اجتماعي ازموادآلي اگر چه داراي پيچيدگي يك ميكروپروسسور مي باشد ولي داراي سرعت محاسباتي برابر بايك  ميكروپروسسور نيست.
بعضي ازساختارهاي نروني درهنگام تولد ساخته  مي شوند وقسمتهاي ديگر درطول مسير حيات ، مخصوصاً دراوايل زندگي به و.جود  مي آيند وقوام مي گيرند دانشمندان علم بيولوژيكي به تازگي دريافته اند كه عملكرد نرونهاي بيولوژيكي ازقبيل ذخيره سازي وحفظ بيولوژيكي درخودنرونها  وارتباطات بين نرونها ن هفته است. به عبارت فني تر ، يادگيري به عنوان ايجاد ارتباطات جديد بين نرونها وتنظيم مجدد ارتباطات موجود استنباط مي شود.
اگر چه دانش كمي ازعملكرد نرونها داريم، ليكن سوال اين جاست كه آيا مي توان يك شبكه كوچك تزنرونها ي مصنوعي ساده ساخت، بطوري كه جهت حل مسائل پيچيده – كه دراصل چيزي جز يادگيري نگاشتها نيست- آموزش پذير باشد؟ پاسخ مثبت است واين كتاب دراصل جوابي براين مدعاست.
انتظارات
شبكه هاي عصبي باوجود اين كه باسيستم عصبي طبيعي قابل مقايسه نيستند ويژگيهايي دارند كه آنها رادربعضي ازكابردهايي مانند تفكيك الگو، رباتيك ، كنترل، وبطور كلي درهرجا كه نياز به يادگيري يك نگاشت خطي وياغير خطي باشد، ممتاز مي نمايند اين ويژگيها به شرح زير هستند:
1-    قابليت يادگيري:
استخراج نتايج تحليلي ازيك نگاشت غير خطي كه باچند مشخص شده، كار ساده اي نيست، زيرا نرون يك دستگا ه غيرخطي است ودرنتيجه يك شبكه عصبي كه از اجتماع اين نرونها تشكيل مي شود نيز يك سيستم كاملاً پيچيده وغير خطي خواهد بود. به علاوه، خاصيت غير .خطي عناصر پردازش، ذدركل شبكه توزيع مي گردد. پياده سازي اين نتايج با يك الگوريتم معمولي وبدون قابلي ت يادگيري ، نياز به دقت ومراقبت زيادي دارد. درچنين حالتي سيستمي كه بتواند خود اي ن رابطه رااستخراج كند بسيار سودمند به نظر مي رسدخصوصاًافزودن مثالهاي احتمالي درآينده به يك سيستم باقابليت يادگيري ، به مراتب آسانتر ازانجام آن دريك سيستم بدون چنين قابليتي است، چراكه درسيستم اخير ، افزودن يك مثال جديد به منزله تعويض كليه كارهاي انجام شده قبلي است.
قابليت يادگيري يعني توانايي تنظيم پارامترهاي شبكه( وزنهاي سيناپتيكي) درمسيرزماني كه محيط شبكه تغيير مي كند وشبكه شرايط جديد راتجربه مي كند بااين هدف كه اگر شبكه براي يك وضعيت خاص آموزش ديد وتغيير كوچكي ئرشرايط محيطي آن (وضعيت) رخ داد، شبكه بتواند باآموزش مختصر براي شرايط جديد نيزكارآمد باشد.ديگر اين كه اطلاعات درشبكه هاي عصبي درسيناپسها ذخيره مي گرددوهرنرون در شبكه، به صورت بالقوه از.كل فعاليت ساير نرونها متأثرمي شود ودرنتيجه ، اطلاعات ازنوع مجزا ازهم نبوده بلكه متأثر ازكل شبكه مي باشد.
2-    پراكندگي اطلاعات پردازش اطلاعات به صورت متن:
آنچه كه شبكه فرامي گيرد(اطلاعات يادانش)، دروزنهاي سيناپسي مستتر مي باشد. رابطه يك به يك بين وروديها و وزنهاي سيناپتيكي وجود ندارد. مي توان گفت كه هروزن سيناپسي مربوط به همه روريهاست ولي به هيچ يك از آنها بطور منفرد ومجزا مربوط نيست. به عبارت ديگر هرنرون درشبكه ،ازكل فعاليت ساير نرونها متاثر مي باشد، در نتيجه ، اطلاعات به صورت متن توسط شبكه هاي عصبي پردازش مي شوند.براين اساس چناچه بخشي ازسلولهاي شبكه حذف شوند وياعملكرد غلط داشته باشندبازهم احتمال رسيدن به پاسخ صحيح وجوددارد.اگر چه اي ن احتمال براي تمام وروديه ا كاهش يافته ولي براي هيچ يك ازبين نرفته است.
3-    قابليت تعميم:
پس از آنكه مثالهاي اوليه به شبكه  آموزش داده شد، شبكه مي تواند درمقابف يك ورودي آموزش داده نشده قرارگيرند ويك خروجي مناسب ارائه نمايند.اين خروجي بر اساس مكانيسم تعميم، كه همانا چيزي جز فرايند درونيابي نيست به دست مي .ايد .به عبارت روشنتر ،شبكه ، تابع  راياد مي گيرد، الگوريتم رامي آموزد ويا رابطه تحليلي مناسبي رابراي تعدادي نقاط درفضا به دست مي اورد.
4-    پردازش موازي:
هنگامي كه شبكه   عصبي درقالب سخت افزار پياده سلولهايي كه دريك تراز قرار ميگيرند مي توانند بطور همزمان به وروديهاي آن تراز پاسخ دهند .اين ويژگي باعث افزايش سرعت پردازش مي شود .درواقع درچنين سيستمي ،وظيفه كلي پردازش بين پردازنده هاي كوچكتر مستقل ازيكديگر توزيع مي گردد.
5-    مقاوم بودن:
دريك شبكه عصبي هرسلول بطور مستقل عمل مي كند ورفتار كلي شبكه ، برايند رفتارهاي محلي سوللهاي متعدد است.اين ويژگي باعث مي شود تاخطاها ي محلي ازچشم خروجي نهايي دوربمانند.به عبارت ديگر، سلولها دريك روند همكاري ،خطاها ي محلي يكديگر راتصحيح ميكنند. اين خصوصيت باعث افزايش قابليت مقاوم بودن، (تحمل پذيري خطاها) درسيستم مي گردد.

