یک الگوریتم آموزشی دو مرحله ای برای نسخه "اندازه - متغیر" شبکه عصبی مصنوعی Dystal
محل انتشار: نهمین کنفرانس مهندسی پزشکی ایران
سال انتشار: 1378
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,197
فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICBME09_077
تاریخ نمایه سازی: 5 خرداد 1387
چکیده مقاله:
یک شبکه مصنوعی Dynamically Stable Associative Learning) Dystal) است که بر پایه ویژگی های یادگیری و حافظه مشخص شده در تحقیقات عصبی شناسی بر روی هشت پا و موش پیشنهاد شده است. این شبکه از یک الگوریتم آموزشی تک مرحله ای بهره می برد که آن را قادر می سازد با تنه یکبار رؤیت هر نمونه آموزشی، آنرا با دقتی بیش از 95% فرا بگیرد. لذ مشاهده می شود که این شبکه از سرعت و دقت آموزشی بسیار بالایی برخوردار است.
علاوه بر نسخه اولیه شبکه Dystal که آنرا "اندازه - ثابت" می نامند، نسخه دیگری از این شبکه نیز پیشنهاد شده است که در آن با هدف کاهش تعداد زیر دسته ها و به تبع آن افزایش سرعت شبکه، اندازه زیر دسنه ها غیر ثابت و متناسب با نیاز نمونه های آموزشی انتخاب می شود. ما در این مقاله نشان داده ایم که الگوریتم آموزشی تک مرحله ای ارائه شده در مرجع اصلی، به دلیل حساسیت آن به ترتیب ارائه نمونه های آموزشی، برای این نسخه "اندازه - متغیر" متناسب نیست و می تواند به خطای قابل توجهی در دسته بندی منجر شود. علاوه بر این یک الگوریتم آموزشی دو مرحله ای پیشنهاد نموده ایم که در آن در عین اینکه زیر ذسته ها غیر ثابت هستند حساسیت نسبت به ترتیب نمونه های آموزشی وجود ندارد، لذا دقت شبکه حفظ می شود. همچنین نشان داده ایم که چنانچه از روش های پردازش موازی در پیاده سازی این الگوریتم دو مرحله استفاده شود، سرعت آموزش آن می تواند بیشتر از سرعت آموزش الگوریتم تک مرحله ای اولیه باشد که این به دلیل ماهیت موازی این الگوریتم می باشد.
نویسندگان
مهران جاهد
دانشیار گروه بیو الکترونیک، دانشکده برق دانشگاه صنعتی شریف
سید امیر علی زوارئی
دانشجوی کارشناسی ارشد مهندسی برق - بیوالکتریک دانشگاه صنعتی شریف
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :