بهبود ترکیب شبکه های عصبی مبتنی بر نظریه دمپستر - شفر

اختلاط خبره ها یک معماری ماژولار ترکیب شبکه های عصبی برای یادگیری با نظارت می باشد.در فرم اصلی اختلاط خبره ها فضای مسئله عموما به چندین زیر فضا برای خبره ها تقسیم شده و خروجی خبره ها به وسیله شبکه میانجی ترکیب می گردد.عملکرد مطلوب اختلاط خبره ها ، به گوناگونی خبره ها بستیگی دارد.در متد پایه اختلاط خبره ها مقدار دهی متفاوت به وزن های اولیه خبره ها به همراه سرپرستی شبکه میانجی در طول فرآیند یادگیری موجب ایجاد گوناگونی می گردد.در این مقاله ما روش اختلاط خبره ها ی بهبود یافته مبتنی بر نظریه امکان را در حل مسائل طبقه بندی معرفی می کنیم .ایده اصلی روش ارائه شده به کار بردن نظریه امکان دمپستر - شفر جهت بهبود تعیین پارامترهای یادگیری در جهت افزایش گوناگونی و روشی جهت ترکیب تصمیم خبره هاست. نتایج بدست آمده از آزمایش ها بر روی برخی از مجموعه داده های مجموعه آزمون UCI نشان می دهند که روش ارائه شده ، نرخ طبقه بندی بهتری در مقایسه با روش پایه اختلاط خبره ها و روش ترکیب ایستای شبکه های عصبی بر مبنای تئوری دمپستر- شفر را دارا می باشد.

کلیدواژه ها:

ترکیب طبقه بندها ، اختلاط خبره ها ، تئوری مبتنی بر نظریه امکان دمپستر - شفر ، یادگیری با نظارت ، شبکه های عصبی چند لایه پرسپترون