یک الگوریتم آموزشی دو مرحله ای برای نسخه “اندازه – متغیر” شبکه عصبی مصنوعی Dystal

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

 یک الگوریتم آموزشی دو مرحله ای برای نسخه “اندازه – متغیر” شبکه عصبی مصنوعی Dystal دارای ۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد یک الگوریتم آموزشی دو مرحله ای برای نسخه “اندازه – متغیر” شبکه عصبی مصنوعی Dystal  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 یک الگوریتم آموزشی دو مرحله ای برای نسخه “اندازه – متغیر” شبکه عصبی مصنوعی Dystal،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن یک الگوریتم آموزشی دو مرحله ای برای نسخه “اندازه – متغیر” شبکه عصبی مصنوعی Dystal :

تعداد صفحات :۶

چکیده مقاله:

یک شبکه مصنوعی Dynamically Stable Associative Learning) Dystal) است که بر پایه ویژگی های یادگیری و حافظه مشخص شده در تحقیقات عصبی شناسی بر روی هشت پا و موش پیشنهاد شده است. این شبکه از یک الگوریتم آموزشی تک مرحله ای بهره می برد که آن را قادر می سازد با تنه یکبار رؤیت هر نمونه آموزشی، آنرا با دقتی بیش از ۹۵% فرا بگیرد. لذ مشاهده می شود که این شبکه از سرعت و دقت آموزشی بسیار بالایی برخوردار است.
علاوه بر نسخه اولیه شبکه Dystal که آنرا "اندازه – ثابت" می نامند، نسخه دیگری از این شبکه نیز پیشنهاد شده است که در آن با هدف کاهش تعداد زیر دسته ها و به تبع آن افزایش سرعت شبکه، اندازه زیر دسنه ها غیر ثابت و متناسب با نیاز نمونه های آموزشی انتخاب می شود. ما در این مقاله نشان داده ایم که الگوریتم آموزشی تک مرحله ای ارائه شده در مرجع اصلی، به دلیل حساسیت آن به ترتیب ارائه نمونه های آموزشی، برای این نسخه "اندازه – متغیر" متناسب نیست و می تواند به خطای قابل توجهی در دسته بندی منجر شود. علاوه بر این یک الگوریتم آموزشی دو مرحله ای پیشنهاد نموده ایم که در آن در عین اینکه زیر ذسته ها غیر ثابت هستند حساسیت نسبت به ترتیب نمونه های آموزشی وجود ندارد، لذا دقت شبکه حفظ می شود. همچنین نشان داده ایم که چنانچه از روش های پردازش موازی در پیاده سازی این الگوریتم دو مرحله استفاده شود، سرعت آموزش آن می تواند بیشتر از سرعت آموزش الگوریتم تک مرحله ای اولیه باشد که این به دلیل ماهیت موازی این الگوریتم می باشد.