آموزش پیش بینی ساختار شبکه عصبی RBF بر پایه الگوریتم بهینه سازی ازدحام ذرات به منظور تخمین توابع

تقریب تابع نوع مهمی از روش های یادگیری با نظارت بوده که هدف آن تولید یک مدل مناسب برای توابع ناشناخته است. این مدل باید بتواند به خوبی رابطه بین داده های ورودی خروجی را توصیف نماید. هدف روش پیشنهادی در این مقاله، توسعه ارزیابی یک الگوریتم نوین به منظور تخمین توابع به کمک شبکه عصبی پایه شعاعی (RBF) الگوریتم بهینه سازی ازدحام ذرات (PSO) است. در روش پیشنهادی این مقاله مراکه اولیه کرنل (هسته)های شبکه RBF با الگوریتم Kmeans تعیین می شوند دو عنصر مهم یعنی پارامتر پراکندگی کرن ها تعداد نرون های لایه مخفی با بهره گیری از الگوریتم PSO به صورت خودکار حاصل می گردند. این امر موجب می شود تا علاوه بر آموزش موثر شبکه، بتوانیم ساختار مناسب آن را نیز پیش بینی نماییم. شبکه عصبی RBF نسبت به MLP دارای سرعت عملکرد بسیار بالاتری به خصوص در بحث تقریب توابع است. علاوه بر آن، به دلیل قابلیت جست جوی سراسری الگوریتم PSO در یافتن پارامترهای آزاد شبکه RBF نتایج بسیار خوبی در تقریب چندین تابع معیار حاصل شده است.

Keywords:

تقریب توابع , شبکه عصبی پایه شعاعی (RBF) , الگوریتم بهینه سازی ازدحام ذرات (PSO)