تقریب سازی مقاوم توابع توسط شبکه های عصبی RBF با ساختار تطبیقی
محل انتشار: چهاردهمین کنفرانس مهندسی برق ایران
سال انتشار: 1385
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,725
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICEE14_156
تاریخ نمایه سازی: 25 تیر 1387
چکیده مقاله:
تقریب سازی توابع به عنوان یک مساله پایه در بسیاری ا ز زمینه های مهندسی مطرح می شود . برای این منظور از روشهای مختلفی مانند curve fitting و interpolation استفاده می گردد. شبکه های عصبی RBF به دلیل سادگی و سرعت بالای آموزش می توانند کاندیدای مناسبی در نیل به این هدف باشند . با این وجود، ساختارها و الگوریتمهای بکار رفته در این شبکه ها دارای ضعفهایی از جمله عدم توانایی در تقریب سازی توابعی که در فواصل مشخص ثابت هستن د و همچنین در رویارویی با داده های دارای خطای زیاد، می باشند . این مقاله رویکردی است تا با بیان الگوریتم های جدید آموزش شبکه، در جهت کاهش ضعف های مطرح شده فوق بر آید.
کلیدواژه ها:
تقری بسازی توابع ، فیلتر (M- شکل) ، تابع پایه ای شعاعی (Outlier data ، Robust Objective Function ، ( RBF
نویسندگان
مهدی روپایی
بخش برق و الکترونیک- دانشکده مهندسی- دانشگاه شیراز
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 :