بهینه سازی الگوریتم LOLIMOT توسط ترکیب مدلها
Publish place: 12th Annual Conference of Computer Society of Iran
Publish Year: 1385
Type: Conference paper
Language: Persian
View: 2,215
This Paper With 6 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
ACCSI12_176
Index date: 13 January 2008
بهینه سازی الگوریتم LOLIMOT توسط ترکیب مدلها abstract
درخت مدل خطی محلی یادرخت مدل خطی محلی یاLOLIMOT که در آن از نوعی از مدل فازی عصبی خطی محلی استفاده شده است، الگوریتمی بر اساس استراتژی تقسیم و غلبه م ی باشد که در آن حل مسئله پیچیده از طریق تقسیم م سئله به تعدادی زیر مسئلة کوچ ک تر (و از این رو ساده تر) صورت می پذیرد. بنابراین مشخصات این مد ل های فازی -عصبی (زیر مسئله های کوچک تر شده ) به مقدار زیادی ، به ساختار الگوریتم بکار برده شده جهت تقسی م بندی، وابسته می باشد. یکی از مشکلات الگوریتمLOLIMOT رو به ر شد بودن تعداد مدل های محلی خطی یاLLM ها می باشد، بدین معنی که برای رسیدن به خروجی بهتر (خروجی با خطای کمت ر ) تنها راه در الگوریتم ،LOLIMOTپیدا کردن بدترین LLM) LLM با خطای بیشت ر ) و تقسیم آن به دو LLM می باشد و این یعنی اضافه شدن تعداد LLMها. در این مقاله س عی شده با ارائه روشی برای ترکیب LLM ها و قرار دادن آن در الگوریتم LOLIMOT از افزایش بی رویه تعداد مدل های محلی جلوگیری گردد. لذا می توان گفت هدف اصلی ترکیب نرو ن ها، رسیدن به خطای مطلوب با تعداد مد ل هایکمتری نسبت به الگوریتم اصلیLOLIMOT می باشد، در پایان الگوریتم پیشنهادی توانست با یافتن مد ل های مناسب و ترکیب آنها بخوبی به این مهم دست یابد.
بهینه سازی الگوریتم LOLIMOT توسط ترکیب مدلها Keywords:
بهینه سازی الگوریتم LOLIMOT توسط ترکیب مدلها authors
سهیل فاطری
عضو هیئت علمی دانشگاه آزاد اسلامی واحد بابل
محمد تشنه لب
عضو هیئت علمی دانشگاه صنعتی خواجه نصیرالدین طوسی، دانشکده برق
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 :