طبقه بندی و بازشناسی الگو با شبکه های عصبی LVQ در متلب

شبکه عصبی Learning Vector Quantization (به اختصار LVQ) یکی از انواع شبکه های عصبی با الگوی یادگیری نظارت شده است که کاربرد اصلی آن در حل مسائل طبقه بندی (Classification) و بازشناسی الگو (Pattern Recognition) است. این روش، از خویشاوندان نزدیک نگاشت های خود سازمان ده یا Self-Organizing Maps (به اختصار SOM) است و شباهت های زیادی نیز با رویکرد طبقه بندی نزدیک ترین همسایگی یا kNN دارد. سرفصل هایی که در این آموزش به آن پرداخته شده است:  تعریف مسأله Vector Quantization (به اختصار VQ)  کاربرد VQ در خوشه بندی و طبقه بندی  بررسی مفهوم رقابت در VQ  نمودار یا دیاگرام ورونو یا Voronoi Diagram  ترسیم نمودار ورونو در متلب  الگوریتم بهینه VQ برای یادگیری غیر نظارت شده  الگوریتم LVQ1 برای یادگیری نظارت شده و طبقه بندی  شباهت میان LVQ و نگاشت خود سازمان ده یا SOM  الگوریتم بهینه سازی شده OLVQ1 با تغییر در نرخ یادگیری  نحوه تعیین نرخ یادگیری بهینه در الگوریتم OLVQ1  الگوریتم LVQ2 و LVQ2.1 برای یادگیری نظارت شده دیفرانسیلی (تفاضلی)  الگوریتم LVQ3 برای یادگیری نظارت شده  بررسی شباهت میان LVQ و ساختار عمومی شبکه های عصبی  ایجاد شبکه عصبی LVQ در متلب با استفاده از تابع lvqnet .... برای توضیحات بیشتر به این لینک مراجعه بفرمائید: http://faradars.org/fvrml110