معماری بهینه شبکه عصبی MLP درطبقه بندی داده ها باروش HS

کاربردروزافزون شبکه های عصبی MLP درحل مسائل مهندسی وسیستم های هوشمندسبب گرایش محققین به سمت ابداع روشهای اموزش ومعماری کارامدترآنها شده است بیشتر تحقیقات تاکنون درزمینه اموزش شبکه عصبی انجام گرفته است دراین مقاله برانیم که با استفاده ازالگوریتم تکاملی جستجوی هماهنگی HS معماری بهینه ای را جهت طبقه بندی داده ها ارایه نماییم معماری شبکه عصبی شامل تعداد لایه های مخفی تعدادنرون ها و نوع توابع تحریک درهرلایه می باشد دراین مقاله جهت اموزش شبکه عصبی ازروش پس انتشارخطا استفاده شده است نتایج نشان میدهد که الگوریتم استفاده شده درهربار تکرار نتایج قابل قبولی را بدست می دهد

کلیدواژه ها:

الگوریتم تکاملی جست وجوی هماهنگی ، شبکه عصبی چندلایه ، طبقه بندی داده ، معماری شبکه عصبی