دانلود پاورپوینت مقدمه های بر شبکههای عصبی و الگوریتمهای تکاملی و بررسی تکامل شبکههای عصبی مصنوعی
Evolving Artificial Neural Networks
عنوان های پاورپوینت :
مقدمه های بر شبکههای عصبی و الگوریتمهای تکاملی و بررسی تکامل شبکههای عصبی مصنوعی
Evolving Artificial Neural Networks
فهرست مطالب
شمای کلی از شبکه های عصبی تکاملی
ANNها:
EAها:
EANNها:
تکامل وزن های ارتباطی
مقایسه بین یادگیری تکاملی و یادگیری بر پایه گرادیان
تکامل معماری شبکه عصبی
تکامل همزمان معماری ووزن های اتصالی
تکامل همزمان معماری ووزن های اتصالی (EPNet)
تکامل قوانین یادگیری
شبه کد تکامل قوانین یادگیری
تکامل قوانین یادگیری
ترکیب های دیگر:تکامل ویژگی های ورودی
نتیجه گیری: یک چارچوب کلی برای EANN ها
قسمت ها و تکه های اتفاقی از فایل
تکامل معماری شبکه عصبی
تفاوت اصلی روش مستقیم با روش غیر مستقیم
معماری اولیه
دیگر بازنماییها
هر لایه مخفی = یک فرد در جامعه
محدودیت ها
فقط در شبکه های پیشرو کاربرد دارد
وجود نودهایی مخفی با قابلیت یکسان
تکامل معماری شبکه عصبی
تکامل توابع انتقال
تکامل نسبت تابع سیگموید و گوسین
استفاده از برنامه نویسی تکاملی برای تکامل شبکه هایی با نودهای سیگمویدی و گوسین
تکامل همزمان معماری ووزن های اتصالی
مشکل تکامل معماری بدون وزن های اتصالی: ارزیابی نویزی fitness
دو شبکه عصبی بامعماری یکسان ممکن است fitness متفاوت داشته باشند.
منابع اصلی نویز:
مقداردهی تصادفی وزن ها
الگوریتم های آموزشی
راه حل :
گنجاندن اوزان شبکه عصبی همراه بامعماری آن درکروموزوم
تکامل همزمان معماری ووزن های اتصالی
انتخاب عملگرجستجودرEA برای تکامل ANN .
استفاده ازcrossover متناقض با ایده اصلی ANN است.
علت: عدم وجود building block (واحدسازنده) به دلیل نمایش توزیعی دانش درANN.
اگرANNازنمایش محلی مانندشبکه های RBFاستفاده کند: crossover یک عملگربسیارمفیداست.
تکامل همزمان معماری ووزن های اتصالی (EPNet)
تکامل قوانین یادگیری
طراحی قوانین یادگیری به نوع معماری بستگی دارد.
آنچه ازیک ANN انتظار می رود: توانایی اش برای تنظیم قوانین یادگیری برطبق معماری و وظیفه ای است که باید انجام دهد.
یک ANN باید قوانین یادگیری اش را به صورت پویا یادبگیرد. زیرا قوانین تازه استخراج شده می تواند بامحیط های پیچیده وپویا تعامل داشته باشد.
شبه کد تکامل قوانین یادگیری
هرفرددرنسل فعلی رابه یک قانون یادگیری دیکد می کنیم.
یک مجموعه ازشبکه های عصبی بامعماری هایی که به صورت تصادفی تولیدشده و وزن های اتصالی اولیه ایجاد می کنیم، وآنهارا بااین قانون یادگیری دیکدشده آموزش می دهیم.
Fitness هرفرد (قانون یادگیری) رابرطبق میانگین نتایج آموزشی محاسبه می کنیم.
والدین راازنسل فعلی برطبق fitness شان انتخاب می کنیم.
عملگرهای جستجورابه والدین برای تولید فرزندان که نسل جدید راشکل میدهند، اعمال می کنیم.
تکامل قوانین یادگیری
برخلاف تکامل وزن های اتصالی ومعماری، تکامل قوانین یادگیری باید روی رفتار پویای ANN کارکند.
مسئله کلیدی:چگونه رفتارپویای یک قانون یادگیری رادریک کروموزوم استاتیک انکد کنیم؟!
اعمال محدودیت روی نوع رفتارهای پویا :استخراج فرم اصلی قوانین یادگیری.
تکامل قوانین یادگیری
فرم اصلی قانون یادگیری:
t: زمان
Δw: تغییروزن
x1,x2,…,xn: متغیرهای محلی
Θ: ضرایب بامقادیرحقیقی
سه مسئله اصلی:
تعیین زیرمجموعه عبارات
نمایش ضرایب بامقادیرحقیقی به عنوان کروموزوم
EA که برای استنتاج این کروموزوم هااستفاده میشود.
تکامل قوانین یادگیری
Baxter برای تکامل کل ANN (شامل وزن های اتصالی،معماری،قوانین یادگیری) تلاش کرد.
اعمال محدودیت روی تمامی قسمت هابرای جلوگیری ازبزرگ شدن فضای جستجوی ANN :
ANN بانودهای آستانه دودویی وزن ها تنها +1 یا -1 می شود.
تعدادنودها در ANN ثابت است.
قانون یادگیری تنها دو متغییر بولی دارد.
ترکیب های دیگر:تکامل ویژگی های ورودی
برای مسائل عملی ورودی های ANN می تواندبسیاربزرگ باشد یا تکرار زیادی بین ورودی های مختلف وجودداشته باشد.
تعدادزیاد ورودی به یک ANN :
سایزش راافزایش میدهد.
به داده های آموزشی بیشتر
وزمان آموزش طولانی تری نیازدارد تابه یک قدرت تعمیم منطقی دست یابد.
راه حل: پیش پردازش داده ها
ترکیب های دیگر:تکامل ویژگی های ورودی
EA : جستجوی مجموعه بهینه ازویژگی های ورودی به یک ANN
درتکامل ویژگی های ورودی، هرفرد درجمعیت یک زیرمجموعه ازتمام ورودی های ممکن رانشان می دهد.
استفاده ازیک کروموزوم باینری برای نمایش هرفرد که طولش برابرتعدادکل ویژگی هاست.
ارزیابی هرفرد: آموزش یک ANN بااین ورودی ها واستفاده ازنتایج برای محاسبه مقدارfitness.
نتیجه گیری: یک چارچوب کلی برای EANN ها
ازدیدگاه مهندسی،تصمیم گیری روی
سطح تکامل به این بستگی داردکه چه
نوعی ازدانش قبلی موجودباشد.
بهینه سازی قوانین یادگیری زمانی
بامعنی تراست که دریک محیط شامل
معماری ارزیابی شود.
30 تا 70 درصد پروژه | پاورپوینت | سمینار | طرح های کارآفرینی و توجیهی | پایان-نامه | پی دی اف مقاله ( کتاب ) | نقشه | پلان طراحی | های آماده به صورت رایگان میباشد ( word | pdf | docx | doc )
نقد و بررسی‌ها
هیچ دیدگاهی برای این محصول نوشته نشده است.