ارایه دو تابع جدید فعال ساز برای شبکه های عصبی مصنوعی با مقادیر مختلط و کاربرد آن ها در مسایل با مقادیر حقیقی

انتخاب تابع فعال ساز مناسب یکی از چالش های اصلی شبکه های عصبی با مقادیر مختلط می باشد. تابع فعال ساز انتخابی، باید دو شرط مشتق پذیری و کران دار بودن را داشته باشد. زمانی که از این شبکه ها برای حل مسایل با مقادیر حقیقی استفاده می شود، تابع فعال ساز وظیفه نگاشت از فضای مختلط به فضای حقیقی را نیز بر عهده دارد. در این مقاله دو تابع جدید فعال ساز برای شبکه های با مقادیر مختلط پیشنهاد شده است که شروط فوق را به خوبی تامین می کند. توابع فعال ساز پیشنهادی دارای چهار ناحیه اشباع بوده و بر خلاف پرسپترون دو لایه معمولی، توانایی حل مسایل جداناپذیر خطی را دارند. برای هر یک از توابع پیشنهادی، روابط اصلاح وزن استخراج شده و روند آموزش و تست شبکه عصبی شرح داده شده است. با استفاده از دو مجموعه داده ی تشخیص پزشکی، مربوط به بیماری های دیابت و سرطان سینه، عملکرد شبکه بر روی مسایل با مقادیر حقیقی مورد سنجش قرار گرفته و نشان داده شده است که شبکه عصبی مختلط با توابع پیشنهادی، ساختار ساده تر و سرعت همگرایی بالاتری نسبت به شبکه های چند لایه پرسپترون استاندارد دارند. میزان صحت تشخیص این شبکه ها، برای بیماری دیابت ۸۰% و برای سرطان سینه ۹۵% می باشد