پیش بینی ساختار اتمسفر لایه بیرونی جو زمین با استفاده از شبکه عصبی در opencv

در این پروژه با استفاده از الگوریتم های شبکه عصبی و ماشین بردار پشتیبان (svm) ساختار اتمسفر لایه بیرونی جو زمین را پیش بینی میکنیم.

برای پیش بینی ساختار اتمسفر در opencv از دیتاستی شامل ۲۵۰ نمونه استفاده کرده ایم، ۲۰۰ نمونه را برای آموزش و ۵۰ نمونه را نیز برای تست بکار برده ایم. هر نمونه دارای ۳۴ ویژگی است. این پیش بینی به وسیله برگشت امواج راداری است که به الکترون های آزاد موجود در لایه Ionosphere تابانده شده، به دست آمده است.این دیتاست یک مسئله دو کلاسه است.

کاربردهای شبکه‌های عصبی مصنوعی

امروزه به قدری استفاده از سیستم‌های هوشمند و به ویژه شبکه عصبی مصنوعی گسترده شده است که می توان این ابزارها را در ردیف عملیات پایه ریاضی و به عنوان ابزارهای عمومی و مشترک، طبقه‌بندی کرد. چرا که کمتر رشته دانشگاهی است که نیازی به تحلیل، تصمیم‌گیری، تخمین، پیش‌بینی، طراحی و ساخت داشته باشد و در آن از موضوع شبکه‌های عصبی استفاده نشده باشد.

انواع شبکه‌های عصبی مصنوعی

انواع مختلفی از مدل‌های محاسباتی تحت عنوان کلی شبکه‌های عصبی مصنوعی معرفی شده اند که هر یک برای دسته‌ای از کاربردها قابل استفاده هستند و در هر کدام از وجه مشخصی از قابلیت‌ها و خصوصیات مغز انسان الهام گرفته شده است.

در همه این مدل‌ها، یک ساختار ریاضی در نظر گرفته شده است که البته به صورت گرافیکی هم قابل نمایش دادن است و یک سری پارامترها و پیچ های تنظیم دارد. این ساختار کلی، توسط یک الگوریتم یادگیری یا تربیت (Training Algorithm) آن قدر تنظیم و بهینه می‌شود، که بتواند رفتار مناسبی را از خود نشان دهد.

نگاهی به فرایند یادگیری در مغز انسان نیز نشان می‌دهد که در واقع ما نیز در مغزمان فرایندی مشابه را تجربه می‌کنیم و همه مهارت‌ها، دانسته‌ها و خاطرات ما، در اثر تضعیف یا تقویت ارتباط میان سلول‌های عصبی مغز شکل می‌گیرند. این تقویت و تضعیف در زبان ریاضی، خود را به صورت تنظیم یک پارامتر (موسوم به وزن یا Weight) مدل‌سازی و توصیف می‌کند.

اما طرز نگاه مدل‌های مختلف شبکه‌های عصبی مصنوعی کاملا متفاوت است و هر یک، تنها بخشی از قابلیت‌های یادگیری و تطبیق مغز انسان را هدف قرار داده و تقلید نموده‌اند.

 

ماشین‌های بردار پشتیبان یا SVM

در شبکه های عصبی MLP ، غالبا توجه بر بهبود ساختار شبکه عصبی است، به نحوی که خطای تخمین و میزان اشتباه‌های شبکه عصبی کمینه شود. اما در نوع خاصی از شبکه عصبی، موسوم به ماشین بردار پشتیبان یا Support Vector Machine (به اختصار SVM)، صرفا بر روی کاهش ریسک عملیاتی مربوط به عدم عملکرد صحیح، تمرکز می‌شود. ساختار یک شبکه SVM، اشتراکات زیادی با شبکه عصبی MLP دارد و تفاوت اصلی آن عملاً در شیوه یادگیری است.

 

در این پروژه از دو دسته بند شبکه عصبی و ماشین بردار پشتیبان برای تشخیص استفاده کرده ایم. شبکه عصبی را با سه لایه شامل لایه ورودی با ۳۴ نرون، لایه پنهان با ۷۰ نرون و لایه خروجی با ۲ نرون آموزش داده ایم، svm را نیز با تایع هسته غیر خطی RBF آموزش داده ایم. بعد از دانلود پروژه می توانید تعداد لایه ها و نرون ها در شبکه عصبی و تابع هسته در svm را به دلخواه تغییر دهید.

 

ویژگی های پروژه پیش بینی ساختار اتمسفر در opencv عبارتند از:

  • برنامه نویسی با زبان c++ در محیط visual studio 2017
  • استفاده از کتابخانه opencv
  • تشخیص با استفاده از شبکه عصبی (neural network)
  • تشخیص با استفاده از ماشین بردار پشتیبان (support vector machine)
  • تنظیمات opencv به صورت پیش فرض در برنامه انجام شده است
  • توضیح کامل برنامه در سورس کد به صورت کامنت جهت درک بهتر

این پروژه با زبان برنامه نویسی متلب و با الگوریتم شبکه عصبی نیز پیاده سازی شده است که می توانید از اینجا مشاده نمایید.

سورس پروژه های موجود در درس دانلود در زمینه یادگیری ماشین و هوش مصنوعی را می توانید از اینجا مشاهده کنید.

مراحل خرید فایل دانلودی
اگر محصول را می پسندید لطفا آنرا به اشتراک بگذارید.

دیدگاهی بنویسید

0