االصطناعياالصطناعي الذكاءالذكاء مادةمادة

موضوع : في موضوع :بحث في بحث

Neural NetworkNeural Network

والتكنولوجيا العلوم والتكنولوجيا جامعة العلوم جامعة

الهندسة الهندسة كلية كلية

الدراسية : الدراسية :السنة 2005/20062005/2006السنة

العصبي الجهاز العصبي صور الجهاز صور

السائل • الخاليا، أنواع السائل الخلية، الخاليا، أنواع الخلية،: المخ أغشية :النخاعي، المخ أغشية النخاعي،

العصبية- 11• الخلية العصبية- جسم الخلية جسمومحورهاومحورها

عصبية- 22• عصبية- خلية خلية

الخاليا- 4 أنواع العصبية

الشجيرات- 3 من العصبية اإلشارة حركةالخلية محور إلى

المدعمة- 55 المدعمة- الخاليا الخاليا

تستخدم تعقيدا أكثر عصبونية تستخدم شبكات تعقيدا أكثر عصبونية شبكاتالحوسبة معالجات و أساليب الحوسبة في معالجات و أساليب في

المتوازية.المتوازية.

من مترابطة شبكة العصبونية من الشبكة مترابطة شبكة العصبونية الشبكةلعصبونات مشابه بأسلوب تعمل لعصبونات عقد مشابه بأسلوب تعمل عقد

البشري . البشري .الدماغ الدماغ

العصبية الشبكات في العصبية مقدمة الشبكات في مقدمةاالصطناعيةاالصطناعية

االصطناعية • العصبية االصطناعية الشبكات العصبية الشبكاتالشبكة • الشبكة مكونات مكوناتاالصطناعية • االصطناعية العصبونية العصبونيةللعصبون • الرياضي للعصبون الوصف الرياضي الوصفالتحويل • التحويل توابع توابعالعصبونية • للشبكات المعمارية العصبونية البنية للشبكات المعمارية البنيةاألمامية • المتعددة الطبقات ذات األمامية الشبكة المتعددة الطبقات ذات الشبكةالخلفية • التغذية ذات الخلفية الشبكات التغذية ذات الشبكاتالعصبونية • الشبكة تعليم العصبونية طرق الشبكة تعليم طرقالشبكة • تعليم الشبكة خوارزميات تعليم خوارزمياتالشبكة • الشبكة إنشاء Network CreationNetwork Creationإنشاء

للشبكات األساسية للشبكات الخصائص األساسية الخصائصالعصبيةالعصبية

• 1- set of simple processing1- set of simple processing

• 2- a pattern of connectivity 2- a pattern of connectivity

• 3-a rule for propagating signal through 3-a rule for propagating signal through the network the network

• 4-a rule for combining input signal 4-a rule for combining input signal

• 5- a rule for calculating an output signal 5- a rule for calculating an output signal

• 6- learning rule to adapt the weights 6- learning rule to adapt the weights

•Artificial Neural Artificial Neural NetworksNetworks

مصممة • حسابية تقنيات مصممة هي حسابية تقنيات هيبها يؤدي التي الطريقة بها لمحاكاة يؤدي التي الطريقة لمحاكاة

وذلك معينة، مهمة البشري وذلك الدماغ معينة، مهمة البشري الدماغموزعة ضخمة معالجة طريق موزعة عن ضخمة معالجة طريق عنوحدات من ومكونة التوازي، وحدات على من ومكونة التوازي، علىما الوحدات هذه بسيطة، ما معالجة الوحدات هذه بسيطة، معالجة

تسمى حسابية عناصر إال تسمى هي حسابية عناصر إال هيعقد ) أو عقد )عصبونات أو , Nodes , Nodesعصبونات

NeuronsNeurons ) خاصية لها خاصية ( والتي لها والتيبتخزين , تقوم أنها حيث من بتخزين , عصبية تقوم أنها حيث من عصبية

والمعلومات العملية والمعلومات المعرفة العملية المعرفةللمستخدم متاحة لتجعلها للمستخدم التجريبية متاحة لتجعلها التجريبية

األوزان ضبط طريق عن األوزان وذلك ضبط طريق عن وذلكبدالة.بدالة.

