افزایش سرعت یادگیری شبکه عصبی تپشی به کمک تندترین کاهش گرادیانی بهبود یافته با تانژانت موازی و استفاده از نرخ یادگیری پویای خود تطبیق پذیر
محل انتشار: کنفرانس بین المللی مدل سازی غیر خطی و بهینه سازی
سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,161
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICNMO01_148
تاریخ نمایه سازی: 19 اسفند 1391
چکیده مقاله:
در این مقاله مسئلهی یادگیری در شبکههای عصبی تپشی بررسی شده است. در تحقیقات و پژوهشهای اخیر انجام شده در مورد یادگیری در شبکههای عصبی تپشی، از الگوریتم تندترین کاهش گرادیانی به همراه مومنتومبا نرخ یادگیری پویای خود تطبیق پذیر استفاده شده است. پیشنهاد ما در این مقاله، استفاده از تانژانت موازی به جای بخش مومنتوم در فرایند یادگیری شبکه میباشد که باعث تسریع فرایند یادگیری شبکه می شود . باانجام سه آزمایش باینری معروف، کارآیی الگوریتم پیشنهاد شده، نسبت به الگوریتم تندترین کاهش گرادیانی بهبود یافته با مومنتوم با نرخ یادگیری پویای خود تطبیق پذیر مقایسه شده است و نتایج بدست آمده نشان می - دهد که یادگیری شبکه با روش پیشنهاد شده، دارای سرعت بیشتر و خطای حالت ماندگار کمتری میباشد
کلیدواژه ها:
شبکههای عصبی تپشی ، الگوریتم تندترین کاهش گرادیانی بهبود یافته با تانژانت موازی ، نرخ یادگیری پویای خود تطبیق پذیر ، پس انتشار خطا
نویسندگان
حسین خرم آبادی آرانی
دانشجوی کارشناسی ارشد مخابرات سیستم دانشکده فنی مهندسی دانشگاه اصفه
پیمان معلم
دانشیار گروه مهندسی برق دانشکده فنی مهندسی دانشگاه اصفهان
کمال شاه طالبی
عضو هیئت علمی گروه مهندسی برق دانشگاه اصفهان
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 :