آموزش شبکه عصبی مصنوعی چند لایه مبتنی بر الگوریتم خفاش اصلاح شده

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 798

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ITCC02_125

تاریخ نمایه سازی: 21 شهریور 1395

چکیده مقاله:

کارایی شبکه عصبی مصنوعی وابسته به وزن اتصالات بین نرون های آن است که از طریقالگوریتم های آموزش شبکه تعیین می شوند. در این مقاله، ما الگوریتم خفاش اصلاح شده(MBA) را جهت محاسبه مقدار بهینه وزن های شبکه عصبی مصنوعی پیشنهاد می دهیم. الگوریتمخفاش (BA) یک الگوریتم بهینه سازی الهام گرفته از طبیعت است که به علت برقراری تعادلیمناسب بین نرخ همگرایی و قدرت اکتشاف، عملکرد نسبتاً خوبی در حل مسائل بهینه سازی از خودنشان داده است. MBA با تغییراتی در تولید جمعیت اولیه BA بدست می آید که باعث می شودقابلیت جستجوی سراسری در الگوریتم بصورت موثری افزایش یابد. جهت ارزیابی، عملکردالگوریتم BA, MBA و الگوریتم مبتنی بر گرادیان لونبرگ مارکارد را در آموزش شبکه عصبیبا آزمایشاتی بر روی دو مجموعه داده محک شناخته شده خانه بوستون (Boston Housing) وفریدمن (Friedman) بررسی کرده ایم. نتایج نشان داده است که بطور کلی MBA در مقایسه باالگوریتم BA از کارایی بهتری برخوردار می باشد؛ همچنین، دو الگوریتم MBA و BA نسبت بهالگوریتم مبتنی بر گرادیان لونبرگ مارکارد دارای قابلیت تعمیم بهتری در مجموعه داده خانهبوستون می باشند.

کلیدواژه ها:

شبکه عصبی مصنوعی ، الگوریتم خفاش ، الگوریتم خفاش اصلاح شده

نویسندگان

فاطمه همتی

دانشجوی کارشناسی ارشد علوم کامپیوتر، دانشگاه سیستان و بلوچستان

امین راحتی

استادیار گروه علوم کامپیوتر، دانشگاه سیستان و بلوچستان

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 :
  • National Confercncc on Ncw Tcchnologics Application in Enginccring ا3 2C ...
  • X. S. Yang, _ new metaheuristic bat-inspired algorithm. (2010). Nature ...
  • Optimiz ation(NI SCO 2010), Springer, 2010, pp.65-74. ...
  • N. S. Jaddi, S. Abdullah, and R. Hamdan. (2015). Multi ...
  • of artificial neural network model, J. Inform. Sci, vol. 294, ...
  • automatic neural network ensemble development, Neuroc omputing, vol. 121, pp. ...
  • R. Storn and K. V. Price. (1995). Differential evolution-A simple ...
  • Tech.Report TR, 95-012, 1995. ...
  • R. Storn and . V. Price. (1997). Differential Evolution-a simple ...
  • OVer continuous spaces, J. Global Optimization, vol. 11, no. 4, ...
  • Optimization, " Berlin, Germany: S pring er-Verlag, 2005. ...
  • S. Das, A. Abraham, U.K. Chakraboty, and A. Konar (2009). ...
  • mutation operator, IEEE Trans. Evol. Comput. 13 (3), pp. 526-553, ...
  • stagnation, Appl. Soft Comput, vol. 21, pp. 382-406 , 2014. ...
  • نمایش کامل مراجع