مقاله تنظیم وزن های شبکه عصبی مصنوعی با استفاده از الگوریتم بهینه سازی دسته میگوها

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

  مقاله تنظیم وزن های شبکه عصبی مصنوعی با استفاده از الگوریتم بهینه سازی دسته میگوها دارای ۱۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله تنظیم وزن های شبکه عصبی مصنوعی با استفاده از الگوریتم بهینه سازی دسته میگوها  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 مقاله تنظیم وزن های شبکه عصبی مصنوعی با استفاده از الگوریتم بهینه سازی دسته میگوها،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله تنظیم وزن های شبکه عصبی مصنوعی با استفاده از الگوریتم بهینه سازی دسته میگوها :

تعداد صفحات:۱۴
چکیده:
امروزه دسته بندی داده ها و بازشناسی الگو یکی از مبحث های مورد توجه در علوم مختلف است. از این رو دسته بندی های متفاوتی جهت انجام این امر ساخته و ارائه شده است. از مهم ترین ویژگی های یک دسته بند، دقت بالا در پیش بینی و تعیین دسته داده ها است. شبکه های عصبی یکی از انواع دسته بندهایی هست که می تواند دقت بالایی در مدلسازی فراهم کند. این به دلیل تراکنش سیگموئید غیرخطی در لایه های پنهان می باشد. از آن جهت استفاده از این شبکه ها در دسته بندی داده ها بسیار پر کاربرد است. یکی از چالش های اصلی شبکه های عصبی مصنوعی (ANN)، نحوه ی به روز رسانی وزن های ANN در هنگام آموزش است. استفاده از الگوریتم های فرامکاشفه ای نظیر بهینه سازی ازدحام ذرات، برای رفع ضعف الگوریتم های مبتنی بر گرادیان، در سالیان اخیر بسیار مورد توجه قرار گرفته است. در همین راستا، در این مقاله، الگوریتم بهنیه سازی دسته ی میگوها، برای یادگیری ANN، پیشنهاد شده است. در این روش، سه مولفه های اصلی الگوریتم بهینه سازی دسته ی میگوها یعنی حرکت ایجاد شده بوسیله ی میگوهای دیگر، حرکت غذایابی و پراکندگی تصادفی، وظیفه به روزرسانی وزن های ANN را به عهده دارند. همچنین کارایی آن از طریق آموزش ANNهای پیش خور که برای دسته بندی استفاده می شوند، آزمایش شده است. نتایج آزمایشات گسترده بر روی مجموعه داده های UCI، عملکرد بهتر این روش را نسبت به روش های قبلی نشان می دهد.