ارزیابی عملکرد الگوریتم های تکاملی در افزایش سرعت یادگیری و دقت پیش بینی دسته بند شبکه عصبی در داده کاوی

سال انتشار: 1396
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 623

فایل این مقاله در 9 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:

CSCG02_206

تاریخ نمایه سازی: 7 اسفند 1396

چکیده مقاله:

یکی از ابزار های قدرتمند برای دسته بندی داده ها در داده کاوی شبکه های عصبی مصنوعی می باشند. شبکه های عصبی به دلیل قابلیت یادگیری، مقاوم پذیری و قابلیت تعمیم، کاربرد گسترده ای در حیطه یادگیری ماشین دارند. تنظیم وزن های بین نرون های لایه های مختلف شبکه عصبی به عنوان آموزش شبکه عصبی شناخته می شود و مبحث یادگیری یکی از مهمترین مباحث در شبکه عصبی است. فرایند یادگیری شبکه های عصبی مبتنی بر گرادیان اغلب در بهینه محلی می افتد. از آن جایی که تنظیم وزن ها و ساختارشبکه عصبی ازاهمیت فراوانی برخوردار می باشد، شبکه های عصبی تکاملی پدید آمدند و الگوریتم های تکاملی برای این امر به کارگرفته شدند. در این پژوهش برای انجام فرآیند دسته بندی داده ها از شبکه عصبی پرسپترون چند لایه و برای تعیین وزن های آن از الگوریتم های تکاملی استفاده شده است. این پژوهش به طور خاص بر روی الگوریتم تکاملی تولید مثل غیر جنسی متمرکز شده است. تفاوت الگوریتم پیشنهادی با الگوریتم پایه تولید مثل غیرجنسی استفاده از نمایش حقیقی برای وزن های شبکه عصبی )به جای نمایش دودویی( و تعریف عملگرهای تغییر متناسب با این نمایش است. علاوه بر ارزیابی این دو نسخه الگوریتم تولید مثل غیر جنسی در این تحقیق، سه الگوریتم تکاملی دیگر شامل ژنتیک، ازدحام ذرات و الگوریتم انجماد تدریجی با هدف آموزش شبکه عصبی مورد بررسی و ارزیابی قرار می گیرد. نتایج آزمایشات نشان می دهند که الگوریتم بهینه سازی تولید مثل غیرجنسی با نمایش حقیقی به دلیل سرعت همگرایی بالای آن، برای آموزش شبکه های عصبی مصنوعی به خصوص در مسایل بلادرنگ با محدودیت زمانی و نیز در دسته بندی داده های با حجم بالا نسبت به سایر الگوریتم های تکاملی مورد مقایسه بسیار مناسب به نظر می رسد. همچنین نتایج بیانگر این است که دسته بند شبکه عصبی نسبت به تنوع داده ها پس از آموزش توسط الگوریتم تولید مثل غیرجنسی پیشنهادی از دقت قابل قبولی برخوردار است.

کلیدواژه ها:

الگوریتم تولید مثل غیر جنسی ، نمایش حقیقی ، آموزش شبکه عصبی پرسپترون ، بهینه

نویسندگان

غزاله شفی خانی

دانشجوی کارشناسی ارشد هوش مصنوعی، دانشگاه آزاد اسلامی واحد لاهیجان

مجتبی شاکری

استادیار دانشکده فنی ومهندسی دانشگاه گیلان