االصطناعية • العصبونية الشبكة االصطناعية مكونات العصبونية الشبكة مكونات

من • تتكون العصبونية الشبكات أن رأينا من كما تتكون العصبونية الشبكات أن رأينا كماأحدها ويسمى المعالجة وحدات من أحدها مجموعة ويسمى المعالجة وحدات من مجموعة

والشكل ) ، والشكل )عصبون ، خطيا( 11عصبون ال نموذجا خطيا( يبين ال نموذجا يبيناالصطناعي  : للعصبون االصطناعي  :وبسيطا للعصبون وبسيطا

بالعالم • توصله إدخال وحدات لإلنسان أن بالعالم كما توصله إدخال وحدات لإلنسان أن كمافكذلك الخمس، حواسه وهي فكذلك الخارجي الخمس، حواسه وهي الخارجي

إدخال . لوحدات تحتاج العصبية إدخال . الشبكات لوحدات تحتاج العصبية الشبكاتحسابية عمليات فيها يتم معالجة حسابية ووحدات عمليات فيها يتم معالجة ووحدات

ردة على خاللها من نحصل و األوزان بها ردة تضبط على خاللها من نحصل و األوزان بها تضبطالمدخالت من مدخل لكل المناسبة المدخالت الفعل من مدخل لكل المناسبة الفعل

تسمى . طبقة تكوyن اإلدخال فوحدات تسمى . للشبكة طبقة تكوyن اإلدخال فوحدات للشبكةتكوyن المعالجة وحدات و المدخالت، تكوyن طبقة المعالجة وحدات و المدخالت، طبقة

. الشبكة نواتج تخرج التي وهي المعالجة . طبقة الشبكة نواتج تخرج التي وهي المعالجة طبقةطبقة هناك الطبقات هذه من طبقة كل طبقة وبين هناك الطبقات هذه من طبقة كل وبين

طبقة كل تربط التي البينية الوصالت طبقة من كل تربط التي البينية الوصالت مناألوزان ضبط فيها يتم والتي تليها التي األوزان بالطبقة ضبط فيها يتم والتي تليها التي بالطبقةعلى الشبكة وتحتوي بينية، وصلة بكل على الخاصة الشبكة وتحتوي بينية، وصلة بكل الخاصة

, ) ( االولى اإلدخال وحدات من فقط واحدة ( , طبقة ( االولى اإلدخال وحدات من فقط واحدة طبقةمن طبقة من أكثر على تحتوي قد من ولكنها طبقة من أكثر على تحتوي قد ولكنها

.) ( الداخلية العصبونات المعالجة (.طبقات ( الداخلية العصبونات المعالجة طبقات

الشكل )• من الشكل )نالحظ من :22نالحظ من( يتألف العصبون :أن من( يتألف العصبون أنالدخل - ) 11• الدخل - ) إشارات قوى قوى --InputInput) )    : :a1,a2,a2,a1,a2,a2,…….an 2.an 2إشارات

حيث حيث Wj1, Wj2, Wj3,Wj1, Wj2, Wj3,…………WjnWjn: :    ( (WeightsWeightsاألوزان )األوزان )وعنصر قبله عنصر بين الترابط شدة عن الوزن وعنصر يعبر قبله عنصر بين الترابط شدة عن الوزن يعبر

المعالجة - 33بعده . بعده . المعالجة - عنصر J J   : (Processing Element: (Processing Element ) )عنصر•:  قسمين إلى يقسم العنصر  :وهذا قسمين إلى يقسم العنصر وهذاالجامع - )• الجامع - )أ الموزون ( . AdderAdderأ الدخل في اإلشارات الموزون ( . لجمع الدخل في اإلشارات لجمعالتفعيل - )• تابع أو النقل تابع التفعيل - )ب تابع أو النقل تابع Activation Activationب

FunctionFunction : ) : ) التخميد • بتابع يسمى لذا العصبون خرج من يحد التابع التخميد وهذا بتابع يسمى لذا العصبون خرج من يحد التابع وهذا

SquashingSquashing[ المجال ضمن الخرج يجعل المجال ]حيث ضمن الخرج يجعل أو[ أو[ 0,10,1حيث-[ المجال ]-ضمن المجال .1,11,1ضمن الشبكة[ مخرجات بين ترابط .لصنع الشبكة[ مخرجات بين ترابط لصنع

• ( . ( .OutputOutput( )( )XjXjالخرج - )الخرج - )44

للعصبون الرياضي للعصبون الوصف الرياضي  :  : الوصف

حيث :حيث :••X1,X2------XmX1,X2------Xm :  اشارات  : اشارات

------Wk1, W k2------Wk1, W k2الدخل . الدخل . WkmWkm : المشبكة المشبكة األوزان : األوزان

الخطي  : k. UKk. UKللنيرون للنيرون الخطي  : الخرج الخرجاالنحياز: .االنحياز: .bkbkللجامع . للجامع .

التفعيل .– التفعيل .تابع تابع

االنحياز : • اعتبار يمكن االنحياز : مالحظة اعتبار يمكن األوزان bkbkمالحظة أحد أنه األوزان على أحد أنه علىW0W0 ودخله ودخلهX0 =1X0 =1: كالتالي العصبون نموذج :ويصبح كالتالي العصبون نموذج ويصبح

التحويل التحويل توابع توابع

المختلفة • الشبكات بين الوحدات توحيد الرئيسي المختلفة الهدف الشبكات بين الوحدات توحيد الرئيسي الهدفانتماء درجة يعطي انتماء كونه درجة يعطي كونه

•: التالية . الخواص يمتلك أن ويجب العصبون خرج من :يحد التالية . الخواص يمتلك أن ويجب العصبون خرج من يحد

لالشتقاق . * • قابال يكون أن مستمرا تابعا يكون لالشتقاق . * أن قابال يكون أن مستمرا تابعا يكون أنالحساب . سهل الحساب . ومشتقه سهل ومشتقه

• . متناقص غير انسيابيا يكون . أن متناقص غير انسيابيا يكون أن

•: التفعيل لتوابع أنواع ثالثة :وهناك التفعيل لتوابع أنواع ثالثة وهناك

الدخل • كان إذا الواحد مساويا الخرج يصبح بحيث العصبون خرج من التابع هذا الدخل يحد كان إذا الواحد مساويا الخرج يصبح بحيث العصبون خرج من التابع هذا يحد. الصفر من أصغر الدخل كان إذا الصفر مساويا الخرج ويصبح الصفر مساويا أو .أكبر الصفر من أصغر الدخل كان إذا الصفر مساويا الخرج ويصبح الصفر مساويا أو أكبر

•) تغليبي ) النتيجة بحسب القراراات اتخاذ في (يستخدم تغليبي ) النتيجة بحسب القراراات اتخاذ في يستخدم

تابع- 1 أو العتبة تابعالخطوة

تابع- 22 أو الخطي الخطوي تابع- التابع أو الخطي الخطوي التابعالتطابق التطابق

في • المستخدمة العصبونات في التابع هذا في يستخدم المستخدمة العصبونات في التابع هذا يستخدمالخطية . التالؤمية الخطية . المرشحات التالؤمية المرشحات

33 -Uاألسي األسيU- التابع SigmoidSigmoidالتابع

ويجعل ∞ ∞ + • و ــ بين المحصورة الدخل قيم التابع هذا ويجعل ∞ ∞ + يأخذ و ــ بين المحصورة الدخل قيم التابع هذا يأخذبين محصورا بين الخرج محصورا استخداما ... 11و و 00الخرج التوابع أكثر استخداما ... وهو التوابع أكثر وهو

أنواعه . وكثرة اشتقاقه سهولة أنواعه .بسبب وكثرة اشتقاقه سهولة بسبب

العصبونية للشبكات المعمارية العصبونية البنية للشبكات المعمارية البنية

العصبية • الشبكة العصبية معمارية الشبكة معماريةالطريقة, هي الطريقة, االصطناعية هي االصطناعية