درروش هاي آماري براساس شمارش ويژگي هاي  موردنظر ويادگيري الگوي خلاصه سازي براي هرجمله امتيازي درنظر گرفته مي شود وجملات مهم تركه امتياز ويادگيري الگوي خلاصه استخراج مي شوند.اولين روش يادگيري نظارتي توسط Kupie cetal انجام شد دراين روش ازاحتمال وجود يك جمله رادرخلاصه باتوجه به تصاوير ويژگيهاي موردنظرش استخراج ميكرد.روش هاي نظارتي ديگر روزمره درحال تحقيقات گسترده هستند Chauny وبانك الگوريتم هاي زيادي رابراي جداسازي واستخراج جملات استفاده كردند.
همانطور كه ذكرشد هرقاعده شامل يك مقدمه است كه ابزارآن توسط عملكردخاي AMP ،OR    به هم مربوط ده اند درروش ؟؟؟ ازعملكرد MIN براي amp ازعملكرد MAN براي OR استفاده ميكنيم هرقاعده اي كه تحت مقدمه آن درجه ؟؟؟؟؟‌داشته باشد فعال مي شود بنابراين اگر ازتوابع ؟؟ گاوسي استفاده كنيم توام قواعد فعال خواهدشد اگر ق.اعد نازي توسط عملكردOR به هم مربوط شده باشند براي تركيب (Aggergation) قواعد  فعال شد ( يعني بدست آوردن يك خروجي واحد ازروي خروجيهاي اين قواعد) مالكزيم خروجيهاي قواعد رابدست مي آوريم.
روش فوق رااستنباح – man – min مي ناميم روش ديگر  - ?um – Prod است كه درآن ازحزب براي عملكرد AND وازجمع براي عملكرد OR استفاده مي آوريم.
مرحله غير فازي سازي:
درمرحله غيرنازي سازي (Depazzificalion) باتوجه به سطحي كه درمرحله استنتاج بدست آمده است.مقداري حقيقي براي خروجي بدست مي آوريم روشهاي مختلفي براي غير فارسي سازي وجوددارد كه پركاربردترين آنها روش گرانيگاه (centero f Avermy) است. گرانيگاه سفت كننده سطح ميانگين تمام مقاديري بيشترين ؟؟؟عضويت هستند ،كوچكترين مقداري كه داراي بيشترين درجه عضويت است. بزرگترين مقداري كه داراي بيشترين درجه عضويت است.
در منطق كلاسيك يك عنصر يا متعلق به يك مجموعه هست و يا نيست به عبارت ديگر درجه عضويت هر عنصر در يك مجموعه مفروض يافته است و يا يك اما در منطق فازي درجه عضويت هر عنصر عددي بين صفر و يك است.
دلايل بهره گيري از منطق فازي بيشتر مدول سازي يك سيستم به شدت غيرخطي و بدون داشتن مدل رياضي است.
مراحل پياده سازي سيستم فازي:
1-    مرحله فازي سازي:
مرحله فازي سازي مرحله تعريف مجموعه هاي فازي براي متغيرهاي ورودي و خروجي است براي تعريف اين مجموعه هاي فازي بايد دانش اوليه اي از دانه تعريف هر كدام از اين متغيرها را داشته باشيم.
اولين مرحله كل فضاي ورودي را مي توان با توابع خاصي تقسيم بندي كرد. كه اين توابع عبارتند از:

