no-img
فروشگاه دانشجو، فروش فایل و پروژه

پیاده سازی مقاله شبکه عصبی روبه جلو با استفاده از الگوریتم ترکیبی جست وجوی گرانشی و بهینه سازی گروه ذرات - فروشگاه دانشجو، فروش فایل و پروژه


فروشگاه دانشجو، فروش فایل و پروژه
محصولات ویژه
اطلاعیه های سایت

ادامه مطلب

ZIP
پیاده سازی مقاله شبکه عصبی روبه جلو با استفاده از الگوریتم ترکیبی جست وجوی گرانشی و بهینه سازی گروه ذرات
zip
خرداد ۱۴, ۱۳۹۵
4.46 مگابایت
30,000 ریال
تعداد صفحات : 15
30,000 ریال – خرید

پیاده سازی مقاله شبکه عصبی روبه جلو با استفاده از الگوریتم ترکیبی جست وجوی گرانشی و بهینه سازی گروه ذرات


نام پروژه: پیاده سازی مقاله شبکه عصبی روبه جلو با استفاده از الگوریتم ترکیبی جست وجوی گرانشی و بهینه سازی گروه ذرات

نام مقاله اصلی:Training feedforward neural networks using hybrid particle swarm optimization and gravitational search algorithm

داکیومنت: دارای داکیومنت کامل همراه با آموزش کدهای پیاده سازی شده در متلب + ترجمه مقاله اصلی

بخشی از ترجمه مقاله و داکیومنت اصلی پروژه:

الگوریتم جست وجوی گرانشی  (GSA) یک روش بهینه سازی اکتشافی جدید است که مبتنی بر قانون گرانش و جرم است. این الگوریتم ثابت کرده  است که توانایی جستجو خوبی برای راه حل های جهانی دارد، اما آن از سرعت جستجو کند در آخرین تکرار رنج می برد. این کار ترکیبی از الگوریتم بهینه سازی گروه ذرات (PSO) و  GSA را برای  حل مشکل فوق الذکر پیشنهاد داده است. در این مقاله، GSA و PSOGSA به عنوان روش های آموزشی جدید برای شبکه های عصبی روبه جلو (FNNs) به منظور بررسی بازده این الگوریتم ها در کاهش مشکلات به دام افتادن در بهینه محلی و نرخ همگرایی آهسته از الگوریتم های یادگیری تکاملی معرفی شده است. نتایج با الگوریتم یادگیری مبتنی بر PSO استاندارد برای FNNs.  مقایسه شده است .  در نتیجه دقت  FNNs آموزش دیده با PSO، GSA و PSOGSA  نیز بررسی شده است. نتایج تجربی  نشان می دهد که PSOGSA بهتر  از هر دو PSO و GSA برای آموزش FNNs از نظر سرعت هم­گرا سرعت و اجتناب بهینه محلی می باشد. این نیز ثابت شده است که FNN آموزش دیده با  PSOGSA دقت بهتری از آموزش دیده با GSA دارد.

مقدمه: ادامه مقاله بدین صورت سازمان دهی شده  است. در بخش ۲-۴ توصیف مختصری از pso, GSA,PSOGSA ارائه شده است. بخش ۵ روش های به کار گیری PSO,GSA,PSOGSA را برای FNN به عنوان الگوریتم های تکاملی شرح می دهد. نتایج ازمایشات در بخش ۶ اورده شده است سرانجام بخش ۷ نتیجه مقاله می باشد.

-بخش مقدمه داکیومنت اصلی

شبکه های عصبی چند لایه پیش خور۱ به طور وسیعی د ر زمینه های متنوعی از قبیل طبقه بندی الگوها، پردازش تصاویر، تقریب توابع و … مورد استفاده قرار گرفته است.الگوریتم یادگیری پس انتشار خطا۲، یکی از رایج ترین الگوریتم ها جهت آموزش شبکه های عصبی چند لایه پیش خور می باشد. این الگوریتم، تقریبی از الگوریتم بیشترین تنزل۳ می باشد و در چارچوب یادگیری عملکردی ۴ قرار می گیرد.عمومیت یافتن الگوریتمBP ، بخاطر سادگی و کاربردهای موفقیت آمیزش در حل مسائل فنی- مهندسی می باشد.علیرغم، موفقیت های کلی الگوریتم BP در یادگیری شبکه های عصبی چند لایه پیش خور هنوز، چندین مشکل اصلی وجود دارد:

– الگوریتم پس انتشار خطا، ممکن است به نقاط مینیمم محلی در فضای پارامتر، همگرا شود. بنابراین زمانی که الگوریتم BP همگرا   می شود، نمی توان مطمئن شد که به یک جواب بهینه رسیده باشیم.

– سرعت همگرایی الگوریتم BP، خیلی آهسته است.از این گذشته، همگرایی الگوریتم BP، به انتخاب مقادیر اولیه وزنهای شبکه، بردارهای بایاس و پارامترها موجود در الگوریتم، مانند نرخ یادگیری، وابسته است.



درباره نویسنده

Saber 122 نوشته در فروشگاه دانشجو، فروش فایل و پروژه دارد . مشاهده تمام نوشته های

دیدگاه ها


پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

بیش از ۵۰۰ مقاله ترجمه شده از سال ۲۰۱۲ تا ۲۰۱۷
* ترجمه کاملا حرفه ای
* 500 مقاله در دسته بندی مختلف
* لیست کامل مقالات در فایل ورد
* دسته بندی مقالات بصورت الفبایی
* تضمین محصول فروخته شده
* گارانتی بازگشت وجه
* قیمت به ازای هر مقاله 1000 تومان