توابع شعاعی پایه (RBF: Radial-Basis Functions)

توضیحات

شبکه های با تابع شعاعی RBF(Radial Basis Function) و کامل کردن بحث‌های فصل پنج a. فیلم اول i. چرا RBF مهم است؟ تفاوت آن با MLP در چیست؟ ii. معرفی ساختار شبکه، لایه ها، تابع نورنها و پارامترهای شبکه iii. آشنایی با شبکه در قالب مثال تقریب تابع، شبکه ساختار ماکزیمم RBF iv. قضیه افزایش بعد فضا در ایجاد تفکیک پذیری بین کلاسها Cover’s Theorem on separability v. انواع تابع فعالیت نورون در RBF vi. مقایسه ساختار شبکه RBF با MLP در یک مثال طبقه بندی vii. ساختار مینیمم RBF viii. بررسی شبکه ساختار ماکزیمم و جلوگیری از بیش برازش آن ix. بررسی شبکه جامع RBF (شبکه بین ساختار ماکزیمم و مینیمم) با فاصله اقلیدسی و فاصله وزندار(ماهالونوبیس) x. سه روش آموزش شبکه جامع RBF شامل گرادیان نزولی، انتخاب تصادفی مراکز و استفاده ازonline Kmeans xi. فرمولبندی محاسبه پارامترها با روش گرادیان نزولی xii. بررسی مشکلات RBF و روشهای استخراج دانش از داده Data Driven algorithm xiii. مقایسه شبکه RBF و MLP xiv. بررسی نکات عملی پیاده سازی شبکه RBF روی تقریب تابع xv. پیاده سازی دو مدل شبکه RBF در تولباکس شبکه عصبی Matlab xvi. بررسی ساختارهای رشد یابنده RBF , Growing RBF