2-    مرحله استنتاج:
در مرحله استنتاج، تعدادي قاعده فازي به وجود مي آوريم و با استفاده از اين قواعد تعداد سيگنال كنترل را با توجه به مقدار خطا و مشتق آن محاسبه مي كنيم هر قاعده فازي شامل دو قسمت است يك قسمت مقدم به صورت (اگر ...) و يك قسمت نتيجه به صورت (آنگاه ....)

خلاصه سازي با شبكه عصبي:
همان طور كه قبلاً گفته شد اولين گام انتخاب ويژگي هاي مورد نظر است.
در اين روش و روش بخش بعدي از اين ويژگي ها استفاده مي كنيم.
1-    تعداد تكرار كلمات عنوان از متن
2-    آيا جمله اول پاراگراف است
3-    آيا جمله آخر پاراگراف است
4-    تعداد كلمات در جمله
5-    تعداد كلمات كليدي در جمله
6-    تعداد كلماتي مانند خيلي بيشترين و ...
در بخش استخراج ويژگي ها از visual C++(6) استفاده شده است دلايل اين كار اين است كه اولاً با آرايه ها در C بسيار آسان تر از زبان هاي ديگر است بر سرعت بالاي پردازش از Visual c در مقايسه با MATIAB و ويژگي بسيار متمايز و دليل اصلي اين استفاده اين بود كه چون هدف طراحي يك نرم افزار براي زبان فارسي بود و در اين راستا Visual C++ امكانات مناسبتري را به برنامه نويس مي داد. هر چند به علت اينكه بقيه كار با MATLAB7 انجام شده بود و فراخواني اين كامپايلر مشكل مي شد اما به دلايل نامبرده شده ترجيح داده شد تا از اين زبان برنامه نويسي استفاده كنيم.
خروجي اين برنامه فايل مطلبي بود كه به راحتي سوخت مورد نياز براي شبكه عصبي كه اساس اصلي كار بود را فراهم مي نمود.
Baxendale در [ ] بيان داشت كه جملاتي كه در ابتدا و آخر پاراگراف ها بيان مي شود جملات خوبي براي خلاصه هستند و همچنين Baxendale نشان داد كه جملات خيلي كوتاه هم اطلاعات مفيدي براي خلاصه ندارند.
ويژگي اول بيان داشت تعداد كلمات عنوان در متن احتمال مربوط بودن به مفهوم متن را افزايش مي دهد و در اين ويژگي عنوان متن را در يك فايل ذخيره كرده فايل را به صورت آرايه اي خوانده و در جمله متن تعداد كلمات مشابه را پيدا كرده و شمارش مي كنيم كه اين يك ويژگي بسيار مهم است كه به استخراج جملات مربوط كمك مي كند.

