حراج!

پروسه ارزیابی یک الگوریتم ژنتیک برای بهبود شبکه bpn

۱۰,۰۰۰ تومان

کاربران گرامی محتوای فایل کاملتریـن و بهتریـن پروژه پروسه ارزیابی یک الگوریتم ژنتیک برای بهبود شبکه bpn می باشد که در قالب فایل word و در حجم 51 صفحه با کیفیت عالی تهیه و تنظیم شده است. جهت خرید و دانلود این فایل به روی گزینه افـزودن به سبـد خریـد کلیک نمایید.

پروسه ارزیابی یک الگوریتم ژنتیک برای بهبود شبکه bpn

کاربران گرامی محتوای فایل کاملتریـن و بهتریـن پروژه پروسه ارزیابی یک الگوریتم ژنتیک برای بهبود شبکه bpn می باشد که در قالب فایل word و در حجم 51 صفحه با کیفیت عالی توسط تیم وب سایت راهنمای دانشجو تهیه و تنظیم شده است. جهت خرید و دانلود این فایل به روی گزینه افـزودن به سبـد خریـد کلیک نمایید.

مشخصات محصول :

عنوان: پروسه ارزیابی یک الگوریتم ژنتیک برای بهبود شبکه bpn

مقطع: کارشناسی ارشد

گروه: مهندسی کامپیوتر

تعداد صفحه: 51

فرمت فایل ها: word

چکیده :

گروه هوش مصنوعی _ شبکه های عصبی

بسیاری از بررسی ها یک رشته بیت را با استفاده از الگوریتم ژنتیک به منظور بیان ساختار شبکه نگاشت داده اند تا کارایی شبکه های پس انتشار خطا را بهبود بخشند. زیرا محدودیت ها در تکنیک های جستجوی گرادیان که برای مسائل بهینه سازی غیر خطی پیچیده استفاده می شدند، اغلب کارایی متناقض و غیر قابل پیش بینی را نتیجه داده اند.

این پروژه بر روی چگونگی جمع آوری و ارزیابی مجدد ماتریس های وزن bpn تمرکز دارد، در حالیکه عملگرهای الگوریتم ژنتیک در هر نسل به منظور بهینه سازی ماتریس های وزن پردازش می شوند. در این روش over fitting، یک اشکال از bpn هاست که معمولا در طول مرحله بعد ازآموزش  شبکه عصبی با نزول خطای آموزش و افزایش خطای پیش بینی اتفاق می افتد ، قابل حذف شدن می باشد. این فایل همچنین، پارامترها و توپولوژی شبکه عصبی را در جهت افزایش امکان پذیری اجرای فضای جواب برای مسائل غیرخطی پیچیده  توسعه میدهد.

مقدمه :

مدل های شبکه عصبی مصنوعی (ANN) به طور گسترده در کاربردهای متفاوتی استفاده شده اند. شبکه های پس انتشار خطا ، پرکاربردترین مورد استفاده در شبکه های عصبی مصنوعی، برای حل تعداد زیادی از مسائل واقعی بکار گرفته شده است. در سال های اخیر بسیاری از الگوریتم های یادگیری به طور گسترده ای به منظور آموزش شبکه های عصبی برای حل مسائل پیچیده غیر خطی طراحی شده و توسعه یافته اند.

یکی از نقص های اساسی در شبکه های عصبی جاری این است که تحقیق و پژوهش وابسته به طراحی شبکه عصبی می باشد. طراحی یک شبکه عصبی شامل انتخاب یک مجموعه بهینه از پارامترهای طراحی می باشد تا همگرایی سریع را در طول آموزش و دقت مورد نیاز را هنگام فراخوانی بدست آورد. محققان به طور معمول شبکه های عصبی با [1] BPN را بسیار آموزش داده اند.

دقت هر تقریب آموزش بستگی به انتخاب وزن های مناسب برای شبکه عصبی دارد.متاسفانه bp یک الگوریتم جستجوی محلی است. بنابراین موجب واقع شدن در تله می نیمم محلی می شود . اگر وزن های اولیه در یک شیب محلی واقع شود ، الگوریتم احتمالا در یک بهینه محلی قرار خواهد گرفت . محققان از روش های متفاوتی استفاده میکنند تا این ویژگی های bp را تنظیم کنند. برای مثال در یک روش الگوریتم میتواند تنظیم شود تا مومنتم را تغییر دهد به طوریکه جستجو از بهینه محلی خارج شود و به سمت راه حل عمومی حرکت کند.

ارزیابی یک الگوریتم ژنتیک برای بهبود شبکه bpn

مقادیر صحیح این پارامترها قیاسی و عمومی نمی باشند و اغلب برای یک مسئله خاص هستند. بنابراین برای هر مسئله داده شده تعداد زیادی از پارامترها باید آزمایش شوند تا اطمینان پیدا کنند که بهینه عمومی پیدا شده است. روش عمومی دیگر برای پیدا کردن بهترین راه حل (شاید بهینه عمومی) با استفاده از bp این است که آموزش دوباره از بسیاری از نقاط رندم شروع شود. دوباره تعداد نقاط شروع رندم مشخص نمی باشد و عموما به طور قابل توجهی برای مسائل پیچیده متفاوت می باشد.

روش سوم این است که ساختار شبکه عصبی بازسازی شود در چنین روشی احتمال رسیدن به بهینه عمومی بسیار زیاد می باشد. هر چند در این روش تخمین پذیرفته شده ای عمومی وجود ندارد و محققان روش های متفاوت دیگری را ترجیح میدهند .

یکی از معقول ترین روش ها ، استفاده از الگوریتم ژنتیک به منظور پیدا کردن یک ساختار بالقوه برای استفاده از bp می باشد . هر چه ساختار شبکه ساده تر باشد و پیچیدگی کمتری داشته باشد ، الگوریتم bp با احتمال بیشتری موفق می شود. در این رویکرد اگر چه شبکه عصبی به طور فزاینده ای شکست میخورد ولی روش توانایی مدل کردن ارتباطات پیچیده را نیز دارد . Bpn ها در عین محدودیت داشتن، هنگامی که از تکنیک جستجوی گرادیان استفاده می کنند مشکل سرعت پایین همگرایی در رسیدن به جواب را دارا می باشند.

بنابراین یک bpn دارای دو اشکال عمده به شرح زیر است :

1. تکنیک جستجوی گرادیان به یک جواب بهینه با کارایی متناقض و غیر قابل پیش بینی برای بعضی از کاربردها همگرا می شود.

2. هنگامی که در بعضی نواحی در مینیمم محلی واقع می شودتکنیک جستجوی گرادیان به طور ضعیفی در بدست آوردن یک جواب بهینه عمومی عمل میکند.

عمده ترین مسئله در طول پروسه آموزش شبکه عصبی احتمال 1OF در داده های آموزش می باشد؛ بدین معنا که در طول یک دوره آموزش معین شبکه ، قابلیت حل مسائل توسط آن بهتر نمی شود. OF همچنین هنگامی اتفاق می افتد که شبکه عصبی دارای درجات آزادی بیشتر نسبت به حالتی است که میتوانست به وسیله نمونه های آموزشی تحمیل شود. OF معمولا در طول مرحله بعد از آموزش شبکه عصبی با کاهش خطای آ‌موزش و افزایش خطای پیش بینی رخ میدهد . بنابراین در توانایی عمومیت دادن یک شبکه بسیار ضعیف می باشد …(ادامه متن در فایل اصلی)

 

نکات مهم : پس از پرداخت وجه لینک دانلود به شما نمایش داده میشود و برای اطمینان بیشتر یک لینک دیگر به ایمیل شما ارسال میگردد.

توضیحات تکمیلی

تعداد صفحات

فرمت فایل

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “پروسه ارزیابی یک الگوریتم ژنتیک برای بهبود شبکه bpn”

نشانی ایمیل شما منتشر نخواهد شد.

اطلاعات فروشنده

قیمت: ۱۰,۰۰۰ تومان افزودن به سبد خرید