| پروسه ارزيابي يك الگوريتم ژنتيك براي بهبود شبكه پس از خطا BPN
دانلود پايان نامه پروسه ارزيابي يك الگوريتم ژنتيك براي بهبود شبكه پس از خطا BPN در 42 صفحه ورد قابل ويرايش با فرمت doc
|
 |
| دسته بندي | هوش مصنوعي |
| فرمت فايل | docx |
| حجم فايل | 622 كيلو بايت |
| تعداد صفحات فايل | 42 |
پروسه ارزيابي يك الگوريتم ژنتيك براي بهبود شبكه پس از خطا BPN
در 42 صفحه ورد قابل ويرايش با فرمت doc
چكيده:
تا كارايي شبكه هاي پس انتشار خطا را بهبود بخشند. زيرا محدوديت ها در تكنيك هاي جستجوي گراديان
اين مقاله برروي چگونگي جمع آوري و ارزيابي مجدد ماتريس هاي وزن bpn تمركز دارد،
در حاليكه عملگرهاي الگوريتم ژنتيك در هر نسل به منظور بهينه سازي ماتريس هاي وزن پردازش مي شوند.
در اين روش over fitting، يك اشكال از bpn هاست كه معمولا در طول مرحله بعد ازآموزش
شبكه عصبي با نزول خطاي آموزش و افزايش خطاي پيش بيني اتفاق مي افتد ، قابل حذف شدن مي باشد .
اين مقاله هم چنين، پارامترها و توپولوژي شبكه عصبي را در جهت افزايش امكان پذيري
اجراي فضاي جواب براي مسائل غيرخطي پيچيده توسعه مي دهد.
مقدمه:
مدل هاي شبكه عصبي مصنوعي (ANN ) به طور گسترده در كاربردهاي متفاوتي استفاده شده اند.
شبكه هاي پس انتشار خطا ، پركاربردترين مورد استفاده در شبكه هاي عصبي مصنوعي،
براي حل تعداد زيادي از مسائل واقعي بكار گرفته شده است.
در سال هاي اخير بسياري از الگوريتم هاي يادگيري به طور گسترده اي به منظور آموزش شبكه هاي عصبي
براي حل مسائل پيچيده غير خطي طراحي شده و توسعه يافته اند. يكي از نقص ها ي اساسي
در شبكه هاي عصبي جاري اين است كه تحقيق و پژوهش وابسته به طراحي شبكه عصبي مي باشد.
طراحي يك شبكه عصبي شامل انتخاب يك مجموعه بهينه از پارامتر ها ي طراحي مي باشد
نحقخ تا همگرايي سريع را در طول آموزش و دقت مورد نياز را هنگام فراخواني بدست آورد.
محققان به طور معمول شبكه هاي عصبي با BPN را بسيار آموزش داده اند.
دقت هر تقريب آموزش بستگي به انتخاب وزن هاي مناسب براي شبكه عصبي دارد.
متاسفانه bp يك الگوريتم جستجوي محلي است. بنابراين موجب واقع شدن در تله مي نيمم محلي مي شود .
اگر وزن هاي اوليه در يك شيب محلي واقع شود ،
الگوريتم احتمالا در يك بهينه محلي قرار خواهد گرفت .
محققان از روش هاي متفاوتي استفاده مي كنند تا اين ويژگي ها يbp را تنظيم كنند.
