|
فرمت فایل: ورد –Word و قابل ویرایش
تعداد صفحات: 17
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. اما محدودیت ها در تکنیک های جستجوی گرادیان که برای مسائل
بهینه سازی غیر خطی پیچیده استفاده می شوند ،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 همچنین over fitting، یک اشکال از bpn ها که معمولا در طول مرحله
بعد ازآموزش شبکه عصبی با نزول خطای آموزش و افزایش خطای پیش بینی اتفاق می
افتد ، نیز قابل حذف شدن می باشند .روش پیشنهادی ،پارامترها و توپولوژی
شبکه عصبی را در جهت افزایش امکان پذیری اجرای فضای جواب برای مسائل غیرخطی
پیچیده توسعه می هد.نتایج بدست آمده از روش پیشنهادی،شبکه عصبی BPNمبتنی
بر الگوریتم ژنتیک،با شبکه عصبی BPN مرسوم مقایسه می شود.
کلید واژه- الگوریتم ژنتیک،بهینه سازی، شبکه عصبی BPN
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
اند.یکی از نقص ها ی اساسی در شبکه های عصبی جاری این است که پژوهش وابسته
به طراحی شبکه عصبی می باشد.طراحی یک شبکه عصبی شامل انتخاب یک مجموعه
بهینه از پارامتر ها ی طراحی می باشد تا همگرایی سریع را در طول آموزش و
دقت مورد نیاز را هنگام فراخوانی بدست آورد.به طور معمول شبکه های عصبی bp
توسط محققان بسیار آموزش داده شده است.متاسفانه bp یک الگوریتم جستجوی محلی
است، بنابراین موجب واقع شدن در تله می نیمم محلی می شود.یک bpn دارای دو
اشکال عمده به شرح زیر است :1.تکنیک جستجوی گرادیان به یک جواب بهینه با
کارایی متناقض و غیر قابل پیش بینی برای بعضی از کاربردها همگرا می شود.
2.هنگامیکه در بعضی نواحی در مینیمم محلی واقع می شود تکنیک جستجوی
گرادیان به طور ضعیفی در بدست آوردن یک جواب بهینه عمومی عمل می کند .
عمده ترین مسئله در طول پروسه آموزش شبکه عصبی احتمال OF (Over Fitting)
در داده های آموزش می باشد.بدین معنا که در طول یک دوره آموزش معین شبکه
،قابلیت حل مسائل توسط آن بهتر نمی شود.
بهترین روش برای کاهش وزن ها در [1]پیشنهاد شده بود تا از چنین OF دوری
نماید .در بررسی ]2[شبکه پس انتشار خطا روی مجموعه داده نشان داده شده موجب
OF شد که بعد از تعداد تکرار مشخصی در مرحله آموزش شروع شد .دو استراتژی
ارائه شدند تا مقدار اطلاعات انتقال داده شده را به وسیله یک شبکه feed
forward،رو به جلو، که در آنالیز مولفه اصلی (PCA) استفاده شده بود محدود
کنند .در ]3[ zhang و همکارانش نشان دادند که OF همچنین هنگامیکه تقریب چند
جمله ای های مرتبه بالا برای مناسب سازی تعداد کمی از نقاط استفاده شده
بود اتفاق می افتد . با توجه به این موارد بهبود همگرایی bpn و دوری از OF
داده ها در طی آموزش هر دو خیلی مهم هستند.
|