مع العصبونات بها ترتبط مع التي العصبونات بها ترتبط التيلتشكيل البعض لتشكيل بعضها البعض بعضهايرتبط , وهذا يرتبط , الشبكة وهذا الشبكةالتدريب . التدريب . بخوارزمية --44--11بخوارزمية

الواحدة 33 الطبقة ذات الواحدة الشبكة الطبقة ذات الشبكةالشكل : ) في الشكل : )األمامية في ( ( 88األمامية

مركبات من مركبة كل مركبات ترتبط من مركبة كل ترتبطالدخل الدخل شعاع عصبون PPشعاع عصبون بكل بكل

الوزن مصفوفة خالل الوزن من مصفوفة خالل . .WWمن

خالل من الشبكة إلى تدخل الدخل شعاع خالل مركبات من الشبكة إلى تدخل الدخل شعاع مركبات : التالية األوزان : مصفوفة التالية األوزان مصفوفة

لعناصر • السطر لعناصر مؤشرات السطر مؤشراتعلى تدل المصفوفة على هذه تدل المصفوفة هذه

أما الهدف أما العصبون الهدف العصبونعلى العمود على مؤشرات العمود مؤشرات

أي . المصدر الدخل أي . مركبات المصدر الدخل مركباتالعنصر في المؤشرات العنصر أن في المؤشرات أن

W1,2W1,2 هذا أن على هذا تدل أن على تدلاألول بالعصبون يتعلق األول الوزن بالعصبون يتعلق الوزن

لهذا, الدخل مركبة لهذا, وأن الدخل مركبة وأنالثانية المركبة هي الثانية العصبون المركبة هي العصبون

. .

المتعددة الطبقات ذات المتعددة الشبكة الطبقات ذات الشبكةاألمامية : األمامية :

طبقة • ذات شبكة كأنها الشبكة هذه في طبقة كل طبقة تعتبر ذات شبكة كأنها الشبكة هذه في طبقة كل تعتبرالدخل . , أما الخرج طبقة تسمى الخرج تعطي التي الطبقة الدخل . , وحيدة أما الخرج طبقة تسمى الخرج تعطي التي الطبقة وحيدةأن , . يمكن الخفية الطبقات تسمى الطبقات وبقية طبقة يعتبر أن , . فال يمكن الخفية الطبقات تسمى الطبقات وبقية طبقة يعتبر فالالرسم باستخدام السابق الشكل في المبينة الثالثية الشبكة الرسم نرسم باستخدام السابق الشكل في المبينة الثالثية الشبكة نرسم

:  التالي  : المختصر التالي المختصر

الخلفية التغذية ذات الخلفية الشبكات التغذية ذات الشبكات

خلفية • تغذية حلقة األقل على يحوي النوع خلفية هذا تغذية حلقة األقل على يحوي النوع هذامن , واحدة طبقة من يتألف أن ويمكن من , واحدة واحدة طبقة من يتألف أن ويمكن واحدة

كل دخل إلى خرجه يعود عصبون وكل كل النيرونات دخل إلى خرجه يعود عصبون وكل النيروناتتغذية . هناك يكون وقد المتبقية تغذية . العصبونات هناك يكون وقد المتبقية العصبونات

دخله إلى يعود العصبون خرج أن أي ذاتية دخله خلفية إلى يعود العصبون خرج أن أي ذاتية خلفيةفي االستخدام قليلة الشبكات هذه في ولكن االستخدام قليلة الشبكات هذه ولكن

األهداف تحقيق نستطيع ألننا الحيوي األهداف المجال تحقيق نستطيع ألننا الحيوي المجالأمامية . شبكات خالل من أمامية . الحيوية شبكات خالل من الحيوية

العصبونية الشبكة تعليم العصبونية طرق الشبكة تعليم طرق

من • مجموعة إعطائها طريق عن الشبكة من تتعلم مجموعة إعطائها طريق عن الشبكة تتعلمألن بعناية، مختارة تكون أن يجب التي ألن األمثلة، بعناية، مختارة تكون أن يجب التي األمثلة،

. الشبكة تعلم سرعة في سيساهم . ذلك الشبكة تعلم سرعة في سيساهم ذلك. التدريب فئة تسمى هذه األمثلة .ومجموعة التدريب فئة تسمى هذه األمثلة ومجموعة

قسمين • إلى عصبية شبكة تعليم طرق قسمين وتنقسم إلى عصبية شبكة تعليم طرق وتنقسمالشبكة على تعرض التي التدريب فئة الشبكة حسب على تعرض التي التدريب فئة حسب

وهما:وهما:

العصبية الشبكة العصبية تحقيق الشبكة تحقيق

عصبون- 11• لكل مخصص معالج عصبون- استخدام لكل مخصص معالج استخدام

العصبونات- 22• ومحاكاة وحيد معالج العصبونات- استخدام ومحاكاة وحيد معالج استخداممتالئمة ألواح بواسطة البحث جداول متالئمة بواسطة ألواح بواسطة البحث جداول بواسطة

الحاسب الحاسب مع مع

اللينة- 33• بالمكونات كليا العصبية الشبكة اللينة- تحقيق بالمكونات كليا العصبية الشبكة تحقيقبرنامج برنامج وأهم brain makerbrain makerوأهم

العصبية الشبكة حواسب العصبية برمجة الشبكة حواسب برمجة

بنفس • العصبية الشبكة الحواسب تبرمج بنفس ال العصبية الشبكة الحواسب تبرمج البرمجتها من فبدال التقليدية الحواسب برمجتها طريقة من فبدال التقليدية الحواسب طريقة

الحواسب هذة بإن الثابتة القواعد من الحواسب بمجموعة هذة بإن الثابتة القواعد من بمجموعةالمطلوب السلوك على تعليمها المطلوب يتم السلوك على تعليمها يتم

غير • او إشرافية التعلم معالجة تكون غير وقد او إشرافية التعلم معالجة تكون وقدإشرافيةإشرافية

العصبية للشبكة الرئيسية العصبية الخواص للشبكة الرئيسية الخواص

تعليمها- 11• ويمكن برمجة الى تحتاج تعليمها- ال ويمكن برمجة الى تحتاج ال

•22 \ طريق- عن استجابتها وير ت تحسين \ يمكن طريق- عن استجابتها وير ت تحسين يمكنالتعلمالتعلم

دقيقة- 33• تكون ان الدخل معطيات على ينبغي دقيقة- ال تكون ان الدخل معطيات على ينبغي الالمداخل مجموع على تعمل الشبكة ألن المداخل تماما مجموع على تعمل الشبكة ألن تماما

محددة- 44• ذاكرية مواقع في المعلومات تخزن محددة- ال ذاكرية مواقع في المعلومات تخزن الالعادية الرقمية الحواسيب في الحال هو العادية كما الرقمية الحواسيب في الحال هو كما

) معلم ) بواسطة المراقب ( التعليم معلم ) بواسطة المراقب التعليمSupervised Learning of ANNSupervised Learning of ANN’’ss

معلم ) ( • بدون المراقب غير معلم ) ( التعليم بدون المراقب غير التعليمUnsupervised learningUnsupervised learning

الشبكة تعليم الشبكة خوارزميات تعليم خوارزميات

األمامي- 11• االنتشار األمامي- مرحلة االنتشار Feed forward Feed forwardمرحلةBack PropagationBack Propagation

العكسي- 22• االنتشار العكسي- مرحلة االنتشار Back BackمرحلةPropagationPropagation

العكسي االنتشار العكسي مرحلة االنتشار Back BackمرحلةPropagationPropagation

االنتشار . • خوارزمية إن الشبكة أوزان ضبط مرحلة االنتشار . وهي خوارزمية إن الشبكة أوزان ضبط مرحلة وهيالتدريجي االنحدار خوارزمية هي القياسية التدريجي العكسي االنحدار خوارزمية هي القياسية العكسي

gradient descent algorithmgradient descent algorithm• •:  التدريجي االنحدار لحساب طريقتان  :هناك التدريجي االنحدار لحساب طريقتان هناك

التزايدي - • النظام � التزايدي - أوال النظام � Incremental modeIncremental modeأوال

الواحدة - • الدفعة نظام � الواحدة - ثانيا الدفعة نظام � Batch modeBatch modeثانيا

الشبكة الشبكة إنشاء Network NetworkإنشاءCreationCreation

باستخدام • وذلك الشبكة إنشاء هو الشبكة تدريب في خطوة أول باستخدام إن وذلك الشبكة إنشاء هو الشبكة تدريب في خطوة أول إنالتابع . نستعمل فسوف أمامية شبكة إنشاء نريد أننا وبما توابع التابع . عدة نستعمل فسوف أمامية شبكة إنشاء نريد أننا وبما توابع عدة

newffnewff :  وهي دخل محددات أربعة إلى يحتاج  : الذي وهي دخل محددات أربعة إلى يحتاج الذي

من- 11• عنصر لكل والعظمى الصغرى القيم على تحتوي من- مصفوفة عنصر لكل والعظمى الصغرى القيم على تحتوي مصفوفةبـ عنها يستعاض أن ويمكن الدخل شعاع بـ عناصر عنها يستعاض أن ويمكن الدخل شعاع الذي الذي minmax(pminmax(p))عناصر

. الدخل مجال في قيمة وأكبر أصغر بتحديد .يقوم الدخل مجال في قيمة وأكبر أصغر بتحديد يقوم

طبقات- 22• من طبقة كل في العصبونات عدد على تحتوي طبقات- مصفوفة من طبقة كل في العصبونات عدد على تحتوي مصفوفةالشبكة .الشبكة .

• طبقة- . 33• لكل التفعيل توابع أسماء على تحتوي طبقة- . مصفوفة لكل التفعيل توابع أسماء على تحتوي مصفوفة

المستخدم- . 44• التدريب تابع المستخدم- . اسم التدريب تابع اسم

مثال : مثال : •

•((network1=newff( [0 5],[10,6,2],{tansig,logsig,purlin}, network1=newff( [0 5],[10,6,2],{tansig,logsig,purlin}, traingdtraingd

اإلنتشار • ذات أمامية شبكة بإنشاء تقوم التعليمة هذه اإلنتشار إن ذات أمامية شبكة بإنشاء تقوم التعليمة هذه إنالقيمتين بين الدخل مجال يقع حيث ، القيمتين العكسي بين الدخل مجال يقع حيث ، ، ، 55و و 00العكسي

، خرج وطبقة خفيتين طبقتين من الشبكة هذه ، وتتألف خرج وطبقة خفيتين طبقتين من الشبكة هذه وتتألفالطبقة بينما عصبونات عشرة تحوي األولى الخفية الطبقة الطبقة بينما عصبونات عشرة تحوي األولى الخفية الطبقة

الخرج طبقة أما ، عصبونات ستة تحوي الثانية الخرج الخفية طبقة أما ، عصبونات ستة تحوي الثانية الخفيةالطبقات , لهذه التفعيل وتوابع خرج عصبوني من الطبقات , فتتألف لهذه التفعيل وتوابع خرج عصبوني من فتتألف

و tansigtansigهي هي ، األولى الخفية و للطبقة ، األولى الخفية و logsiglogsigللطبقة ، و للثانية ، للثانيةpurlinpurlin في المستخدم التدريب تابع أما ، الخرج في لطبقة المستخدم التدريب تابع أما ، الخرج لطبقة

هو الشبكة هو هذه الشبكة . .traingdtraingdهذه

التدريب التدريب تابع وبارامتراته وبارامتراته traingdtraingdتابعالنمط • من تدريجي تدريب تابع هو النمط التابع من تدريجي تدريب تابع هو قبل Batch modeBatch modeالتابع عنه تكلمنا قبل الذي عنه تكلمنا الذي

للتابع. بارامترات عدة هناك للتابع. قليل بارامترات عدة هناك تعديلها، traingdtraingdقليل يمكن البارامترات تعديلها، وهذه يمكن البارامترات وهذهوهي:وهي:

التعلم- 11• التعلم- معدل واالنحيازات : .trtrمعدل الميل تغير سرعة تحديد على واالنحيازات : .يعمل الميل تغير سرعة تحديد على يعمل

