این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۸، شماره ۲، صفحات ۱۰۱-۱۱۴
عنوان فارسی افزایش نرخ کارایی طبقه بندی با استفاده از تجمیع ویژگی های موثر روش های مختلف ترکیب شبکه های عصبی
چکیده فارسی مقاله روش¬های یادگیری همبستگی منفی و اختلاط خبره¬ها ، به عنوان دو روش معروف ترکیب شبکه¬های عصبی، از توابع خطای منحصر به فرد و البته متفاوتی برای آموزش شبکه¬های پایه به صورت هم زمان استفاده کرده، که شبکه¬هایی با همگرایی منفی تولید می¬کنند. در این مقاله ویژگی¬های مختلف این دو روش را مرور و نقاط قوت و ضعف آن¬ها را در مقایسه با یکدیگر بررسی می¬کنیم. آنالیز خصوصیات این دو روش در مقایسه با یکدیگر نشان داد که آن¬ها ویژگی¬های متفاوت و البته مکملی نسبت به هم دارند؛ به نحوی که اگر بتوان سیستمی ترکیبی شامل ویژگی های مثبت هر دو روش طراحی کرد، احتمالاً کارایی بهتری از روش¬های پایه خود داشته باشد. در این مقاله ایده¬ای برای ترکیب ویژگی¬های این دو روش پیشنهاد کرده¬ایم. در این روش، قابلیت پارامتر کنترلی روش یادگیری همبستگی منفی به تابع خطای روش اختلاط خبره¬ها افزوده شده، که این روش را قادر می¬سازد که تعادل بهینه¬ای را در توازن بایاس¬ـ واریانس¬ـ¬کوواریانس ایجاد و کارایی را افزایش دهد. روش ترکیبی پیشنهاد شده، در چند مسأله¬ی آزمون پیش¬بینی و طبقه¬بندی با روش¬های پایه¬ی اختلاط خبره¬ها و یادگیری همبستگی منفی مورد مقایسه قرار گرفته است. نتایج آزمایشات نشان داده است که روش ترکیبی پیشنهاد شده، با حفظ نقاط قوت و کاهش ضعف¬های روش های پایه، توانسته کارایی را به طور قابل ملاحظه¬ای نسبت به آن¬ها افزایش دهد.
کلیدواژه‌های فارسی مقاله طبقه بندی-ترکیب شبکه های عصبی-یادگیری همبستگی منفی-اختلاط خبره ها
عنوان انگلیسی Improving classification performance using combination features of different neural network ensemble methods
چکیده انگلیسی مقاله Both theoretical and experimental studies have shown that combining accurate Neural Networks (NN) in the ensemble with negative error correlation greatly improves their generalization abilities. Negative Correlation Learning (NCL) and Mixture of Experts (ME), two popular combining methods, each employ different special error functions for the simultaneous training of NN experts to produce negatively correlated NN experts. In this paper, we review the properties of the NCL and ME methods, discussing their advantages and disadvantages. Characterization of both methods showed that they have different but complementary features, so if a hybrid system can be designed to include features of both NCL and ME, it may be better than each of its basis approaches. In this study, an approach is proposed to combine the features of both methods, i.e., Mixture of Negatively Correlated Experts (MNCE). In this approach, the capability of a control parameter for NCL is incorporated in the error function of ME, which enables the training algorithm of ME to establish better balance in bias-variance-covariance trade-offs. The proposed hybrid ensemble method, MNCE, are compared with their constituent methods, ME and NCL, in solving several benchmark problems. The experimental results show that our proposed method preserve the advantages and alleviate the disadvantages of their basis approaches, offering significantly improved performance over the original methods.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله جواد محمدزاده | Javad Mohammadzadeh
دانشگاه ازاد واحد کرج

سعید مسعودنیا | Saeed Masoudnia


علی آرانی | Ali Araani


نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1366-1&slc_lang=fa&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-600134.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش گفتار
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات