اجتماع شبکه های عصبی مصنوعی تکاملی با تقویت توپولوژی و انتخاب ویژگی ها

سال انتشار: 1386
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,703

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICEE15_293

تاریخ نمایه سازی: 17 بهمن 1385

چکیده مقاله:

اجتماع شبکه های عصبی توانایی عمومیت و دقت سیستم کلاس بندی را افزایش می دهد. تکامل عصبی، تکامل مصنوعی شبکه های عصبی با استفاده از الگوریتمهای ژنتیک، نتایج خوبی برای سیستمهای یادگیری پیچیده بوجود آورده است. در روشهای تکامل عصبی موجود، توپولوژی قبل از آغاز تکامل تعیین می شود. پروسه تکامل، فضای وزن اتصالات این توپولوژی کاملاً متصل را جستجو کرده و به شبکه های که علمکرد بهتری دارند اجازه ی تولیدد مثل می دهد و فضای وزنها جستجو می شود. بنابراین هدف روشهای تکاملی موجود ، بهینه کردن وزت اتصالات و در نهایت عملکرد کلی شبکه است . در حالی که ، وزنهای اتصالات تنها عامل تاثیرگذار در رفتار شبکه نیستند . توپولوژی شبکه عصبی و تعیین اتوماتیک یک مجموعه ی مناسب از ورودیها برای شبکه ، انتخاب ویژگیها، نیز روی عملکرد آن تاثیر می گذارد. دراین مقاله ما از NEAT استفاده کرده و ورودی ، توپولوژی و وزنهای شبکه را تحت پروسه تکامل همزمان بهینه خواهیم کرد، بعد از تولید چنین کلاس بندهای شبکه ی عصبی، که با هم در توپولوژی ، وزن اتصالات و مجموعه ورودی متفاوتند، از خروجی این کلاس بندها استفاده کرده و با ترکیب آنها یک خروجی واحد ایجاد می کنیم، آزمایشات نشان می دهد که روش ارائه شده نتایج بهتری نسبت به روشهای موجود بدست می دهد.

نویسندگان

بنت الهدی حلمی

دانشگاه علم و صنعت ایران، دانشکده مهندسی کامپیوتر، تهران

احسان عادلی مسبب

دانشگاه علم و صنعت ایران، دانشکده مهندسی کامپیوتر، تهران

ناصر مزینی

دانشگاه علم و صنعت ایران، دانشکده مهندسی کامپیوتر، تهران

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 :
  • Lam, L., Suen, C, Optimal combination of pattern classifiers, Pattern ...
  • Munro, P., Parmanto, B, Competition Among Networks Improves Committee Performance, ...
  • Hashem, S, Optimal Linear Combination _ Neural Networks, Neural Networks ...
  • Ho, T., Hull, J., Srihari, S, Decision Combination in Multiple ...
  • ]EEE Transactiors _ Pattern Analysis and Machive Intelligence, 16(1), 1994, ...
  • Rogova, G, Combining the Results of Several Neural Network classifiers. ...
  • Gader, P., Mohamed, M, Keller, J, Fusion of Handwritten Word ...
  • A. Sharkey, ،NMulti-Net systems?, In: Sharkey, _ (Ed.), Combining Artificial ...
  • C. B'ake and C. Merz (1998), _ Repository of Machine ...
  • Nayer M.Wanas and Mohamed S. Kamel. Weighted Combination of Neural ...
  • K. O. Stanley and R. Miikkulainen, Evolving Neural Networks through ...
  • K. O. Stanley and R. Miikkulainen and S. whiteson and ...
  • K. O. Stanley and R. Miikkulainen and S. Whiteson and ...
  • Nayer M.Wanas and Mohamed S. Kamel, Decision Fusion in Neural ...
  • Ludmila I. Kuncheva, Combining pattern classifiers, rethods ard algorithms (A ...
  • نمایش کامل مراجع