Professional Documents
Culture Documents
Neural Networks
أستاذ المقرر
د /جمال محمد بحيري
المحاضرة الثالثـــــــــــة
1
b
X1
w1
Y
Xi wi
wn
Xn
االنحيازات و القيم العتبية
Biases and Thresholds
• يعتبر عمل االنحياز مشابه لعمل األوزان S،و لكن
باعتبار أن تأثير الوحدة المرتبطة معها ”االنحياز
الدائم“ يساوي (.)1
• الشكل الرياضي النموذجي له هو:
1 if net 0
f net
1 if net 0
where :
net b xiwi
i
االنحيازات و القيم العتبية
Biases and Thresholds
• ممكن استخدام عتبة θمن أجل تابع التفعيل
بدال من استخدام وزن االنحياز.
• ويكون تابع التفعيل معطى بالعالقة:
1
b
X1
w1
Y
X2 w2
مثال :دور االنحياز أو القيمة العتبية
• إن الحد الفاصل بين القيم x1, x2التي من أجلهم الشبكة
تقدم استاجبة موجبة أو استجابة سالبة يسمى بخط الفصل
ما بين العينات و الذي يعطى بالعالقة:
خالصة القول
قيم االوزان تلعب دوراً هاما في تحديد
استجابة العصبون باإلضافة إلى قيمة جهد
العتبة و االنحياز التي تكمل هذا الدور.
قابلية الفصل الخطية
Linear Separability
• سوف نعتمد لحين اشعار أخر على التوابع الخطية في
مستوى االحداثيات لتحديد المجاالت الموجبة و السالبة لقيم
الدخل لتحديد استجابة الشبكة.
• سوف تكون االستجابة المرغوبة لوحدة الخرج “ ”Yesإذا
كانت عينة الدخل منتمية للصنف الذي تدر2بت عليه الشبكة.
و تكون االستخابة “ ”Noإذا لم تكن عينة الدخل منتمية للصنف.
سوف تمثل االستجابة ” “Yesبالقيمة ( )1و تمثل االستجابة
” “Noبالقيمة ()1-
قابلية الفصل الخطية
Linear Separability
• سوف 2نستخدم تابع التفعيل الخطوي و التي قيمته تساوي ( )1إذا
كان دخل الشبكة موجب و ( )1-إذا كان دخل الشبكة سالب.
• سوف تكون إشارة دخل وحدة الخرج بالعالقة-:
y _ in b x i .w i
i
• الحد الذي يفصل بين مجال القيم التي تكون فيها y_in >0
والمجال y_in <0و المعروف بحد القرار يعطي بالعالقة:
b x i .w i 0
i
قابلية الفصل الخطية
Linear Separability
b x i .w i 0
i
• تمثل هذه المعادلة خط أو مستو .من أجل األوزان و
االنحيازات المستخدمة فإن جميع أشعة الدخل التي
تكون من أجلها استجابة الشبكة موجبة ( )1+فإنها
توضع في جهة واحدة من حد القرار.
• و أشعة الدخل األخرى التي تكون من أجلها
االستجابة سالبة فإنها تتوضع في الجهة األخرى
بانسبة لحد القرار.
• هذا النوع من المسائل يدعى بالمسائل ذات ”قابلية
الفصل الخطية“.
قابلية الفصل الخطية
Linear Separability
• خالصة القول :المنطقSة التي تكون فيها Yموجبة
تفصل عن المنطقة التي تكون فيها Yسالبة و
ذلك باستخدام خط الفصل:
w1 b
x2 .x1 w 2 0
w2 w2
• سوف نورد بعض األمثلة إن شاء هللا تعالى.
