بهبود بازشناسی مقاوم الگو در شبکه های عصبی بازگشتی جاذب از طریق به کارگیری دینامیک های آشوب گونه
Authors
abstract
در این مقاله، به منظور ارزیابی تأثیر دینامیک های آشوب گونه در افزایش کارایی شبکه های عصبی بازگشتی در بازشناسی مقاوم الگو، دو مدل برای شبکه های عصبی آشوب گونه ارائه شده است. در مدل اول که براساس نظریه انتخاب طبیعی طراحی گردیده است، شبکه عصبی بازگشتی جاذب (arnn) به عنوان هوش حاکم، تنوعات ایجاد شده توسط گره های آشوبی را در جهت رسیدن به جواب بهینه هدایت می نماید. در مدل دوم، ساختاری از شبکه عصبی آشوب گونه طراحی شده است که در لایه پنهان خود دارای نورون هایی با تابع فعالیت آشوب گونه می باشد. رفتار این نورون ها توسط پارامترآن ها تنظیم می گردد. بهبود درصد صحت عملکرد مدل اول در بازشناسی الگوی نویزی در سطوح نویز بالا (بیش از 60%) به ترتیب 16/37%، 15/29% و 5/8% نسبت به شبکه جلوسو، شبکه عصبی آشوب گونه برمبنای گره آشوبی- ndram و شبکه arnn، می باشد. همچنین مدل دوم، درصد صحت بازشناسی شبکه arnn و مدل اول را در بازشناسی الگوی نویزی در سطوح نویز بالا (بیش از 60%) به ترتیب 91/13% و 41/5% ارتقا داده است. از سوی دیگر، نتایج نشان می دهد که این مدل، حتی در حالت رفتار جاذب نقطه ای که مشابه رفتار شبکه arnn می باشد، درصد صحت بازشناسی را 41/10% نسبت به این شبکه بهبود داده است.
similar resources
بهبود بازشناسی مقاوم الگو در شبکه های عصبی بازگشتی جاذب از طریق به کارگیری دینامیک های آشوب گونه
In this paper, two kinds of chaotic neural networks are proposed to evaluate the efficiency of chaotic dynamics in robust pattern recognition. The First model is designed based on natural selection theory. In this model, attractor recurrent neural network, intelligently, guides the evaluation of chaotic nodes in order to obtain the best solution. In the second model, a different structure of ch...
full textاستفاده از نورون های بازگشتی آشوب گونه در بازشناسی مقاوم ارقام دست نوشتار مجزای انگلیسی
رفتارهای آشوب گونه به صورت میکروسکوپیک در نورون ها و ماکروسکوپیک در عملکرد مغز گزارش شده اند. این شواهد باعث شدند تا بسیاری از محققین به دنبال وارد کردن نظریه آشوب در شبکه های عصبی کلاسیک باشند تا با طراحی شبکه های عصبی آشوب گونه به ابزار پردازشی قوی تری دست یابند. در این پروژه به منظور بررسی تأثیر آشوب در افزایش کارایی پردازش اطلاعات توسط شبکه های عصبی دو نوع شبکه آشوب گونه طراحی شده است. نوع ...
15 صفحه اولروشی جدید در بازشناسی مقاوم گفتار مبتنی بر دادگان مفقود با استفاده از شبکه عصبی دوسویه
Performance of speech recognition systems is greatly reduced when speech corrupted by noise. One common method for robust speech recognition systems is missing feature methods. In this way, the components in time - frequency representation of signal (Spectrogram) that present low signal to noise ratio (SNR), are tagged as missing and deleted then replaced by remained components and statistical ...
full textبهینهسازی همزمان شبکهی عصبی بازگشتی برای بهبود شناسایی و مدلسازی دینامیک غیرخطی هواپیما
در این نوشتار چگونگی استفاده از الگوریتم ژنتیک در آموزش شبکههای عصبی، و بهطور همزمان بهینهسازی ساختاری آنها بهمنظور مدلسازی دینامیک غیرخطی هواپیماهایی با قابلیت مانور بالا، بررسی میشود. ارتباطهای وزنی، معماری شبکه و قوانین یادگیری از مشخصاتی هستند که نقش بسیار مهمی در کیفیت آموزش و تعمیم شبکههای عصبی برای مدلسازی سیستمهای غیرخطی ایفا میکنند. لذا تنظیم درست این پارامترها کمک شایانی ب...
full textبازشناسی مقاوم گفتار با استفاده از ویژگی الگوهای زمانی به دست آمده از ساختار شبکه عصبی بهینه شده MTMLP
ویژگی الگوهای زمانی سیگنال صوتی از دو حوزه زمانی و یا بردارهای بازنمایی شده قابل استخراج است. این ویژگی دربرگیرنده اطلاعات و مشخصات زمان بلند از تغییرات پیوسته واحدهای گفتاری است. در این مقاله، ویژگی الگوهای زمانی با استفاده از خروجی مقدار احتمال پسین واجی ساختار بهینه شده شبکه عصبی MTMLP، از مجموعه بردارهای بازنمایی مبتنی بر طیف (مانند ویژگی گفتاری LFBE) و همچنین، مبتنی بر کپستروم (مانند ویژ...
full textپردازش جریان های داده با به کارگیری یادگیری تقویتی در شبکه ی عصبی بازگشتی
در این پایان نامه تلاش شده تا طرحی برای شبکه های عصبی مصنوعی ارائه شود که هم از نظر ساختار، هم به لحاظ فرآیند آموزش و هم از جهت پذیرش انواع گوناگون داده های ورودی به شبکه های عصبی زیستی شباهت داشته باشد. در نتیجه طرحی برای به کارگیری یادگیری تقویتی در شبکه های عصبی بازگشتی ساخته شده از عصب های دندانه ای ارائه شده است که توانایی پردازش داده های موازی و جریان های داده را همزمان دارد.
My Resources
Save resource for easier access later
Journal title:
پردازش علائم و داده هاجلد ۱۰، شماره ۲، صفحات ۴۷-۶۷
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023