مقایسه عملکرد شبکه های عصبی MLP و RBF در متلب

در این پروژه در نرم افزار متلب دو شبکه عصبی MLP و RBF را با پیاده سازی دو تابع سینوسی و یک تابع اکلی دو بعدی (ackley2D)، مقایسه می کنیم. توابع بررسی شده در این پروژه تابع y=sin(x)، y=sin(4*pi*(x/4)) و تابع اکلی دو بعدی می باشد.

مقدار میانگین مربعات خطا (MSE) یادگیری، مجموع مربعات خطا (SSE) و سایر پارامتر ها نیز محاسبه شده است، همچنین علاوه بر نمایش نمودار گرادیان نزولی تست (Test) و آموزش (Train)، نمودار رگرسیون، نمودار هستوگرام، نمودار مدل تابع و نمودار بررسی ارور و فیتینگ شبکه نیز در گام های آموزشی (Epoch) تعیین شده نمایش داده می شود. برای جلوگیری از Over Parameterized و یا Over Fitting شدن شبکه، باید تعداد داده های ورودی و دسته بندی آنها (تعداد داده های آموزش و تست و ارزیابی)، تعداد نورون های لایه های میانی، نرخ یادگیری (Eta) و تعداد گام های آموزشی را به درستی مقدار دهی کنیم.

این پروژه دارای 7 فایل متلب می باشد که هر تابع دارای یک کد MLP و یک کد RBF می باشد، همچنین کد فانکشن تابع اکلی که در پوشه پروژه قرار داده شده، برای اجرای کد های آن باید در محیط Editor متلب وجود داشته باشد.