‫دراسة رياضية تحميمية لخوارزميات الشبكات العصبية االصطناعية في مالئمة‬

‫نموذج لمتشخيص الطبي‬

Mathematical Analytical Study of Algorithms Artificial Neural

Networks in the Appropriate Model for Medical Diagnosis
‫إسراء رستم محمد‬ ‫ عمر صابر قاسم‬.‫د‬.‫م‬
‫قسم عموم الرياضيات‬
‫كمية عموم الحاسوب والرياضيات‬
‫جامعة الموصل‬

Abstract
In this research discuss the concept of appropriate form, by
examining sporting behavior for three models represent neural networks
are (GRNN, BPNN, PNN), were applied two types of medical data are
(osteoporosis and weaknesses auditory) and different in the way of
classification and spaces Input and output , and show through the
application of these data and suitability models with neural networks in
terms of the Domain and Range the network (PNN) is the best in the
diagnosis of audio data through average MSE, and network (BPNN) is
better diagnose bone crisp data (which are more complex) and the
network (GRNN) is the most generalization, especially when test data are
large compared with the training data.

‫انًهخص‬

‫ وذلك بدراسة السموك الرياضي لثالثة‬,‫تم في ىذا البحث مناقشة مفيوم مالئمة النموذج‬
‫ كما تم تطبيق نوعين من‬,)GRNN, BPNN, PNN( ‫نماذج تمثل شبكات عصبية ىي‬
‫البيانات الطبية ىما (وىن العظام والضعف السمعي) ومختمفين في طريقة التصنيف وفضاءات‬
‫ وتبين من خالل تطبيق ىذه البيانات ومالئمتيا مع‬,)Output( ‫) واإلخراج‬Input( ‫اإلدخال‬
‫) إن‬Range( ‫) والمدى‬Domain( ‫نماذج الشبكات العصبية االصطناعية من حيث المنطمق‬
,)MSE( ‫) ىي األفضل في تشخيص أنماط البيانات السمعية من خالل معدل‬PNN( ‫شبكة‬
‫) ىي األفضل في تشخيص أنماط بيانات وىن العظام (التي تكون أكثر‬GRNN( ‫وان شبكة‬
‫) خصوصاً عندما تكون‬Generalization( ‫) ىي األكثر عمومية‬BPNN( ‫تعقيدا) وان شبكة‬
.‫أنماط بيانات االختبار كبيرة مقارنة مع أنماط بيانات التدريب‬

. ‫ دراسة رياضية تحميمية لمشبكات العصبية‬,‫ مالئمة النماذج الذكائية‬,‫ مقارنة بين الشبكات العصبية االصطناعية‬:‫الكممات المفتاحية‬

1
 ‫‪Introduction‬‬ ‫)‪ (1‬مقدمة‬
‫تعد الشبكات العصبية االصطناعية من نماذج تقنيات االنظمة الذكائية الواسعة التطبيق‬
‫في مختمف المجاالت العممية الحديثة والتي تتطمب معرفة نوع النموذج الذي يتم من خاللو‬
‫تحويل بيانات اإلدخال (‪ )Input‬إلى اإلخراج المطموب (‪ )Target‬والتي تعجز عن حميا‬
‫الطرائق الرياضية واإلحصائية التقميدية‪ ,‬إال أن العديد من التطبيقات التي تم دراستيا باستخدام‬
‫الشبكات لم تأخذ بنظر االعتبار النموذج المناسب ليا والذي يتوافق مع بيانات اإلدخال وطبيعة‬
‫االخراجات المطموبة‪ ,‬وبذلك يؤدي ىذا االضطراب في اختيار النموذج إلى مردود سمبي قد يتمثل‬
‫في إجراء عمميات حسابية غير ضرورية أو قد يؤدي إلى زيادة معدل مربع الخطأ (‪.)MSE‬‬

‫لقد تم تقديم دراسة رياضية تحميمية عن مجموعة من الشبكات العصبية االصطناعية ىي‬
‫()‪Generalized )GRNN(َ Back propagation )BPNN( ,Perceptron (PNN‬‬
‫‪ ,)Regression‬والتي تكون خوارزمياتيا مختمفة في آلية المعالجة وطريقة تقبميا وتصنيفيا‬
‫لمبيانات باالعتماد عمى فضاء المدى (‪ )Range‬والمجال (‪ ,)Domain‬إذ إن (‪ )PNN‬مجاليا‬
‫ينتمي إلى فضاء األعداد الحقيقية (‪ )R‬ومداىا يكون ثنائي (‪ )Binary‬وبذلك تصمح لبيانات‬
‫قياس درجة السمع‪ ,‬في حين أن كل من (‪ )GRNN‬و(‪ )BPNN‬تتقبل في إدخاليا واخراجيا‬
‫فضاء األعداد الحقيقية (‪ )R‬أي أنيا تصمح لمبيانات متعددة األصناف (‪ )Multi classes‬مثل‬
‫أنماط بيانات وىن العظام‪ ,‬إال أن (‪ )GRNN‬تعتمد طريقة االنحدار(‪ )Regression‬في معالجة‬
‫أنماط البيانات والتعتمد طرق تك اررية في تعديل األوزان‪ ,‬بينما (‪ )BPNN‬تعتمد آلية تعديل‬
‫األوزان باالتجاه العكسي وىذه تعطييا إمكانية اكبر في أن تكون ذات صفة عمومية‬
‫(‪.)Generalization‬‬

‫‪Data Description‬‬ ‫)‪ (2‬وصف البيانات‬

‫تضمن البحث نوعين مستقمين من أنواع البيانات الطبية ىي (بيانات وىن العظام و‬
‫بيانات لتحديد ضعف السمع) إذ تتضمن أنماط البيانات السمعية قراءات لمستويات السمع لدى‬
‫اإلنسان ويتم من خالليا تحديد ىل أن الشخص مصاب أم ال‪ ,‬أي أن التصنيف فييا يكون ثنائي‬
‫(‪ 0‬أو ‪ )1‬وبيانات اإلدخال بسيطة تنتمي إلى فضاء اإلعداد الصحيحة (‪)Integer Space‬‬
‫وىذه البيانات عبارة عن أنماط عينات مختمفة من المرض عددىا (‪ )100‬تمثل أشخاص‬
‫مصابين بمرض ضعف السمع وآخرين طبيعيين وكل نمط من أنماط البيانات تتكون من خمسة‬
‫قراءات تمثل أعداد صحيحة فقط يتم من خالليا تحديد ىل الشخص طبيعي أم مصاب بضعف‬
‫السمع‪.‬‬

‫‪2‬‬
‫تم أخذ أنماط من بيانات جياز ‪ P.T.A‬حيث تم التركيز عمى فحص توصيل السمعي اليوائي‬
‫الذي يعد الفحص األعم في قياس درجة ضعف السمع‪ ,‬حيث تم أخذ الفحوصات بالتعاون مع‬
‫مركز الصفا التقني ومستشفى الموصل العام ومستشفى الجميوري التعميمي‪ .‬فمثالً تمثل القيم‬
‫(‪ )10, 0, 0, 0, 5‬قراءات لحالة شخص سميم والقراءات (‪ )20,20,65,55,50‬تمثل حالة‬
‫المريض‪.‬‬
‫أما بيانات وىن العظام فتتكون من أنماط عينات مختمفة من مرض وىن العظام تنتمي إلى‬
‫فضاء اإلعداد الحقيقية (‪ )Real Space‬والذي يكون أوسع واعقد من فضاء اإلعداد الصحيحة‬
‫(‪ .)Integer Space‬تتكون الحاالت في أنماط بيانات وىن العظام خالل مراحل مختمفة من‬
‫اإلصابة‪,‬إذ تمثل حالة (‪ )Osteopenia‬انمرحهة األَنى مه اإلصبثة‪ ,‬كما تمثل‬
‫(‪ )Osteoporosis‬المرحمة الثانية والمتأخرة من اإلصابة بالمرض‪ ,‬في حين تكون الحالة الثالثة‬
‫ىي الحالة السميمة (‪,[1] )Normal‬الموضحة بالشكل(‪ ,)1‬كما تمثل أنماط البيانات التي تم‬
‫استخداميا في التعرف عمى مرض وىن العظام عبارة عن قيم عددية ووصفية تمثل قاعدة‬
‫أساسية لمعمومات ضمن قاعدة بيانات (‪ )Data Base‬ألشخاص تم إجراء عممية الفحص عمييم‬

‫داخل العراق وتحديداً في محافظة نينوى مستشفى ابن سينا‪.‬‬

‫‪3‬‬
‫انشكم رقى (‪ : )1‬يقطغ يوضح انًقارنت بين اننسيج انطبيؼي )‪ (Normal‬واننسيج انًصاب بًرض انوهن ين‬
‫نوع (‪.)Osteoporosis‬‬

‫تتكون مصفوفة البيانات التطبيقية لمرض وىن العظام من (‪ )344‬حالة منيا (‪ )113‬نمط ًا‬
‫تشخيصيا من نوع (‪ ,)Osteoporosis‬في حين يوجد (‪ )131‬نمطاً من نوع (‪, )Osteopenia‬‬
‫أما بقية األنماط والتي يبمغ عددىا (‪ )100‬نمطاً‪ ,‬يمثل تشخيصيا الحالة الطبيعية (‪)Normal‬‬
‫غير مصابة‪ ,‬أما عدد األنماط القياسية المقروءة في كل نمط فيبمغ عددىا (‪ )17‬قيمة يمكن من‬
‫) والتي‬ ‫خالليا التعرف عمى نوعية الحالة‪ ,‬أي أن أبعاد مصفوفة اإلدخال ىي (‬
‫تحوي عمى (‪ )8585‬عنص اًر من مستويات األنماط المستخدمة في تحديد مرض وىن العظام‪.‬‬

‫ومن اىم ىذه القراءات في الحالة المرضية من نوع (‪ )Osteoporsis‬ىي )‪(T-score‬‬

‫والتي تكون قيميا أقل من (‪ )-2.5‬وفي الحالة الطبيعية )‪ (Normal‬تكون أعمى من (‪)-1.0‬‬
‫ومابينيما تمثل الحالة المرضية )‪ (Osteopenia‬وىذا ىام جدا من اجل اإلنذار والتشخيص‬
‫المبكر لمرض وىن العظام‪.‬‬
‫كمااا أن التشااخيص المااتقن والتعاارف الاادقيق عمااى األنماااط يعااد ماان أىاام المسااائل التااي تحتاااج‬
‫إلى اختيار دقيق لتقنيات التشخيص‪ ,‬وقد تام فاي ىاذا البحاث د ارساة ساموك مجموعاة مان الشابكات‬
‫العصاابية االصااطناعية ماان ناحيااة مالئمتيااا مااع البيانااات المسااتخدمة‪ ,‬كمااا تاام تقااديم آليااة يااتم ماان‬
‫خالليا تحديد نوع الشبكة المستخدمة وبتوافق مع أنماط البيانات التطبيقية‪.‬‬

‫)‪ (3‬الشبكات العصبية الطبيعية والشبكات العصبية االصطناعية‬

‫‪Natural Neural Networks and Artificial Neural Networks‬‬

‫تعد الشبكات العصبية االصطناعية تقنية رياضية برمجية مصممة لمحاكاة طريقة‬
‫التفكير ومعالجة األعصاب لممعمومات التي يودي بيا عقل اإلنسان ميمة معينة من خالل نظام‬
‫معالجة موزع عمى التوازي‪ ,‬تتكون الشبكات العصبية االصطناعية من وحدات معالجة بسيطة‬
‫تسمى الخمية أو العقدة )‪ (Neuron or Node‬العصبية االصطناعية و كل اتصال بين ىذه‬