لازم به تذكر است تنها محدوديتي كه در اين روش وجود دارد ساختار اوست جمله بندي است به عنوان مثال در متن هاي رسمي پاراگراف با چند فاصله از ابتداي خط آغاز مي شود و اين تنها ويژگي مشخصه پاراگراف است به اين ترتيب پاراگراف ها را پيدا مي كنيم و سپس جمله اول هر پاراگراف و جمله آخر آن را به صورت صفر اگر جمله اول نباشد و آخر هم نباشد يك اگر جمله اول باشد دو اگر جمله آخر پاراگراف باشد بيان مي داريم همان طور كه در مراجع بيان مي شود [ ] جملات بسيار كوتاه جملات مناسبي براي ما نيستند. لذا با شمارش تعداد كلمات موجود در متن مي توان از آنها نيز پرهيز كرد.
تعداد كلمات كليدي هم ويژگي بسيار مهمي است، نحوه محاسبه اين ويژگي به اين گونه است:
ابتدا تمام كلمات اضافه را در فايلي ذخيره مي كنيم در متن به دنبال اين كلمات مي گرديم و آنها را از جمله ها حذف مي كنيم حال در متن باقي مانده به شمارش كلمات مي پردازيم. كلماتي كه بيش از 10 بار (يا هر چند باري كه بخواهيم) تكرار شوند را به عنوان كلمات كليدي استخراج مي كنيم كه اين روش را در مرجع [ ] بيان كرده است.
اين يك ويژگي بسيار مهم است زيرا جملاتي كه حاوي اين كلمات هستند به احتمال زياد بيشترين ارتباط را با مفهوم متن دارند.
آخرين ويژگي كه بيان شده است تعداد كلمات تأكيد و تحسين است كه باز بيان گر اهميت اين جملات است اينها ويژگي هايي هستند كه به نوعي مي توان در متن هاي فارسي نيز استخراج گردد كه نحوه اين كار را در فصل هاي آتي بيان مي داريم.
در اين گزارش و در قسمت شبكه اي عصبي ابتدا شبكه عصبي را با وجود يا عدم وجود جمله در خلاصه آموزش مي دهيم و سپس با ارزش وجود جمله در خلاصه به اين معني كه جمله i ام با چه ارزشي مي تواند در خلاصه قرار داشته باشد.
روش اول با توجه به مقاله k.kaikah [ ] انجام مي شود و روش دوم روشي است كه در اين گزارش معرفي مي گردد به منظور آموزش شبكه عصبي از 1300 جمله استفاده شد كه جملات را در يك فايل مطلب نگهداري كرده و سپس ميزان حضور آنها را در خلاصه بيان داشتيم و شبكه را به اين وسيله آموزش داديم. اين يكي از ويژگي هاي اين روش در مقايسه با روش هاي قبلي است. چون هر خواننده اي مي تواند اين آموزش را به وسيله سبك و روش خود در خلاصه سازي انجام دهد. تذكر اين نكته مهم است كه براي هر متن نيازي نيست كه كاربر دوباره شبكه را آموزش دهد و تنها يك بار آموزش شبكه كافي است.
در اين روش، از روش آموزش ماركوآرت- لونبرگ استفاده كرده ايم كه الگوريتم دقيق اين كار را بيان خواهيم كرد.
پس از 2500 گام شبكه عصبي به خطاي مورد نظر رسيده و كار تمام مي شود حال هر متن دلخواه كه به عنوان ورودي از كاربر دريافت مي كند با كمك اين شبكه عصبي آموزش ديده شده خروجي به صورت سفر يعني جمله خوبي براي خلاصه نيست و يا يك يعني جمله خوبي براي خلاصه است خواهد بود.
و در روش ما چون آموزش با يك سري عدد بين صفر و يك است و در واقع بيانگر ارزش و وزن هر جمله در خروجي است، خروجي شبكه، قدرت هر جمله را در خلاصه بيان مي دارد.
از ويژگي هاي اين روش علاوه بر دقت و ديگر پارامترها مي توان به اين اشاره كرد كه به كاربر اجازه مي دهيم تا هر اندازه كه مي خواهد متن را خلاصه كند مثلاً اگر كاربر مي خواهد تا 20% خلاصه كند 20% بالاترين خروجي ها را انتخاب مي كنيم و ...
براي استخراج خلاصه از روشي كه Microsoft office استفاده كرده است بهره گرفتيم به طوري كه جملات انتخاب شده را در روي متن اصلي رنگي مي كنيم. اين كار باعث مي شود تا انسجام خلاصه حفظ شده و به نظر كاربر خلاصه خواندني تر باشد.
نتايج و شبيه سازي:
براي آموزش شبكه عصبي از 30 مقاله خبري با عنوان هاي مختلف استفاده كرديم كه جمعاً 1300 جمله را يك بار براي روش اول يعني صفر و يك و يك بار براي روش ميزان شايستگي آموزش داديم و نتايج را با Microsoft Word و يك خلاصه ساز ديگر به نام Copernic مقايسه كرديم.
F1, recall , precision رابطه هاي استانداردي هستند كه براي مقايسه استفاده شده است.
J تعداد استخراج ها در خلاصه است و k تعداد جملات انتخاب شده است و M تعداد جملات استخراج شده در متن هاي آزمون است. لذا (p) Precision به صورت كسري بين j و k به صورت زير بيان مي شود.
  و Recall نيز به صورت   و جمله آخر F1 به صورت   بيان مي شود.
هر چند اين روابط بسيار مهم و بسيار مناسبي براي مقايسه روش ها مي باشد ولي نظر خواننده نيز بسيار مهم است در روش دوم تا 93% جملات استخراجي همان جملاتي بودند كه خواننده در آن متن استخراج مي كرد.
خلاصه سازي به كمك روش فازي:
همان طور كه در دو فصل قبل اشاره شد روش استنتاج فازي نيز روش مؤثر در نگاشت و مدل سازي سيستم هاي غيرخطي است و ما از قوانين if..then.. فازي و استنتاج فازي در حل اين مسئله نيز بهره جستيم و نتايج را با يكديگر مقايسه مي كنيم ابتدا ويژگي هاي ورودي را به صورت فازي بيان مي كنيم و سپس به كمك قوانين فازي به استنتاج فازي مي پردازيم در اين قسمت براي غيرفازي سازي از روش مركز جرم استفاده شده است.
ويژگي اصلي حالت فازي اين بود كه بسيار سريع تر از شبكه عصبي و با دقت بالاتري مي توانست متنها را خلاصه سازي كند و اين دقيقاً همان چيزي است كه از حل اين مسئله با فازي انتظار داشتيم.
روش كار به اين صورت بود كه ابتدا مانند گذشته، ويژي هر جمله را به صورت برداري با اجرا كردن برنامه نوشته شده به زبان C استخراج كرده در يك فايل مطلب ذخيره مي كنيم.
اين فايل ورودي سيستم استنتاج گر فازي است. سپس به تعريف سيستم فازي مي پردازيم و كل فضاي ورودي را به توابع عضويت دلخواه كه ما در اين مسئله از توابع عضويت مثلثي استفاده كرديم افراز مي كنيم.
و خروجي را به صورت خلاصه بد خلاصه خوب و خلاصه عالي افراز مي كنيم. حال به كمك متغيرهاي زباني به دست آمده شروع به تعريف قوانين فازي كه مهم ترين قسمت است مي كنيم. اساس اين كار همان طور كه در بخش شبكه هاي عصبي به آن اشاره شد قوانين اثبات شده در مقالات گذشته است.
كه ما در اين قسمت به 40 قانون if then رسيديم.