• لكن السؤال المهم للغاية هو :ما هي األوزان
المناسبة التي من أجلها تكون استجابة الشبة
صحيحة ؟
مناطق االستجابة للتابع ()AND
يعرف التابع AND )Input (x1,x2) Output (t
من أجل دخل و
)(1,1 +1
خرج ثنائية
القطبية وفق )(1,-1 -1
الجدول
المناظر. )(-1,1 -1
)(-1,-1 -1
قابلية الفصل الخطية
Linear Separability
• االستجابه المرغوبة لهذه المسألة كما بالشكل
( .)1و حد القرار الموافق لهذه المسألة كما
بالشكل (.)2
• هذا المثال أيضا يوضح قيم األوزان التي ستعطي
حد القرار وفق خط الفصل الذي يعطي بالعالقة:
x 2 x1 1
• و تكون األوزان و االنحيازات وفق القيم (w1=1,
)w2=1, b=-1
قابلية الفصل الخطية
Linear Separability
• اختيار اشارة bيتم تحديدها حسب المتطلباتS
التالية:
- +
x2
- -
الشكل ( )2حد القرار الموافق للتابع
المنطقي ()AND
x2
+
-
x2
- -
مناطق االستجابة للتابع ()OR
يعرف التابع OR )Input (x1,x2) Output (t
من أجل دخل و
)(1,1 +1
خرج ثنائية
القطبية وفق )(1,-1 +1
الجدول
المناظر. )(-1,1 +1
)(-1,-1 -1
قابلية الفصل الخطية
Linear Separability
• االستجابه المرغوبة لهذه المسألة كما بالشكل
( .)3و حد القرار الموافق لهذه المسألة كما
بالشكل (.)4
• هذا المثال أيضا يوضح قيم األوزان التي ستعطي
حد القرار وفق خط الفصل الذي يعطي بالعالقة:
x 2 x1 1
• و تكون األوزان و االنحيازات وفق القيم (w1=1,
)w2=1, b=1
قابلية الفصل الخطية
Linear Separability
• اختيار اشارة bيتم تحديدها حسب المتطلباتS
التالية:
+ +
x2
- +
الشكل ( )4حد القرار الموافق للتابع
المنطقي ()OR
x2
+
+
x2
- +
مناطق االستجابة للتابع ()XOR
يعرف التابع XOR )Input (x1,x2) Output (t
من أجل دخل و
)(1,1 -1
خرج ثنائية
القطبية وفق )(1,-1 +1
الجدول
المناظر. )(-1,1 +1
)(-1,-1 -1
قابلية الفصل الخطية
Linear Separability
• االستجابه المرغوبة لهذه المسألة كما بالشكل
(.)5
• من الشكل ( )5نالحظ أنه ال يوجد خط مستقيم
يمكنه فSصل النقاط التي ألجلها يكون هناك
استجابة موجبة في الخرج عن النقاط التي من
أجلها يكون هناك استجابة سالبة.
الشكـل ( )5االستجابة المرغوبة للتابع XOR
(بقيم ثنائية القطبية)
x2
+ -
x2
- +
سنشرح األن بإذن هللا تعالى بعض •
طرق تدريب الشبكات العصبية
وحيدة الطبقة و المناسبة لحل
مسائل تصنيف العينات.
من هذه الطرق-: •
قاعدة هيب ( )Hebbفي التعلم. .1
قاعدة الـ Preceptronفي التعلم. .2
قاعدة ( )Deltaأو طريقة متوسط .3
المربعات الصغرى.
قاعدة هيب ()Hebb Net
قاعدة هيب ()Hebb Net
• تعتبر قاعدة هيب (التعليم االرتباطي) أبسط
أساليب التعلم.
• تساعد قاعدة هيب في حل المسائل ذات التوابع
الخطية.
• تنصـ قاعدة هيب على-:
” يحدث التعلم من خالل تعديل ترابطات
المشابك أو قيم األوزان على سبيل المثال
إذا تم االتصال ما بين عصبونين و كانت
فعاليتهما “ ”Onفي نفس اللحظة و عند
هذه اللحـظة ستزداد قيم األوزان بين هذين
العصبونين“
قاعدة هيب المحسنة ()Hebb Net
• تنصـ قاعدة هيب المحسنة على-:
” يحدث التعلم من خالل تعديل ترابطات
المشابك أو قيم األوزان على سبيل المثال
إذا تم االتصال ما بين عصبونين و كانت
فعاليتهما “ ”Onفي نفس اللحظة و عند
هذه اللحـظة ستزداد قيم األوزان بين هذين
العصبونين و تزداد قيم األوزان بين
العصبونات الغير فعالة “ ”Offفـي نفسـ
اللحظة أيضاً“
قاعدة هيب ()Hebb Net
x1 x2 1 Δw1 Δw2 Δb W1 W2 b
0 0 0
1 1 1 1 1 1 1 1 1 1
التوابع المنطقية
Logic Function
• خط الفصل هنا يكون طبقاً للعالقة x2 = -x1 -1
والشكل ()6يظهر استجابة الشبكة.