‫‪4‬‬
‫الخاليا محددة بقيم تسمى األوزان )‪,(Weights‬إذ تقوم بتخزين المعمومات لتجعميا متاحة‬
‫لممستخدم وذلك عن طريق ضبط األوزان )‪.[5][4] (Weights‬‬

‫انشكم (‪ : )2‬يًثم يقارنت بين انخهيت انؼصبيت انطبيؼيت وانخهيت انؼصبيت االصطناػيت‪.‬‬

‫‪Architecture of ANNs‬‬ ‫)‪ (4‬معمارية الشبكات العصبية االصطناعية‬

‫تتكون معمارية الشبكات العصبية االصطناعية )‪ (ANNs‬من األجزاء اآلتية ‪:‬‬
‫‪ -1‬طبقة المدخالت )‪ :(Input Layer‬تقوم باستالم إشارات اإلدخال من خارج الشبكة‬
‫وتقابل التفرعات الشجيرية )‪ )Dendrites‬في الخمية الطبيعية لدى اإلنسان‪.‬‬
‫‪ -2‬األوزان )‪ :(Weights‬تمثا ا ا اال االتصا ا ا اااالت با ا ا ااين الطبقا ا ا ااات فا ا ا ااي الشا ا ا اابكات العصا ا ا اابية‬
‫االصطناعية والتي تقابل )‪ (Synapse‬بالشبكات العصبية الطبيعية‪.‬‬
‫‪ -3‬طبقة المخرجات )‪ :(Output Layer‬وىي الطبقة األخيرة التي تعطي اإلخراج‬
‫الحقيقي بعد سمسمة من المعالجات التي تتم خالل الطبقات السابقة‪.‬‬
‫‪ -4‬حد العتبة )‪ :(Threshold‬ىو الحد الذي يحدد مدى ونوع اإلخراج ليتسنى مقارنتو مع‬
‫اإلخراج المطموب )‪.(Target Output‬‬
‫‪ -5‬دالة التنشيط )‪ : (Activation Function‬ىناك عدة أنواع من ىذه الدوال منيا‪:‬‬
‫‪ ‬دالة الخطوة )‪ : )Step Function‬ىي الدالة التي يقع إخراجيا بين ]‪.[0,1‬‬
‫‪ ‬دالة اإلشارة )‪ :(Sign Function‬حيث يكون فييا صورة اإلخراج بين ]‪,[-1,1‬‬
‫التصنيف‬ ‫في‬ ‫وتستخدم‬ ‫‪(Hard‬‬ ‫‪Limit‬‬ ‫)‪Function‬‬ ‫ايضاً‬ ‫وتسمى‬
‫)‪ (Classification‬والتعرف عمى األنماط )‪.(Pattern Recognition‬‬
‫‪ ‬الدالة الخطية )‪: (Linear Function‬ىي الدالة تكون فييا صورة اإلخراج مشابيو‬
‫لإلدخال وتعطي تصنيفات متعددة وغير محدودة‪.‬‬
‫‪ ‬الدالة السيجماوية )‪ : (Sigmoid Function‬وىي دالة غير خطية يقع مداىا بين‬
‫]‪ [0,1‬وتكون مستمرة وقابمة لالشتقاق‪.‬والشكل (‪ )3‬يوضح اشير دوال التنشيط‬

‫‪5‬‬
 ‫انشكم (‪ : (3‬دوال انتنشيط انًستخذيت في انشبكاث انؼصبيت االصطناػيت‪.‬‬

‫قد تحوي الشبكات العصبية االصطناعية عمى طبقة مخفية )‪ (Hidden Layer‬تضاف‬
‫ىذه الطبقة حسب تعقيد المسألة ونوعيا ]‪.[8‬‬

‫)‪ (5‬أنواع الشبكات العصبية االصطناعية‬

‫‪Types of Artificial Neural Networks‬‬

‫ىناك العديد من الشبكات العصبية االصطناعية المستخدمة في معالجة أنماط البيانات‬

‫وكل نوع من ىذه األنواع لو خصوصية في المعمارية وآلية معالجة المعمومات من خالل عدد‬
‫ونوع العقد في كل طبقة باإلضافة إلى نوعية دوال التنشيط وآلية تعديل األوزان ومن ىذه‬
‫الشبكات ‪:‬‬

‫‪ )1‬شبكة اإلدراك العصبية (‪.)Perceptron‬‬

‫‪ )2‬الشبكة العصبية ذات التراجع الخمفي لمخطأ (‪.)Back propagation‬‬
‫‪ )3‬شبكة االنحدار العصبية المعممة (‪.)Generalized Regression‬‬

‫)‪ (1-5‬شبكة اإلدراك العصبية )‪(PNN‬‬

‫تعد شبكة اإلدراك من أوائل الشبكات التي تم دراستيا في منتصف ‪ 1550‬وىي شبكة‬
‫وحيدة الطبقة وذات تغذية أمامية وىي من الشبكات التي تتعمم باشراف‪ .‬كما ان خوارزمية التعميم‬
‫ليا أكتشفيا العالم )‪ (Frank Rosenblatt‬سنة ‪.1551‬وفي سنة ‪ 1565‬برىن ‪(Minsky and‬‬
‫)‪ Papert‬أن الشبكة تستطيع تعميم الدوال القابمة لمفصل الخطي فقط مثل الدوال المنطقية‬
‫)‪ (OR,AND‬التي تحوي عمى نوعين من اإلخراج فقط ]‪.[9‬‬

