این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۳، شماره ۱، صفحات ۱۰۱-۱۱۴
عنوان فارسی طراحی و آموزش شبکه‏ های عصبی مصنوعی به وسیله استراتژی تکاملی با جمعیت‏ های موازی
چکیده فارسی مقاله کاربرد شبکه‏‏ های عصبی مصنوعی در حوزه‏ هایی از قبیل دسته‏ بندی تصاویر و سیگنال های صوتی مؤید توانایی این ابزار قدرتمند هوش مصنوعی در حل مسائل دنیای امروز است. طراحی و آموزش شبکه‏ های عصبی همواره یک فرآیند زمان‏بر و مشکل بوده است. یک مدل عصبی مناسب باید بتواند الگوی داده‏ های آموزشی را فراگرفته و نیز قابلیت تعمیم داشته باشد. در این مقاله، از جمعیت‏ های موازی برای طراحی معماری شبکه عصبی و همچنین از استراتژی تکاملی برای آموزش آن استفاده شده است، به‏ طوریکه در هر جمعیت شبکه ای با معماری خاصی تکامل می‏ یابد. با کمک یک روش انتخاب دومعیاره مبتنی بر میزان خطا و پیچیدگی شبکه‏ ها، الگوریتم ارائه شده قادر است شبکه‏ های ساده با قابلیت تعمیم بالا تولید کند. برای ارزیابی کارایی الگوریتم پیشنهادی از 7 مسأله استاندارد دسته‏ بندی استفاده شده است. روش ارائه شده با روش‏های تکامل اوزان، تکامل معماری و نیز الگوریتم‏های تکامل همزمان معماری و اوزان مورد مقایسه قرار گرفته است. نتایج آزمایش‏ها کارایی و پایداری این روش را نسبت به روش‏های مورد مقایسه نشان می‏دهد. در این مقاله، همچنین تأثیر وجود جمعیت‏های موازی، روش انتخاب دومعیاره و نیز عملگر ادغام در الگوریتم ارائه شده مورد بررسی قرار گرفته است. از مزایای اصلی این روش بهره‏ گیری از پردازش موازی به وسیله جمعیت‏های مستقل است.
کلیدواژه‌های فارسی مقاله شبکه‏ های عصبی مصنوعی، استراتژی تکاملی، جمعیت‏ های موازی
عنوان انگلیسی Construction and Training of Artificial Neural Networks using Evolution Strategy with Parallel Populations
چکیده انگلیسی مقاله Application of artificial neural networks (ANN) in areas such as classification of images and audio signals shows the ability of this artificial intelligence technique for solving practical problems. Construction and training of ANNs is usually a time-consuming and hard process. A suitable neural model must be able to learn the training data and also have the generalization ability. In this paper, multiple parallel populations are used for construction of ANN and evolution strategy for its training, so that in each population a particular ANN architecture is evolved. By using a bi-criteria selection method based on error and complexity of ANNs, the proposed algorithm can produce simple ANNs that have high generalization ability. To assess the performance of the algorithm, 7 benchmark classification problems have been used. It has then been compared against the existing evolutionary algorithms that train and/or construct ANNs. Experimental results show the efficiency and robustness of the proposed algorithm compared to the other methods. In this paper, the impact of parallel populations, the bi-criteria selection method, and the crossover operator on the algorithm performance has been analyzed. A key advantage of the proposed algorithm is the use of parallel computing by means of multiple populations.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله فردین احمدی زر | fardin ahmadizar
سنندج-دانشگاه کردستان- کوی اساتید- بلوک 38
سازمان اصلی تایید شده: دانشگاه کردستان (Kordestan university)

خه بات سلطانیان | khabat soltanian
دانشگاه کردستان
سازمان اصلی تایید شده: دانشگاه کردستان (Kordestan university)

فردین اخلاقیان طاب | fardin akhlaghiantab
دانشگاه کردستان
سازمان اصلی تایید شده: دانشگاه کردستان (Kordestan university)

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-299-1&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-233331.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات گروه رمز
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات