آموزش شبکه عصبی جمعی بر اساس الگوریتم کرم شب تاب

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 974

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ITCC04_214

تاریخ نمایه سازی: 18 تیر 1396

چکیده مقاله:

شببکه عصببی جمعی یک روش یادگیری است، که در آن چندین شبکه به طور مشترک برای حل یک مسیله مورد استفاده قرارمی گیرند. هدف از ساخت شبکه جمعی، رسیدن به عملکرد بهتر از نظر دقت پیش بینی و قابلیت تعمیم برای داده های ناشناختهنسبت به یک شبکه منفرد است. در این مقاله، ابتدا ارتباط بین سیستم جمعی و شبکه های سازنده آن در زمینه رگرسیون موردتجزیه و تحلیل قرار گرفته است، که نشان می دهد با ترکیب زیرمجموعه ای از شبکه ها به جای همه شبکه های موجود ممکناست، سیستم جمعی با قابلیت تعمیم بهتر در پیش بینی داده های ناشناخته حاصل شود. سپس، جهت انتخاب زیرمجموعه ای مناسباز شبکه های موجود در سیستم جمعی روشی به نام FASEN بر اساس الگوریتم فرااکتشافی کرم شب تاب ارایه شده است. دراین روش ابتدا تعدادی شبکه آموزش می بینند، پس از آن با اعمال الگوریتم کرم شب تاب به هر کدام از شبکه ها وزنی اختصاصمی یابد. به طوریکه این وزن ها تا حدودی می توانند میزان برازندگی شببکه های موجود را در ساخت یک سیستم جمعی مشخصکنند. در نهایت، زیرمجموعه ای از شبکه ها براساس وزن های تکامل یافته برای ساخت سیستم جمعی انتخاب می شوند. جهتارزیابی روش FASEN را بر مجموعه داده ی شناخته شده ی خانه ی بوستون (Boston Housing) بررسی کرده ایم، که نتایجحاکی از عملکرد بهتر این روش از نظر صحت و قابلیت تعمیم برای پیش بینی داده های ناشناخته با استفاده از معیار میانگین مربعخطا (MSE) در مقایسه با دیگر روشها است.

کلیدواژه ها:

شبکه عصبی مصنوعی ، شبکه عصبی جمعی ، الگوریتم کرم شب تاب

نویسندگان

طاهره نیکوروش

فارغ التحصیل کارشناسی ارشد علوم کامپیوتر، دانشگاه سیستان و بلوچستان

عفت دهقانیان

استاد یار دانشگاه سیستان و بلوجستان

امین راحتی

استاد یار دانشگاه سیستان و بلوجستان

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 :
  • Breiman, L, , (1996), Bagging predictors, Machine Learning. Vol. 26, ...
  • Brown, G., Wyatt J., Harris, R., Yao, X. (2005), Diversity ...
  • Cherkauer, K.J., (1996) Human expert level performance on a scientific ...
  • Drucker, H., (1997), Improving regressors using boosting techniques, Proceedings of ...
  • Freund, Y., Schapire, R.E. _ (1997), D _ c ision-theoreto ...
  • Hagan, M.T., Demuth, H.B., Beale, M., Neural Network Design, PWS ...
  • Hampshire, J., Waibel, A., (1990), A novel objective function for ...
  • Hansen, L.K., Salamon, P., (1990), Neural network ensembles, IEEE Trans. ...
  • Liu, Y., Yao, X. _ (1999), Ensemble learning via negative ...
  • Liu, Y., Yao X. , Higuchi, T., (2000), Evolutionary ensembles ...
  • Jo intC onferenc eonNeuralN etworks (IJCNN 1 990), vol.3, pp.2 ...
  • Maclin, R., , Shavlik J.W., (1995), Combining the predictions of ...
  • Mende s-Moreira, J., Soares, C., Jorge, A.M., de Sousa, J.F., ...
  • Soares, S., Araujo, R., Sousa, P., Souza, F., (2011), Design ...
  • Soares, S. , Antunes, C. H. , Araujo, R. , ...
  • Yang. X.S, "Firefly Algorithms for Multimodal Optimization", In: Watanabe, O., ...
  • Zhou, Z.H., Wu, J., Tang, W., (2002), Ensembling neural networks: ...
  • Zhou, Z-H., Wu, J-X., Jiang, Y., Chen, S-F., (2001), Genetic ...
  • نمایش کامل مراجع