توپولوژی شبکه بدانیم. یکی از پارامترهایی که توسط کاربر در کلیه برنامه‌های شبیه‌سازی شبکه‌های عصبی قابل کنترل است، تعداد سلولهای هر لایه و تعداد لایه‌ها است. به هر سلول عصبی یک گره (Node) نیز گفته میشود.
تعداد سلولهای لایه ورودی به تعداد ورودی‌ها است. در عمل سعی بر این است که کلیه پارامترهایی که در پاسخ تأثیر دارند در نظر گرفته شوند، البته باید در نظر گرفت که اطلاعات بی‌استفاده ورودی کار شبکه را مشکل‌تر می کنند، زیرا اگر چه شبکه عصبی به نویز (داده های دارای خطا) مقاوم است اما در هر صورت اگر میزان نویز بیش از حد زیاد باشد ممکن است شبکه نتواند Converge شود.
تعداد گره‌ها در لایه خروجی بسته به پیشگویی مورد نظر ما دارد. اگر قرار است شبکه میزان پایداری دارو را پیشگویی کند، پس در ازای داده‌های هر نمونه در مرحله یادگیری، یک عدد (میزان پایداری تجربی اندازه‌گیری شده) به آن داده می شود. به این ترتیب یک سلول در لایه خروجی کافی خواهد بود که مجموعه کلیه تحریکات وارد بر آن (Sum of Weighted Inputs) همان عدد مورد نظر ما خواهد بود. اگر قرار است که شبکه، سرطانی بودن یا نبودن یک فرد را پیشگویی کند، پس در ازای داده‌های هر فرد، در مرحله یادگیری یک ستون حاوی صفر یا یک به شبکه داده می‌شود، صفر به معنای فرد سالم و یک به معنای فرد بیمار سرطانی خواهد بود. به این ترتیب، یک سلول در لایه خروجی کافی خواهد بود، که فعالیت آن به معنی یک (سرطانی) و خاموش بودن آن به معنی صفر (سالم) خواهد بود. اگر قرار بر این است که شبکه گروه خونی بیمار را پیشگویی کند، به تعداد گروههای خونی مورد نظر گره خواهیم داشت که روشن شدن هر کدام نشانه تعلق بیمار به یک گروه خونی خاص خواهد بود.
تعداد لایه‌ها و تعداد گره‌ها در هر لایه مخفی از پارامترهایی است که توسط کاربر قابل تنظیم است. با بررسی‌های دانشمندان مشخص شده که سیستم ادراک بشر (اعم از سیستم مرکزی مغز و لایه‌های عصبی گسترده در بدن) جمعاً یک شبکه 6 تا 7 لایه را تشکیل میدهند. هر چه تعداد لایه‌ها بیشتر باشد، سیستم قادر به درک پیچیدگیهای بیشتری است. از لحاظ ریاضی اصطلاحاً گفته می‌شود که افزودن هر لایه، یک مرحله به قدرت Decode/Encodeکردن اطلاعات می‌افزاید. بیشتر مسائلی که محققین با آن سروکار دارند با 2 تا 3 لایه مخفی قابل حل هستند. زیاد بودن لایه‌ها دقت عددی پیشگویی را کم می کند، و ممکن است مانع Convergeشدن شبکه گردد.
نکته دیگر تعداد گره‌ها در هر لایه است. بطور تخمینی تعداد مناسب گره‌های لایه‌های مخفی بین نصف تا یک و نیم برابر تعداد گره‌های لایه ورودی (یعنی تعداد ورودی‌های سیستم) است. منابع مختلف مقیاسهای تجربی متفاوتی را به‌عنوان حدس اولیه برای این تعداد پیشنهاد کرده‌اند. در واقع، کم بودن مفرط تعداد گره‌ها قدرت تجزیه و تحلیل (و به‌دنبال آن دقت عددی پیشگویی) را کاهش می‌دهد. از سویی زیاد بودن مفرط این تعداد موجب می‌شود که سیستم، به‌جای تجزیه و تحلیل داده‌ها، آنها را حفظ کند (Memorizing).
2-2-6- میزان یادگیری
یک اتصال سیناپسی واحد بین دو نورون را در نظر بگیرید. فرض کنید که روال توزیع معکوس دستورالعملی صادر کرده که وزن این اتصال از میزان w1 باید به w2 تغییر یابد. تغییر وزن w1 به w2 را گرادیان وزنی می‌نامند. این تغییر وزن برای کاهش خطای پیشگویی نمونه شماره 2 لازم است اما سبب افزایش خطای پیشگویی نمونه شماره 1 می‌شود. بسته به نوع سیستم، ما می‌توانیم تعیین کنیم که اهمیت هر دستورالعمل توزیع معکوس چقدر است، یعنی سیستم در هر مرحله چقدر باید برای کاهش خطای پیشگویی عمل کند.
در سیستم‌هایی که دقیق هستند و اعداد در آنها معنی ریاضی و فیزیکی مشخصی دارند، به عبارتی دیگر در سیستم‌هایی که اهمیت هر نمونه زیاد است، می‌توانیم گرادیان را بطور تمام و کمال تأثیر بدهیم. اما در سیستم‌هایی که اعداد دارای خطای زیاد هستند و اهمیت نمونه ها کم است، حتماً باید تأثیر گرادیان را کاهش دهیم وگرنه شبکه از هر نمونه به نمونه دیگر دچار تنش و تغییر شدید شده و هرگز Converge نمی شود. به‌طور مثال، اگر داده‌ها مربوط به آزمایشات عدسی ها (فاصله، اندازه، و ماهیت حقیقی یا مجازی تصویر) هستند، تأثیر گرادیان باید حداکثر باشد، اما اگر داده‌ها مربوط به پیشگویی ارزش سهام در بازار بورس یا پیشگویی موفقیت یک دانشجو در ارزشیابی‌های پایان ترم هستند، باید تأثیر این گرادیان کاهش یابد، چرا که این بار سیستم، یک سیستم دقیق ریاضی-فیزیکی نیست و ارزش تک تک داده‌ها کمتر است.
به این منظور پارامتری به نام میزان یادگیری (Learning rate) تعریف و در گرادیان ضرب می‌شود که گفته می‌شود متناسب با اهمیت هر نمونه است. اگر اهمیت هر نمونه زیاد باشد (مشابه اولین گروه سیستم‌ها) این پارامتر باید نزدیک به 1 باشد و در صورتی که اهمیت هر نمونه کم باشد (مشابه دسته دوم سیستم‌ها) این پارامتر باید کمتر باشد.
2-2-7- مومنتوم
در شبیه‌سازی سیستم‌های مختلف مشاهده شده که معمولاً زمانی که در طول فرآیند یادگیری، یک وزن خاص افزایش می‌یابد، پس از آن معمولاً تا انتها تنها افزایش می‌یابد، و بالعکس، اگر وزن باید کاهش یابد تا انتها تنها کاهش می‌یابد، و به ندرت پیش می‌آید که یک وزن سیناپسی خاص به طور متوالی کم و زیاد شده و نوسان یابد. از این رو پارامتری به نام مومنتوم (Momentum) در گرادیان تغییر وزن تأثیر داده می‌شود، به‌طوری‌که، اگر وزنی بطور متوالی دستور برای افزایش دریافت کند، به طور غیر عادی و زیادتری افزایش یابد، و بالعکس، اگر وزنی قرار است به طور متوالی کاهش یابد، به تدریج میزان کاهش آن به طور غیر عادی زیاد شود. این پارامتر، مومنتوم نام دارد و نوعی اینرسی حرکتی برای تغییر وزنها ایجاد می‌کند، که سبب می‌شود با تعداد نمونه‌های کمتر و در زمان کمتری سیستم به مرحله Convergence برسد. مشابه پارامتر قبلی، در سیستم‌های دقیق، که اهمیت هر نمونه زیاد است و خطای عددی کمی در آن وجود دارد، می‌توان از مومنتوم بالا استفاده کرد، اما در سیستم‌های غیردقیق باید این میزان را کم انتخاب کرد.
