روش بهینه سازی رشد پایه ای و هرس عمقی در شبکه های عصبی مصنوعی

همانطور که می دانیم باتوجه به وجود ساختارهای عمیق در مغز انسان، محققان به سمت تعلیم شبکه های عصبی ساختار عمیق گرایشپیدا کرده اند. همچنین می دانیم که این ساختارهای عمیق مغز انسان به صورت سلسله مراتبی است و همچنین این ساختارها ثابتنیستند و در طول زمان تغییر می کنند براین اساس، در این مقاله با توجه به سازماندهی و ساختار سلسله مراتبی مغز انسان، روش کلی رابرای تغییر ساختارشبکه عصبی مصنوعی با ساختار عمیق (رشد و گسترش شبکه و سپس هرس و حذف مؤلفه ها یا بازنمایی های تکراری) به نام BGDP پیشنهاد می کنیم. این روش در دو فاز مجزا رشد و هرس انجام می شود؛ فاز رشد الگوریتم، شبکه عصبی را با استفاده از تولد نورون، از پایه ای ترین لایه رشد می دهد و سپس در فاز هرس، مؤلفه های هر لایه را از عمق شبکه شروع به هرس میکنیم. این روشبا بکارگیری این ترتیب خاص برای گسترش و خلاصه کردن اطلاعات شبکه، دقت شبکه را بالا می برد و باعث می شود اطلاعات شبکه ازبین نرود، در صورتی که دیگر روش های رشد و هرس با عدم استفاده از این تکنیک، بیشتر اطلاعات شبکه را از دست می دهند وهمچنین قابلیت پیاده سازی برای شبکه های عمیق را هم فراهم نموده است.

کلیدواژه ها:

بهینه سازی ساختار ، رشد نورون ، شبکه عصبی مصنوعی ، هرس نورون