حال با فراخواني اين FIS در محيط مطلب و دادن متن مورد نظر به عنوان ورودي به FIS مي توان خروجي را ملاحظه كرد و با هر دقت مورد نظر جملات را استخراج كرد.
تعريف قوانين در اين حالت بسيار مهم است. و اين سيستم بهتر مي تواند اهداف ما را در اين نوع خلاصه برداري بيان كند.
در واقع انگيزه اصلي از حل مسئله با فازي به اين صورت روش دوم در شبكه هاي عصبي بود چون در آن به نوعي مفهوم فازي قرار داشت ولي خود فازي بهتر و دقيق تر مي توانست اين اهداف را بيان كند.
در اين گزارش مي خواهيم به كمك روش هاي مورد مطالعه در بخش محاسبات نرم (Soft Computing) به حل مسئله خلاصه سازي تنها بپردازيم لذا ابتدا به بررسي مختصري درباره شبكه هاي عصبي و سپس منطق فازي مي پردازيم. سپس به كمك شبكه هاي عصبي به حل اين مسئله مي پردازيم و سپس با استفاده از منطق فازي اين مسئله را حل مي كنيم و در بخش بعدي از اين دو روش استفاده كرده و تنهايي با زبان هاي مختلف كه بيشترين تأكيد، بر روي متنها با زبان فارسي خواهد بود مي پردازيم.
روش آموزش پس انتشار خطا با الگوريتم ژنتيك (GA)
براي آموزش ساختار شبكه عصبي لازم است تابع معيار شبكه كه در واقع خطاي بين مقدار مطلوب و مقدار به دست آمده توسط شبكه عصبي است بر اساس پارامترهاي شبكه بايد مي نيمم شود.
لذا خروجي شبكه عصبي به صورت تابعي از وزنها و باياسها بيان مي شود و سپس به كمك GA مي نيمم مي گردد در اين شبكه عصبي كه ما در اين گزارش استفاده كرديم با 4 نود ورودي و 15 نرون لايه مياني و يك نرون خروجي با در نظر گرفتن باياسها به يك تابع با 90 متغير برخورد مي كنيم.
و ما در يك M فايل شروع به تعريف اين خطا كرديم و سپس تابع GA را فراخواني مي كنيم.
با احتمال جهش 01/0 و احتمال برش 5/0 و با 8 بيت كد كردن GA شروع به مي نيمم كردن تابع هدف شد. آنچه كه حلقه GA را متوقف مي كند تعداد نسلها است. GA با نسل 100ام به كار خود ادامه مي دهد. مشكلاتي كه اين الگوريتم دارد سرعت بسيار پائين همگرائي است. در مقايسه با روش ماركوآرت- لونبرگ كه در اين مسئله سرعت بسيار خوبي داشت، GA واقعاً كند است و زمان مورد نياز براي پايان الگوريتم با يك Pentum 4 تقريباً 6 ساعت است.
اين سرعت پايين در اين مسئله خاص چندان قابل قبول نيست در روش ماركوآرت- لونبرگ ما به خطا   مي رسيم كه همين دقت براي اين مسئله خاص بسيار مناسب است و اين در مقايسه سرعتهاي همگرائي انتخاب بهتري است.
به عبارت ديگر زماني كه ما اين مسئله را با GA حل كرديم و يا با روش ماركوآرت- لونبرگ و يا با هر روش ديگر آموزش جملاتي كه جزء خلاصه بودند در تمام اين روش ها جزء خلاصه قرار داشتند ولي در اين مسئله سرعت همگرائي است كه يك روش آموزش را از روش هاي ديگري برتر مي نمايد.

