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

انتخاب تابع فعال‌ساز مناسب یکی از چالش های اصلی شبکه‌های عصبی با مقادیر مختلط می‌باشد. تابع فعال‌ساز انتخابی، باید دو شرط مشتق‌پذیری و کران دار بودن را داشته باشد. زمانی که از این شبکه‌ها برای حل مسایل با مقادیر حقیقی استفاده می‌شود، تابع فعال‌ساز وظیفه نگاشت از فضای مختلط به فضای حقیقی را نیز بر عهده دارد. در این مقاله دو تابع جدید فعال‌ساز برای شبکه‌های با مقادیر مختلط پیشنهاد شده است که شروط فوق را به خوبی تامین می کند. توابع فعال‌ساز 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 ساده‌تر و سرعت همگرایی بالاتری نسبت به شبکه‌های چند لایه پرسپترون استاندارد دارند. میزان صحت تشخیص این شبکه‌ها، برای بیماری دیابت 80% و برای سرطان سینه 95% می باشد