بهبود شبکه های عصبی تابع پایه شعاعی RBF مبتنی بر الگوریتم خوشه بندی K-means سراسری تغییر یافته سریع برای مجموعه داده های بزرگ

سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 5,898

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ITICS01_127

تاریخ نمایه سازی: 12 فروردین 1391

چکیده مقاله:

شبکه های عصبی تابع پایه شعاعی به عنوان یکی از پرکاربردترین شبکه های عصبی برای مسائل دسته بندی و پیش بینی درزمینه تشخیص الگو و یادگیری ماشین مطرح هستند از پارامترهای مهم درکارایی این شبکه ها تعدادنرون ها ی لایه پنهان که همان تعداد مراکز تعیین شده توسط قسمت بدون نظارت این شبکه ها است می باشد و نیز سرعت و حجم حافظه دراین شبکه ها در فاز یادگیری نیز تا حدودی وابسته به قسمت بدون نظارت اینشبکه ها است و همچنین تعیین دقیق و بهینه مکان مراکز درمجموعه داده های بزرگ به علت استفاده از تابع پایه شعاعی به کاررفته دراین شبکه های متواند در دقت تخمین و دسته بندی موثر باشد دراین مقاله پیشنهاد میش ود که برای سرعت بخشیدن و کم کردن میزان حا فظه مورد نیاز و همچنین افزایش صحت دراین شبکه ها برای کار با مجموعه داده های بزرگ از الگوریتم k-means سراسری تغییریافته سریع FMGKM درقیمت بدون نظارت این شبکه ها استفاده شود.

کلیدواژه ها:

شبکه های RBF ، خوشه بندی کمینه مجموع مربعات ، الگوریتم K-means ، الگوریتم k-means سراسری تغییر یافته سریع

نویسندگان

محیا عامریان

دانشجوی کارشناسی ارشد گروه علمی هوش مصنوعی مشهد

منصور اسماعیل زاده

دانشجوی کارشناسی ارشد گروه علمی هوش مصنوعی مشهد

مرضیه حامدی

دانشگاه آزاد اسلامی واحد مشهد

مهرداد جلالی

دانشگاه آزاد اسلامی واحد مشهد عضو هیئت علمی گروه علمی هوش مصنوعی

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 :
  • J.T. Tou، R.C Gonzaler، Pattern ...
  • recognition principles، Addi son-Wesley، Reading، MA، 1981. ...
  • D. S. Broomhead D. Lowe، "Multivariable functional interpolation and adaptive ...
  • S. Metej، R. M. Lewitt، "Practical considerations for #- D ...
  • T. Poggio، F. Girosi، :Networks for approximation and learning، " ...
  • M. Casdagli، Nonlinear prediction of chaotic time _ Physica D، ...
  • R. M. Sanner، J. J. , Slotine، :Gaussian networks for ...
  • A. G. Bors، C, Gabbouj، :Minimal topology for a radial ...
  • M. Niranjan، F. Fallside، "Neural networks and radial ...
  • I. Cha، S. A. Kassam، 00 RBFN restoration of ...
  • nonlinearly degraded image، " IEEE Trans. On Image Processing، vol. ...
  • A. G. Bors، I. Pita. "Object classification in 3-D image ...
  • network، : IEEE Trans. On Image processing، vol. 8، no. ...
  • M. Bagirov، J. Ugon، D. Webb، :Fast modified global k-means ...
  • C. Decaestecke. M. Saerens. "Comparisons of different RBF networks for ...
  • On Artificial Neural Networks (ICANN)، pp. 591-596، ...
  • _ _ _ _، function networks based on a novel ...
  • N. Homma، L. Jin and M. M Gupta، Static and ...
  • D. Michie، D. Spiegelhalter، C.C. Taylor، editors، ...
  • A.M.Bagirov، "Modified global k-means algorithm for sum-of-squares clustering problem, _ ...
  • M.Boden، T.Bailey(Eds.)، Proceedings of the AI 2006Work shopon Intelligent Systems ...
  • نمایش کامل مراجع