روش آموزش پس انتشار خطاي ماركوآرت – لونبرگ
الگوريتم آموزشي پس انتشار خطاي ماركوآرت – لونبرگ در سال 1994، [HAME94]، جهت آموزش شبكه هاي عصبي پيشنهاد شد. اين روش تقريبي از متد نيوتون مي باشد كه در ادامه به توضيح آن پرداخته شد ه است.
براي آموزش ساختار شبكه عصبي لازم است تابع معيار شبكه، J، بر اساس پارامترهاي شبكه كمينه شود. طبق روش نيوتون، تغييرات پارامترها در هر گام آموزش برابر است با:
 
كه در آن   ماتريس هسين و  گراديان تابعي J نسبت به بردار پارامترهاي شبكه،  ، مي باشد.
با تعريف تابع معيار شبكه بمانند روابط (5-2) و (30-2)، برابر مجموع مربعات خطا، خواهيم داشت:
                            
 
كه در آن   مي باشد. P تعداد كل الگوهاي آموزشي، و   تعداد خروجي هاي شبكه است. بنابراين مي توان داشت:
 
 
كه در آن   عبارت است از:
 
در روش گوس- نيوتن، =0 فرض مي شود و رابطه (28-2) بصورت (45-2) درمي آيد:
 


منابع :


دانلود پایان نامه,خرید پایان نامه,فروش پایان نامه,پایان نامه,آرشیو پایان نامه,پایان نامه عمران,پایان نامه روانشناسی,

پایان نامه حقوق,پایان نامه اقتصاد,پایان نامه برق,پایان نامه معدن, پایان نامه کارشناسی ,پایان نامه صنایع,پایان نامه علوم سیاسی ، پایان نامه کاردانی

طراحی سایت : سایت سازان