دانلود مقاله ISI انگلیسی شماره 52886 + ترجمه فارسی
عنوان فارسی مقاله

تابع هدف محدب جدید برای یادگیری با نظارت شبکه‌های عصبی تک لایه‌‌‌

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
52886 2010 8 صفحه PDF 28 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
A new convex objective function for the supervised learning of single-layer neural networks
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Pattern Recognition, Volume 43, Issue 5, May 2010, Pages 1984–1992

فهرست مطالب ترجمه فارسی
چکیده
مقدمه‌
تعریف روش پیشنهادی
تنظیم تابع هدف: تعیین میزان خطا (‌MSE)
تابع هدف جدید: تعیین میزان خطا‌( MSE)پیش از غیرخطی شدن‌
یک مثال همراه توضیح
شبیه سازیها
آنالیز مقایسه‌ای با روش‌های پیشین
تحقیقات تطبیقی (مقایسه‌ای) با دیگر الگوریتم‌های استاندارد
نتیجه‌گیری‌ها
کلمات کلیدی
شبکه های تک لایه عصبی، بهینه کلی، روش یادگیری نظارت شده، حداقل مربعات، بهینه سازی محدب، یادگیری افزایشی
ترجمه چکیده
در این مقاله روش نوین یادگیری با نظارت برای ارزیابی شبکه‌های تغذیه رو به جلو عصبی تک‌لایه ارائه می‌شود. این روش از تابع‌هدفی بر مبنایMSE استفاده می‌کند، که خطاها را به جای این‌که پس از تابع فعالسازی غیرخطی نرون‌ها 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 بهینۀ جهانی تابع هدف بر مبنای معیار MSE 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 ((Classification و 16 مسئله‌ی بازگشتی می‌باشد. بعلاوه، مقایسه‌این 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.
ترجمه مقدمه
برای بررسی شبکه‌ عصبی تغذیه رو به جلو 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 سطحConvex 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. کارهای مشابه این تحقیق نیز بیانگر تابع هدفConvex جدید و معادل باMSE هستندکه شاملMin های محلی نبوده و راه حل کلی آن‌ها با استفاده از سیستم‌های معادلات خطی بدست‌می‌آید. این سیستم را می‌توان برای هر خروجی با پیچیدگی( N ) O حل کرد؛ در جایی که N تعداد پارامترهای شبکه را نشان می‌دهد:
پیش نمایش مقاله
پیش نمایش مقاله تابع هدف محدب جدید برای یادگیری با نظارت شبکه‌های عصبی تک لایه‌‌‌

چکیده انگلیسی

This paper proposes a novel supervised learning method for single-layer feedforward neural networks. This approach uses an alternative objective function to that based on the MSE, which measures the errors before the neuron's nonlinear activation functions instead of after them. In this case, the solution can be easily obtained solving systems of linear equations, i.e., requiring much less computational power than the one associated with the regular methods. A theoretical study is included to proof the approximated equivalence between the global optimum of the objective function based on the regular MSE criterion and the one of the proposed alternative MSE function. Furthermore, it is shown that the presented method has the capability of allowing incremental and distributed learning. An exhaustive experimental study is also presented to verify the soundness and efficiency of the method. This study contains 10 classification and 16 regression problems. In addition, a comparison with other high performance learning algorithms shows that the proposed method exhibits, in average, the highest performance and low-demanding computational requirements.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.