معرفی بخشی از تغییرات درساختار و آموزش شبکه های عصبیSOM،SVM،RBF و آشنایی با شبکه عصبی CNN و کاربردهای آن

دراین مقاله نتیجه مطالعات پنج مقاله در زمینه شبکه های عصبی در سال های 2014و 2015 ارایه می گردد. در ابتدا به معرفی شبکه عصبی GRBF می پردازیم این شبکه در ترکیب با مدل خود بازگشتی تابعی ابزار قدرتمندی برای پیش بینی سری های زمانی غیرخطی و غیر ایستا ارایه می دهد. در ادامه شبکه عصبی FCRBF را معرفی می نماییم. این شبکه عصبی با حذف بخشی از اتصالات بین نرون ها با حفظ دقت در سطح قابل قبول، سرعت را به شکل قابل توجهی بالا برده و امکان استفاده از آن در سیستم های کنترل را فراهم نموده است. درمقاله سوم استفاده ترکیبی از شبکه عصبیSVM و CPON درچندین لایه باعث شده میزان عدم قطعیت الگو تشخیص داده شود و هرچه سطح عدم قطعیت افزایش می یابد الگو برای تشخیص به لایه های عمیق شبکه ارجاع داده می شودوعملا درستی دسته بندی الگو از طریق عبور ازچندلایه تشخیصی انجام می شود. در مقاله چهارم با معرفی ساختار جدیدی از شبکه های عصبی خودسازمانده ده سعی شده رفتار واقعی مغز و نرون ها شبیه سازی شود لذا ورودی های پیوسته به نرون ها با یک الگوریتم رمز گذاری زمانی به شبکه اعمال می شوند و از خصوصیات تحریک و بازدارندگی مشابه عملکرد نرون های بیولوژیکی استفاده شده است. درنهایت در آخرین مقاله شبکه های عصبی کانولوشنال که براساس تحقیقات آقای فوکوشیما بر روی بینایی پستانداران طراحی و شبیه سازی شده معرفی و از آن برای تشخیص تصاویرمغز استفاده می شود.