طراحی و آموزش شبکه های عصبی مصنوعی با استفاده از استراتژی تکاملی

سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,657

فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CSCCIT01_133

تاریخ نمایه سازی: 8 بهمن 1390

چکیده مقاله:

طراحی معماری و آموزش وزن های شبکه عصبی مصنوعی در کارایی شبکه عصبی تاثیر زیادی دارد و معمولا به تجربه فرد خبره نیاز داد . در این مقاله روشی برای طراحی معماری و اوزان شبکه عصبی ارائه شده است که نیاز به فرد خبره را به حداقل می ساند. این روش با اضافه کردن قابلیت هرس کردن ارتباطات و نودهای شبکه عصبی به الگوریتم استراتژی تکاملی ، امکان طراحی همزمان معماری شبکه با آموزش وزن های شبکه عصبی را فراهم کرده است این روش با یکی از جدید ترین الگوریتم ها مورد مقایسه قرار گرفته است. برای مقایسه این دو روش از چهار مجموعه داده ای دسته بندی استفاده شده است. دقت دسته بندی شبکه عصبی تولید شده بر روی این مجموعه داده ها معیار مقایسه می باشد. در سه مورد از چهار مجموعه داده ای استفاده شده ، روش ارائه شده بر روش مورد مقایسه برتری دارد. یکی دیگر از مزیت های این روش سادگی پیاده سازی آن است.

کلیدواژه ها:

استراتژی های تکاملی ، تکامل شبکه های عصبی مصنوعی ، مسئله دسته بندی

نویسندگان

خه بات سلطانیان

دانشگاه کردستان- گروه مهندسی نرم افزار و فناوری اطلاعات

فردین احمدی زر

دانشگاه کردستان - گروه مهندسی صنایع

فردین اخلاقیان طاب

دانشگاه کردستان- گروه مهندسی نرم افزار و فناوری اطلاعات

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • S. Haykin, Neural Networks: A Comprehensive Foundation: Macmillan, 1994. ...
  • M. Mitchell, An Introduction o Genetic Algorithms (Complex Adaptive Systems): ...
  • K. J. Lang, et al., "A time-delay neural network architecture ...
  • D. Whitley, et al., "Genetic algorithms and neural networks: optimizing ...
  • J. Hertz, Introduction o the Theory of Neural Computation (Santa ...
  • Algorithms, 1919, pp. 116-123. ...
  • D. J. Montana and L. Davis, "Training feedforward neural networks ...
  • P. J. B. Hancock, "Genetic Algorithms and permutation problems: a ...
  • S. E. Fahlman and C. Lebiere, "The C as cad ...
  • M. Frean, "The Upstart Algorithm: A Method for Constructing and ...
  • P. Angeline, et al., "An evolutionary algorithm that construct recurremt ...
  • E. Cantu-Paz and C. Kamath, "An empirical comparison of combinations ...
  • S. Harp, et al., "Toward the Genetic Synthesis of Neural ...
  • J. W. L. Merrill and . F. Port, "Fractally configured ...
  • K. Stanley and R. Mikkulainen, "Evolving Neural Networks through Augmenting ...
  • I. Tsoulos, et al., "Neural Network Construction using Grammatical Evolution, ...
  • D. Rivero, et al., "Generation and simplification of Artificial Neural ...
  • H. Beyer and H. Schwefel, "Evolution strategies; A comprehensive introduction, ...
  • C. L. Blake and C. J. Merz, _ Repository of ...
  • T. Dietterich, "Approximate Statistical Tests for Comparing Supervised Classification Learning ...
  • نمایش کامل مراجع