حول خوارزميات التعلم في الشبكات العصبية الصناعية و تحليل القيم المنفردة للمصفوفات

Other Title(s)

On the learning algorithms of artifical neural networks and singular value decomposition of matrices

Dissertant

الأيوب، إبراهيم محمد عبد الله

Thesis advisor

الزعبي، قاسم محمد

Comitee Members

عبابنة، إسماعيل محمد
طويق، محمد حسن
جرادات، عبد الرحمن

University

Al albayt University

Faculty

Faculty of Sciences

Department

Department of Mathematics

University Country

Jordan

Degree

Master

Degree Date

1997

Arabic Abstract

لقد تناولت في هذه الرسالة دراسة للشبكة العصبية ذات التغذية الأمامية و المترابطة كليا، و قد اعتمدنا التعلم الموجه (Supervised Learning) في أداء جميع عمليات المحاكاة لمختلف الشبكات، حيث قدمنا محاكاة لخوارزمية تعلم الخلية العصبية (Perceptron) و طبقناها في تمثيل أحد الإقترانات البولية.

كما قدمنا دراسة لحالات مختلفة لخوارزمية الانتشار الراجع (Backpropagation Algorithm)، و ذلك من حيث معدل التعلم (Learning Rate) و عامل الزخم (Momentum Term)، و أيضا أثر البناء الهندسي للشبكة العصبية (عدد الأنوية في الطبقة الخفية) في تسريع هذه الخوارزمية.

و قد طبقنا هذه الخوارزمية من أجل أداء تصنيفات للنماذج الممثلة للأرقام العربية، حيث أن هذه النماذج عبارة عن متجهات مكونة من العنصرين {0, 1}.

و قد عملنا على تسريع خوارزمية الانتشار الراجع من خلال جعل كل من قيمتي معدل التعلم و عامل الزخم المتزايدين بشكل مستمر أثناء عملية التعلم، حيث أدى ذلك إلى تسريع هذه الخوارزمية بشكل كبير جدا، و نستطيع القول بأنها أصبحت أسرع خمس عشرة مرة من حالة كون هذين العاملين ثابتين، و ذلك ضمن التطبيقات التي أجريناها باستخدام هذه الخوارزمية.

و قد تركزت معظم نتائجنا العملية في المقارنة بين خوارزمية تحليل القيم المنفردة لشبكات التجميع الذاتي (Autoassociation by Multlayer Perceptrons and Singular Valie Decomposition) و التي قدمها كل من [3] Kamp Y, Bourlard H، و بين خوارزمية الانتشار الراجع، و كانت هذه المقارنة من خلال تطبيق هاتين الخوارزميتين على تمثيل الأرقام العربية، حيث كانت المقارنة من حيث الكفاءة و الفعالية في تصفية (Filtering) النماذج المشوشة الممثلة لهذه الأرقام، و أيضا من حيث القدرة على تجميع (Association) النماذج الناقصة، و أيضا من حيث الوقت اللازم لتنفيذ كل منهما.

و تكمن أهمية الدراسة في مقارنة هاتين الخوارزميتين فيما يلي : _ تحديد حالات مختلفة لخوارزمية تحليل القيم المنفردة لشبكات التجميع الذاتي من حيث عدد الأنوية الخفية، و تحديد فعالية كل حالة. _ طرح تساؤل حول إمكانية تحديد الفترة الجزئية-فترة جزئية من الفترة (O, N) حيث أن N هو رتبة مصفوفة المدخلات-و التي يجب أن ينتمي إليها عدد الأنوية الخفية حتى تكون خوارزمية تحليل القيم المنفردة لشبكات التجميع الذاتي فعالة أكثر ما يمكن من حيث القدرة على تصفية النماذج المشوشة و تجميع النماذج الناقصة. _ تحديد أفضلية استعمال إحدى الخوارزميتين، خوارزمية الانتشار الراجع، أو خوارزمية تحليل القيم المنفردة لشبكات التجميع الذاتي، من حيث طبيعة البيئة التي تطبق فيها شبكة التجميع الذاتي. _ الاستفادة من خوارزمية تحليل القيم المنفردة لشبكات التجميع الذاتي في تحديد عدد الأنوية الخفية للشبكات التي تستعمل فيها خوارزمية الانتشار الراجع، و ذلك من أجل تسريع هذه الخوارزمية. و أيضا طرحنا فكرة جديدة نتجت لدينا من خلال محاولتنا التجريبية في تسريع خوارزمية الانتشار الراجع، و هي فكرة جعل كل من معدل التعلم و عامل الزخم متزايدين بشكل مستمر أثناء عملية التعلم في سبيل تسريع هذه الخوارزمية، و قد كانت التجربة مشجعة في هذا الاتجاه

Main Subjects

Mathematics

Topics

• Artificial intelligence
• Linear programming
• Numerical analysis
• Algebra
• Matrices
• Engineering
• Business intelligence

No. of Pages

216

Table of Contents

• APA
• MLA
• AMA

Language

Arabic

Data Type

Arab Theses

Record ID

BIM-318942