‫)‪ (1-1-5‬استخدام شبكة اإلدراك في التصنيف الخطي ]‪:[8‬‬

‫أنيا قابمة لمفصل الخطي إذا‬ ‫و‬ ‫تعريف ‪ :‬يقال لممجموعتين‬

‫أعداد حقيقية )‪ (Real Number‬و عدد حقيقي يمثل حد‬ ‫كانت‬
‫العتبة )‪ (Threshold‬بحيث ‪:‬‬

‫‪6‬‬
 ‫تعريف ‪ :‬لتكن ‪ W‬متجو من األوزان‬

‫متجة االدخال فأن تمثيل )‪. ( Perceptron‬‬ ‫و‬

‫التي تطابق القاعدة اآلتية )‪........ (2‬‬

‫الشكل (‪ :)4‬يوضح آلية فصل البيانات في البعدين الثنائي والثالثي‪.‬‬

‫)‪ (2-1-5‬خوارزمية تعميم شبكة اإلدراك )‪(PNN‬‬

‫و تمثل قيمة‬ ‫الخطوة األولى ‪ :‬تييئة األوزان االبتدائية‬

‫حد العتبة )‪. (Threshold‬‬
‫الخطوة الثانية‪ :‬اختيار زوج التدريب‬
‫متجة االدخال‬ ‫حيث تمثل‬
‫االخراج المطموب )‪: (Target Output‬‬ ‫وتمثل‬
‫الخطوة الثالثة ‪ :‬إيجاد قيمة اإلخراج الحقيقي )‪: (Actual Output‬‬
‫‪,‬‬
‫الخطوة الرابعة ‪ :‬مقارنة اإلخراج الحقيقي )‪ (Actual Output‬مع اإلخراج المطموب ( ‪(Target‬‬
‫أي إذا كان ‪ Err=Target-Actual =0‬نرجع إلى الخطوة الثانية‪ ,‬واال نطبق الخطوة الخامسة‪.‬‬
‫الخطوة الخامسة ‪ :‬تحديث األوزان‬
‫تمثل مقدار التعمم‪.‬‬ ‫و‬ ‫حيث‬
‫كرر الخطوات من الخطوة الثانية إلى الخطوة الخامسة إلى أن يتم الحصول‬
‫الخطوة السادسة ‪ :‬ت ا‬
‫عمى التقارب المطموب (اقل معدل مربع الخطأ ‪.[9][8] )MSE‬‬
‫‪7‬‬
 ‫)‪ (2-5‬الشبكة العصبية ذات التراجع الخمفي لمخطأ (‪)BPNN‬‬

‫تعد ىذه الشبكة من أكثر الشبكات العصبية االصطناعية استخداماً والتي قد تبدو معقدة‬
‫لكنيا أسيل بكثير عمى مستوى الفيم والبرمجة وليا القدرة عمى التعامل مع المسائل غير الخطية‬
‫وىي من الشبكات التي تتعمم بإشراف )‪ (Supervised Learning‬وليا العديد من التطبيقات‬
‫في معالجة الصور ومعالجة اإلشارة والتعرف عمى الكالم‪ .‬طورت في منتصف ‪1970‬من قبل‬
‫)‪ ,(Rumelhart, Hinton and Williams‬حيث أن ىدف الشبكة ىو تقميل الخطأ من‬
‫خالل تعديل األوزان)‪ (Weights‬وذلك بمقارنة إخراج الشبكة الحقيقي )‪ (Actual Output‬مع‬
‫اإلخراج المطموب )‪.[11] (Target Output‬‬
‫)‪ (1-2-5‬معمارية الشبكة ‪ :‬تتكون معمارية شبكة ‪ BPNN‬من مرحمتين أساسيتين ‪:‬‬

‫المرحمة األولى ‪ :‬المسار األمامي )‪:(Forward Pass‬‬

‫في ىذه المرحمة يتم حساب قيم إشارة اإلخ ارج لكل خمية في طبقات الشبكة بدءاً من طبقة‬
‫اإلدخال )‪ (Input Layer‬باتجاه طبقة اإلخراج )‪ , (Output Layer‬أي أن إشارة اإلخراج ألي‬
‫خمية التوثر إال في الطبقة التي تمييا وتنتيي ىذه المرحمة مع حساب إشارة الخطأ بين اإلخراج‬
‫الحقيقي)‪ (Actual Output‬لمشبكة واإلخراج المطموب )‪.(Target Output‬‬

‫المرحمة الثانية‪ :‬المسار الخمفي )‪:(Backward Pass‬‬

‫في ىذه المرحمة يتم تعديل األوزان )‪ (Weights‬باتجاه يسمح إلشارة الخطأ أن تكون‬
‫ضمن المستوى المسموح بو‪ ,‬إذ يتم إعادة نشر إشارة اإلخراج لمشبكة لتصبح إشارة إدخال باتجاه‬
‫عكسي أي من طبقة اإلخراج )‪ (Output Layer‬إلى طبقة اإلدخال )‪ (Input Layer‬حيث يتم‬
‫تعديل األوزان )‪.[3] (Weights‬‬

‫)‪ (2-2-5‬خوارزمية تعميم شبكة االنتشار الخمفي لمخطأ )‪:(BPNN‬‬

‫َ تمثم قيمة‬ ‫انخطوة األونى ‪ :‬تٍيئة األَزان االثتذائية‬

‫حذ انعتجة )‪. (Threshold‬‬

‫متجً اإلدخبل‬ ‫حيث تمثم‬ ‫انخطوة انثانيت ‪ :‬اختيبر زَج انتذريت‬

‫‪8‬‬
 ‫االخراج انمطهُة )‪(Target Output‬‬ ‫َتمثم‬

‫انخطوة انثانثت ‪ :‬في االتجبي األمبمي حسبة قيمة اإلخراج انحقيقي )‪ (Actual Output‬كبألتي ‪:‬‬

‫‪ )1‬حسبة قيمة اإلخراج انحقيقي مه طجقة اإلدخبل )‪ (Input Layer‬إنى انطجقة انمخفية‬
‫)‪(Hidden Layer‬‬

‫‪ :‬تمثم عذد انعىبصر في طجقة االدخبل )‪ (Input Layer‬لمشبكة‪ .‬كما ان‬

‫‪ )2‬حسبة قيمة اإلخراج انحقيقي مه طجقة انمخفية (‪ (Hidden Layer‬إنى طجقة اإلخراج‬
‫)‪(Output Layer‬‬

‫‪ : P‬تمثم عذد انعىبصر في انطجقة انمخفية نهشجكة‪ .‬كمب ان‬

‫الخطوة الرابعة‪ :‬حساب الخطأ بالشكل اآلتي‪:‬‬

‫ثم نقوم بتعديل‬ ‫‪ )1‬حساب الخطأ بين طبقة اإلخراج والطبقة المخفية‬
‫ثم نقوم بتحديث األوزان‬ ‫حيث أن‬ ‫األوزان‬

‫ثم يتم‬ ‫‪ )2‬حساب الخطأ بين الطبقة المخفية وطبقة اإلدخال‬

‫مقدار التعمم‪.‬‬ ‫حيث تمثل‬ ‫تعديل األوزان‬

‫ثم نقوم بتحديث األوزان‬ ‫حيث أن‬

‫كرر الخطوات من الخطوة الثانية إلى الخطوة الخامسة إلى يتم الحصول‬
‫الخطوة الخامسة‪ :‬ت ا‬
‫عمى التقارب المطموب والذي يمثل (اقل معدل مربع الخطأ ‪.[11][10] )MSE‬‬

‫)‪ (3-5‬شبكت االنحذار انؼصبيت انًؼًًت‬

‫‪Generalized Regression Neural Network‬‬

‫تعد شبكة االنحدار العصبية المعممة من الشبكات العصبية االصطناعية ذات التغذية‬
‫األمامية‪ ,‬اقترحت من قبل العالم األمريكي (‪ )Donald F. Specht‬سنة ‪ .1551‬وىي شبيية‬

‫‪9‬‬
‫بشبكة دالة األساس الشعاعي ]‪ .(Radial Basis) [2‬إن تعميم الشبكة ال يحتاج إلى عمميات‬
‫تك اررية لذا تمتاز بالسرعة والدقة في معالجة المعمومات‪.‬‬

‫)‪ (1-3-5‬يؼًاريت انشبكت‪ :‬تحوي ىذه الشبكة في تركيبيا عمى مرحمتين من مراحل المعالجة‬
‫لممعمومات]‪:[7][6‬‬

‫المرحمة األولى‪ :‬في ىذه المرحمة يتم إيجاد المسافة بين القيم المدخمة )‪ )Input Value‬و التي‬
‫غالبا ما تكون بشكل متجو و قيم األوزان )‪( (Weight Value‬غالبا ما تكون بشكل متجو‬
‫أيضا) ‪,‬ثم يضرب الناتج بقيمة التحيز )‪ (Bias‬وىو مقدار صغير ‪.‬وتكون دالة التنشيط من نوع‬
‫‪ x2‬‬
‫‪f ( x)  e‬‬ ‫تعرف بالشكل اآلتي ‪:‬‬
‫)‪ (Gaussian‬وىي من الدوال غير خطية التي ّ‬

‫المرحمة الثانية ‪ :‬تسمى الطبقة الخطية الخاصة )‪ (Special Linear‬ويتم فييا إيجاد الضرب‬
‫النقطي بين متجو األوزان ومتجو اإلدخال (الذي يمثل إخراج المرحمة األولى)‪ ,‬ثم يقسم الناتج‬
‫عمى مجموع قيم اإلدخال وال يتم فييا حساب قيمة التحيز)‪,(Bias‬او حد العتبة ودالة التحويل‬
‫عرف بالشكل اآلتي‪:‬‬
‫ليذه الطبقة ىي دالة خطية والتي ت ّ‬

‫الشكل (‪ :)5‬يمثل معمارية شبكة االنحدار العصبية المعممة‪.‬‬

‫إذ أن‪ R :‬تمثل عدد عناصر اإلدخال‪ Q ,‬تمثل عدد الخاليا‪ w ,‬األوزان‪ ,‬وان ‪ b‬التحيز‪.‬‬

‫)‪ (6‬مالئمة النموذج ‪:‬‬

‫ىو مصطمح يتم من خاللو تحديد اآللية الصحيحة والدقيقة الختيار النموذج المساتخدم فاي‬
‫حل المسائل المختمفة تبعاً لنوع المسألة‪ ,‬حيث تم في ىذا البحث اختيار نوعين من أنواع البياناات‬
‫التطبيقية المختمفة ىي‪:‬‬

‫‪10‬‬
‫‪ -1‬بيانااات لتحديااد ماارض ضااعف الساامع ‪ :‬وتتميااز بكااون منطمقيااا (‪ )Domain‬ينتمااي إلااى‬
‫فض اااء األع ااداد الص ااحيحة (‪ )Integer‬والم اادى (‪ )Range‬لي ااا يك ااون ثن ااائي التص اانيف‬
‫ينحصر بقيمتين ىما {‪.}1 , 0‬‬
‫‪ -2‬بيان ااات لتحدي ااد م اارض وى اان العظ ااام ‪ :‬وتتمي ااز بك ااون منطمقي ااا (‪ )Domain‬ينتم ااي إل ااى‬
‫فضاء األعداد الحقيقية (‪ )Real‬ومداىا (‪ )Range‬يكُن متعدد التصنيف‪.‬‬

