ورود
مقالات فارسیISIکنفرانسهاژورنالها

ماشین یادگیر مفرط مقاوم و تنک

Publish place: سومین کنگره بین المللی کامپیوتر، برق و مخابرات
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 369

This Paper With 24 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:

لینک ثابت به این Paper:
https://civilica.com/doc/576279

شناسه ملی سند علمی:

ITCC03_192

تاریخ نمایه سازی: 6 اردیبهشت 1396

Abstract:

ماشین یادگیر مفرط به عنوان روشی نوین در یادگیری ماشین، در سال های اخیر به طور فزایندهای مورد استفادهقرار گرفته است. علیرغم جذابیت ماشین یادگیر مفرط، این روش دو عیب عمده دارد: ضعف شدید در برابرنویز غیرگوسی، مخصوصا نویز ضربه، و وجود گرههای تصادفی (گره های با پارامترهای ورودی با مقادیرتصادفی) غیر کارا. این دو عیب ماشین یادگیر مفرط باعث کاهش کارایی این روش در برخی کاربردها شدهاست. دو نسخه مهم ماشین یادگیر مفرط که در صدد رفع عیوب ماشین یادگیر مفرط اولیه برآمدهاند عبارتند ازماشین یادگیر مفرط مبتنی بر کورآنتروپی و ماشین یادگیر مفرط برنامه ریزی خطی. ماشین یادگیر مفرط مبتنی برکورآنتروپی در برابر نویز ضربه مقاوم است ولی در این روش مشکل وجود گره های تصادفی غیر کارا همچنانوجود دارد. ماشین یادگیر مفرط برنامهریزی خطی با ارایه ی مسیله بهینه سازی جدید، گره های غیرکارا را هرسکرده ولی همچنان در مقابل نویز ضربه ضعیف می باشد. در این مقاله نسخه ی جدید از ماشین یادگیر مفرط ارایهمی شود که همزمان هر دوعیب عمده ی ماشین یادگیر مفرط اولیه را رفع می کند. یعنی، روش پیشنهادی همزمانهم نودهای غیرکارا را هرس کرده و هم در برابر نویز ضربه مقاوم خواهد بود. بنابراین مشکل ماشین یادگیر مفرطاولیه و ماشین یادگیر مفرط مبتنی بر کورآنتروپی، یعنی وجود گره های تصادفی غیرکارا را نخواهد داشت.همچنین، روش پیشنهادی مشکل روش ماشین یادگیر مفرط اولیه و ماشین یادگیر مفرط برنامه ریزی خطی، یعنیضعف در برابر نویز ضربه را نخواهد داشت. به عبارتی دیگر، روش پیشنهادی هم مزیت ماشین یادگیر مفرطبرنامه ریزی خطی، یعنی هرس گره های غیر کارا، و هم مزیت ماشین یادگیر مفرط مبتنی بر کورآنتروپی، یعنیمقاوم بودن در برابر نویز ضربه را خواهد داشت. برای رسیدن به این سطح بالای کارایی، روش پیشنهادی از نسخهتغییر یافته و بهروز کورآنتروپی که در سالهای اخیر برای بدست آوردن پارامترهای ورودی شبکه عصبی بامعماری افزایشی ارایه شده است، استفاده می کند. با توجه به مزایای ذکر شده برای روش پیشنهای، این روش،ماشین یادگیر مفرط مقاوم و تنک نامیده می شود. آزمایشات روی مجموعه داده های مختلف کارایی مناسب روشپیشنهادی در برابر روش ماشین یادگیر مفرط، ماشین یادگیر مفرط برنامه ریزی خطی و ماشین یادگیر مفرط مبتنیبر کورآنتروپی را نشان می دهد.

Keywords:

Authors

نسترن مزینانی

دانشجوی کارشناسی ارشد دانشگاه آزاد اسلامی واحد مشهد

سیدجواد سیدمهدوی

استادیار دانشگاه آزاد اسلامی واحد مشهد

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 :
  • Balasundaram, S. and D. Gupta (2014). "1-Norm extreme learning machine ...
  • Bessa, R. J.. et al. (2009). "Entropy and correntropy against ...
  • Blake, C. and C. J. Merz (1998). _ Repository of ...
  • Chen, B., et al. (2015). "Convergence of a fixed-point algorithm ...
  • Chen, B., et al. (2014). "Steady-state mean-square error analysis for ...
  • Chen, T. and H. Chen (1995). "Universal approximation to nonlinear ...
  • Feng, G., et al. (2009). "Error minimized extreme learning machine ...
  • Hornik, K. (1991). _ Approximati _ capabilities of multilayer feedforward ...
  • Hornik, K. (1993). "Some new results _ neural network approximation. ...
  • Hornik, K., et al. (1989). "Multilayer feedforward networks are universal ...
  • Hornik, K., et al. (1990). "Universal approximation of an unknow ...
  • Huang, G.-B., et al. (2005). "On-Line Sequential Extreme Learning Machine." ...
  • Huang, G.-B., et al. (2012). "Extreme learning machine for regression ...
  • Huang, G.-B., et al. (2006). "Extreme learning machine: theory and ...
  • Lan, Y., et al. (2009). "Ensemble of online sequential extreme ...
  • Li, M.-B., et al. (2005). "Fully complex extreme learning machine." ...
  • Liang, N.-Y., et al. (2006). "A fast and accurate online ...
  • Liu, W., et al. (2007). "Correntropy: properties and applications in ...
  • Miche, Y., et al. (2010). "OP-ELM: optimally pruned extreme learning ...
  • Nayyeri, M. and H. S. Noghabi (2016). "Cancer classification by ...
  • Park, I. and I. W. Sandberg (1991). "Universal approximation using ...
  • Park, I. and I. W. Sandberg (1993). 22 Approximati On ...
  • Qi, Y., et al. (2014). Rohust featue learning hv stacked ...
  • Rong, H.-J., et al. (2009). "Online sequential fuzzy extreme learning ...
  • Rong, H.-J., et al. (2008). "A fast pruned- extreme learning ...
  • Singh, A. and J. C. Principe (2009). [Ising correntromv as ...
  • Vapnik, V. (2013). The nature of statistical learning theorv, Springer ...
  • Vlachos, P. and M. Meyer (1989). StatLib. Department of Statistics, ...
  • Xing, H.-J. and X.-M. Wang (2013). "Training extreme learning machine ...
  • Zhao, J., et al. (2012). "Online sequential extreme learning machine ...
  • Zhao, S., et al. (2011). Kermel adlantive filtering with maximnm ...
    • نمایش کامل مراجع