X
x جهت سفارش تبليغ در سایت ثامن بلاگ کليک کنيد




X بستن تبليغات
X بستن تبليغات
X بستن تبليغات
مقاله پروسه ارزیابی یک الگوریتم ژنتیک برای بهبود شبکه پس انتشار خطا bpn
به وبلاگ ما خوش آمدید - لطفا صفحه را تا پایان مشاهده کنید
مقاله پروسه ارزیابی یک الگوریتم ژنتیک برای بهبود شبکه پس انتشار خطا bpn

مقاله پروسه ارزیابی یک الگوریتم ژنتیک برای بهبود شبکه پس انتشار خطا bpn



رشته ::: کامپیوتر !!!!!
فرمت فایل doc
حجم فایل 5260 کیلو بایت
تعداد صفحات فایل 100

چکیده:

بسیاری از بررسی ها یك رشته بیت را با استفاده از الگوریتم  ژنتیك به منظور بیان ساختار شبکه نگاشت داده اند تا كارایی شبكه های پس انتشار خطا را بهبود بخشند. زیرا محدودیت ها در تكنیك های جستجوی گرادیان كه برای مسائل بهینه سازی غیر خطی پیچیده استفاده می شدند،اغلب كارایی متناقض و غیر قابل پیش بینی را نتیجه داده اند.این مقاله برروی چگونگی جمع آوری و ارزیابی مجدد ماتریس های وزن bpn تمركز دارد، در حالیكه عملگرهای الگوریتم ژنتیك در هر نسل به منظور بهینه سازی ماتریس های وزن پردازش می شوند. در این روش over fitting، یك اشكال از bpn هاست كه معمولا در طول مرحله بعد ازآموزش  شبكه عصبی با نزول خطای آموزش و افزایش خطای پیش بینی اتفاق می افتد ، قابل حذف شدن می باشد .این مقاله هم چنین، پارامترها و توپولوژی شبكه عصبی را در جهت افزایش امكان پذیری اجرای فضای جواب برای مسائل غیرخطی پیچیده  توسعه می دهد.

 

مقدمه:

مدل های شبكه عصبی مصنوعی (ANN ) به طور گسترده در كاربردهای متفاوتی استفاده شده اند. شبكه های پس انتشار خطا ، پركاربردترین مورد استفاده در شبكه های عصبی مصنوعی،برای حل تعداد زیادی از مسائل واقعی بكار گرفته شده است.

در سال های اخیر بسیاری از الگوریتم های  یادگیری به طور گسترده ای به منظور آموزش شبكه های عصبی برای حل مسائل پیچیده غیر خطی طراحی شده و توسعه یافته اند. یكی از نقص ها ی اساسی در شبكه های عصبی جاری این است كه تحقیق و پژوهش وابسته به طراحی شبكه عصبی می باشد.طراحی یك شبكه عصبی شامل انتخاب یك مجموعه بهینه از پارامتر ها ی طراحی می باشدنحقخ تا همگرایی سریع را در طول آموزش و دقت مورد نیاز را هنگام فراخوانی بدست آورد.

محققان به طور معمول شبكه های عصبی با BPN را بسیار آموزش داده اند.

دقت هر تقریب آموزش بستگی به انتخاب وزن های مناسب برای شبكه عصبی دارد.متاسفانه bp یك الگوریتم جستجوی محلی است. بنابراین موجب واقع شدن در تله می نیمم محلی می شود .اگر وزن های اولیه در یك شیب محلی واقع شود ، الگوریتم احتمالا در یك بهینه محلی قرار خواهد گرفت .محققان از روش های متفاوتی استفاده می كنند تا این ویژگی ها یbp  را تنظیم كنند.

دانلود 
پروسه ارزیابی یک الگوریتم ژنتیک برای بهبود شبکه پس انتشار خطا bpn

مقاله پروسه ارزیابی یک الگوریتم ژنتیک برای بهبود شبکه پس انتشار خطا bpn



رشته :::
کامپیوتر !!!!!
فرمت فایل doc
حجم فایل 5260 کیلو بایت
تعداد صفحات فایل 100

چکیده:

بسیاری از بررسی ها یك رشته بیت را با استفاده از الگوریتم  ژنتیك به منظور بیان ساختار شبکه نگاشت داده اند تا كارایی شبكه های پس انتشار خطا را بهبود بخشند. زیرا محدودیت ها در تكنیك های جستجوی گرادیان كه برای مسائل بهینه سازی غیر خطی پیچیده استفاده می شدند،اغلب كارایی متناقض و غیر قابل پیش بینی را نتیجه داده اند.این مقاله برروی چگونگی جمع آوری و ارزیابی مجدد ماتریس های وزن bpn تمركز دارد، در حالیكه عملگرهای الگوریتم ژنتیك در هر نسل به منظور بهینه سازی ماتریس های وزن پردازش می شوند. در این روش over fitting، یك اشكال از bpn هاست كه معمولا در طول مرحله بعد ازآموزش  شبكه عصبی با نزول خطای آموزش و افزایش خطای پیش بینی اتفاق می افتد ، قابل حذف شدن می باشد .این مقاله هم چنین، پارامترها و توپولوژی شبكه عصبی را در جهت افزایش امكان پذیری اجرای فضای جواب برای مسائل غیرخطی پیچیده  توسعه می دهد.

 

مقدمه:

مدل های شبكه عصبی مصنوعی (ANN ) به طور گسترده در كاربردهای متفاوتی استفاده شده اند. شبكه های پس انتشار خطا ، پركاربردترین مورد استفاده در شبكه های عصبی مصنوعی،برای حل تعداد زیادی از مسائل واقعی بكار گرفته شده است.

در سال های اخیر بسیاری از الگوریتم های  یادگیری به طور گسترده ای به منظور آموزش شبكه های عصبی برای حل مسائل پیچیده غیر خطی طراحی شده و توسعه یافته اند. یكی از نقص ها ی اساسی در شبكه های عصبی جاری این است كه تحقیق و پژوهش وابسته به طراحی شبكه عصبی می باشد.طراحی یك شبكه عصبی شامل انتخاب یك مجموعه بهینه از پارامتر ها ی طراحی می باشدنحقخ تا همگرایی سریع را در طول آموزش و دقت مورد نیاز را هنگام فراخوانی بدست آورد.

محققان به طور معمول شبكه های عصبی با BPN را بسیار آموزش داده اند.

دقت هر تقریب آموزش بستگی به انتخاب وزن های مناسب برای شبكه عصبی دارد.متاسفانه bp یك الگوریتم جستجوی محلی است. بنابراین موجب واقع شدن در تله می نیمم محلی می شود .اگر وزن های اولیه در یك شیب محلی واقع شود ، الگوریتم احتمالا در یك بهینه محلی قرار خواهد گرفت .محققان از روش های متفاوتی استفاده می كنند تا این ویژگی ها یbp  را تنظیم كنند.

دانلود 
پروسه ارزیابی یک الگوریتم ژنتیک برای بهبود شبکه پس انتشار خطا bpn



برچسب ها : ,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,
| لینک ثابت | نسخه قابل چاپ | امتیاز :
rss نوشته شده در تاریخ 1394/3/9 و در ساعت : 20:42 - نویسنده : dlfreejozve
آخرین مطالب نوشته شده
  • مدلی پیشرفته برای پیش بینی کارآمد حجم کار در ابر
  • آموزش قالب صحیفه نسخه 5.5.1
  • آموزش AHPبه صورت مرحله ای
  • مقاله تفاوت شبکه های حسگر بیسیم و موردی
  • بررسی شبکه های تعریف شده با نرم افزار (SDN)
  • مدل های پیش بینی تجربی برای تامین تطبیقی منابع در ابر
  • آموزش تصویریی اجرای شبکه عصبی وفازی در نرم افزار متلب
  • تکامل بازیابی ، به صورت مفهومی
  • مقاله ی تفاوت شبکه های حسگر بیسیم و موردی
  • آموزش اجرای شبکه عصبی و فازی در نرم افزار متلب
  • ترجمه مقاله پیشرفت های اخیر در زمینه خوشه بندی اسناد
  • ترجمه مقاله تحلیل تاثیر تکنیک های استخراج داده بر پایگاه داده ها
  • ترجمه مقاله مدیریت اطلاعات مالی برای دانشگاه ها با استفاده از نرم افزار open-sou
  • ترجمه مقاله بررسی تکنیکهای Document Clustering و مقایسه LDA و moVMF
  • گزارش کاراموزی رشته کامپیوتر پیرامون شبکه
  • ترجمه مقاله مقایسه و بررسی روش های خوشه بندی اسناد (داکیومنت)
  • ترجمه مقاله طراحی و پیاده سازی Document clustering توزيع شده بر پايه MapReduce
  • ترجمه مقاله الگوریتم های تکاملی برای بهینه سازی چند موردی
  • گزارش کاراموزی رشته کامپیوتر در دفتر خدمات کامپیوتری
  • ترجمه مقاله ی داده کاوی جهانی: مطالعه تجربی از روند فعلی پیش بینی آینده و انتشار
  • Copyright © 2010 by http://dlfreejozve.samenblog.com