تبلیغات متنی
آزمون علوم پایه دامپزشکی
ماسک سه لایه
خرید از چین
انجام پروژه متلب
حمل خرده بار به عراق
چت روم
Bitmain antminer ks3
چاپ ساک دستی پلاستیکی
برتر سرویس
لوله بازکنی در کرج
پروسه ارزیابی یک الگوریتم ژنتیك برای بهبود شبكه پس از خطا BPN

پروسه ارزیابی یک الگوریتم ژنتیك برای بهبود شبكه پس از خطا BPN

دوشنبه 24 آبان 1395
13:00
ف
پروسه ارزیابی یک الگوریتم ژنتیك برای بهبود شبكه پس از خطا BPN

دانلود پایان نامه پروسه ارزیابی یک الگوریتم ژنتیك برای بهبود شبكه پس از خطا BPN در 42 صفحه ورد قابل ویرایش با فرمت doc

دانلود پروسه ارزیابی یک الگوریتم ژنتیك برای بهبود شبكه پس از خطا BPN

دانلود پایان نامه پروسه ارزیابی یک الگوریتم ژنتیك برای بهبود شبكه پس از خطا BPN
دانلود مقاله
دانلود تحقیق
دانلود نرم افزار
دانلود اندروید
دانلود پایان نامه
دانلود پایان نامه کارشناسی
دانلود پایان نامه ارشد
دانلود پروژه
دانلود پروژه پایانی
دانلود پروپوزال
دانلود گزارش کار آموزی
دانلود پاورپوینت
دانلود پرسشنامه
دانلود فایل
دانلود کتاب
دسته بندی هوش مصنوعی
فرمت فایل docx
حجم فایل 622 کیلو بایت
تعداد صفحات فایل 42

پروسه ارزیابی یک الگوریتم ژنتیك برای بهبود شبكه پس از خطا BPN

در 42 صفحه ورد قابل ویرایش با فرمت doc

 

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 باشد

نحقخ 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 ژنتیك برای بهبود شبكه پس از خطا BPN


موضوعات:
[ بازدید : 291 ] [ امتیاز : 3 ] [ امتیاز شما : 1 2 3 4 5 6 ]
تمامی حقوق این وب سایت متعلق به فایلها و مقالات دانشجویی است. | قدرت گرفته از Blogtez.com|