مصنف الشبكة على بيانات القزحية باستخدام ماتلاب

Abstract: Classification is the task of assigning object to one of several predefined categories. Classification analysis is the organization of data in given classes. Also known as supervised classification, the classification uses given class labels to order the objects in the data collection. Classification approaches normally use a training set to train the model where all objects are already associated with known class labels. The classification algorithm learns from the training set and builds a model to classify the target,. The classification analysis would generate a model that could be used to find a class (target).

A neural network consists of patterns represented in terms of numerical values attached to the nodes of the graph and transformations between patterns achieved via simple message-passing algorithms. Certain of the nodes in the graph are generally distinguished as being input nodes or output nodes, and the graph as a whole can be viewed as a representation of a multivariate function linking inputs to outputs. Numerical values (weights) are attached to the links of the graph, parameterizing the input/output function and allowing it to be adjusted via a learning algorithm.

Artificial neural networks (ANNs) consider the good tool to learn and classify patterns such as the biological human brain learning process. It consists of simple elements called neurons, which are operating in parallel (included many neuron units that work in parallel). Connections between neurons have weights emerged with the inputs of the neural to give the certain output.

The connection’s weights have been adjusted during the learning process by iteratively comparing the output of the network and the required target. The ability of the network to show a good performance in the results depends on the training algorithm. There are different types of neural networks, however, most of researches published in the medical studies used one class of neural networks, the back-propagation (BP). 

Keywords: Classification, simple message-passing algorithms, neural network, back-propagation, Artificial neural networks.

المستخلص: التصنيف هو مهمة تعيين كائن إلى واحدة من عدة فئات محددة مسبقًا. تحليل التصنيف هو تنظيم البيانات في فصول معينة. المعروف أيضًا باسم التصنيف الخاضع للإشراف، يستخدم التصنيف ملصقات فئة معينة لطلب الكائنات في جمع البيانات. عادةً ما تستخدم أساليب التصنيف مجموعة تدريب لتدريب النموذج حيث ترتبط جميع الكائنات بالفعل بملصقات فئة معروفة. تتكون خوارزمية التصنيف من مجموعة التدريب وتبني نموذجًا لتصنيف الهدف. سيؤدي تحليل التصنيف إلى إنشاء نموذج جديد يمكن استخدامه للعثور على فئة (هدف).

تتكون الشبكة العصبية من أنماط ممثلة من حيث القيم العددية المرتبطة بعقد الرسم البياني والتحولات بين الأنماط التي تحققت من خلال خوارزميات تمرير الرسائل البسيطة. يتم تمييز بعض العقد في الرسم البياني عمومًا على أنها عقد إدخال أو عقد إخراج، ويمكن النظر إلى الرسم البياني ككل على أنه تمثيل لدالة متعددة المتغيرات التي تربط المدخلات بالمخرجات. يتم إرفاق القيم العددية (الأوزان) بروابط الرسم البياني، وتوضيح وظيفة الإدخال/الإخراج والسماح بتعديلها عبر خوارزمية التعلم.

تعتبر الشبكات العصبية الاصطناعية (ANNS) اداة جيدة جدا لتعلم وتصنيف أنماط مثل عملية تعلم الدماغ البشرية البيولوجية. وهو يتألف من عناصر بسيطة تسمى الخلايا العصبية، والتي تعمل بالتوازي (شملت العديد من وحدات الخلايا العصبية التي تعمل بالتوازي). تدمج الروابط بين الخلايا العصبية الأوزان مع مدخلات العصبية لإعطاء ناتج معين. تم تعديل أوزان الاتصال أثناء عملية التعلم من خلال مقارنة إخراج الشبكة بشكل متكرر والهدف المطلوب. تعتمد قدرة الشبكة على إظهار أداء جيد في النتائج على خوارزمية التدريب. هناك أنواع مختلفة من الشبكات العصبية، ومع ذلك، فإن معظم الأبحاث المنشورة في الدراسات الطبية استخدمت فئة واحدة من الشبكات العصبية، وهي شبكة الانتشار الخلفي (BP).

الكلمات المفتاحية: التصنيف، خوارزميات تمرير الرسائل البسيطة، الشبكة العصبية، الانتشار الخلفي، الشبكات العصبية الاصطناعية.