پژوهشگر گرامی،شما با عنوان بررسی فرآیند ارزيابي الگوريتم ژنتيك براي بهبود شبكه BPN وارد وب سایت شده اید برای دریافت فایل می توانید به ادامه مطلب بروید.
بررسی فرآیند ارزيابي الگوريتم ژنتيك براي بهبود شبكه BPN|30015459|iq

⚡دانلود

فرمت فایل: word

تعداد صفحات: 17

بسياري از بررسي ها يك رشته بيت را با استفاده از الگوريتم ژنتيك به منظور بیان ساختار شبکه نگاشت داده اند تا كارايي شبكه هاي پس انتشار خطا را بهبود بخشند. اما محدوديت ها در تكنيك هاي جستجوي گراديان كه براي مسائل بهينه سازي غير خطي پيچيده استفاده مي شوند ،اغلب كارايي متناقض و غير قابل پيش بيني را نتيجه داده اند .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 همچنين over fitting، يك اشكال از bpn ها كه معمولا در طول مرحله بعد ازآموزش شبكه عصبي با نزول خطاي آموزش و افزايش خطاي پيش بيني اتفاق مي افتد ، نيز قابل حذف شدن مي باشند .روش پيشنهادي ،پارامترها و توپولوژي شبكه عصبي را در جهت افزايش امكان پذيري اجراي فضاي جواب براي مسائل غيرخطي پيچيده توسعه مي هد.نتايج بدست آمده از روش پيشنهادي،شبكه عصبي BPNمبتني بر الگوريتم ژنتيك،با شبكه عصبي BPN مرسوم مقايسه مي شود.

كليد واژه الگوريتم ژنتيك،بهینه سازی، شبكه عصبي BPN

1 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 اند.يكي از نقص ها ي اساسي در شبكه هاي عصبي جاري اين است كه پژوهش وابسته به طراحي شبكه عصبي مي باشد.طراحي يك شبكه عصبي شامل انتخاب يك مجموعه بهينه از پارامتر ها ي طراحي مي باشد تا همگرايي سريع را در طول آموزش و دقت مورد نياز را هنگام فراخواني بدست آورد.به طور معمول شبكه هاي عصبي bp توسط محققان بسيار آموزش داده شده است.متاسفانه bp يك الگوريتم جستجوي محلي است، بنابراين موجب واقع شدن در تله مي نيمم محلي مي شود.يك bpn داراي دو اشكال عمده به شرح زير است :1.تكنيك جستجوي گراديان به يك جواب بهينه با كارايي متناقض و غير قابل پيش بيني براي بعضي از كاربردها همگرا مي شود.

2.هنگاميكه در بعضي نواحي در مينيمم محلي واقع مي شود تكنيك جستجوي گراديان به طور ضعيفي در بدست آوردن يك جواب بهينه عمومي عمل مي كند .

عمده ترين مسئله در طول پروسه آموزش شبكه عصبي احتمال OF (Over Fitting) در داده هاي آموزش مي باشد.بدين معنا كه در طول يك دوره آموزش معين شبكه ،قابليت حل مسائل توسط آن بهتر نمي شود.

بهترين روش براي كاهش وزن ها در [1]پيشنهاد شده بود تا از چنين OF دوري نمايد .در بررسي ]2[شبكه پس انتشار خطا روي مجموعه داده نشان داده شده موجب OF شد كه بعد از تعداد تكرار مشخصي در مرحله آموزش شروع شد .دو استراتژي ارائه شدند تا مقدار اطلاعات انتقال داده شده را به وسيله يك شبكه feed forward،رو به جلو، كه در آناليز مولفه اصلي (PCA) استفاده شده بود محدود كنند .در ]3[ zhang و همکارانش نشان دادند كه OF همچنين هنگاميكه تقريب چند جمله اي هاي مرتبه بالا براي مناسب سازي تعداد كمي از نقاط استفاده شده بود اتفاق مي افتد . با توجه به اين موارد بهبود همگرايي bpn و دوري از OF داده ها در طي آموزش هر دو خيلي مهم هستند.

جزییات بیشتر📜