در حالت کلی، هنگامی که قرار است یک وزن سیناپسی w1 به وسیله ضریب g به میزان w2 تغییر یابد، مقدار g تحت تأثیر Lr (میزان یادگیری) و mk (ضریب مومنتوم) قرار دارد، که میزان Lr برای هر سیستم ثابت است، اما میزان mk تحت تأثیر دو عامل است، یکی میزان مومنتوم تعیین‌شده (که حداکثر mk را نشان می‌دهد) و دیگری سابقه تغییر وزن در همان گره سیناپسی خاص، که اگر در چند مرحله متوالی در وزن سیناپسی مذکور تغییر مشابه (کاهش یا افزایشی) مشاهده شود میزان mk زیاد شده و به مومنتوم نزدیک می‌شود. به این ترتیب، برخلاف تأثیر ضریب یادگیری، تأثیر مومنتوم عملاً بر روی اتصالات سیناپسی مختلف متفاوت است و تنها میزان حداکثر مجاز آن برای کل سیستم یکسان است.
2-2-8- آموزش، آزمایش و ارزيابي مدل‌ها
برای افزایش اعتمادپذیری16 نتایج ارائه‌شده توسط مدل، ابتدا فرآیند مدل‌سازی با استفاده از یک زیرمجموعه از داده‌ها17 انجام شده و از مدل ریاضی به‌دست‌آمده برای طبقه‌بندی یا پیشگویی پارامتر هدف در زیرمجموعه‌ای که شامل مابقی داده‌هاست18 استفاده می‌شود. به مرحله اول، آموزش مدل (train) و به مرحله دوم، آزمایش مدل (test) گفته می‌شود. آموزش و آزمایش مدل‌ها معمولاً به شکلی صورت می‌گیرد که تمامی نمونه‌ها حداقل یک‌بار در مجموعه‌های آموزش و آزمــایـــش قــــرار گیـــرنــد. .(Alexander Golbarikh, et al, 2003) منظور از ارزيابي مدل‌ها ارائه شاخص‌هاي کمّي است که بتوان به‌وسيله‌ آنها دقت و صحت نتايج ارائه‌شده توسط مدل را بررسي کرد. از اين شاخص‌ها ابتدا براي بهينه‌سازي پارامترهاي مدل و سپس براي گزارش ميزان اعتمادپذيري آن استفاده مي‌شود. در مراحل مدل‌سازی گسسته، متناسب با کلاسه‌بندي ترکيبات به دو دسته فعال و غيرفعال‌، ابتدا تعداد ترکيبات فعالي که مدل آنها را درست دسته‌بندي کرده است (NTP)، تعداد ترکيبات غيرفعالي که مدل آنها را درست دسته‌بندي کرده است (NTN)، تعداد ترکيباتي که مدل به غلط آنها را فعال شناخته است (NFP) و همچنين تعداد ترکيباتي که مدل به غلط آنها را غيرفعال شناخته است (NFN) شمرده می‌شود. سپس با استفاده از اين کميت‌ها شاخص‌هاي کمي ارزيابي به اين صورت محاسبه می‌شوند:
نسبت صحيح19 (FC) درصدي از کل نمونه‌هاست که به درستي دسته‌بندي شده‌اند:
نسبت هشدار20 (FAR) درصدي از ترکيبات غيرفعال است که نادرست دسته‌بندي شده‌اند:
احتمال آشکارسازي21 (POD) درصدي از ترکيبات فعال است که به درستي دسته‌بندي شده‌اند:
بر اين اساس بهترين مدل آن است که بيشترين نسبت صحيح و احتمال آشکارسازي و کمترين نسبت هشدار را دارا باشد. هرکدام از اين شاخص‌ها اطلاعات ارزشمندي را در مورد مدل به ما مي‌دهد.
