پیاده سازی شبکه عصبی MLP یک لایه با دو ورودی و یک خروجی در متلب

در این پروژه در نرم افزار متلب یک شبکه عصبی MLP (Multilayer Perceptron) را بدون استفاده از دستورات و کتابخانه های آماده متلب برای این شبکه عصبی و با روابط فیدفوروارد (FeedForward) و پس انتشار خطا (BackPropagation) پیاده سازی کردیم. دیتا ها به صورت تصادفی (Random) برای یک تابع دو ورودی و یک خروجی در نظر گرفته شده است که با تغییرات جزئی امکان وارد کردن دیتا ها به صورت فایل اکسل و … وجود دارد. همینطور با تغییرات جزئی در روابط پس انتشار خطا و متغیر های موجود امکان تبدیل این کد به کد MLP چند لایه نیز وجود دارد که در پروژه های بعدی به آن می پردازیم. با اجرای این پروژه شبکه عصبی دیتا های ورودی را آموزش می بیند و بعد از فاز یادگیری (Training)، نمودار های تست (Test) و ارزیابی (Check) را هم در خروجی نمایش می دهد. مقدار میانگین مربعات خطا (MSE) یادگیری و تست نیز در این پروژه محاسبه شده و نمودار گرادیان نزولی آن در گام های آموزشی (Epoch) تعیین شده نیز 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 کد متلب و فایل ورد توضیحات کامل بخش های مختلف آن به صورت پروژه محور می باشد.

توضیحات بیشتر در ویدیو زیر داده شده است.