• بهبود آموزش شبکه های عصبی پرسپترون چند لایه با استفاده از الگوریتم رقابت استعماری آشوبی متعامد اصلاح یافته

    جزئیات بیشتر مقاله
    • تاریخ ارائه: 1393/09/05
    • تاریخ انتشار در تی پی بین: 1393/09/05
    • تعداد بازدید: 1426
    • تعداد پرسش و پاسخ ها: 0
    • شماره تماس دبیرخانه رویداد: -
    توانایی یادگیری و مدل غیر خطی شبکه های عصبی پرسپترون های چند لایه ،(mlp) آن ها را در بسیاری از کاربردها، موثر کرده است mlp .را می توان به روش های مختلف آموزش داد که یکی از این روش ها، الگوریتم های مبتنی بر پس انتشار خطا (bp) است. لازم به ذکر است که این روش تعلیم، اشکالاتی از جمله: همگرایی در کمینه های محلی، عدم تضمین رسیدن به پاسخ مطلوب، تعمیم پذیری ناکافی را دارد. برای جبران این مشکلات از روش های کمینه سازی تصادفی مختلفی استفاده می شود. در این مقاله شبکه عصبی mlp برای داده های واقعی یونسفر و سونار با نسخه های مختلف الگوریتم رقابت استعماری آموزش داده شده و به منظور بررسی تعمیم پذیری الگوریتم ها از روش اعتبار سنجی متقابل k-fold استفاده شده است. در نهایت استفاده از الگوریتم رقابت استعماری آشوبی متعامد (coicoa)اصلاح شده، موفق به کاهش خطای طبقه بندی و بهبود همگرایی می شود.

سوال خود را در مورد این مقاله مطرح نمایید :

با انتخاب دکمه ثبت پرسش، موافقت خود را با قوانین انتشار محتوا در وبسایت تی پی بین اعلام می کنم
مقالات جدیدترین رویدادها