یک الگوریتم جدید برای آموزش شبکههای عصبی بر مبنای ترکیب کلونی و زنبورهای مصنوعی و مشتقگیری خطا
محل انتشار: اولین کنفرانس ملی مهندسی برق اصفهان
سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 662
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ISFAHANELEC01_130
تاریخ نمایه سازی: 23 اسفند 1392
چکیده مقاله:
فرایند آموزش شبکههای عصبی برای یافتن وزنهای ببینه که حداکثر صحت طبقهبندی را حاصل کند همیشه به عنوان یک مسئله مهم در سیستمهای تشخیص الگو مطرح بوده است. الگوریتم یادگیری گوناگونی برای آموزش شبکههای عصبی ارائه شدهاند که متداولترین آنها الگوریتم پس انتشار خطا میباشد. این الگوریتم مبتنی بر مشتق گیری است و متأسفانه اغلب در دام مینیمم های محل این گرفتار شده و ناکارآمدی خود را در تعیین پارامترهای شبکه عصبی نشان داده است. اخیراً الگوریتم کلنی زنبورهای مصنوعی به عنوان الگوریتم یادگیری برای آموزش شبکههای عصبی به کار رفته است. الگوریتم کلنی زنبور قادر است فضای مسئله را به طور مؤثری جستجو نمود و به راحتی از مینیمم های محلی رهایی یابد اما هزینههای محاسباتی آن از الگوریتم پس انتشار خطا بیشتر میباشد. در این مقاله روش ترکیبی برای بهبود عملکرد الگوریتم کلونی زنبور ارائه شده است که از مشتق گیری خطل برای راهنمایی جستجوی زنبورها کمک میگیرد. روش پیشنهادی علاوه بر دارا بودن مزایای الگوریتم کلونی زنبور قادر است تا به محدودیتهایی که در تکنیکهای مبتنی بر مشتق گیری وجود دارد چیره شود. در انتها کارایی الگوریتم ارائه شده با هر دو الگوریتم فوق، مقایسه شده و ثابت میشود که روش پیشنهادی سرعت همگرایی و نیز دقت الگوریتم کلونی زبور را به طور چشمگیری بهبود میبخشد.
کلیدواژه ها:
نویسندگان
شیما ثابت
عضو انجمن علمی مهندسی برق و الکترونیک دانشگاه آزاد اسلامی واحد تهران مرکزی
محمد شکوهی فر
کارشناس ارشد الکترونیک دانشگاه شهید بهشتی
فرداد فرخی
استادیار مهندسی برق و الکترونیک دانشگاه آزاد اسلامی واحد تهران مرکزی
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 :