‫كما تم دراسة سموك كل مان شابكة (‪ , )PNN‬شابكة (‪ )BPNN‬وشابكة (‪ )GRNN‬كاون‬

‫ىذه الشابكات تختماف فيماا بينياا فاي معمارياة تكوينياا وحااالت تصانيفيا لمبياناات‪ ,‬وتام تطبياق كال‬
‫من ىذه الشبكات عمى البيانات أعاله‪ ,‬لمتمكن من الخروج بنظرة رياضاية تفسايرية لحااالت ونتاائج‬
‫التطبيق المختمفة والتي من خالليا يتم وضع بعض األسس الذي يمكن االعتماد عمييا في طريقاة‬
‫اختيااار النمااوذج المناسااب ماان الشاابكات المختمفااة ووفق ااً إلااى نااوع البيانااات وحاااالت انتماءىااا إلااى‬
‫فضاااءات األعااداد المختمفااة‪ .‬كمااا تتميااز كاال شاابكة ماان الشاابكات قيااد الد ارسااة بميازات رياضااية فااي‬
‫تكوينيااا واليااة تقبميااا لمبيانااات فااي اإلدخااال وماادى قاايم إخراجيااا (‪ ,)Output‬واذا اعتبرنااا أن كاال‬
‫شبكة ىي عبارة عن دالة تحويل (‪ )Transfer Function‬فيمكن تمثيميا بالشكل المبسط اآلتي‪:‬‬
‫‪PNN‬‬ ‫‪BPNN‬‬

‫‪R‬‬ ‫‪0,1‬‬ ‫‪R‬‬ ‫‪R‬‬

‫‪Feedback‬‬
‫‪Domain‬‬ ‫‪Range‬‬ ‫‪Domain‬‬ ‫‪Range‬‬

‫‪GRNN‬‬

‫‪R‬‬ ‫‪R‬‬

‫‪Domain‬‬ ‫‪Range‬‬
‫الشكل (‪ : )6‬مخطط يوضح آلية الترابط ومعالجة البيانات في نموذج كل شبكة‪.‬‬

‫)‪ (7‬نتائج تطبيق الشبكات العصبية عمى البيانات السمعية‪:‬‬

‫تم تطبياق الشابكات العصابية عماى البياناات السامعية والتاي يمكان اعتبارىاا بياناات بسايطة‬
‫كااون منطمقيااا ينتمااي إلااى فضاااء األعااداد الصااحيحة ومااداىا يمثاال تصاانيف البيانااات بشااكل ثنااائي‬
‫(ماريض أو سااميم أي إلااى ‪ 0‬أو ‪ ,)1‬وقااد تاام تقساايم البيانااات إلااى مجمااوعتين ىمااا بيانااات التاادريب‬

‫‪11‬‬
‫(‪ )Training‬وبيانااات االختبااار (‪ ,)Testing‬وتاام حساااب معاادل مربااع الخطااأ (‪ )MSE‬لبيانااات‬
‫االختبار فقط عمى اعتبار أن بياناات التادريب ياتم بنااء النماوذج مان خاللياا‪ ,‬ثام تام د ارساة حسااب‬
‫(‪ )MSE‬لبيانات االختبار من خالل اخذ نسب من مجموع البياناات تبادأ مان (‪ )00% -10%‬ثام‬
‫اخذ معدل (‪ )MSE‬لكل شبكة لمعرفة سموكيا‪ ,‬والجدول (‪ )1‬يبين نتائج التطبيق‪.‬‬

‫انجذول ( ‪: ) 1‬يبين نتائج تطبيق انبياناث انسًؼيت ػهى انشبكاث انؼصبيت االصطناػيت‪.‬‬
‫‪Training Testing‬‬ ‫‪MSE-PNN‬‬ ‫‪MSE-BPNN MSE-GRNN‬‬
‫‪10 %‬‬ ‫‪90 %‬‬ ‫‪0‬‬ ‫‪5.3892e-6‬‬ ‫‪0.6045‬‬
‫‪20 %‬‬ ‫‪80 %‬‬ ‫‪0‬‬ ‫‪4.9636e-4‬‬ ‫‪0.7022‬‬
‫‪30 %‬‬ ‫‪70 %‬‬ ‫‪0.0667‬‬ ‫‪0.636‬‬ ‫‪0.7348‬‬
‫‪40 %‬‬ ‫‪60 %‬‬ ‫‪0.025‬‬ ‫‪0.0474‬‬ ‫‪0.7761‬‬
‫‪50 %‬‬ ‫‪50 %‬‬ ‫‪0.06‬‬ ‫‪0.057‬‬ ‫‪0.7218‬‬
‫‪60 %‬‬ ‫‪40 %‬‬ ‫‪0.0833‬‬ ‫‪0.0636‬‬ ‫‪0.7515‬‬
‫‪70 %‬‬ ‫‪30 %‬‬ ‫‪0.0571‬‬ ‫‪0.0684‬‬ ‫‪0.8143‬‬
‫‪80 %‬‬ ‫‪20 %‬‬ ‫‪0.05‬‬ ‫‪0.0591‬‬ ‫‪0.875‬‬
‫‪90 %‬‬ ‫‪10 %‬‬ ‫‪0.0444‬‬ ‫‪0.0521‬‬ ‫‪0.9111‬‬
‫‪AV=0.0429‬‬ ‫‪AV=0.1093‬‬ ‫‪AV= 0.7657‬‬

‫نالحظ من نتائج الجدول (‪ )1‬أن شبكة (‪ )PNN‬ىي األفضل من خالل معدل (‪)MSE‬‬
‫لجميع النساب المئوياة لبياناات االختباار والمتمثماة بالمعادل (‪ ,)AV‬ونساتنتج مان ذلاك أن البياناات‬
‫البساايطة تحتاااج إلااى نمااوذج شاابكة بساايط مثاال (‪ ,)PNN‬ف ااي حااين أن شاابكة (‪ )BPNN‬والت ااي‬
‫تتكااون ماان دالااة (‪ )logsig‬فااي الطبقااة المخفيااة (والتااي عاادد العقااد فييااا ‪ )5‬ودالااة (‪ )purelin‬فااي‬
‫طبقااة االخ اراج وشاابكة (‪ )GRNN‬والمتااان تحويااان عمااى طبقااة مخفيااة تزيااد ماان تعقيااد العمميااات‬
‫الحسابية‪ ,‬كما انيا التعطي نتاائج أفضال مان شابكة (‪ )PNN‬كونياا تتناساب ماع البياناات المعقادة‬
‫والتي ليا تصنيفات متعددة مثل بيانات وىن العظام‪.‬‬

‫‪12‬‬
 ‫)‪ (8‬نتائج تطبيق الشبكات العصبية عمى بيانات وهن العظام‪:‬‬

‫تام تطبيااق الشاابكات العصاابية عماى بيانااات وىاان العظااام والتاي يمكاان اعتبارىااا بيانااات معقاادة‬
‫كااون منطمقيااا ينتمااي إلااى فضاااء األعااداد الحقيقيااة ومااداىا يمثاال تصاانيف البيانااات بشااكل متعاادد‬
‫(‪ )Multi classes‬وىااي (‪ ,)Osteopenia , Osteoporosis , Normal‬وقااد تاام تقساايم‬
‫البيانات أيضاً إلى مجموعتين ىماا بياناات التادريب (‪ )Training‬وبياناات االختباار (‪,)Testing‬‬
‫وتاام حساااب معاادل مربااع الخطااأ (‪ )MSE‬لبيانااات االختبااار فقااط عمااى اعتبااار أن بيانااات التاادريب‬
‫يتم بناء النموذج من خالليا‪ ,‬ثم تم دراسة حساب (‪ )MSE‬لبيانات االختبار من خالل اخاذ نساب‬
‫تبدأ من (‪ )00% -10%‬من مجموع البيانات ثم اخذ معدل (‪ )MSE‬لكال شابكة لمعرفاة ساموكيا‪,‬‬
‫والجدول (‪ )2‬يبين نتائج التطبيق‪.‬‬

‫انجذول (‪: )2‬يبين نتائج تطبيق بياناث وهن انؼظاو ػهى انشبكاث انؼصبيت االصطناػيت‪.‬‬
‫‪Training Testing‬‬ ‫‪MSE-PNN‬‬ ‫‪MSE-BPNN MSE-GRNN‬‬
‫‪10 %‬‬ ‫‪90 %‬‬ ‫‪---------‬‬ ‫‪1.7152‬‬ ‫‪1.7346‬‬
‫‪20 %‬‬ ‫‪80 %‬‬ ‫‪--------‬‬ ‫‪1.9309‬‬ ‫‪1.9418‬‬
‫‪30 %‬‬ ‫‪70 %‬‬ ‫‪--------‬‬ ‫‪2.2083‬‬ ‫‪2.2083‬‬
‫‪40 %‬‬ ‫‪60 %‬‬ ‫‪--------‬‬ ‫‪0.6359‬‬ ‫‪0.9908‬‬
‫‪50 %‬‬ ‫‪50 %‬‬ ‫‪--------‬‬ ‫‪0.7616‬‬ ‫‪0.5984‬‬
‫‪60 %‬‬ ‫‪40 %‬‬ ‫‪--------‬‬ ‫‪0.9489‬‬ ‫‪0.4726‬‬
‫‪70 %‬‬ ‫‪30 %‬‬ ‫‪--------‬‬ ‫‪0.4170‬‬ ‫‪0.3435‬‬
‫‪80 %‬‬ ‫‪20 %‬‬ ‫‪--------‬‬ ‫‪0.392‬‬ ‫‪0.2692‬‬
‫‪90 %‬‬ ‫‪10 %‬‬ ‫‪--------‬‬ ‫‪0.3577‬‬ ‫‪0.2860‬‬
‫‪AV=1.0408‬‬ ‫‪AV= 0.9828‬‬

‫نالح ا ااظ م ا اان نت ا ااائج الج ا اادول (‪ )2‬أن ش ا اابكة (‪ )PNN‬اليمك ا اان تطبيقي ا ااا ك ا ااون أن م ا ااداىا‬
‫(‪ )Range‬يكااون ثنااائي (‪ )Binary‬واليمكاان ماان خاللااو تصاانيف الحاااالت المتعااددة لبيانااات وىاان‬
‫العظام‪ ,‬كما أثبتت شابكة (‪ )BPNN‬أنياا مناسابة ماع التطبيقاات التاي تكاون فيياا بياناات االختباار‬
‫كبيارة‪ ,‬أي إنيااا أكثاار عموميااة (‪ )Generalization‬ماان شاابكة (‪ ,)GRNN‬عمااى الاارغم ماان كااون‬
‫شاابكة (‪ )GRNN‬ىااي األفضاال ماان خااالل معاادل (‪ )MSE‬والمتمثمااة بالمعاادل الكمااي (‪ )AV‬فييي‬
‫ثيبوبت ٌَه انعظبو ‪.‬‬

