برو بالا

فروشگاه فایلها ( فروش انواع فایل psd ، word ،excel )

فروش ویژه فایلهای تحقیقاتی

shadow

پایان نامه هوش مصنوعی پروسه ارزیابی یک الگوریتم ژنتیک برای بهبود شبکه پس انتشار خطا bpn – کامل برنامه ها

منابع و ماخذ

[۱]  David, J.,Montana Neural Network Weight Selection Using Genetic Algorithm.Bolt Beranek and Newman Inc.70     Fawcett Street, Cambridge, MA 02138

 

 

 

 

[۲] Randall S. Sexton, Robert E. Dorsey, and John D. Johnson, optimization of neural networks:Acomparison of the genetic algorithm and backpropagation. Decision Support Systems,1998, 22, 171–۱۸۵٫

 

 

 

[۳]   David, W. Coit and  Alice, E. Smith,Using a Neural Network as a Function Evaluator During GA Search for Reliability Optimization.  Department of Industrial Engineering, University of Pittsburgh, Pittsburgh, PA 15261.

 

 

 

[۴]  H. Altun and T. Yalcinoz, Comparison of Genetic Algorithm, Hopfield and Mlp Neural Network Techniques for a Constrained Optimization Problem. Dept of Electrical & Electronic Eng., Nigde University, Nigde 51100.

 

[۵]  Zhengjun, L., Changyao, W., Aixia, L. and  Zheng, N., Evolving Neural Network Using Real Coded Genetic Algorithm(GA) for Multispectral Image Classification.LARSIS, the Institute of Remote Sensing Applications, Chinese Academy of Sciences, Beijing 100101, China.

 

 

 

[۶]  Chien-Yu, H., Long-Hui Ch., Yueh-Li Ch., Fengming M. Ch., Evaluating the process of a genetic algorithm to improve

 

the back-propagation network:A Monte Carlo study. in Expert Systemswith Applications. 2008.

 

 

 

[۷]  Dale Addison, J. F., Stefan Wermter, Garen Z. A.,A Comparison of Feature Extraction and Selection Techniques. ۲۰۰۵.

 

 

 

[۸]  Shujuan, L.,Yan, L., Yong, L., Yuefei, X.,A GA-based NN approach for makespan estimation. Applied Mathematics and Computation. 2007.

 

 

 

 [۹]  Chang, P.C., and Wang, Y.W.,Fuzzy Delphi and back-propagation model for sales forecasting in PCB industry.Expert Systems with Applications, 2006, 30, 715–۷۲۶٫

 

 

[۱۰]  Gracia, J. D., Saravia, M. L. M. F. S., Araujo, A. N., Lima, J. L. F. C., Valle, M. D., and Poch, M.,Evaluation of natural computation techniques in the modeling and optimization of a 

آموزش شبکه عصبی احتمال ۱OF

الگوریتم ژنتیک

الگوریتم ژنتیک (GA)

Back Propagation

آموزش شبکه باbp

روال ارزیابی الگوریتم ژنتیک

———————————————————

الگوریتم ژنتیک متعلق به کلاسی از الگوریتم های جستجوی تصادفی بر پایه جمعیت می باشدکه الهام گرفته از فرضیه تکامل تدریجی که به صورت الگوریتم های تکاملی (EA) نامیده می شوند .دیگر الگوریتم های این کلاس شامل استراتژی های تکاملی (ES) و برنامه نویسی های ژنتیک (GP) می باشد.

 

GA یک روش جستجوی عمومی است که از یک جمعیت از راه حل ها به دیگری جستجو می کند . برای مسائل محدود [۴] و برای مسائل پیچیده ، الگوریتم ژنتیک (GA) به طور استثنائی هنگام بهینه سازی توابع غیر خطی مشکل ،در بدست آوردن راه حل عمومی به گونه ای مناسب عمل می نماید.آنها هم چنین در [۵],[۷] اثبات کردند که GA نیز در بهینه سازی شبکه عصبی دارای کارایی بالاست .

به طور کلی الگوریتم با انتخاب تصادفی یک جمعیت اولیه از راه حل های ممکن آغاز می شود .این جمعیت ، نسل اول است که الگوریتم ژنتیک در آن ،راه حل بهینه را جستجو می کند .مقدار جمعیت اولیه ۵۰ در نظر گرفته شده است .بنابراین برای یک الگوریتم ژنتیک مورد آموزش ، ۵۰ مجموعه از وزن ها ، در هر نسل ارزیابی می شود .بر خلاف bp  که از یک نقطه به نقطه ای دیگر حرکت می کند ،GA فضای وزن را از یک مجموعه از وزن ها به مجموعه ای دیگر ، به طور همزمان در بسیاری از جهت ها جستجو می کند .این احتمال یافتن بهینه عمومی را افزایش می دهد .برای هر یک از راه حل ها ، تابع ارزیاب محاسبه می شود .در این مقاله مجموع مربعات خطا به عنوان تابع هدف مورد استفاده قرار می گیرد که با bp سازگار می شود .یک احتمال به هر راه حل بر پایه مقدار تابع هدف آن اختصاص داده می شود .به عنوان مثال راه حل هایی که کمترین مقدار مجموع مربعات خطا را دارند ، بیشترین احتمال را به خود اختصاص می دهند و بدین نحونسل اول کامل می شود.نسل دوم به وسیله انتخاب تصادفی یک جمعیت جدید ایجاد می شود .۵۰ راه حل با جایگذاری انتخاب می شوند  چنانچه راه حل های خوب ، احتمال بیشتری دارند تا در جمعیت جدید نمایش داده شوند و بر عکس راه حل های ضعیف حذف خواهند شد،این بازتولید نامیده می شود.به عبارت دیگر ویژگی های مطلوب تر در بهینه سازی تابع هدف ،دوباره ساخته خواهند شد و در نسل ها ی بعد پیشرفت می کنند در حالیکه صفات ضعیفتر حذف می شوند..این جمعیت جدید از راه حل ها به صورت رندم به دو راه حل بهتر با مقدار تابع ارزیاب کمتر ، میزان خطای کمتر انتخاب می شوند و با توجه به احتمال ادغام عمل ادغام صورت می پذیرد. دوراه حل ممکن فرزند را تولید می کنند که هر یک با بعضی از پارامتر ها (وزن ها) را  از راه حل های والد دارا هستند . سر انجام هر راه حل یک احتمال کوچک دارد هر یک از وزن ها های آن ممکن  است به طور یکنواخت  با یک مقدار انتخاب شده از محدوده پارامتر جایگزین شود (جهش).این مجموعه نتایج از راه حل ها اکنون یک جمعیت جدید یا نسل بعدی می باشد و پروسه تکرار می شود .این پروسه ادامه می یابد تا هنگامیکه جمعیت اولیه به صورت نسلی  رشد کند که بهترین مسئله بهینه سازی ,بهینه مطلوب , را تولید کند.

 

الگوریتم ژنتیک به طور گسترده در شبکه های  عصبی مصنوعی استفاده شده است . کاربرد الگوریتم های ژنتیک برای شبکه های عصبی در دو گروه مجزا تقسیم می شوند .

اول – الگوریتم های ژنتیک برای پیدا کردن معماری بهینه شبکه برای اهداف خاص استفاده می شود .در این روش معماری های متفاوت شبکه به صورت ماتریس های اتصال نمایش داده می شوند که مستقیما در یک رشته بیت نگاشت یافته اند .آنگاه عملگرهای استاندارد ژنتیک استفاده می شوند تا روی جمعیتی از این رشته بیت ها عمل کنند تا پی در پی سطوح ارزیابی بالاتری را تولید نمایند .

دوم – دیدگاه دوم بهینه سازی شبکه عصبی با استفاده از الگوریتم  ژنتیک برای جستجو می باشد .این پژوهش نیز بر پایه این دیدگاه می باشد .این روش از نمایش باینری وزن ها استفاده می کند .در مقاله جاری ،همه وزن ها به صورت اعداد اعشاری در الگوریتم ژنتیک نمایش داده می شوندو به طور متوسط در دستیابی به راه حل های بهینه موفق شناخته شده است .الگوریتم های ژنتیک بهینه سازی کارایی bpn ، پارامتر ها و توپولوژی شبکه را تنظیم و تایید می کنند .چندین مقاله کارایی بهینه سازی bpn  بدست آمده مبتنی بر GA را با bpn  متداول مقایسه نموده اند .

در مطالعاتی دیگر (Arena, Capponetto,Fortuna 1992 , maniezzo 1994  ,sexton 1998)
GA ها استفاده می شوند تا ساختار شبکه بهینه را برای هدف مشخصی پیدا کنند .

بیشتر این مطالعات بر پایه تکنیک جستجوی گرادیان می باشند تا اتصال مقادیر وزن را در مدل دست آورند .هر چند ضررهای قرار گرفتن در یک می نیمم محلی و کارایی نامتناقض و غیر قابل پیش بینی نمی تواند حذف شود .بسیاری از مطالعات قبلی صحت پیش بینی برجسته ای راایجاد نمی کردند که این مورد تا حدی به دلیل ناتوانی پیدا نمودن نتایج سازگار بوده است .دلیل دیگر ممکن است همگرایی محلی در تکنیک جستجوی گرادیان باشد.

پیش نمایش

دیدگاهتان را بنویسید

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

پنل ارسال پیامک
دانلود تراکت لایه باز کانـدیدای دهـمیـن دوره مجـلـس شــورای اسلامی
اختلالات زبانی در کودکان و شیوه های درمان
فاکتور فروش لایه باز با فرمت psd
سوالات فنی آیین نامه رانندگی جدید