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

قیاس رویکردی الگورتیمهای یادگیری ماشین برای شبکه عصبی مصنوعی، شبکه عصبی MLP،شبکه عصبیRBF

سال انتشار: 1396
کد COI مقاله: ETECH03_119
زبان مقاله: فارسیمشاهده این مقاله: 606
فایل این مقاله در 8 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 8 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله قیاس رویکردی الگورتیمهای یادگیری ماشین برای شبکه عصبی مصنوعی، شبکه عصبی MLP،شبکه عصبیRBF

عبدالحسین فتحی - هییت علمی، دانشگاه رازی، دانشکده کامپیوتر و فناوری اطلاعات، کرمانشاه، ایران
شیما شفیعی - دانشجو دکترا معماری سیستم های کامپیوتری، دانشگاه رازی، دانشکده کامپیوتر وفناوری اطلاعات، کرمانشاه، ایران

چکیده مقاله:

مسیله یادگیری ماشین این است که کامپیوتر بتواند به تدریج و با افزایش داده ها، کارایی بهتری در انجام وظیفه ی مورد نظر پیدا نموده و پژوهشگران بر آناند که روشهای یادگیری نوینی به وجود بیاورند و امکان پذیری و کیفیت یادگیری را برای تکنیکهای پیشنهادی مطالعه کنند و در سوی دیگر عدهای از پژوهشگران سعی میکنند روشهای یادگیری ماشینی را بر مسایل تازه ای اعمال کنند پس هدف یادگیری ماشین عبارت است از: چگونه میتوان برنامه ای نوشت که از طریق تجربه، یادگیری کند و عملکرد خود را بهتر نماید و یکی از بارزترین الگوریتم های یادگیری ماشین همان شبکه های عصبی مصنوعی هستند که با توجه به حجم بالای اطلاعات در بانکهای داده و یافتن اطلاعات مفید و مناسب در آنها ضرورت پیدا کرده. از سویی دیگر یادگیری شبکه عصبی مصنوعی، یکی از پرکاربردترین و کارآمدترین متدهای یادگیری استقرایی برای پردازش ها میباشند . هدف این مقاله، ارایه کارا بودن روش یادگیری شبکه عصبی RBF به عنوان روشی مناسب و قوی برای داده هایی با حجم بالا، نسبت به شبکه عصبی و شبکه عصبی چند لایه میباشد. در روش تحقیق، ارزیابی از عملگردهای الگوریتم های یادگیری ماشین یعنی انواع شبکه عصبی انجام گردیده و سرانجام در بخش یافته ها و نتایج تجربی الگوریتم یادگیری شبکه عصبی RBF نسبت به رقیبهای خود یعنی شبکه عصبی چند لایه و شبکه عصبی مصنوعی توانست به نتایج بهتری دست یابد.

کلیدواژه ها:

الگورتیم های یادگیری ماشین ، شبکه عصبی مصنوعی ، شبکه عصبی MLP ، شبکه عصبی .RBF

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا ETECH03_119 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/749283/

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:
فتحی، عبدالحسین و شفیعی، شیما،1396،قیاس رویکردی الگورتیمهای یادگیری ماشین برای شبکه عصبی مصنوعی، شبکه عصبی MLP،شبکه عصبیRBF،سومین کنفرانس ملی تکنولوژی مهندسی برق و کامپیوتر،تهران،https://civilica.com/doc/749283

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، فتحی، عبدالحسین؛ شیما شفیعی)
برای بار دوم به بعد: (1396، فتحی؛ شفیعی)
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 دولتی
تعداد مقالات: 9,976
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 پیشنهادی مرتبط

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