تقریب توابع با استفاده از الگوریتم خودتنظیم بهینه سازی ازدحام ذرات مبتنی بر شبکه های عصبی فازی
Publish place: International Conference on New Research Findings in Electrical Engineering and Computer Science
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 2,285
This Paper With 7 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
COMCONF01_533
تاریخ نمایه سازی: 8 آذر 1394
Abstract:
تقریب توابع ریاضی و سریهای زمانی از گذشته ی دور تا امروز یکی از مسائل اساسی در حوزه محاسبات علمی بوده است.در گذشته برای تقریب توابع و سریهای زمانی از روشهایی با بار محاسباتی سنگین استفاده می شد، برخی ازین روشهامانند روش سریهای فوریه در توابعی با ابعاد پائین روش مناسبی بودند اما در توابع با ابعاد بالا به زمان زیادی احتیاج داشتند. روشهای تکاملی، روشهای مبتنی بر شبکه های عصبی و روشهای فازی، مهمترین و جدیدترین راهکارهای اینحوزه هستند. هریک از این سه روش دارای معایبی هستند که در این مقاله شرح داده خواهد شد. در این مقاله قصد داریماز ترکیب این سه روش، راهکار نوینی برای مساله تقریب توابع بدست آوریم. روش معرفی شده در این مقاله، با استفاده از ترکیب یک ساختار عصبی فازی ، به همراه الگوریتم بهینه سازی ازدحام ذرات، برای حل مساله تقریب توابع راهکار -مناسبی ارائه میدهد. ساختار های عصبی فازی دارای مزایای سیستمهای فازی نظیر استفاده از دانش بشری و درک انسان - است، که این روش مشکلات شبکه های عصبی را تا حد زیادی برطرف کرده است. مهمترین مزیت این روش کاهش تعداد نرون ها و همچنین کاهش زمان فرآیند آموزش شبکه های عصبی است. هدف از معرفی این روش ترکیبی کاهش تعدادنرون های مدل پایه و رسیدن به پاسخ نهائی در زمان مطلوب است. نتایج حاصل از این ارزیابی با چهار تابع محک ارائه شده است.
Keywords:
Authors
حمیدرضا کیخا
دانشجوی کارشناسی ارشد، دانشکده ریاضی و علوم کامپیوتر، دانشگاه سیستان و بلوچستان
حسن رضایی
عضو هیئت علمی دانشکده ریاضی و علوم کامپیوتر، دانشگاه سیستان و بلوچستان
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 :