استفاده از الگوریتم ژنتیک سلسله مراتبی برای بهینه سازی شبکه های عصبی مصنوعی دانه ای مقیاسی بر اساس پیچیدگی پایگاه داده اعمال شده برای شناسایی انسان

در این مقاله، یک مدل جدید از شبکه عصبی مقیاسی (mnn) بهینه سازی شده با الگوریتم های ژنتیک سلسله مراتبی پیشنهاد شده است. این مدل از یک رویکرد دانه ای بر اساس پیچیدگی دیتابیس استفاده می کند. در این مورد روش پیشنهادی با مسئله تشخیص انسان براساس اطلاعات صورت تست شده است. دیتابیس های orl و essex برای قسمت بازدهی روش پیشنهادی استفاده شده است. برای مقایسه با کارهای دیگر، چهار مورد ایجاد شده است. (سه تا برای دیتابیس essex و یکی برای orl). تبلیغ با استفاده از روش پیشنهادی بهتر از نتایج بدست آمده توسط کارهای دیگر هستند. و این تأکید بر اساس یک مقایسه آماری نتایج است. ایده اصلی برای طراحی ساختار شبکه های عصبی مقیاسی، استفاده از یک الگوریتم ژنتیک سلسله مراتبی (hoa) می باشد. توزیع اشخاص در هر گرانول پایک آنالیز اولیه تعیین شده است که منجر به گروه بندی داده ها با پیچیدگی مشابه می شود. hoa پیشنهادی امکان بهینه سازی شبکه های عصبی دانه ای چندگانه را که از تعداد مختلفی نقاط داده برای فاز، آموزش استفاده می کنند. فراهم می کند که یعنی که در تکامل مشابه، چندین نتیجه می تواند بدست آید.

کلیدواژه ها:

بهینه سازی ، الگوریتم ژنتیک ، شبکه های عصبی ، سطح پیچیدگی ، سلسله مراتب