افزایش نرخ همگرایی شبکه های عصبی پرسپترون چند لایه با اصلاحی بر روش خود انطباقی پویا
Publish place: 16th Iranian Conference on Electric Engineering
Publish Year: 1387
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 3,831
This Paper With 6 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:
ICEE16_028
تاریخ نمایه سازی: 6 اسفند 1386
Abstract:
عملکرد مناسب الگوریتم پس انتشار خطا نسبت به نرخ یادگیری بسیار حساس می باشد. از آنجاییکهع با حرکت الگوریتم روی سطح خطا به دلیل ناهمواری سطح مقدار بهینه نرخ یادگیری تغییر می کند، تنهای در صورت پویایی نرخ یادگیری در حین فرایند آموزش می توان به یک الگوریتم آموزشی مناسب دست یافت. از آنجاییکه در هر تکرار از الگوریتم پس انتشار لازم است نرخ یادگیری بهینه محاسبه شود، سادگی روش پویا سازی از اهمیت زیادی برخوردار است. در این پژوهش روشی جهت پویا سازی نرخ یادگیری الگوریتم BP ارائه خواهد شد، که علاوه بر مزیت سادگی اجرایی، با تقریب رفتار تابع خطا به یک سهمی، نرخ یادگیری بهینه را در گستره ای از مقادیر جستجو خواهد کرد که نسبت به روش هایی که جهت بهینه سازی نرخ یادگیری، سطح تابع خطا را به صورت نقطه ای بررسی می کنند عملکرد بهتری نشان می دهد. به کارگیری این روش در الگوریتم BP منجر به الگوریتم پس انتشار با روش خود تطبیقی پویای اصلاح شده ( DS-mod-BP) خواهد شد. مقایسه کارایی این الگوریتم با الگوریتم های DS-BP و ηα-DS برای برخی مسایل متداول شبکه های عصبی نشاندهنده رشد بیش از 35% در نرخ همگرایی می باشد.
Keywords:
Authors
پیمان معلم
استادیار گروه مهندسی برق ، گروه مهندسی برق داشنکده فنی و مهندسی دانش
سید آروین عیوقی
دانشجوی کارشناسی مهندسی الکترونیک
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 :