•Show - 2Show - 2 . : التدريب حالة إلظهار التدريب : . أمر حالة إلظهار أمر

•Epoch - 3Epoch - 3 : عن الشبكة تتوقف حيث ، التدريب عملية إليقاف عن : بارامتر الشبكة تتوقف حيث ، التدريب عملية إليقاف بارامترال عدد التكرارات عدد بلغ إذا ال التدريب عدد التكرارات عدد بلغ إذا . epochsepochsالتدريب . المحدد المحدد

•Goal - 4Goal - 4 . : األصغري الخطأ قيمة األصغري : . لتحديد الخطأ قيمة لتحديد

•min_gradmin_grad . : التدريب عنده يقف الذي األصغري التدريب : . الميل عنده يقف الذي األصغري الميل

االبتدائية األوزان االبتدائية قيم األوزان Initializing weightsInitializing weightsقيم

لألوزان • ابتدائية قيما� توضع أن يجب الشبكة تدريب لألوزان قبل ابتدائية قيما� توضع أن يجب الشبكة تدريب قبلالسابقة. التعليمة إن السابقة. واالنحيازات التعليمة إن قيما newffnewffواالنحيازات قيما تضع تضع

في ولكن ، آلي بشكل واالنحيازات لألوزان في ابتدائية ولكن ، آلي بشكل واالنحيازات لألوزان ابتدائيةنحصل القيم هذه تغيير إعادة إلى نحتاج األحيان نحصل بعض القيم هذه تغيير إعادة إلى نحتاج األحيان بعض

التعليمة طريق عن التغيير هذا التعليمة على طريق عن التغيير هذا تأخذ initinitعلى تأخذ حيث حيثيلي : كما كخرج وتعيدها كدخل الشبكة التعليمة يلي :هذه كما كخرج وتعيدها كدخل الشبكة التعليمة هذه

•((Network1=init ( Network1Network1=init ( Network1

trainingtrainingالتدريب : التدريب :

واالنحيازات • لألوزان االبتدائية القيم تحديد واالنحيازات بعد لألوزان االبتدائية القيم تحديد بعدالتدريب وخالل ، للتدريب جاهزة الشبكة التدريب تصبح وخالل ، للتدريب جاهزة الشبكة تصبح

تكراري بشكل واالنحيازات األوزان هذه تكراري تتغير بشكل واالنحيازات األوزان هذه تتغيرالكلفة لتابع الصغرى القيمة إلى الوصول الكلفة لغاية لتابع الصغرى القيمة إلى الوصول لغاية

األداء تابع يسمى ما األداء أو تابع يسمى ما performance performanceأوfunctionfunction..

التغذية • لشبكات االفتراضي األداء تابع التغذية إن لشبكات االفتراضي األداء تابع إنالخطأ ) مربع متوسط هو الخطأ )األمامية مربع متوسط هو (.(.msemseاألمامية

الشبكة : الشبكة :محاكاة SimulationSimulationمحاكاة

حيث • الشبكة محاكاة من تمكننا تعليمة حيث هناك الشبكة محاكاة من تمكننا تعليمة هناكالشبكة يمثل األول ، دخلين التعليمة هذه الشبكة تأخذ يمثل األول ، دخلين التعليمة هذه تأخذ

الشبكة دخل يمثل الشبكة والثاني دخل يمثل مجموعة ppوالثاني مجموعة أو أوالشبكة TTاالختباراالختبار خرج ويعطي الشبكة ، خرج ويعطي ،AA في في كما كما

التالي : التالي :المثال المثال

•((A=sim(network1, TA=sim(network1, T

مراجع :مراجع :

االصطناعية - • العصبية الشبكات في االصطناعية - مقدمة العصبية الشبكات في مقدمة . الصناعي - الذكاء قسم . ويكيبوكس الصناعي - الذكاء قسم ويكيبوكس

الطالب :• الطالب :عمل عمل

منيف • بن صالح منيف سالم بن صالح سالم

عبدالرحمن • عبدالله عبدالرحمن محمود عبدالله محمود

كولك • عبدالمنعم كمال كولك نضال عبدالمنعم كمال نضال

عبدالعزيز : الدكتور عبدالعزيز : بإشراف الدكتور بإشرافالذبحانيالذبحاني