مبانی، قضایا و کاربردهای تقریب توابع با استفاده از شبکه های عصبی

تنظیم بهینه و همزمان ساختار و پارامترهای شبکه عصبی با استفاده از الگوریتم آمیختار مبتنی بر جستجوی گرانشی برای کاربردهای دسته‌بندی و تقریب توابع

Determining the optimum number of nodes, number of hidden layers, and synaptic connection weights in an artificial neural network (ANN) plays an important role in the performance of this soft computing model. Several methods have been proposed for weights update (training) and structure selection of the ANNs. For example, the error back-propagation (EBP) is a traditional method for weights...

تقریب مقادیر ویژه ورق با استفاده از شبکه عصبی مصنوعی

هدف از این مقاله، تعیین فرکانس زاویه‌ای طبیعی ورق‏ها با توجه به شرایط مختلف تکیه‌گاهی به کمک شبکه عصبی مصنوعی است. یکی از مشهورترین روش‏های آموزش شبکه عصبی، استفاده از الگوریتم انتشار برگشتی است. این الگوریتم برای آموزش شبکه‌های چند لایه قابل کاربرد است. الگوریتم انتشار برگشتی بر مبنای کاهش گرادیان بوده و در آن شیب خطا به تدریج کم شده و وزن‏های شبکه برای رسیدن به حداقل خطا، تعدیل می‌شود. در این...

تنظیم بهینه و همزمان ساختار و پارامترهای شبکه عصبی با استفاده از الگوریتم آمیختار مبتنی بر جستجوی گرانشی برای کاربردهای دسته بندی و تقریب توابع

چکیده: کارایی بهتر شبکه عصبی به پارامتر‏هایی همچون تعداد گره­ های ورودی، تعداد لایه های میانی، تعداد نرون‏ ها، و وزن اختصاص ‏یافته به نرون ‏ها بستگی دارد. روش‏ های متفاوتی جهت به‏ روزرسانی پارامترها و ساختار شبکه عصبی مصنوعی ارائه گردیده است. یکی از روش‏ های متداول و مورد استفاده در شبکه های عصبی، روش پس­ انتشار خطا (ebp) است که در آن تنها وزن‏ های شبکه عصبی به ‏روزرسانی می شوند. در این مقاله، ...

تقریب مقادیر ویژه ورق با استفاده از شبکه عصبی مصنوعی

هدف از این مقاله، تعیین فرکانس زاویه ای طبیعی ورق‏ها با توجه به شرایط مختلف تکیه گاهی به کمک شبکه عصبی مصنوعی است. یکی از مشهورترین روش‏های آموزش شبکه عصبی، استفاده از الگوریتم انتشار برگشتی است. این الگوریتم برای آموزش شبکه های چند لایه قابل کاربرد است. الگوریتم انتشار برگشتی بر مبنای کاهش گرادیان بوده و در آن شیب خطا به تدریج کم شده و وزن‏های شبکه برای رسیدن به حداقل خطا، تعدیل می شود. در این...

تقریب تابع ارزش عمل با استفاده از شبکه توابع پایه شعاعی برای یادگیری تقویتی

مشکل تنگنای ابعاد، یکی از چالش هایی است که کاربرد الگوریتم های یادگیری تقویتی گسسته را در مورد مسائل کنترلی واقعی که دارای فضای حالت و عمل بزرگ و یا پیوسته می باشند محدود نموده است. ترکیب روش های آموزشی گسسته با تقریب زننده های تابعی برای حل این مشکل چندی است مورد توجه محققان قرارگرفته است. در همین راستا در این مقاله یک الگوریتم جدید یادگیری تقویتی عصبی (NRL) بر مبنای معماری نقاد- تنها معرف...

برآورد رسوب معلق با استفاده از شبکه عصبی و ارزیابی توابع آموزشی(مطالعه موردی: استان لرستان)