توضیحات محصول

ترجمه چکیده:

راهکارهای زیادی برای آموزش شبکه عصبی وجود دارد. در این سیستم، یک الگوریتم تکاملی تفاضلی مبتنی بر مدل جزیره برای آموزش شبکه عصبی feed forward معرفی شده است. تکامل تفاضلی (DE) برای تعیین مقادیر بهینه پارامترهای شبکه عصبی نظیر نرخ یادگیری و گام حرکت (momentum rate) و همچنین برای بهینه سازی وزن استفاده می شود. مدل جزیره از چندین زیرجمعیت استفاده کرده و با جابه جا کردن افراد جمعیت ، سعی میکند کارایی کلی الگوریتم را بالا ببرد. در این مقاله، چهار برنامه ایجاد شده است و تاثیر هر یک از این متدها بر روی یادگیری ANN (شبکه عصبی مصنوعی ) با تست آنها بر روی دیتاست های مختلف آزمایش شده است. این متدها عبارتند از: شبکه عصبی تکامل تفاضلی جزیره(IDENN) ، شبکه عصبی تکامل تفاضلی(DENN) ، شبکه عصبی الگوریتم ژنتیک(GANN) و بهینه سازی ازدحام تجمعی با شبکه عصبی(PSONN) . نتایج نشان می دهد که متد IDENN در مقایسه با سه روش DENN، PSONN و GANN به نتایج کاملا امیدوارکننده ای به جهت خطاهای کوچکتر نرخ همگرایی می رسد.

چکیده مقاله:

There exist many approaches to training neural network. In this system, training for feed forward neural network is introduced by using island model based differential evolution. Differential Evolution (DE) has been used to determine optimal value for ANN parameters such as learning rate and momentum rate and also for weight optimization. Island model used multiple subpopulations and exchanges the individual to boost the overall performance of the algorithm. In this paper, four programs have developed; Island Differential Evolution Neural Network (IDENN), Differential Evolution Neural Network (DENN), Genetic Algorithm Neural Network (GANN) and Particle Swarm Optimization with Neural Network (PSONN) to probe the impact of these methods on ANN learning using various datasets. The results have revealed that IDENN has given quite promising results in terms of convergence rate smaller errors compared to DENN, PSONN and GANN.

اطلاعات بیشتر