• إن قيم الدخل للنموذج الثاني و الثالث و الرابع
ال تظهر في الشكل ألن قيمة الخرج تساوي
صفر و ال يحدث تدريب لها كما بالجدول التالي:
تطوير وزن الدخل الثاني و الثالث و الرابع
-
التوابع المنطقية
Logic Function
• شبكـة هيب من Input Target
أجل التابع AND
X1 X2 1 t
باستخـدام مداخـل
ثنائية و خرج ثنائي 1 1 1 1
القطبية.
1 0 1 -1
• الجدول المناظر
يبين ذلك. 0 1 1 -1
x1 x2 1 Δw1 Δw2 Δb W1 W2 b
0 0 0
1 1 1 1 1 1 1 1 1 1
التوابع المنطقية
Logic Function
• خط الفصل هنا يكون طبقاً للعالقة x2 = -x1 -1
والشكل ()7يظهر استجابة الشبكة.
• اآلن نقدم الدخل الثاني و الثالث و الرابع و
نالحظ أن التدريب يستمر من أجل كل نموذج
دخل كما بالجدول التالي:
الشكل ( )7حد القرار الموافق للتابع
الثنائي ( )ANDباستخدام قاعدة هيب بعد
تقديم زوج التدريب االول
x2
-
+
-
تطوير وزن الدخل الثاني و الثالث و الرابع
x1 x2 1 Δw1 Δw2 Δb W1 W2 b
0 0 0
1 1 1 1 1 1 1 1 1 1
التوابع المنطقية
Logic Function
• خط الفصل هنا يكون طبقاً للعالقة x2 = -x1 -1
والشكل ( )8يظهر استجابة الشبكة التي تكون
صحيحة من أجل الدخل األول و كذلك من أجل
الدخل (.)1-,1-
• اآلن نقدم الدخل الثاني وقيمة الخرج ستكون
األوزان كما بالجدول التالي:
الشكل ( )8حد القرار الموافق للتابع ()AND
باستخدام قاعدة هيب بعد تقديم زوج التدريب
االول (الدخل و الخرج ثنائي القطبية)
x2
-
+
x2
- -
تطوير وزن الدخل الثاني
x1 x2 1 Δw1 Δw2 Δb W1 W2 b
1 1 1
1 -1 1 -1 -1 1 -1 0 2 0
التوابع المنطقية
Logic Function
• خط الفصل بالنسبة للدخل الثاني بالعالقة x2=0
والشكل ( )9يظهر استجابة الشبكة التي تكون
صحيحة بالنسبة لكال الدخلين ()1,1( ,)1-,1
• اآلن نقدم نتائج الدخل الثالث كما بالجدول التالي:
الشكل ( )9حد القرار الموافق للتابع ( )ANDثنائي
القطبية باستخدام قاعدة هيب بعد تقديم زوج
التدريب الثاني (حد القرار هو محور )x1
x2
-
+
x2
- -
تطوير وزن الدخل الثالث
x1 x2 1 Δw1 Δw2 Δb W1 W2 b
0 2 0
-1 1 1 -1 1 -1 -1 1 1 -1
التوابع المنطقية
Logic Function
• خط الفصل بالنسبة للدخل الثاني بالعالقة:
x2=-x1+1
والشكل ( )10يظهر استجابة الشبكة التي تكون
صحيحة من أجل نقاط الدخل الثالثة األولى و
كذلك من أجل الدخل ( )1-,1-و الذي هو الدخل
األخير .و تكون نتيجته موضحة كما بالجدول التالي:
الشكل ( )10حد القرار الموافق للتابع ()AND
ثنائي القطبية باستخدام قاعدة هيب بعد تقديم
عينة التدريب الثالثة
x2
-
+
x2
- -
تطوير وزن الدخل الثالث
x1 x2 1 Δw1 Δw2 Δb W1 W2 b
1 1 -1
-1 -1 1 -1 1 1 -1 2 2 -2
التعرف على الحرف
Character Recognition
• مثال -:شبكة هيب لتصنيف عينات دخل
ثنائية البعد (ممثلة الحـرف).