‫‪13‬‬
 ‫)‪ (9‬االستنتاجات والتوصيات ‪:‬‬

‫‪ -1‬إن االحتكام إلى آلية مالئمة النموذج لمتطبيقات الطبياة المختمفاة تعطاي نظارة مسابقة عان‬
‫نوع خوارزمية الشبكة التاي ياتم اساتخداميا وذلاك مان خاالل د ارساة الساموك الرياضاي لياذه‬
‫الخوارزمية وطبيعة توافقيا مع المنطمق (‪ )Domain‬والمدى (‪ )Range‬لمبيانات‪.‬‬
‫‪ -2‬إن ش اابكة (‪ )PNN‬ى ااي األفض اال فاااي مع اادل (‪ )MSE‬م اان كااال م اان شااابكة (‪)BPNN‬‬
‫وش اابكة (‪ )GRNN‬ف ااي التطبي ااق عم ااى البيان ااات الس اامعية‪ ,‬ك ااون المنطم ااق والم اادى لي ااذه‬
‫البيانات متوافاق بشاكل مناساب ماع المنطماق والمادى لشابكة (‪ )PNN‬وباذلك التحتااج إلاى‬
‫فضاءات أوسع تزيد من مقدار الخطأ أثناء إجراء عمميات المعالجة‪.‬‬
‫‪ -3‬أثبت اات ش اابكة (‪ )GRNN‬أني ااا األفض اال ف ااي مع اادل (‪ )MSE‬م اان ش اابكة (‪ )BPNN‬ف ااي‬
‫التطبيق عماى بياناات وىان العظاام‪ ,‬كونياا تساتخدم طريقاة االنحادار (‪ )Regression‬فاي‬
‫الطبقة األخيرة وبذلك تكون متناسبة مع البيانات المعقدة‪.‬‬
‫‪ -4‬أثبتاات شاابكة (‪ )BPNN‬فييي انجييذَل (‪ )2‬أنيااا أكثاار عموميااة (‪ )Generalization‬ماان‬
‫شاابكة (‪ )GRNN‬أي أنيااا مناساابة مااع التطبيقااات التااي تكااون فييااا بيانااات االختبااار كبيارة‬
‫مقارنة مع بيانات التدريب‪ ,‬وىذه الحالة تشمل معظم التطبيقات الطبية (ألنيا تمثل قاعادة‬
‫بيانات لحاالت المرض وتتوسع بإضافة مريض جديد)‪.‬‬
‫‪ -5‬نوصااي بد ارسااة مفيااوم (مالئمااة النمااوذج) لبقيااة أن اواع الشاابكات العصاابية‪ ,‬ويمك ان تعماايم‬
‫الدراسة إلى جميع أنواع نماذج التقنيات الذكائية ألنيا تعتماد عماى األساس الرياضاية لياذه‬
‫التقنيات‪.‬‬
‫‪ -6‬نوصي بد ارسة تطبيقات تنتمي إلاى فضااء األعاداد المعقادة (‪ )Complex Space‬والاذي‬
‫يعد الفضاء األوسع الذي يشمل بقية الفضاءات العددية‪ ,‬ومحاولة مالئماة نماوذج مناساب‬
‫لمبيانات التي تنتمي إلى ىذا الفضاء‪.‬‬

‫المصادر ‪:‬‬
‫‪[1] Abdellah El Maghraoui,2011," Dual Energy X-ray‬‬
‫‪Absorptiometry",Published by InTech Janeza Trdine 9,‬‬
‫‪51000 Rijeka, Croatia.‬‬
‫‪[2] Bachir Gourine, Habib Mahi, Amar Khoudiri and Youcef‬‬
‫‪Laksari,2012," The GRNN and the RBF Neural Networks for 2D‬‬
‫‪Displacement Field Modelling. Case study: GPS Auscultation‬‬
‫‪Network of LNG reservoir (GL4/Z industrial complex – Arzew,‬‬
‫‪Algeria)", TS01F - Dam and Reservoir Engineering Surveying,‬‬
‫‪5684,pp(2/17, 17/17).‬‬

‫‪14‬‬
[3] Dr. Shefa Abdulrahman Dawwd,(2009)," Real Time Implementation
of Fir Filter Based on Time Delay Neural Network",Computer
Engineering Department, College of Engineering, University of
Mosul, Email: shefadawwd@yahoo.com,vol.18,No.4 August 2010 ,
ISSN 1813-0526,pp(17-27).
[4] Edward Keedwell and Ajit Narayanan,2005," Intelligent
Bioinformatics The application of artificial intelligence techniques
to bioinformatics problems", School of Engineering, Computer
Science and Mathematics University of Exeter, UK.

[5] Khalid Abulhameed Al-Hindi,2011,"Teaching Multilayer

feedforward Neural Network for Engineers using Graphical user
Interface and Matlab",Vol.3,No.1,pp(33_46),UMM Al_Qura
Univ.J.Eng&Arch.

[6] Lakshmi Kanaka Venkateswarlu Revada, Vasantha Kumari Rambatla,

and Koti Verra Nagayya Ande,2011," A Novel Approach to Speech
Recognition by Using Generalized Regression Neural
Networks",IJCSI International Journal of Computer Science Issues,
Vol. 8, Issue 2, March 2011, ISSN (Online): 1694-0814.

[7] Ligang Zheng, Linghua Jiang, Kai Zheng, Minggao Yu,2011,

"Estimation of Explosion Limits of Gas Mixture Using a Single
Spread GRNN", IEEE,pp(1113-1115).

[8] Michael Negnevitsky,2005," Artificial Intelligence AGuide to

Intelligent Systems",Second Edition,ISBN 0321204662.

[9] Rajendra Akerkar,2010,"Introduction to Artificial

Intelligence",PHI.
[10] Samy S. Abu Naser,2012," PREDICTING LEARNERS
PERFORMANCE USING ARTIFICIAL NEURAL
NETWORKS IN LINEAR PROGRAMMING INTELLIGENT
TUTORING SYSTEM", International Journal of Artificial
Intelligence & Applications (IJAIA), Vol.3, No.2.

[11] Sumathi S.,Surekha p.,2010, "Computational Intelligence

Paradigms Theory and Applications Using MATLAB", by
Taylor and Francis Group, LLC CRC Press is an imprint of Taylor &
Francis Group, an Informa business.

15