آموزش پیش بینی ساختار شبکه عصبی RBF بر پایه الگوریتم بهینه سازی ازدحام ذرات به منظور تخمین توابع

سال انتشار: 1397
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 814

فایل این مقاله در 6 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:

SPIS04_018

تاریخ نمایه سازی: 16 اردیبهشت 1398

چکیده مقاله:

تقریب تابع نوع مهمی از روش های یادگیری با نظارت بوده که هدف آن تولید یک مدل مناسب برای توابع ناشناخته است. این مدل باید بتواند به خوبی رابطه بین داده های ورودی خروجی را توصیف نماید. هدف روش پیشنهادی در این مقاله، توسعه ارزیابی یک الگوریتم نوین به منظور تخمین توابع به کمک شبکه عصبی پایه شعاعی (RBF) الگوریتم بهینه سازی ازدحام ذرات (PSO) است. در روش پیشنهادی این مقاله مراکه اولیه کرنل (هسته)های شبکه RBF با الگوریتم Kmeans تعیین می شوند دو عنصر مهم یعنی پارامتر پراکندگی کرن ها تعداد نرون های لایه مخفی با بهره گیری از الگوریتم PSO به صورت خودکار حاصل می گردند. این امر موجب می شود تا علاوه بر آموزش موثر شبکه، بتوانیم ساختار مناسب آن را نیز پیش بینی نماییم. شبکه عصبی RBF نسبت به MLP دارای سرعت عملکرد بسیار بالاتری به خصوص در بحث تقریب توابع است. علاوه بر آن، به دلیل قابلیت جست جوی سراسری الگوریتم PSO در یافتن پارامترهای آزاد شبکه RBF نتایج بسیار خوبی در تقریب چندین تابع معیار حاصل شده است.

کلیدواژه ها:

تقریب توابع ، شبکه عصبی پایه شعاعی (RBF) ، الگوریتم بهینه سازی ازدحام ذرات (PSO)

نویسندگان

مهدی محمدی لک

دانشجوی کارشناسی ارشد برق مخابرات سیستم، دانشگاه صنعتی شاهرود، شاهرود

علی سلیمانی ایوری

دانشیار، دکتری تخصصی برق الکترونیک، دانشگاه صنعتی شاهرود شاهرود