استفاده از الگوریتم ژنتیک سلسله مراتبی برای بهینه سازی شبکه های عصبی مصنوعی دانه ای مقیاسی بر اساس پیچیدگی پایگاه داده اعمال شده برای شناسایی انسان
Publish place: The Second National Congress of New Technologies of Iran with the aim of achieving sustainable development
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 800
This Paper With 21 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:
SENACONF02_179
تاریخ نمایه سازی: 30 آبان 1394
Abstract:
در این مقاله، یک مدل جدید از شبکه عصبی مقیاسی (mnn) بهینه سازی شده با الگوریتم های ژنتیک سلسله مراتبی پیشنهاد شده است. این مدل از یک رویکرد دانه ای بر اساس پیچیدگی دیتابیس استفاده می کند. در این مورد روش پیشنهادی با مسئله تشخیص انسان براساس اطلاعات صورت تست شده است. دیتابیس های orl و essex برای قسمت بازدهی روش پیشنهادی استفاده شده است. برای مقایسه با کارهای دیگر، چهار مورد ایجاد شده است. (سه تا برای دیتابیس essex و یکی برای orl). تبلیغ با استفاده از روش پیشنهادی بهتر از نتایج بدست آمده توسط کارهای دیگر هستند. و این تأکید بر اساس یک مقایسه آماری نتایج است. ایده اصلی برای طراحی ساختار شبکه های عصبی مقیاسی، استفاده از یک الگوریتم ژنتیک سلسله مراتبی (hoa) می باشد. توزیع اشخاص در هر گرانول پایک آنالیز اولیه تعیین شده است که منجر به گروه بندی داده ها با پیچیدگی مشابه می شود. hoa پیشنهادی امکان بهینه سازی شبکه های عصبی دانه ای چندگانه را که از تعداد مختلفی نقاط داده برای فاز، آموزش استفاده می کنند. فراهم می کند که یعنی که در تکامل مشابه، چندین نتیجه می تواند بدست آید.
Keywords:
Authors
سید محمد سلیمانی
مدرس (مربی) ،گروه فناوری اطلاعات ، مرکز آموزش علمی کاربردی شهرداری بیارجمند
مرضیه ابوالقاسمی
دانشجو ،گروه فناوری اطلاعات ، مرکز آموزش علمی کاربردی شهرداری بیارجمند
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 :