پروژه طبقه بندی داده با شبکه عصبی SOM با متلب

پروژه طبقه بندی داده با شبکه عصبی SOM با متلب

در این پست پروژه طبقه بندی داده با شبکه عصبی SOM با متلب را برای شما کاربران عزیز آماده کرده ایم که در ادامه مطلب می توانید تصاویر و فیلم خروجی این پروژه را مشاهده نمائید.

الگوریتم خودسازمانده SOM نوعی شبکه عصبی با قابلیت خوشه بندی است که در سال های اخیر كاربرد های فراوانی را در زمینه های علوم مهندسی تا پزشكی، زیست شناسی و اقتصاد در میان پژوهشگران پیدا كرده است. الگوریتم خودسازمانده یا شبکه عصبی SOM از روش یادگیری رقابتی برای آموزش استفاده می کند و بر مبنای ویژگی های خاصی از مغز انسان توسعه یافته است.

نقشه خودسازمانده ابزار بسیار خوبی برای خوشه بندی داده هاست و می تواند روابط آماری غیرخطی بین داده های ورودی را به روابط هندسی ساده تبدیل کند. محاسبات این روش یک فرایند رگرسیونی بازگشتی نامتغیری (ناپارامتری) است که رگرسیون یک مجموعه مشخص از بردارهای مدل را به فضای بردارهای قابل مشاهده در قالب الگوریتمی تبدیل می کند.

توضیحات بیشتر و تصاویر و فیلم خروجی پروژه طبقه بندی داده با شبکه عصبی SOM با متلب در ادامه مطلب.

خوشه ها در یک فرایند یادگیری رقابتی نسبت به متغیر های ورودی منظم می شوند، محل خوشه های تنظیم شده در شبکه، به گونه ای نظم می یابد که برای متغیرهای ورودی، یک دستگاه مختصات معنی دار روی شبکه ایجاد شود.

بنابراین، یک نقشه خود سازمانده، یک نقشه توپوگرافی از متغیر های ورودی را تشکیل می دهد که در آن، محل قرار گرفتن خوشه ها، متناظر با ویژگی های ذاتی متغیرهای ورودی است در مطالعات علوم زمین، منطقه مورد مطالعه معمولا به صورت پیوسته و یکپارچه بررسی می شود. این در حالی است که ممکن است عواملی مانند نا پیوستگی، گسل و تغییر سازند باعث تقسیم منطقه به پهنه های مختلف، با ویژگی های متفاوت شده باشد.

بنابراین برای دستیابی به نتایج معتبر تر، ابتدا باید منطقه مورد مطالعه را به چند منطقه (خوشه) تقسیم کرد. بر اساس تعریف، در یک منطقه (خوشه)، متغیرهای مورد نظر باید با هم بیشترین شباهت و با مناطق دیگر، بیشترین تفاوت را داشته باشد.

یکی از مسایل کلیدی در خوشه بندی، تعیین مرز بین دو منطقه یا خوشه است، که بیانگر ناحیه گذار و نحوه تغییر متغیر مورد مطالعه بین دو پهنه است در بسیاری از موارد، برای ساده سازی مسئله، میانگین رفتار مناطق مختلف محاسبه و به صورت یک منطقه واحد در نظر گرفته می شود. این روش، ممکن است باعث تعدیل دروغین در عملیات برآورد شود که دارای خطای زیادی است. بنابراین در این موارد، تقسیم منطقه به پهنه های مختلف پیشنهاد می شود.

تصویر خروجی 1:

تصویر خروجی 2:

تصویر خروجی 3:

تصویر خروجی 4: