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 مقاله برروی 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 مقاله هم چنین، پارامترها و توپولوژی شبکه عصبی را در جهت افزایش امکان پذیری اجرای فضای جواب برای مسائل غیرخطی پیچیده توسعه می دهد.
1) 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 ها ی 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 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 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 می کنند تا این ویژگی ها یbp را تنظیم کنند.
BackPropagation Network
5)نتیجه‌گیری و بحث:
نتایج روش پیشنهادی
مقاله 3
مقاله 4
مقاله 5
مقاله 2- A Comparsion of Feature Extraction and Selection Techniques
- فاکتور های آموزش bp
نتایج دیگر مقالات
آموزش (Train) :
نتایج bp
newff)
شناسایی تنظیمات سطح فاکتور bpn
شبیه سازی Backpropagation
1)چکیده:
2)مقدمه:
3)روشهای به کار رفته در این گزارش:
4)شبیه‌سازی و ارائه نتایج تجربی:
5)نتیجه‌گیری و بحث:
6)مراجع
شامل 43 صفحه فایل word
به همراه مستندات ، برنامه نویسی ها و تصاویر به صورت کامل برای اولین بار در اینترنت
دانلود پایان نامه پروسه ارزیابی یک الگوریتم ژنتیک برای بهبود شبکه پس انتشار خطا bpn