در بخش مدل‌سازی پیوسته، در این تحقیق، متناسب با طبيعت پيوسته جواب‌ها از شاخص کمترين ميانگين مربعات خطا22 (RMSE) استفاده شد که نحوه محاسبه آن به اين شکل است:
که مقدار پيشگويي‌شده براي نمونه iاُم و yi مقدار حقيقي آن است. n نيز تعداد کل نمونه‌هاست. هرچه RMSE کمتر باشد، مدل قابل‌اعتمادتر است (Helge Malmgren, 2000).
2-3-1- مروری بر مطالعات پیشین
Newsome .1 وWright در مقاله مروری خود تحت عنوان “رضایت بیماران دندانپزشکی”، به بررسی 60 مقاله در زمینه جستجوی ادراک بیمار از سال 1980 تا 1997، جهت ارایه بازخورد در رابطه با مراقبت دندانپزشکی میپردازند و هدف از این مطالعه جستجوی ادراک بیماران به عنوان ورودی برای بهبود موثر بازاریابی و ارایه موثر خدماتشان میباشد. نتایج نشان داد که کیفیت مراقبت به عنوان اولین معیار ارزشیابی بیماران در خدمات دندانپزشکی مطرح میشود و مشتریان منبع مهمی برای ایجاد کسب و کار جدید میباشند.
عوامل زیر جزء معیارهای مهم در ارزشیابی دندانپزشک میباشند (به ترتیب اولویت):
کیفیت مراقبت، تمایل دندانپزشک جهت صحبت با بیمار در رابطه با درمانش، دندانپزشکی پیشگیرانه، پاکیزگی مطب، حساسیت نسبت به اطفال، سودمندی متخصص بهداشت، حداقل زمان انتظار، شخصیت دندانپزشک.
پیشنهادات لازم به عنوان راهبرد به شرح زیر توصیه شده است:
-کارکنان برای ایجاد جو مناسب باید مهربان باشند.
-کودکان باید درمان و توجه ویژه ای دریافت نمایند.
– برای به حداقل رساندن زمان انتظار باید تلاش آگاهانهای انجام گیرد.
-مطب باید خوب و تمیز نگهداری شود.
-بیمار باید فرصت صحبت با دندانپزشک خود در رابطه با درمانشان را داشته باشد.
-بیماران باید ترغیب شوند که به دوستان و آشنایان خود آن جا را توصیه نمایند (9)
Nora Ganim Barnes, Daphne Mowatt .2در سال 1986، پژوهشی تحت عنوان “بررسی نگرش بیمار و پیامدهای آن برای بازاریابی خدمات دندانپزشکی” انجام دادند. نمونه ها به طور تصادفی از 21 مطب تقریبا شامل 5000 بیمار از ده شهر واقع در انگلستان جمع آوری شد. اطلاعات از طریق پرسشنامه 4 لیکرتی که به بیماران از طریق پست الکترونیک داده شده بود، جمع آوری شده است. آیتم های پرسش نامه از طریق بررسی متون و مصاحبه با دندانپزشکان استخراج شده است. یافته ها نشان میدهد که توصیه اشخاص (دوستان و افراد خانواده) مهمترین منبع در در انتخاب دندانپزشک میباشد و برای هر شغلی مشتریان فعلی منبع مهمی برای ایجاد کسب و کار جدیداند. بنابراین، توصیه به نظارت و تعیین نیازهای بیماران جاری نه تنها برای وفاداری به شغل بلکه برای ارتقا فعال خدمات میباشد. پس از اینکه انتخاب اولیه دندانپزشک صورت گرفت چندین متغیر ممکن است در ارزیابی خدمات مورد توجه قرار گیرد. کیفیت خدمات ارائه

دسته بندی : No category

دیدگاهتان را بنویسید