• سوف ندرب الشبكة على التمييز بين العينة “”X
و العينة “ ”Oكما بالشكل:
. # # # . # . . . #
# . . . # . # . # .
# . . . # and . . # . .
# . . . # . # . # .
. # # # . # . . . #
التعرف على الحرف
Character Recognition
خطوات العمل-: •
يجب تحويل عينات الدخل إلى أشعة دخل .و .1
يكون ذلك بالتعويض عن الرمز “ ”#بالقيمة “ ”1و
التعويض عن الرمز “ ”.بالقيمة “.”1-
ضع كل صف من العينة بجوار الصف الذي يلية. .2
عندها يكون شكل (شعاع) العينة “ ”Xهكذا: .3
)(1 -1 -1 -1 1,-1 1 -1 1 -1,-1 -1 1 -1 -1, -1 1 -1 1 -1,1 -1 -1 -1 1
.4و العينة “ ”Oيكون شعاع الدخل ممثل هكذا:
)(-1 1 1 1 -1, 1 -1 -1 -1 1,1 -1 -1 -1 1, 1 -1 -1 -1 1,-1 1 1 1 -1
التعرف على الحرف
Character Recognition
• بتطبيق خوارزمية هيب تأخذ األوزان قيمة ابتدائية تساوي
الصفر
]W=[0 0 0 0 0, 0 0 0 0 0, 0 0 0 0 0, 0 0 0 0 0, 0 0 0 0 0
• تمثل االستجابة الصحيحة في المثال السابق بالنسبة
لنموذج الدخل األول بالشكل " "onأو ". "1
• التغير في الوزن عند تقديم عينة الدخل األولى :
W1(new) = w1(old) + x1.y
(االستجابة الصحيحة) y=1 :
) )1( .شعاع الحرف ”+ X" ) W1(new) = 0
]W1= [1 -1 -1 -1 1,-1 1 -1 1 -1,-1 -1 1 -1 -1, -1 1 -1 1 -1,1 -1 -1 -1 1
التعرف على الحرف
Character Recognition
• تمثل االستجابة الصحيحة في المثال السابق
بالنسبة لنموذج الدخل الثاني بالشكل “ "offأو “-
. "1
• التغير في الوزن عند تقديم عينة الدخل الثاني :
W2(new) = w2(old) + x2.y
(االستجابة الصحيحة) y=-1 :
) )1-( .شعاع الحرف ”+ O" ) W2(new) = 0
)W2=(1 -1 -1 -1 1, -1 1 1 1 -1,-1 1 1 1 -1, -1 1 1 1 -1,1 -1 -1 -1 1
التعرف على الحرف
Character Recognition
• وزن االنحياز سيكون مساوي للصفر وذلك بتطبيق القاعدة:
• إذن:
b(new ) b(old) y
b( new) 1 1 0
b0
التعرف على الحرف
Character Recognition
• القيمة النهائية لألوزان :
W = w 1 + w2
]W =[2 -2 -2 -2 2,-2 2 0 2 -2,-2 0 2 0 -2,-2 2 0 2 -2,2 -2 -2 -2 2
. . . . . . . . * . . .
. . . * * * . * * . . .
* . . * * * . . . * * *
. .
* . * * * * * . . * * *
* * * . . . * . * * * *
. . . . . . * * * . . .
تمت بحمد هللا تعالى و
فضله