پیدایش ارتباط میان مقادیر ورودی و خروجی یک تابع سینوسی بر اساس ساختار شبکه عصبی وکشف مقادیر خروجی جدید

کد مقاله : 1148-ISME2024

نویسندگان

علی نورانی *1، سعید گلابی2 1ندارم 2هیئت علمی

چکیده مقاله

شبکه عصبی یک مدل محاسباتی است که به تقلید از نحوه عملکرد مغز انسان طراحی شده است. این مدل شامل لایه‌هایی از نورون‌ها (واحدهای محاسباتی) است که به هم متصل شده‌اند و می‌توانند داده‌ها را پردازش کنند. شبکه‌های عصبی برای حل مسائلی مانند شناسایی الگو، پیش‌بینی، و پردازش تصویر و صدا استفاده می‌شوند. آن‌ها با استفاده از روش‌هایی مانند یادگیری عمیق، می‌توانند به تدریج بهبود یابند و توانایی‌های خود را افزایش دهند.شبکه عصبی دارای ساختار لایه ای شامل لایه‌های ورودی، پنهان و خروجی است که داده‌ها از لایه‌ای به لایه دیگر منتقل می‌شوند. لایه ورودی نورون‌هایی هستند که داده‌های ورودی را دریافت می‌کنند. لایه‌های پنهان تشکیل شده از چندین لایه نورون که داده‌ها را پردازش می‌کنند. لایه خروجی نیز تشکیل شده از نورون‌هایی است که نتیجه نهایی را تولید می‌کنند. هر لایه می‌تواند شامل تعداد متفاوتی از نورون‌ها باشد. هر اتصال بین نورون‌ها دارای وزن خاصی است که در طول فرآیند یادگیری به‌روز می‌شود و بر نتایج تاثیر می‌گذارد. این شبکه‌ها معمولاً به داده‌های نادقیق یا ناقص مقاوم‌تر هستند و می‌توانند اطلاعات مهم را استخراج کنند.در این پژوهش ابتدا سعی بر پیدابش ارتباط میان لایه ورودی و خروجی یک تابع به شکل سینوسی است که در نهایت منجر به تشکیل پارامتر هایی به نام وزن ها و بایاس های شبکه میگردد و بعد از این امر شبکه عصبی آموزش دیده قابلیت آن را دارد که با مقدار دهی ورودی بین محدوده ی تعیین شده 0 تا 360 درجه یک تابع سینوسی خروجی جدید را ارائه نماید.

کلیدواژه ها

شبکه عصبی،تابع سینوسی، وزن، بایاس، مقادیر ورودی،مقادیر خروجی، آموزش شبکه عصبی

وضعیت: پذیرفته شده برای ارائه شفاهی