طراحی شبکه های عصبی مصنوعی با معماری بهینه و آموزش آن به وسیله ی الگوریتم جست وجوی هماهنگی

پایان نامه
چکیده

کاربرد روزافزون شبکه های عصبی پرسپترون چندلایه (mlp) در حلِّ مسائل مهندسی و سیستم های هوشمند، سبب گرایش محقّقین به سمت ابداع روش های آموزش و طرّاحی معماری کارامدتر شبکه های عصبی شده است. معماری شبکه ی عصبی شامل تعداد لایه های مخفی، تعداد نرون ها در لایه های مخفی و نوع تابع تحریک است و هر یک از این پارامترها بر روی عمل کرد شبکه ی عصبی تأثیر مستقیم و بسزایی دارد. از سوی دیگر، کارایی شبکه های عصبی به وزن های آن نیز وابسته است که این مطلب به نوبه ی خود اهمّیّت فرایند آموزش شبکه ی عصبی را آشکار می کند. تعیین دستی پارامترهای شبکه ی عصبی موجب سختی طرّاحی و هم چنین عدم اطمینان از عمل کرد بهینه ی آن می شود زیرا شبکه ی عصبی با اندازه ی خیلی کوچک بطور کامل قادر به یادگیری تمام داده های آموزشی نیست؛ هم چنین شبکه ی عصبی با اندازه ی خیلی بزرگ، جنبه های نامربوط داده های آموزشی را می آموزد بنابراین بیش برازندگی رخ می دهد. علاوه بر این،متداول ترین الگوریتم آموزشی شبکه های عصبی، پس انتشار خطا است که هم گرایی کند و توقّف در نقاط بهینه ی محلّی از نقطه ضعف های آن است. در این پایان نامه علاوه بر بهبود الگوریتم جست وجوی هماهنگی (hs) جهت جست وجوی قدرتمندتر در فضاهایی با ابعاد بسیار زیاد، برای طرّاحی معماری و آموزش هم زمان شبکه های عصبی چندلایه نیز از آن استفاده شده است. شبکه های عصبی طرّاحی شده با روش پیشنهادی به منظور طبقه بندی مجموعه ی داده های آماده به خدمت گرفته شده اند. نتایج آزمایش های متعدّد و وسیع، حاکی از آن است که روش پیشنهادی در طرّاحی بهینه و خودکار شبکه های عصبی - هم از نظر آموزش و هم از نظر معماری- عمل کرد مطلوبی دارد.

۱۵ صفحه ی اول

برای دانلود 15 صفحه اول باید عضویت طلایی داشته باشید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

مدل بهینه ی مش بندی اجزاء محدود به کمک الگوریتم جست وجوی ذرات باردار

در نوشتار حاضر، روش برآورد خطای نرم انرژی و تظریف غنی‌سازی ـ جابه‌جایی با استفاده از الگوریتم بهینه‌سازی جست‌وجوی ذرات باردار، برای بهبود دقت جواب‌های مسائل کشسانی ارائه شده است. در روش مذکور از دو روش غنی‌سازی و جابه‌جایی به طور هم‌زمان استفاده می‌شود. در گام اول با جابه‌جاکردن نقاط، خطای حاکم بر حوزه‌ی مسئله کاهش می‌یابد و در صورت نرسیدن به خطای مجاز، در گام بعدی برای المان‌هایی که خطای بالات...

متن کامل

طراحی و آموزش شبکه‏ های عصبی مصنوعی به وسیله استراتژی تکاملی با جمعیت‏ های موازی

Application of artificial neural networks (ANN) in areas such as classification of images and audio signals shows the ability of this artificial intelligence technique for solving practical problems. Construction and training of ANNs is usually a time-consuming and hard process. A suitable neural model must be able to learn the training data and also have the generalization ability. In this pap...

متن کامل

طراحی و آموزش شبکه‏ های عصبی مصنوعی به وسیله استراتژی تکاملی با جمعیت‏ های موازی

کاربرد شبکه‏‏ های عصبی مصنوعی در حوزه‏ هایی از قبیل دسته‏ بندی تصاویر و سیگنال های صوتی مؤید توانایی این ابزار قدرتمند هوش مصنوعی در حل مسائل دنیای امروز است. طراحی و آموزش شبکه‏ های عصبی همواره یک فرآیند زمان‏بر و مشکل بوده است. یک مدل عصبی مناسب باید بتواند الگوی داده‏ های آموزشی را فراگرفته و نیز قابلیت تعمیم داشته باشد. در این مقاله، از جمعیت‏ های موازی برای طراحی معماری شبکه عصبی و همچنین ...

متن کامل

مدل سازی و بهینه سازی واحد تولید هیدروژن با شبکه ی عصبی مصنوعی و الگوریتم ژنتیک

هدف اصلی این پژوهش، مدل سازی واحد صنعتی تولید هیدروژن براساس تبدیل متان با بخار آب با کاربرد شبکه ی عصبی مصنوعی است. عامل های دبی فراورده و انرژی مصرفی به عنوان عامل های خروجی مدل در نظر گرفته شد و دو شبکه ی عصبی مجزا برای پیش بینی این دو عامل مدنظر قرارگرفت. نتیجه های مدل سازی با دقت بسیار خوب، خطای متوسط مطلق، خطای متوسط نسبی و خطای احتمالی بین داده های واقعی کارخانه و مدل را به ترتیب برابر ب...

متن کامل

مقایسه تأثیر وضعیت طاق باز و دمر بر وضعیت تنفسی نوزادان نارس مبتلا به سندرم دیسترس تنفسی حاد تحت درمان با پروتکل Insure

کچ ی هد پ ی ش مز ی هن ه و فد : ساسا د مردنس رد نامرد ي سفنت سرتس ي ظنت نادازون داح ي سکا لدابت م ي و نژ د ي سکا ي د هدوب نبرک تسا طسوت هک کبس اـه ي ناـمرد ي فلتخم ي هلمجزا لکتورپ INSURE ماجنا م ي دوش ا اذل . ي هعلاطم ن فدهاب اقم ي هس عضو ي ت اه ي ندب ي عضو رب رمد و زاب قاط ي سفنت ت ي هـب لاتـبم سراـن نادازون ردنس د م ي سفنت سرتس ي لکتورپ اب نامرد تحت داح INSURE ماجنا درگ ...

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ذخیره در منابع من قبلا به منابع من ذحیره شده

{@ msg_add @}


نوع سند: پایان نامه

وزارت علوم، تحقیقات و فناوری - دانشگاه بیرجند - دانشکده برق و کامپیوتر

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023