مهدیه خراشادیزاده - دانشجوی دکتری، گروه علوم ر یاضی، بخش علوم کامپیوتر، دانشگاه یزد، یزد
الهام عباسی هرفته - استاد یار، گروه علوم ری اضی، بخش علوم کامپیوتر، دانشگاه یزد ، ی زد
ابولفضل شاهزاده فاضلی - دانشیار، گروه علوم ری اضی، بخش علوم کامپیوتر، دانشگاه یزد ، ی زد

در این مقاله با هدف بهبود دقت و تنوع شبکه های عصبی فردی و در نتیجه بهبود عملکرد شبکه عصبی گروهی،یک روش ایجاد شبکه های عصبی فردی مبتنی بر خوشه بندی دومرتبه ای ارائه شده است. با تغییر داده های آموزش شبکه، نمونه ها توزیع داده های واقعی را بهتر منعکس می کنند. تغییر در داده های آموزش موجب افزایش تنوع داده های آموزش در جهت افزایش تنوع شبکه، و در نتیجه بهبود عملکرد شیکه های عصبی گروهی می شود. روش اعتبارسنجی متقابل K تایی ، موجب یادگیری نمونه ها از جهات مختلف می شود، همچنین ازگیر افتادن در بهینه محلی جلوگیری می کند. ابتدا، از روش اعتبارسنجی متقابل K تایی برای تقسیم کردن مجموعه داده اصلی استفاده می شود. سپس، همه داده آموزش را خوشه بندی کرده و زیرکلاس ها را ایجاد می کند، و پس از آن خوشه بندی دوباره برای هر زیر کلاس به شکل زیر مجموعه های نمونه از هر زیر کلاس انجام می پذیرد. خوشه بندی مورد استفاده در این مقاله، خوشه بندی k-mean است که از جمله محبوب ترین و ساده ترین الگوریتم ها می باشد. این الگوریتم خوشه بندی معیار "شباهت در درون خوشه ها، تفاوت بین خوشه های مختلف " را بیشینه می کند. شبکه های عصبی فردی با تنوع بیشتر، و اندازه داده آموزشی کوچکتر تولید شده و این گروه از شبکه های عصبی فردی می توانند عملکرد بهتری داشته باشند. آزمایش های شبیه سازی در مجموعه داده ها نشان می دهد که روش پیشنهادی ما مفید و موثر است

خوشه بندی k،mean،شبکه عصبی گروهی،شبکه عصبی فردی،خوشه بندی دو مرتبه ای