علی صادقی نایینی - دانشکده مهندسی کامپیوتر، دانشگاه صنعتی امیرکبیر، تهران، ایران
حمید بیگی - دانشکده مهندسی کامپیوتر، دانشگاه صنعتی شریف، تهران، ایران

هدف الگوریتم های یادگیری افزایشی در شبکه های چند لایه پرسپترونی، حفظ نتایج فازهای آموزشی قبلی و بهبود عملکرد شبکه با آموز ش انحصاری آن بر روی نمونه های جدید اس ت . الگوریتمهایی که تاکنون برای یادگیری افزایشی در یک شبکه چند لایه پرسپترونی پیشنهاد شده اند قابلیت تعریف کلاس های جدید را در اختیار نمی گذارند . در این مقاله الگوریتمی برای یادگیری افزایشی در شبکه های چند لایه پرسپترونی مورد بررسی قرار می گیرد که این نقطه ضعف را رفع کرده است . این الگوریتم از ترکیب افزایشی تعدادی شبکه یادگیر ضعیف که هریک مربوط به تعدادی از نمونه های آموزشی است که در طول زمان به سیستم ارائه شده اند، یک شبکه یادگیر قوی می سازند و قابلیت پذیرش کلاسهای جدید معرفی شده توسط نمونه های تازه وارد را نیز دارا می باشند . در اینجا تاثیر پارامترهای مختلف بر میزان کارایی الگوریتم مورد بررسی قرار گرفته، و بوسیله نتایج بدست آمده، عملکرد الگوریتم مورد تحلیل قرار خواهد گرفت . به علاوه سه راه برای بهبود عملکرد چنین الگوریتمی پیشنهاد شده است. نتایج حاصل از پیاده سازیهای صورت گرفته، حاکی از موفقیت این روشها در بهبود عملکرد الگوریتم نسبت به نسخه اصلی می باشد تاجایی که استفاده همزمان از این روشها منجر به کاهش پنجاه درصدی خطا نسبت به نسخه اصلی الگوریتم گردیده است

شبکه عصبی، چند لایه پرسپترونی، یادگیری، افزایشی، همجوشی، رای گیری اکثریت، توزیع احتمال، ترکیب فرضیات