- نوشته شده توسط : sina
- 1394/6/24
- اشتراک گذاری :
- در دسته :
ترجمه مقاله تابع هدف جدید محدب برای آموزش نظارت شبکههای عصبی تک لایه
ترجمه مقاله تابع هدف جدید محدب برای آموزش نظارت شبکههای عصبی تک لایه
عنوان انگلیسی مقاله: A new convex obgective function for the supervised Learning of single-layer neural networks
عنوان فارسی مقاله: تابع هدف جدید محدب برای آموزش نظارت شبکههای عصبی تک لایه.
دسته: فناوری اطلاعات و کامپیوتر
فرمت فایل ترجمه شده: WORD (قابل ویرایش)
تعداد صفحات فایل ترجمه شده: 28
ترجمه ی سلیس و روان مقاله آماده ی خرید می باشد.
_______________________________________
چکیده ترجمه:
چکیده:در این مقاله روش آموزش نظارت جدید برای ارزیابی چگونگی
شبکههای Feed Forward عصبی تکلایه ارائه میشود. این روش از تابع هدفی
بر مبنایMSE استفاده میکند، که خطاها را به جای این که پس از تابع
فعالسازی غیرخطی نورونها ارزیابی کند قبل از آنها بررسی میکند. در این
گونه موارد، راهحل را میتوان به سهولت از طریق حل معادلات در سیستمهای
خطی بهدست آورد یعنی در این روش نسبت به روشهای معین و مرسوم پیشین به
محاسبات کمتری نیاز است. تحقیقات تئوری شامل اثبات موازنههای تقریبی بین
بهینه ستزی سراسری تابع هدف بر مبنای معیارMSE و یک تابع پیشنهادی دیگر
میباشد. بعلاوه مشخص شده است که این روش قابلیت توسعه و توزیع آموزش را
دارا میباشد. طی تحقیقات تجربی جامع نیز تنوع صحت در انرمان این روش مشخص
شده است. این تحقیق شامل 10 دستهبندی و 16 مسئلهی بازگشتی میباشد.
بعلاوه، مقایسه این روش با دیگر الگوریتمهای آموزشی با عملکرد بالا نشان
میدهد که روش مذکور بطور متوسط بیشترین قابلیت اجرایی را داشته و به حداقل
محاسبات در این روش نیاز میباشد.
1.«مقدمه»:
برای بررسی شبکه عصبیFeed Forward تکلایه با تابع فعالسازی خطی،
مقادیر وزن برای تابع بهMSE حداقل رسیده و میتوان این مقادیر را به
وسیله یک ماتریس شبهمعکوس بدست آورد[1,2] . بعلاوه، میتوان اثبات کرد که
سطح MSE این شبکه خطی تابعی درجه دوم میباشد [3] . بنابراین این سطحمحدب
هایپر پارابولیک( فراسهمیوار) را میتوان به سادگی با روش گرادیان
نزولی (Gradient descent) طی کرد. با این حال، اگر ازتابع فعالسازی غیر خطی
استفاده شود، مینیممهای محلی میتوانند بر مبنای معیارMSE در تابع هدف
دیده شوند[4-6]. طی تحقیقات مختلف میتوان مشاهده نمود که تعداد چنین
مینیممهایی میتوانند با ابعاد ورودی به صورت نمایی توسعه پیدا کند. تنها
در برخی موارد خاص میتوان تضمین کرد که شرایط حاکم، فاقدMin های محلی
هستند. در مورد الگوهای تفکیکپذیرخطی و معیار آستانه MSE ، وجود حداقل یک
مقدارMin در تابع هدف به اثبات رسیده است[8,9]. با این حال، این امر یک
موقعیت عمومی نمیباشد.
جهت دانلود محصول اینجا کلیک نمایید
برچست ها : ترجمه,مقاله,تابع,هدف,جدید,محدب,برای,آموزش,نظارت,شبکههای,عصبی,تک لایه,ترجمه,مقاله,قابلیت,اطمینان,در,برابر,خطا,در,آرایه,های,درگاه,قابل,برنامه,ریزی,فیلدمقاله,کامپیوتر,دانلود,میهن,مقاله کامپیوتر,مقاله دانلود,مقاله میهن,کامپیوتر مقاله,مقاله دانلود,کامپیوتر میهن,دانلود مقاله,دانلود کامپیوتر,دانلود میهن,میهن مقاله,میهن کامپیوتر,میهن دانلود,مقاله کامپیوتر دانلود,مقاله کامپیوتر میهن,مقاله دانلود کامپیوتر,مقاله دانلود میهن,مقاله میهن کامپیوتر,مقاله میهن دانلود,کامپیوتر مقاله دانلود,کامپیوتر مقاله میهن,کامپیوتر دانلود میهن,کامپیوتر دانلود مقاله,کامپیوتر میهن مقاله,کامپیوتر میهن دانلود,دانلود مقاله کامپیوتر,دانلود مقاله میهن,دانلود کامپیوتر مقاله,دانلود کامپیوتر میهن,دانلود میهن مقاله,دانلود میهن کامپیوتر,میهن مقاله کامپیوتر,میهن مقاله دانلود,میهن کامپیوتر مقاله,میهن کامپیوتر دانلود,میهن دانلود مقاله,میهن دانلود کامپیوتر,مقاله کامپیوتر دانلود میهن,مقاله دانلود میهن کامپیوتر,مقاله میهن کامپیوتر دانلود,مقاله دانلود کامپیوتر میهن,مقاله دانلود میهن کامپیوتر,مقاله کامپیوتر میهن دانلود,کامپیوتر مقاله دانلود میهن,کامپیوتر مقاله میهن دانلود,کامپیوتر دانلود میهن مقاله,کامپیوتر دانلود مقاله میهن,دانلود مقاله کامپیوتر میهن,دانلود کامپیوتر مقاله میهن,دانلود میهن مقاله کامپیوتر,دانلود میهن کامپیوتر مقاله,میهن مقاله کامپیوتر دانلود,میهن کامپیوتر مقاله دانلود,میهن دانلود مقاله کامپیوتر,میهن کامپیوتر دانلود مقاله,میهن دانلود کامپیوتر مقاله
