ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

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

سال انتشار: 1396
کد COI مقاله: CSCG02_206
زبان مقاله: فارسیمشاهده این مقاله: 278
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 9 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

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

غزاله شفی خانی - دانشجوی کارشناسی ارشد هوش مصنوعی، دانشگاه آزاد اسلامی واحد لاهیجان
مجتبی شاکری - استادیار دانشکده فنی ومهندسی دانشگاه گیلان

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

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا CSCG02_206 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/696835/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
شفی خانی، غزاله و شاکری، مجتبی،1396،ارزیابی عملکرد الگوریتم های تکاملی در افزایش سرعت یادگیری و دقت پیش بینی دسته بند شبکه عصبی در داده کاوی،دومین کنفرانس ملی محاسبات نرم،رودسر،https://civilica.com/doc/696835

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1396، شفی خانی، غزاله؛ مجتبی شاکری)
برای بار دوم به بعد: (1396، شفی خانی؛ شاکری)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه آزاد
تعداد مقالات: 2,852
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی