طبقه بندی داده هادر وزن های بهینه با استفاده ازترکیب شبکه عصبی و الگوریتم ژنتیک
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 699
فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ITCC01_476
تاریخ نمایه سازی: 9 فروردین 1395
چکیده مقاله:
امروزه، طبقه بندی داده ها اثر مهمی را در بیشتر زمینه های علمی وتحقیقاتی مانند داده کاوی، پزشکی، نظامی، و… ایفامی نماید . یکی از مشکلات شبکه عصبی ، حساس بودن به وزن های اولیه می باشد . اگر وزن ها به درستی انتخاب نشوند درآن صورت تعداد تکرار زیاد شده و ممکن است شبکه به سمت وزن های بهینه همگرا نشود و در بهینه محلی گرفتار شود.از آنجایی که وزن های اولیه در رسیدن شبکه های عصبی به پاسخ بهینه بسیار مهم می باشند، لذا در این مقاله از الگوریتممعروف و قدرتمند ژنتیک برای تعیین وزن های اولیه شبکه عصبی بصورت بهینه استفاده شده است، و پس از تعیین وزن هایاولیه ادامه مراحل توسط الگوریتم آموزشی خود شبکه عصبی که مبتنی بر گرادیان می باشد ، تا رسیدن به وزن هایمطلبوب به جهت دست یافتن به پاسخ های صحیح به ازای ورودی انجام شده است. هدف ما در این مقاله این است که بابررسی راه حل هاو مقادیرمختلف ، الگوریتمی را که تاحد قابل قبولی بتواند محدودیت های موجود را پوشش دهد، ارائهگردد . در نتیجه توانایی بالا و مقاوم بودن این روش بر اساس نتایج های صورت گرفته مشهود خواهد بودو به نتایجمطلوبی دست پیدا می کند . در این تحقیق از Dataset بیماران اختلالات کبدی بنام Disorders-Liver از موسسهتحقیقات پزشکی BUPA استفاده شده است .
کلیدواژه ها:
نویسندگان
سیده اعظم ابوالقاسم پور
کارشناسی ارشد مهندسی کامپیوتر نرم افزار، دانشگاه آزاد اسلامی واحد علوم و تحقیقات خراسان رضوی
مهدی توپچی
کارشناسی ارشد مهندسی کامپیوتر- هوش مصنوعی ،دانشگاه بین المللی امام رضا (ع)
مسعود پاکباز
کارشناسی ارشد مهندسی کامپیوتر- هوش مصنوعی ،دانشگاه بین المللی امام رضا (ع)
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :