| dc.contributor.author | میبدی, محمدرضا | fa_IR |
| dc.contributor.author | بیگی, حمید | fa_IR |
| dc.date.accessioned | 1399-08-01T20:12:41Z | fa_IR |
| dc.date.accessioned | 2020-10-22T20:12:42Z | |
| dc.date.available | 1399-08-01T20:12:41Z | fa_IR |
| dc.date.available | 2020-10-22T20:12:42Z | |
| dc.date.issued | 2001-02-19 | en_US |
| dc.date.issued | 1379-12-01 | fa_IR |
| dc.identifier.citation | میبدی, محمدرضا, بیگی, حمید. (1379). مهندسی شبکه های عصبی توسط اتوماتانهای یادگیر: تعیین اندازه مطلوب برای شبکه های عصبی سه لایه. نشریه دانشکده فنی, 34(4) | fa_IR |
| dc.identifier.issn | 0803-1026 | |
| dc.identifier.uri | https://jfe.ut.ac.ir/article_15244.html | |
| dc.identifier.uri | https://iranjournals.nlai.ir/handle/123456789/461205 | |
| dc.description.abstract | هدف از مهندسی شبکه های عصبی بررسی معایب و مزایای شبکه های عصبی مصنوعی و ارایه روشهایی برای بهبود کارایی آنهاست. یکی از موضوعات مورد بحث در مهندسی شبکه های عصبی چند لایه، یافتن ساختار مناسب(نزدیک به بهینه) برای حل مسئله می باشد. معیار و نحوه انتخاب اندازه شبکه عصبی برای یک مسئله خاص هنوز شناخته شده نیست. در روشهای کلاسیک،طراح شبکه در ابتدای آموزش ساختاری را برای شبکه تعیین و سپس شبکه را آموزش میدهد و ساختار تعیین شده در حین آموزش ثابت نگاه داشته میشود. تعیین اندازه شبکه عصبی (تعدادواحدها و لایه های مخفی) تأثیر عمده ای بر روی کارایی شبکه های عصبی خواهد داشت. طراحی یک شبکه با ساختار بهینه یک مسئله ذاتاً مشکل است. بهمین جهت بیشتر الگوریتم های ارایه شده برای تعیین ساختار شبکه های عصبی ، الگوریتم های تقریبی هستند. این الگوریتم ها را میتوان به پنج گروه عمده الگوریتم های هرس، الگوریتم های سازنده،الگوریتم های ترکیبی،الگوریتم های تکاملی و الگوریتم های براساس اتوماتانهای یادگیر تقسیم کرد. تنها الگوریتم گزارش شده براساس اتوماتان یادگیر ،الگوریتم بقا نام دارد که توسط بیگی و میبدی ارایه گردیده است. این الگوریتم از یک اتوماتان یادگیر مهاجرت اشیا(بعنوان یک ابزار جستجوی عمومی) و الگوریتم یادگیری انتشار خطا به عقب استفاده میکند و در ضمن آموزش ،تعداد واحدهای مخفی یک شبکه سه لایه را تعیین مینماید. در این مقاله سه الگوریتم براساس اتوماتانهای یادگیر مهاجرت اشیا و الگوریتم یادگیری انتشار خطا به عقب ارایه شده است که ساختار مناسب شبکه عصبی سه لایه(ساختاری که دارای اندازه کوچک،پیچیدگی آموزش کم و قدرت تعمیم بالا باشد) را برای یک مجموعه از الگوهای آموزشی تعیین مینماید. اغلب روشهای گزارش شده برای تعیین ساختار شبکه از الگوریتم های کوهنوردی استفاده میکنند و مشکل گرفتاری در حداقل محلی را دارند. در روش پیشنهادی در این مقاله بدلیل استفاده از روشهای جستجوی عمومی، امکان گرفتاری در حداقل های محلی فضای ساختارها کاهش می یابد. الگوریتم های ارایه شده روی مسائل متنوعی از جمله شناسایی اعداد فارسی و شناسایی اعداد انگلیسی آزمایش شده اند. از طریق شبیه سازی نشان داده شده است که شبکه های تولید شده توسط الگوریتم های پیشنهادی دارای کارایی بالایی هستند. همچنین الگوریتم های پیشنهادی با الگوریتم هرس کارنین مقایسه گردیده است. نتایج الگوریتم های پیشنهادی هم از لحاظ ساختار تولید شده،هم از نظر زمان مورد نیاز برای تعیین ساختار شبکه عصبی،بسیار بهتر از الگوریتم هرس کارنین عمل کرده اند. | fa_IR |
| dc.format.extent | 1684 | |
| dc.format.mimetype | application/pdf | |
| dc.language | فارسی | |
| dc.language.iso | fa_IR | |
| dc.publisher | دانشکده فنی | fa_IR |
| dc.relation.ispartof | نشریه دانشکده فنی | fa_IR |
| dc.relation.ispartof | University College of Engineering | en_US |
| dc.subject | اتوماتهای یادگیر مهاجرت اشیا | fa_IR |
| dc.subject | ساختار شبکه های عصبی | fa_IR |
| dc.subject | شبکه های عصبی چند لایه | fa_IR |
| dc.subject | مهندسی شبکه های عصبی | fa_IR |
| dc.title | مهندسی شبکه های عصبی توسط اتوماتانهای یادگیر: تعیین اندازه مطلوب برای شبکه های عصبی سه لایه | fa_IR |
| dc.type | Text | en_US |
| dc.citation.volume | 34 | |
| dc.citation.issue | 4 | |
