آموزش و اعتبارسنجی عملکرد شبکه های عصبی پرسپترون چندلایه با استفاده از بهینه سازی جاذبه ای
thesis
- وزارت علوم، تحقیقات و فناوری - دانشگاه تربیت مدرس - دانشکده فنی مهندسی
- author مهدی تیمورلویی
- adviser اردشیر بحرینی نژاد
- Number of pages: First 15 pages
- publication year 1390
abstract
شبکه های عصبی مصنوعی پرسپترون چند لایه امروزه در حل بسیاری از مسئله های غیر خطی مورد توجه قرار گرفته است. برای آموزش شبکه های عصبی پرسپترون چند لایه، بروز رسانی وزن های سیناپسی و انتخاب ورودی های بایاس از اهمیت فراوانی برخوردار است. روش های بسیاری در آموزش این نوع شبکه ها به کار گرفته شده است. روش کاهش گرادیان یکی از این روش ها است، اما این روش با مشکل به دام افتادن در بهینه های محلی مواجه می باشد. الگوریتم بهینه سازی جاذبه ای ، یک الگوریتم تکاملی است که از نیروی جاذبه در فضا و حرکت سیارک ها به سوی اجسام بزرگ تر در اثر نیروی جاذبه، الگو برداری شده است. الگوریتم بهینه سازی جاذبه ای همانند سایر الگوریتم های تکاملی، به دلیل اینکه از چندین نقطه، جستجو در فضا را آغاز می نماید، احتمال کمتری برای به دام افتادن در بهینه های محلی دارد. همچنین سیارک ها، در هنگام نزدیک شدن به سوی اجسام بزرگ تر، رفتاری شبیه قلاب سنگ داشته و از گرفتار شدن در بهینه های محلی فرار می کنند. این خاصیت باعث می شود که این روش، راه حل مناسبی برای مسئله هایی باشد که بالقوه دارای امکان به دام افتادن در بهینه های محلی هستند. در این پژوهش، شبکه های عصبی پرسپترون چند لایه با استفاده از بهینه سازی جاذبه ای آموزش داده شده و وزن های سیناپسی و ورودی های بایاس شبکه به گونه ای بهینه شده است تا میزان خطای شبکه کاهش یابد. در سنجش و ارزیابی این پژوهش، از سه مجموعه داده پایگاه uci استفاده شده و نتایج این روش با نتایج روش کاهش گرادیان مقایسه شده است. نتایج این پژوهش نشان می دهد که آموزش شبکه های عصبی پرسپترون چند لایه با استفاده از روش بهینه سازی جاذبه ای در بهینه های محلی به دام نمی افتد و قدرت تعمیم شبکه را نیز بهبود می بخشد.
similar resources
ارایه مدل بهینه ریسک اعتباری فرایند تامین مالی جمعی با استفاده از شبکه عصبی پرسپترون چندلایه (MLP)
هدف مطالعه حاضر، پیش‌بینی و ارایه مدل ریسک اعتباری جهت سرمایه‌پذیران تأمین مالی جمعی مبتنی بر بدهی است. با توجه به پیچیدگی ارزیابی ریسک، بهترین معماری شبکه عصبی الگوریتم پرسپترون چند لایه برای شبیه‌سازی انتخاب شد. جامعه آماری این پژوهش، اطلاعات مالی پرونده اعتباری/تسهیلاتی کلیه مشتریان (506 مورد) یکی از بانک‌های کشور مربوط به سال 98-97 است. به منظور معناداری رابطه شاخص‌های استخراج شده از نمون...
full textپیش بینی دماهای ماهانه ایستگاه های همدید منتخب استان اصفهان، با استفاده از شبکه عصبی مصنوعی پرسپترون چندلایه
پیش بینی دما از کاربردی ترین برآوردهای عناصر آب و هوایی است. امروزه بخش های کشاورزی و صنعت وابستگی زیادی به شرایط دمایی (آب و هوا) دارند. دما یکی از فراسنج های بسیار مهم آب و هوایی است و از عوامل اصلی هویت آب و هوایی هر ناحیه محسوب می شود. هدف از انجام این پژوهش، مدل سازی برای پیش بینی میانگین دمای ماهانه ایستگاه های منتخب استان اصفهان است؛ از این رو، پس از بررسی طول دوره آماری ایستگاههای موجود...
full textپیش بینی بزرگای زلزله با استفاده از شبکه عصبی پرسپترون چندلایه
به دلیل نواقص موجود در روش های پیشین محاسبه بزرگای زلزله، شبکه عصبی به عنوان یک روش جدید برای این منظور آزمایش می گردد. در این مقاله نوعی شبکه عصبی با نام پرسپترون چندلایه برای پیش بینی بزرگای گشتاوری زلزله مورد استفاده قرار گرفته است. شبکه عصبی پرسپترون شامل سه لایه اصلی با نام های لایه ورودی، لایه پنهان و لایه خروجی است. ورودی های این شبکه شش متغیر مربوط به مکان و زمان وقوع زلزله و همچنین مشخ...
full textتخمین تبخیر روزانه از تشت تبخیر با استفاده از سه شبکه عصبی پرسپترون چندلایه، تابع پایه شعاعی و المانی
full text
ارائه مدلی برای انتخاب سبد بهینه سهام با استفاده از الگوریتم هوش جمعی سالپ و شبکه‌های عصبی پرسپترون چندلایه
ﻣﻬﻤﺘﺮﯾﻦ دﻏﺪﻏﻪ ﺳﺮﻣﺎﯾﻪﮔﺬاران، اﻓﺰاﯾﺶ ﻣﯿﺰان ﺳﻮد و ﮐﺎﻫﺶ رﯾﺴﮏ درﺑﻮرس ﺑﻮده و ﻫﻤﻮاره ﺑﻪ دﻧﺒﺎل راهکاری جهت ﺑﻬﺘﺮﯾﻦ ﭘﯿﺸﻨﻬﺎد در ﺧﺮﯾﺪ ﺳﻬﺎم هستند، تا ﺑﯿﺸﺘﺮﯾﻦ سود ﺳﺮﻣﺎﯾﻪﮔﺬاری را ﺑﺎﺷﺪ. در تحقیقات اﻧﺠﺎم ﺷﺪه مشاهده می شود که ﻣﺪل رﯾﺎﺿﯽ ﻣﯿﺎﻧﮕﯿﻦ وارﯾﺎﻧﺲ ﻣﺎرﮐﻮﯾﺘﺰ ﯾﮑﯽ از اﺻﻠﯽﺗﺮﯾﻦ راهکارها است اما ﺑﻬﺘﺮ اﺳﺖ ﻣﻌﯿﺎرﻫﺎیی همچون ﭼﻮﻟﮕﯽ با در نظر گرفتن ﭘﺘﺎﻧﺴﯿﻞ آینده ﺳﻬﺎم مورد بررسی قرار گیرد. در اﯾﻦ ﺗﺤﻘﯿﻖ از 20 ﺷﺮﮐﺖ اول از 50...
full textMy Resources
document type: thesis
وزارت علوم، تحقیقات و فناوری - دانشگاه تربیت مدرس - دانشکده فنی مهندسی
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023