الگوریتم یادگیری جدید ترکیبی برای تعلیم شبکه عصبی CMAC با استفاده از الگوریتم یادگیری تقویتی و نرخ تنزیل متغیر

یک مدل محاسباتیCMAC از مخچه انسان است و بصورت مدل ساده ای ارایه شده است و می تواند بصورت یک جدول جستجو تصور شود شبکه عصبی CMAC بهدلیل کارایی بالا درمقولههای متعددی از قبیل مدلسازی و کنترل کاربرد وسیعی دارد به همین دلیل نیاز به روشهایی برای رسیدن به یادگیری سریع تر و دقیق تر دراین شبکه محققان را به سمت ارایه الگوریتم های یادگیری متعدد ی سوق داده است دراین تحقیق الگوریتم ترکیبی جدیدی برای رسیدن به سرعت همگرایی بیشتر و درنتیجه خطای کمتر ارایه شده است یادگیری تقویتی از روشهای موثر در افزایش سرعت همگرایی شبکه های عصبی است دراین تحقیق با استفاده از این الگوریتم ونرخ تنزیل متغیر روشی ترکیبی جدیدی برا یتعلیم وزنهای شبکه عصبی CMAC ارایه شده است نتایج شبیه سازی نشان میدهد که الگوریتم حاصل نسبت به CMAC قرار دادی خطا را به نحو مطلوبی کاهش میدهد

کلیدواژه ها:

فاز تعلیم ، سرعت همگرایی ، CMAC ، یادگیری تقویتی ، نرخ تنزیل