سه شنبه ۲۹ اسفند ۰۲

بهبود شبکه گاز عصبی با رویکرد آشوبی و الگوریتم بهینه سازی ازدحام ذرات خود تطبیقی آشوبگون برای یادگیری تکاملی

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.

 Improving Neural Gas Network with Chaotic approach and Chaotic Self-adaptive Particle Swarm Optimization Algorithm to Evolutionary Learning

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

دیدگاه کاربران

ارسال دیدگاه

نام و نام خانوادگی :
دیدگاه شما :
کد امنیتی : کدی که در تصویر میبینید را وارد نمایید
* فراترجمه هیچگونه مسئولیتی نسبت به دیدگاه های کاربران ندارد و تمامی مطالب ارسالی دیدگاه و نظر شخصی کاربران است.
new order new order
ورود به سیستم
- فراموشی گذرواژه ؟
محاسبه فوری هزینه ترجمه
شما میتوانید با انتخاب زمینه و زبان ترجمه و وارد نمودن تعداد کلمات متنی که باید ترجمه شود، هزینه و زمان تحویل ترجمه را بدست بیاورید.
زمینه: زبان: تعداد کلمه:
پست الکترونیکی شما :

خبری شد خبرتان خواهیم کرد!

آیا سوالی دارید؟

سوال خود را با ما در میان بگذارید

تماس با پشتیبانی

ورود به سیستم


تماس با پشتیبان