یادگیری نظارتی با استفاده از شبکه های X-Y Fused در نقشه های خود سازمانده رشد کننده
Publish place: اولین کنفرانس بین المللی پردازش سیگنال و سیستم های هوشمند
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 687
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:
SPIS01_023
تاریخ نمایه سازی: 8 آبان 1395
Abstract:
طی چند دهه اخیر، شبکه عصبی مصنوعی به عنوان یکی از مهم ترین تکنیک های کاربردی در داده کاوی مطرح شده است. نقشه خود سازنده یکی از انواعشبکه های عصبی مصنوعی است که دارای ماهیتی غیرنظارتی می باشد. نقشه خود سازمانده رشد کننده به عنوان یک نمونه تعمیم یافته از نقشه خود سازمانده که علاوه بر دارا بودن مزیت های نقشه خود سازمانده با ایجاد ساختاری پویا و رشد کننده، محدودیت سایز ثابت نقشه خود سازمانده را برطرف نموده، شناخته شده است. شبکه های X-Y Fused یکی از انواع شبکه های عصبی مصنوعی، بر مبنای نقشه خود سازمانده می باشند و به دلیل رویکرد نظارتی در ساخت مدل های طبقه بندی مورد استفاده قرار می گیرند. در این مقاله قصد داریم، نقشه های خود سازمانده رشد کننده با رویکرد نظارتی X-Y Fused را ارائه دهیم، به عبارت دیگر در حین فرآیند یادگیری و رشد شبکه، اطلاعات کلاس ها به کار گرفته شده و به مدلی برای طبقه بندی داده ها دست پیدا نموده ایم. نتایج بدست آمده نشانگر دست یابی به خطای طبقه بندی بسیار ناچیز است و این امر حاکی از کیفیت بالای طبقه بند ارائه شده است. ازاین رو روش پیشنهادی را می توان به عنوان ابزاری قدرتمند جهت ارائه مدل طبقه بندی و پیش بینی در مجموعه داده های پیچیده به کار گرفت.
Keywords:
داده کاوی , شبکه عصبی مصنوعی , نقشه خود سازمانده رشد کننده , تشخیص الگوی نظارتی , شبکه های X-Y Fused
Authors
منیره تقیلو
دانشجو، گروه علوم کامپیوتر و فناوری اطلاعات، دانشگاه تحصیلات تکمیلی علوم پایه زنجان، زنجان،
مهدی وثیقی
استادیار، گروه علوم کامپیوتر و فناوری اطلاعات، دانشگاه تحصیلات تکمیلی علوم پایه زنجان، زنجان،
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 :