افزایش نرخ کارایی طبقه بندی با استفاده از تجمیع ویژگی های موثر روش های مختلف ترکیب شبکه های عصبی

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

 افزایش نرخ کارایی طبقه بندی با استفاده از تجمیع ویژگی های موثر روش های مختلف ترکیب شبکه های عصبی دارای ۱۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد افزایش نرخ کارایی طبقه بندی با استفاده از تجمیع ویژگی های موثر روش های مختلف ترکیب شبکه های عصبی  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 افزایش نرخ کارایی طبقه بندی با استفاده از تجمیع ویژگی های موثر روش های مختلف ترکیب شبکه های عصبی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن افزایش نرخ کارایی طبقه بندی با استفاده از تجمیع ویژگی های موثر روش های مختلف ترکیب شبکه های عصبی :

نام کنفرانس، همایش یا نشریه : پردازش علایم و داده ها

تعداد صفحات :۱۸

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 آنها را در مقایسه با یکدیگر بررسی می کنیم. بررسی 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، به احتمال 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 تعادل بهینه ای را در توازن بایاس – واریانس – کوواریانس ایجاد و کارایی را افزایش دهد. روش ترکیبی پیشنهاد شده، در چند مساله آزمون پیش بینی و طبقه بندی با روش های پایه اختلاط خبره ها و یادگیری همبستگی منفی مورد مقایسه قرار گرفته است. نتایج آزمایش ها 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 آنها افزایش دهد.

کلید واژه: طبقه بندی، ترکیب شبکه های عصبی، یادگیری همبستگی منفی و اختلاط خبره ها