چکیده
شبکهی عصبی مصنوعی تکنیکی می باشد که به تقلید سیستم عصبی بیولوژیکی انسان پرداخته است. تاکنون شبکه های عصبی مختلفی معرفی شده اند. شبکه گاز عصبی یکی از انواع شبکه های عصبی رقابتی با الگوی یادگیری غیر نظارت شده است، که کاربرد اصلی آن در حل مسائل خوشه بندی و یادگیری توپولوژی است که امروزه خوشهبندی به عنوان یک روش یادگیری غیر نظارت شده در کاربردهای بسیاری توانسته است ارزش خود را نشان دهد. در مسائل تجزیه و تحلیل خوشه بندی، یک الگوریتم خوشه بندی کارامد باید کمترین وابستگی را نسبت به پارامتر های اولیه داشته باشد و مانع از بی نظمی شود. برخی از مشکلات موجود در شبکه گاز عصبی وابستگی به شرایط و مقدار دهی های اولیه، تصادفی بودن انتخاب داده هاست که باعث می شود در هر مرحله با یکسری داده جدید مواجه باشیم که با سری قبل همزمان نیست، بالا بودن حجم محاسبات در گام های اولیه، احتمال گیر کردن در مینیمم محلی و عدم استحکام کافی در مرحله یادگیری از دیگر مشکلات این شبکه می باشد. در گام های اولیه الگوریتم با جایگزینی تابع آشوبی بجای تابع تصادفی باعث جلوگیری از انتخاب تکراری داده ها و توزیع نورون ها ، کاهش وابستگی الگوریتم به شرایط اولیه، افزایش سرعت و جلوگیری از بوجود آمدن مینیمم محلی شده ایم. استفاده از یادگیری آشوبگون باعث ایجاد استحکام در فرایند یادگیری می شود و از آنجا که یکی از مشکلات مهم این الگوریتم گیر کردن در مینیمم محلی می باشد برای حل این مساله استفاده از الگوریتم الگوریتم بهینه سازی ازدحام ذرات خود تطبیقی آشوبگون برای مرحله یادگیری به جای قانون هب را پیشنهاد داده ایم که در حال حفظ ویژگی های همسایگی و خود تطبیقی بودن الگوریتم باعث بهبود در سرعت و عملکرد یادگیری و همگرایی و همچنین باعث حل مشکل بهینه محلی نسبت به دیگر روش هایی پیشین شده است.
Abstract
The artificial Neural Network
approach imitates the human biological nervous system, which various neural
networks have been introduced. A neural gas network is one of the competitive
neural networks with unsupervised learning patterns and is used in solving clustering
and topology learning problems. An efficient clustering algorithm must have the
least dependence on the initial parameters and prevent distribution. Some
neural gas network problems depend on the initial conditions and random data
selection, leading to asynchronous data at each stage. In addition, the high
computational amount in the initial steps, the local minima, and insufficient
instability in the learning phase are other problems. In the present study,
first, a chaotic function was used, preventing the duplication of data
selection and neuron distribution, local minima, reduced dependency to initial
conditions, and increased speed. Chaotic learning leads to stability in the learning
process; hence Chaotic Self-adaptive Particle Swarm Optimization Algorithm was
used, which improves speed, learning performance, and local minima by
maintaining the neighborhood and self-adaptation.
Link: https://faratarjome.ir/u/news/بهبود-شبکه-گاز-عصبی-با-رویکرد-آشوبی-و-الگوریتم--بهینه-سازی-ازدحام-ذرات-خود-تطبیقی-آشوبگون-برای-یادگیری-تکاملی5.html