ارزیابی عملکرد الگوریتم های تکاملی در افزایش سرعت یادگیری و دقت پیش بینی دسته بند شبکه عصبی در داده کاوی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 ارزیابی عملکرد الگوریتم های تکاملی در افزایش سرعت یادگیری و دقت پیش بینی دسته بند شبکه عصبی در داده کاوی دارای ۱۲ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد ارزیابی عملکرد الگوریتم های تکاملی در افزایش سرعت یادگیری و دقت پیش بینی دسته بند شبکه عصبی در داده کاوی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی ارزیابی عملکرد الگوریتم های تکاملی در افزایش سرعت یادگیری و دقت پیش بینی دسته بند شبکه عصبی در داده کاوی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن ارزیابی عملکرد الگوریتم های تکاملی در افزایش سرعت یادگیری و دقت پیش بینی دسته بند شبکه عصبی در داده کاوی :

تعداد صفحات :۱۲

چکیده مقاله:

یکی از ابزار های قدرتمند برای دسته بندی داده ها در داده کاوی شبکه های عصبی مصنوعی می باشند. شبکه های عصبی به دلیل قابلیت یادگیری، مقاوم پذیری و قابلیت تعمیم، کاربرد گسترده ای در حیطه یادگیری ماشین دارند. تنظیم وزن های بین نرون های لایه های مختلف شبکه عصبی به عنوان آموزش شبکه عصبی شناخته می شود و مبحث یادگیری یکی از مهمترین مباحث در شبکه عصبی است. فرایند یادگیری شبکه های عصبی مبتنی بر گرادیان اغلب در بهینه محلی می افتد. از آن جایی که تنظیم وزن ها و ساختارشبکه عصبی ازاهمیت فراوانی برخوردار می باشد، شبکه های عصبی تکاملی پدید آمدند و الگوریتم های تکاملی برای این امر به کارگرفته شدند. در این پژوهش برای انجام فرآیند دسته بندی داده ها از شبکه عصبی پرسپترون چند لایه و برای تعیین وزن های آن از الگوریتم های تکاملی استفاده شده است. این پژوهش به طور خاص بر روی الگوریتم تکاملی تولید مثل غیر جنسی متمرکز شده است. تفاوت الگوریتم پیشنهادی با الگوریتم پایه تولید مثل غیرجنسی استفاده از نمایش حقیقی برای وزن های شبکه عصبی )به جای نمایش دودویی( و تعریف عملگرهای تغییر متناسب با این نمایش است. علاوه بر ارزیابی این دو نسخه الگوریتم تولید مثل غیر جنسی در این تحقیق، سه الگوریتم تکاملی دیگر شامل ژنتیک، ازدحام ذرات و الگوریتم انجماد تدریجی با هدف آموزش شبکه عصبی مورد بررسی و ارزیابی قرار می گیرد. نتایج آزمایشات نشان می دهند که الگوریتم بهینه سازی تولید مثل غیرجنسی با نمایش حقیقی به دلیل سرعت همگرایی بالای آن، برای آموزش شبکه های عصبی مصنوعی به خصوص در مسایل بلادرنگ با محدودیت زمانی و نیز در دسته بندی داده های با حجم بالا نسبت به سایر الگوریتم های تکاملی مورد مقایسه بسیار مناسب به نظر می رسد. همچنین نتایج بیانگر این است که دسته بند شبکه عصبی نسبت به تنوع داده ها پس از آموزش توسط الگوریتم تولید مثل غیرجنسی پیشنهادی از دقت قابل قبولی برخوردار است.