بهینه سازی شیب تابع سیگموید شبکه عصبی پس انتشار خطا با استفاده ازالگوریتم ژنتیک
Publish place: First National Conference on Electrical and Computer Engineering Distributed Systems and Smart Grids
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,186
This Paper With 7 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ELECONFK01_028
تاریخ نمایه سازی: 16 خرداد 1394
Abstract:
یکی از راه های مدل نمودن کامپیوتری توابع ریاضی غیر خطی همچون تابع سینوس، استفاده از شبکه ی عصبی می باشد و یکی از مناسبترین روش های شبکه عصبی برای اینگونه مسائل، شبکه عصبی پس انتشار خطا است. اما تعداد تکرار مورد نیاز تا رسیدن به خطایی با مقدار قابل قبول در الگوریتم پس انتشار خطا بالاست و در واقع در این الگوریتم شاهد زمان بالای همگرا شدن هستیم. برای حل این معضل و در عین حال برای استفاده از مزایای الگوریتم پس انتشار خطا، روش های زیادی ارائه شده اند که معمولا در این روش ها سعی می شود تا با بهینه نمودن پارامتر های شبکه و یا با بهینه نمودن ساختار شبکه با استفاده از الگوریتم های بهینه سازی، خطای شبکه را کاهش دهند. اما در این روش ها، کاری بر روی پارامتر کنترلی شیب که در واقع تعیین کننده فرم تابع حریک است، انجام نشده است. در این مقاله، با استفاده از الگوریتم ژنتیک، خطایشبکه آموزش داده شده با استفاده از الگوریتم پس انتشار خطا را کاهش خواهیم داد. بتدا شبکه را با استفاده از الگوریتم پس انتشار خطا و به تعداد دلخواهی)مثلا 0555 ( سیکل، آموزش می دهیم. سپس با استفاده از الگوریتم ژنتیک شیب تابع تحریک)تابع سیگموید دو قطبی( تک تک گره های لایه پنهان را بهینه می کنیم تا خطای کل (MSE) کاهش یابد.
Keywords:
Authors
سید محمد صحفی
دانشجوی کارشناسی ارشد مهندسی نرم افزار، دانشگاه آزاد اسلامی واحد آشتیان
یاسر امامی میبدی
کارشناس ارشد مهندسی مکاترونیک دانشگاه شریف واحد پردیس بین الملل کیش
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :