این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۰، شماره ۲، صفحات ۴۷-۶۷
عنوان فارسی بهبود بازشناسی مقاوم الگو در شبکه های عصبی بازگشتی جاذب از طریق به کارگیری دینامیک های آشوب گونه
چکیده فارسی مقاله در این مقاله، به منظور ارزیابی تأثیر دینامیک های آشوب گونه در افزایش کارایی شبکه های عصبی بازگشتی در بازشناسی مقاوم الگو، دو مدل برای شبکه های عصبی آشوب گونه ارائه شده است. در مدل اول که براساس نظریه انتخاب طبیعی طراحی گردیده است، شبکه عصبی بازگشتی جاذب (ARNN) به عنوان هوش حاکم، تنوعات ایجاد شده توسط گره های آشوبی را در جهت رسیدن به جواب بهینه هدایت می نماید. در مدل دوم، ساختاری از شبکه عصبی آشوب گونه طراحی شده است که در لایه پنهان خود دارای نورون هایی با تابع فعالیت آشوب گونه می باشد. رفتار این نورون ها توسط پارامترآن ها تنظیم می گردد. بهبود درصد صحت عملکرد مدل اول در بازشناسی الگوی نویزی در سطوح نویز بالا (بیش از 60%) به ترتیب 16/37%، 15/29% و 5/8% نسبت به شبکه جلوسو، شبکه عصبی آشوب گونه برمبنای گره آشوبی- NDRAM و شبکه ARNN، می باشد. همچنین مدل دوم، درصد صحت بازشناسی شبکه ARNN و مدل اول را در بازشناسی الگوی نویزی در سطوح نویز بالا (بیش از 60%) به ترتیب 91/13% و 41/5% ارتقا داده است. از سوی دیگر، نتایج نشان می دهد که این مدل، حتی در حالت رفتار جاذب نقطه ای که مشابه رفتار شبکه ARNN می باشد، درصد صحت بازشناسی را 41/10% نسبت به این شبکه بهبود داده است. 
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی An Improvement on Robust Pattern Recognition Using Chaotic Dynamics in Attractor Recurrent Neural Network
چکیده انگلیسی مقاله In this paper, two kinds of chaotic neural networks are proposed to evaluate the efficiency of chaotic dynamics in robust pattern recognition. The First model is designed based on natural selection theory. In this model, attractor recurrent neural network, intelligently, guides the evaluation of chaotic nodes in order to obtain the best solution. In the second model, a different structure of chaotic neural network is presented which includes chaotic neurons in the hidden layer. The behavior of these neurons can be controlled by changing the parameters of chaotic neurons. Furthermore, both models are supposed to recognize the noisy patterns even those with high levels of additional noise (up to 60%). Using the first proposed model, the accuracy of recognition was improved by 37.16%, 29.15% and 8.5% comparing to feedforward neural network, chaotic neural network based on chaotic nodes - NDRAM, and ARNN respectively. The second model increased the accuracy of recognition by an average of 13.91%, and 5.41% in comparison to ARNN and first model. In addition, it has been observed that the second model had a better performance, even in point attractor mode, than ARNN which acts in non chaotic mode.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله سید علی سیدصالحی | seyed ali
دانشگاه صنعتی امیرکبیر
سازمان اصلی تایید شده: دانشگاه صنعتی امیرکبیر (Amirkabir university of technology)

معصومه آذرپور |


نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-47-1&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-233387.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات