آموزش شبکه ی کلاه مکزیکی در متلب

آموزش شبکه ی کلاه مکزیکی در متلب 5.00/5 (100.00%) 8 votes

شبکه ی کلاه مکزیکی(Mexican Hat Network) 

در ادامه آموزش های متلب پروژه در بحث شبکه های خوده سازمانده som با شبکه کلاه مکزیکی آشنا خواهیم شد . این شبکه در سال 1989توسط کوهونن ارائه شد. هدف از بکار بردن این شبکه، افزایش تمایز بین ورودی ها می باشد، در این شبکه هر واحد با وزن های مثبت به همسایه های همکار و با وزن های منفی به همسایه های رقیب واقع در لایه خود وصل می شود.

شبکه کلاه مکزیکی از نوع شبکه های چند ورودی و از انواع شبکه های عصبی می باشد که تولباکس شبکه عصبی در متلب استفاده از این نوع شبکه را بسیار آسان کرده است 

ساختار شبکه 

در شبکه ی فوق هر نورون i با R1 نورون دیگر که در هر دو طرف نورون i به صورت متقارن قرار دارند تشکیل همسایگی همکار می دهد و با R2-R1 نورون متقارن در دو طرف خود همسایگی رقیب تشکیل می دهد. R1 را همسایگی همکار و R2 را کل همسایگی متصل می نامند. برای نمونه در شکل فوق یک شبکه ی کلاه مکزیکی با R1=1 و R2=2 نشان داده شده است.

تخصیص وزن ها نیز بدین گونه است که در همسایگی همکار وزن ها مقادیر مثبت دارند ولی در همسایگی رقیب وزن ها مقادیر منفی دارا می باشند، در ضمن وزن های متقارن متصل به هر واحد i با هم مساوی هستند به عبارت دیگر وزن اتصال واحد i+1 و i-1 به واحد i با هم برابر هستند. در ذیل به جزئیات تخصیص وزن ها و توابع فعالیت اشاره می شود که کاربرد فراوانی در انجام پروژه های شبکه عصبی دارد 

وزن اتصالات وارد به واحد i که به فرم wi+k,i می باشد بدین گونه است که:

الف) برای واحدهای همکار |k|R1 ، وزن های مثبت

ب) برای واحدهای رقیب R1|k|R2 ،وزن های منفی

در ثبت سفارش خود مشکل دارید؟ 

سفارش خود را از طریق تلگرام و واتس اپ برای ما بفرستید

برای ثبت سفارش در تلگرام کلیک کنید