ماشین یادگیر مفرط (ELM) نیمه نظارتی مقاوم و تنک ،مبتنی بر مفهوم کورآنتروپی
- سال انتشار: 1396
- محل انتشار: چهارمین کنگره بین المللی فن اوری،ارتباطات و دانش
- کد COI اختصاصی: ICTCK04_063
- زبان مقاله: فارسی
- تعداد مشاهده: 438
نویسندگان
دانشجوی کارشناسی ارشد، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
گروه مهندسی برق، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
چکیده
شبکه عصبی تک لایه رو به جلو ELM نظر محققان زیادی را به خود جلب کرده است .نسخه ی اولیه ELMدارای سه عیب ضعف در برابر نویز ضربه، مشکل وجود گره های زاید غیرکارا و مشکل تعیین تعداد مناسبگره ها است. در سال های اخیر نسخه های متعددی از این شبکه ارایه گردیده که ELM مبتنی بر کور آنتروپی، در برابر نویز ضربه مقاوم است، اما همچنان از وجود گرههای زاید رنج می برد ELM، نیمه نظارتی تنک، قابلیتنیمه نظارتی و تنک کردن نورونهای زاید لایه پنهان را دارد اما در در برابر نویز ضربه مقاوم نیست.بنابراین، این مقاله روشی را تحت عنوان ELM نیمه نظارتی مقاوم و تنک مبتنی بر مفهوم کورآنتروپی ارایه می دهد که از معیار کورآنتروپی در تابع هدف ELM نیمه نظارتی تنک استفاده مینماید. هنگامی که اکثرنمونه ها بدون برچسب هستند روش پیشنهادی علاوه بر خاصیت های دقت بالا در دسته بندی و قابلیت هرسکردن نورونهای زاید در لایه پنهان به صورت بهینه، در برابر نویز ضربه نیز مقاوم است. آزمایشها بر روی چهارمجموعه داده UCI که به آنها نویز ضربه اعمال شده است، انجام میشود. نتایج بدست آمده نشان میدهد که شبکه در حضور نویز با استفاده از مفهوم کورآنتروپی، مقاوم خواهد بود و بهتر از سایر روشهای مورد مقایسهعمل می نماید.کلیدواژه ها
مقالات مرتبط جدید
- سودآوری مشتریان در خردهفروشی قطعات یدکی ماشین آلات راهسازی با رویکرد یادگیری ماشین
- ارائه روشی کارآمد جهت شناسایی کودکان نیازمند به پیوند مغز استخوان با استفاده از ترکیب طبقه بند ماشین بردار پشتیبان و الگوریتم بهینه سازی فاخته
- استخراج بهینه پارامترهای تاثیر گذار الگوریتم بهینه سازی بوفالوی آفریقایی با هدف استخراج ویژگی های مهم به منظور افزایش کارایی طبقه بندی داده ها
- ارائه روشی کارآمد برای بهبود عملکرد الگوریتم بهینه سازی کلاغ سیاه به منظور افزایش صحت خوشه بندی داده ها
- استفاده از الگوریتم باور بیزین در لایه کاملا متصل شبکه عصبی کانولوشن با هدف افزایش دقت تشخیص تصاویر
اطلاعات بیشتر در مورد 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.