پیمان معلم - استادیار گروه الکترونیک، دانشکده فنی و مهندسی، دانشگاه اصفهان
امیرحسین منجمی - استادیار گروه کامپیوتر، دانشکده فنی و مهندسی، دانشگاه اصفهان

در بسیاری از مسائل عم ل ی و پیچیده داده کا و ی و شناسایی الگو، از شبکه عصبی پرسپترون چندلایه برای جداسازی کلاسهای مختلف بر مبنای الگوهای آموزشی استفاده میشو د . در این موارد، معیار مناسب بودن طبقه بندی کننده عصبی، تجربی بوده و در صورتی که جواب خوبی بدست نیاید، س عی میشود با تغییر پارامترهای شبکه عصبی (تعداد لایه مخفی و تعداد نرون عصبی در هر لایه) و استفاده از روش س ع ی و خطا، جواب مطلو ب گرفته شود . ولی در واقع قدرت شبکه پرسپترون چندلایه در شناسایی الگوهای کلاسهای گوناگون، وابسته به توزیع آماری کلاسها بوده و به نظر م یرسد رابطه ای در این مورد برقرار اس ت . از آنجاییکه توزیع نرمال، یک توزیع متعارف در مسائل مختلف داده کا و ی و شناسایی الگو است، در این مقاله نتایج استفاده از شبکه عصبی پرسپترون چند لایه به عنوان طبقه بن د ی کننده کلاسهایی با توزیع نرمال و با مقادیر مختلف بردار مت و سط و ماتریس کوواریانس، بررس ی میگردد . نتایج بررس ی نشان میدهد که طبقه بندی کننده عصبی پرسپترون چندلایه در مواردی که اختلاف ت وزیع کلاسها در بردارهای میانگین بوده و ماتریس کوواریانس کلاسها بیضوی نباشند، جواب مناسبی داشته و از روشهای آماری شناسایی الگو با تخمین پارامترهای هر کلاس جواب بهتری م ی دهد. ولی در عوض اگر اختلاف توزیع کلاسها در ماتریس کوواریانس بوده و بردار میانگین مشابه ب اشد، شبکه عصبی دقت روشهای آماری را نخواهد داش ت . بنابراین بهتر است قبل از استفاده از شبکه عصبی به عنوان طبقه بندی کننده الگو در داده کا و ی و شناسایی الگو، برد ا ر متوسط و ماتریس کوواریانس داد ه های آموزش ی بررسی گردد تا حدود جواب قابل انتظار از شبکه عصبی در طبقه بندی الگوها مشخص گردد.

روشهای آماری شناسایی الگو، شبکه عصبی پرسپترون چند لایه، بردار متوسط، ماتریس کوواریانس