دسته بندی داده ها با استفاده از شبکه عصبی-تکاملی بهبود یافته

کارآیی شبکه های عصبی مصنوعی به فرآیند یادگیری مرتبط است و توانایی آنها به عنوان یک جعبه سیاه بدون مدل بوده و قادر است روابط داخلی یک سیستم ناشناخته را مستقیمأ یاد بگیرد، سبب شده که تحقیقات زیادی در زمینه گسترش موارد مرتبط با شبکه مثل نوع شبکه، ساختار، الگوریتم یادگیری و نحوه انتخاب پارامترها، صورت پذیرد که هم اکنون نیز ادامه دارد. ابعاد بالا، گیر افتادن در دام مینیمم محلی، همگرایی کند و هزینه محاسباتی بسیار در آموزش شبکه های عصبی بسیار تأثیرگذار است. هدف این مقاله ارائه راهکارهای جدید به منظور بهبود آموزش شبکه عصبی مصنوعی چند لایه پرسپترون در کاربرد دسته بندی داده ها است. بدین منظور رویکرد مناسبی برای آموزش و پیدا کردن اوزان شبکه عصبی پیشنهاد شده است. در این رویکرد ابتدا الگوریتم رقابت استعماری توسط افزودن بهینه سازی آشوبناک بهبود داده خواهد شد و سپس برای آموزش شبکه عصبی از آن استفاده خواهد شد. افزودن بهینه سازی آشوبناک سبب می گردد الگوریتم جستجوی محلی مناسب تری انجام داده و اوزان دقیق تری برای شبکه عصبی تعیین گردد.

کلیدواژه ها:

شبکه عصبی چند لایه پرسپترون ، یادگیری ماشین ، الگوریتم رقابت استعماری ، مینیمم محلی